Универзитет Сингидунум

Проф. Др Мирјана Шекарић

СТАТИСТИЧKЕ МЕТОДЕ

Београд, 2010.

Статистичке методе

Аутор:
Проф. др Мирјана Шекарић
Рецензент:
Проф. др Небојша Ралевић
Издавач:
УНИВЕРЗИТЕТ СИНГИДУНУМ
Београд, Данијелова 32
www.singidunum.ac.rs
За издавача:
Проф. др Милован Станишић
Техничка обрада:
Владимир Лазовић
Дизајн корица:
Александар Михајловић
Година издања:
2010.
Тираж:
1150 примерака
Штампа:
Младост Груп
Лозница
ISBN 978-86-7912-241-4

ПРЕДГОВОР

Ова књига намењена је студентима Универзитета „Сингидунум“ у Београду, али и свима који користе статистичке методе у својим истраживањима. Књига садржи одабране статистичке методе. Полазило се од тога да
се на пристпачан начин пружи градиво потребно за спровођење већег броја
статистичко аналитичких поступака, разумевање и тумачење добијених
резултата.
У свету у коме живимо статистика је постала неизбежни саставни део
сваког националног истраживања и свакодневне праксе. Нови тржишни
услови неминовно намећу економистима, и не само њима, познавање
модерне стстистичке анализе, јер само тако могу да доносе квалитетне
пословне одлуке.
Изложена материја одговара садржају предмета Статистичке методе,
предвиђеном наставним планом и програмом, како са теоријског, тако и са
практичног аспекта.
Овом приликом захваљујем се уваженом рецензенту на несебичној
подршци, корисним саветима и сугестијама.
Аутор се нада да ће ова књига омогућити студентима да успешно
савладају наставни програм предмета Статистичке методе, а колико су
намере аутора остварене рећиће корисници ове књиге и студенти којима
је, пре свега, ова књига и намењена.

Београд, 2010. Године.

III

Аутор

САДРЖАЈ

Предговор

III

1. Статистичко истраживање
1.1. Појам и значај статистике
1.2. Предмет и метод статистике

1
1
2

2. Статистичко снимање и приказивање резултата
2.1. Статистички скуп
2.2. Методи прикупљања података
2.3. Сређивање и обрада података
2.4. Статистичке серије
2.5. Статистичке табеле
2.6. Графичко приказивање статистичких података
2.6.1. Линијски дијаграми
2.6.2. Површински дијаграми

4
4
5
6
7
11
12
13
16

3. Обрада и анализа података и резултата
3.1. Мере централне тенденције
3.1.1. Аритметичка средина
3.1.2. Хармонијска средина
3.1.3. Геометријска средина
3.1.4.Позиционе средње вредности
3.1.4.1. Модус
3.1.4.2. Медијана
3.1.4.3. Квартили
3.2. Мере варијабилитета
3.2.1. Основне јединице за мерење варијабилитета
3.2.1.1. Варијанса
3.2.1.2. Стандардна девијација
3.2.1.3. Дисперзија
3.2.1.4. Средње апсолутно одступање
3.2.2. Основне статистичке инваријанте
3.2.2.1. Коефицијент варијације
3.2.2.2. Коефицијент дисперзије
3.2.2.3. Релативно линеарно одступање
3.2.2.4. Коефицијент интеркартилне варијације

20
20
22
26
29
35
35
37
43
51
51
52
55
56
57
60
60
62
63
63

V

Индекс вредности 4.1.2. Сезонске варијације 4. Централни моменти распореда 3.1.1. Тренд компонента 4.1.2.1. 3.2. Ланчани (верижни) индекси 4.7.2. Мере облика распореда 3. Групни индекс количине 4.2.2.3.1. Стандардна грешка код тренда 4.2.1. Базни индекси 4.2.3.5.2.1.7.1. ДИНАМИЧКА АНАЛИЗА 4.3.1. Вероватноћа случајног догађаја 5.3.3.7.2.1.1. Коригован метод односа према општем кварталном просеку 4.6. Прогнозирање будућег нивоа појаве применом сезонских индекса 73 74 76 77 79 79 80 83 83 84 86 87 89 89 91 97 97 100 109 112 113 116 116 119 122 124 124 126 129 135 5.1.3.3. Линеарни тренд 4. Метод односа према покретним срединама 4.3.3. Класична вероватноћа 138 138 139 VI 136 .1.1.2.1.1 Временски индекси 4.1. Метод односа према општем кварталном просеку 4. Индекс трошкова живота 4.1. Индивидуални индекс плата 4.3.3. Коефицијент спољштености 64 65 66 66 70 4.4.8.1.1.5. Групни индекс цена 4.1. Параболични тренд 4. Индекси количине 4. Десезонирање података 4.3. Индивидуални идекс продуктивности рада 4.1.4.2.2. Криволинијски трендови 4. Групни индекс продуктивности рада 4.2.2. Нормализовано одступање 3.1.1. Коефицијенти асиметрије 3.1.8.2. Експоненцијални тренд 4.8.2. Индекс цена 4.1.1.1.3. Методи израчунавања сезонских индекса 4. Индекс продуктивности рада 4. Индивидуални индекс цена 4. Групни индекс плата 4. Индивидуални индекс количине 4.2.2.2.1.1. Индекс плата (зарада) 4.3.2. Елементи теорије вероватноће 5.3.4.1.3.3.1.

5.7.8. ОПТИМАЛНА ВЕЛИЧИНА УЗОРАКА 6. Збирна вероватноћа 5.1.2. ЦЕНТРАЛНА ГРАНИЧНА ТЕОРЕМА 5. ЗАКОН ВЕЛИКИХ БРОЈЕВА 5. Паусонова вероватноћа 5. СТАТИСТИЧКА ВЕРОВАТНОЋА 5. Подручије прихватања и одбацивања хипотеза 6.3.3. Независност догађаја 5.2.1. ОЧЕКИВАНА ВРЕДНОСТ ПРЕКИДНЕ СЛУЧАЈНЕ ПРОМЕНЉИВЕ 5. Тестирање разлике између аритметичких средина из два узорка 6. ТЕСТИРАЊЕ СТАТИСТИЧКИХ ХИПОТЕЗА НА ОСНОВУ УЗОРКА 6.4.5. Биномна вероватноћа 5.4.1.5. Оцена аритметичке средине основно скупа на основу стратификованог узорка 6.6.5.4.4.1.4.3. Тотална вероватноћа 5.5.5.2.5. Бајесова вероватноћа 5.5.2.1.1.5.2.2.3.4.3.1.1. Дефинисање нулте и алтернативне хипотезе 6. Статистички тестови на основу нормалног распореда 6.8.4.5. ОЦЕНА РАЗЛИКЕ АРИТМЕТИЧКИХ СРЕДИНА ДВА ОСНОВНА СКУПА НА ОСНОВУ УЗОРКА 6.3. Тестирање разлике између аритметичких средина два узорка 6.3.4. Варијанса прекидне случајне прооменљиве 6. Условна вероватноћа 5.5.4. Статистички тестови на основу Студентовог „t“ расопреда 6.5. Паусонов распоред вероватноћа 5. ВЕРОВАТНОЋЕ ДОГАЂАЈА КОЈИ СЕ ВИШЕ ПУТА ПОНАВЉА 5. Вероватноћа више догађаја 5.5.2.1. Тестирање разлике између аритметичке средине узорка и хипотетичке вредности аритметичке средине основног скупа 6. Статистички тестови на сонову Снедекор-Фишеровог распореда („F“ распоред) VII 140 142 142 143 144 145 147 148 148 151 155 157 162 166 169 173 178 180 184 187 188 194 198 199 200 204 204 211 220 220 226 231 .4. Тестирање разлике између аритметичке средине узорка и хипотетичкне вредности аритметичке средине основног скупа 6.5.1.5. МЕТОД УЗОРАКА 6.5.5. Биномни распоред вероватноћа 5. ПРОЦЕЊИВАЊЕ АРИТМЕТИЧКЕ СРЕДИНЕ ОСНОВНОГ СКУПА 6.5. СТРАТИФИКОВАНИ УЗОРАК 6.1.4.

1. Тест значајности пропорција 6. Стандардна грешка регресија 7.5.1.3.6.6.1.2. Коефицијент парцијалне корелације 7. Коефицијент ранга СТАТИСТИЧКЕ ТАБЛИЦЕ ЛИТЕРАТУРА 232 250 265 266 269 274 274 276 277 278 278 283 289 293 326 VIII .5. Анализа варијансе једног фактора варијабилитета 6.2. Коефицијен корелације 7.2.2.1.6.5.5.1. Тест независности обележија 7.6. Статистички тестови на основу X2 квадрат распореда 6. Анализа варијансе два фактора варијабилитета 6.1.5.2.5.2.1.5. РЕГРЕСИЈА И КОРЕЛАЦИОНА АНАЛИЗА 7. КОРЕЛАЦИЈА ПОЈАМ И ЗНАЧЕЊЕ 7.2.2. Линеарна регресија 7. ПОЈАМ РЕГРЕСИОНЕ АНАЛИЗЕ 7.

  Исто  тако  статистички  подаци  имају  информативну  и  инструменталну  улогу. у стручним часописима и публикацијама.  репрезентативни. да боље сазна  прилике  и  живот  који  га  окружује. не само у прошлости и у моменту посматрања.  присутни  су  у  новинама.  Са  појавом  електронских  рачунара  отворено  је  посебно  раздобље  у  развоју  статистике.  Исто  тако  статистика  има  задатак  да  подстиче  и  даје  иницијативу  за  чување  статистичке  документације  као  материјала  трајне  вредности  који  у  историјском  распону  стално  увећавају  свој  значај и вредност. ПОЈАМ И ЗНАЧАЈ СТАТИСТИКЕ    Статистика  је  од  најранијих  времена  била  метод  и  средство  за  прибављање  најпоузданијих  информација  за  вођење  политике  развоја  друштва. него првенствено да  би се сагледали правци и токови даљег развоја.  како  би  се  искључиле  разне  злоупотребе  самих  података  и  манипулације  у  негативном  смислу.  1 .  Статистика  се  данас  до  те  мере  развила  да  се  помоћу  ње  врше  процене.  Рекордна  брзина  и  максимална  тачност  у  обради  статистичких  података  вишеструко  је  учинила  ефикасним  статистички  рад  и  отворили  су  велике  могућности  примене  статистике.  статистички  подаци  треба  да  буду  актуелни.  ажурни. истражују тенденције. СТАТИСТИЧКО ИСТРАЖИВАЊЕ      1.  доступни  и  упоредиви.  одмеравају ризици.  на  радију  и  телевизији.  Статистичка  информација  је  нумерички  податак  који  има  методолошко  објашњење.  Задатак  статистике  је  да  шири  општу  културу  у  коришћењу  статистичких  података  као  и  познавању  и  разумавењау  њиховог  значаја.  разумљиви.  тачни.  а  научном  раднику  да  дође  до  објективних  чињеница у свом истраживању.  Она  је  нераздвојни саставни део свакодневног живота сваког појединца. да би се боље сагледале појаве  у будућности.1.1.  Како  су  део  информација  којима  располаже  једно  друштво. анализирају односи и фактори који их  опредељују.

   Под  статистиком  се  данас  подразумева:  дескриптивна  статистика  која  прикупља. Обзиром да су фактори који делују на појаву   варијабилни.  индикатора  и  појмова. то ће и појава показати мање или више изражен варијабилитет.  од  општег  ка  појединачном.  дедукцију  када  полази  од  претпоставки.  која  изналази  статистичке  методе.  Код  појава  које  испољавају  већу  варијабилност  (друштвено‐ економске  појаве)  тек  посматрањем  већег  броја  случајева  долази  се  до  зако‐ нитости у њиховом понашању. Зато статистика истражује масовне појаве.  Правилности  које  уочавамо  називају  се  2 .2. и  статистичка  теорија. Свака појава наста‐ је под утицајем неких фактора.  обрађује  и  повезује  податке.  која  омогућује  прибављање нумеричких информација. њихову динамику и  друге карактеристике  посматраних појава.1. Статистика користи аналогију када  на бази познатих карактеристика једне појаве доноси судове о другој која је са  овом у корелационој вези.  до‐ казује и усавршава. па понашање појаве зависи од природе. Код таквих појава применљује се метод појединачног  посматрања.  Појединачне  појаве  показују  најмањи  варијабилитет  индивидуалних  слу‐ чајева и резултат су деловања малог броја фактора.  Статистика  као  наука  користи  метод  индукције  и  иде  од  мојединачног  ка  општем. И статистика има специфичан  метод  знакова  и  симбола  којима  се  користи  за  означавање  категорија. броја и  начина комбиновања тих фактора. њихову квалитативну информацију. ПРЕДМЕТ И МЕТОД СТАТИСТИКЕ  Предмет проучавања статистике су варијабилне (променљиве) појаве које се  испољавају  у  маси  случајева  и  зову  се  масовне  појаве.  објашњава  их.  Статистика  је  разрадила  специфичан  графички  метод  који  очигледно  илуструје неку појаву.  Варијабилитет  је  уни‐ верзална карактеристика природних и друштвених збивања.  Затим  анализу  и  синтезу  када  појаве  расчлањава  ради  проучавања  појединих  делова или када скупља информације о појединим деловима масовних појава у  целости ради потпунијег сазнања о тој појави. Исто тако користи репрезентативни метод када се на  основу  мањег  или  већег  броја  јединица  неке  масе  доноси  закључак  о  целој  маси. до‐ ношење закључака и формирање законитости понашања посматраних појава.  статистичка  анализа.  Масовно  посматрање  појава  уз  одговарајућу  примену  статистичке  мето‐ дологије омогућава нам да уочимо опште карактеристике варијабилних појава и  откријемо  правилности  у  њима. Однос између ових појава и  фактора међусобно условљених понављају се на приближно исти начин у свим  конкретним случајевима. открива различите међусобне односе.

 Задатак евиденције јесте  да региструје и  прати сваку поједину једницу и  њена  индивидуална  својства.  Статистика има за задатак да уочи оно што је заједничко.  упоређује  и  анализира. Они омогућавају објективну оцену основних каракте‐ристика скупова.  Анализом  тог  варијабилитета  статистика  про‐ верава  хипотезе  о  узрочним  везама  и  законитостима  и  открива  правилности  у  понашању масовних појава.  Евиденција  има  за  циљ  да  обухвати  све  поје‐ диначне  случајеве  да  би  у  сваком  моменту  могла  да  пружи  одговарајућа  обавештења о појединачним индивидуалним случајевима.    3 . Ста‐ тистички  експеримент  не  захтева  константност  ни  једног  фактора.   Теорија  вероватноће  омогућава  статистици  истраживање  карактеристике  скупова  на  бази  објективних  квантитативних  оцена. Стати‐ стика  истражује  те  правилности  а  резултате  групише. Евиденција представља основни извор статистичких података.  Тако  се  обезбеђује  непристра‐ сност избора са једне и репрезентативност одабраних случајева са друге стране.  уз  одређени  ризик.  Процеси  који  нису  ни  сасвим  случајни  ни  строго  детермисани  називају  се  стохастичким  процесима. Према томе статистику интересују карактеристике  скупова.  Напротив.  Статистика  се  битно  разликује  од  евиденције.  Појам  статистике  је  знатно  шири.  Оне  се  испо‐ љавају на великом броју случајева јер те правилности важе само у маси.  описује. На њих у великој мери утичу бројни фактори и њихове  разноврсне  комбинације  и  не  дешавају  се  хаотично. као и оцену поузда‐ности закључака до  којих долазимо. карактеристично за  све  случајеве  посматрања  а  појединачна  својства  служе  статистици  само  као  полазна основа за даљи рад.  Ови  процеси  не  одвијају  се  по  неком  одрађеном  непроменљивом закону.  Резултати  који  се  добијају  посматрањем  одабраних  репрезентативних  случајева  називају  се  статистичким  узорцима.  Статистичка  теорија  експеримената  омогућује  извођење  експеримената  на јако варијабилним појавама у циљу откривања статистичких законитости.  Посматрају  се  и  истражују  случајеви  на  којима  се  особине  посматране  појаве  испољавају  приближно  исто  као  и  у  целом  скупу.  Применом  одговарајућих   квантитативних  метода  могу  се.  оцену степена њиховог варијабилитета.  нити  поду‐ дарност  услова  при  понављању  опита.  потребно  је  да  сви  фактори  што  је  могуће  више  варирају.статистичким  законостима  или  масовним  законитостима.  које  се  доносе  на  основу  посматрања  само  неких  одабраних  случајева.  вршити  извесна  пре‐ двиђања њихове динамике.

  Скуп  је  хомогенији  уколико  имају  више  заједничких  особина.  по  квалификацијама.1.  Појмовно.  Статистички  скуп  је  релативно  хомоген  када  су  јединице  које  он  обухвата  сличне  односно  када  имају  бар  једно  заједничко  својство..2.  а  да  се  по  другим  обележјима  разликују.  по  занимањима.  Просторно  одредити  статистички  скуп  значи  одредити  простор‐територију  на који се односе или којем припадају статистичке јединице.  да  јединице  имају  једно  заједничко  обележје. ако су у статистичком скупу ушле све јединице  које чине тај скуп.)  али  имају  заједничку  особину  да  су  запослени.  основни  скуп  или  популација  је  скуп  свих  елемената  на  којима  се  извесна  појава  статистички  посматра.  Статистички  скуп  је  диференциран  када  су  јединице  на  којима  се  врши  по‐ сматрање  истоврсне  али  не  и  истоветне.  То  значи. СТАТИСТИЧКО СНИМАЊЕ И ПРКАЗИВАЊЕ  РЕЗУЛТАТА    2.  4 .  од  јединице скупа и њихових карактеристика.  Статистичка јединица је основни носилац карактеристике скупана на коме  се врши статистичко посматрање.  Временски одредити скуп значи одретити моменат или раздобље времена у  којем  ће  се  обухватити  све  јединице  које  улазе  у  статистички  скуп.  многим  особинама  (по  полу.  по  делатностима. Исто тако  треба одредити број и врсту јединица посматрања.  Како  ће  се  временски  одредити  скуп  зависиће  од  природе  појаве  коју  испитујемо. диференциран и целовит..  Сврха  ста‐ тистичког посматрања је испитивање диференцираности скупа у погледу неких  особина и њихово квантитативно одређивање.  На  пример:  запослени  на  неком  подручију  разликују  се  по.  Да  би  се  статистички  скуп  могао  проучавати  он  се  мора  дефинисати  про‐ сторно.  Статистички скуп је целовит. садржинско одређивање статистичког скупа изискује одређивање  особине које мора да има свака јединица да би била укључена у скуп. СТАТИСТИЧКИ СКУП    Статистички  скуп. временски и појмовно.  Статистички  скуп  има  особину  да је: релативно хомоген.

    2. Ови модалитети не одржавају  интензитет обележја већ само њене различите облике појављивања.  старост  људи.  висина.). а критични моме‐ нат је 31. професор.  Статистички попис обухвата све јединице посматрања једног статистичког  скупа у одређеном моменту („критични моменат“).  тежина).  До  њих  се  долази  мерењем    или  пребројавањем  (го‐ дине  старости.). Тако се добија потпун увид у  стање  и  структуру  скупа  по  разним  обележјима.  До ових нумеричких вредности долази се пребројавањем (број студената.  • Атрибутивна  обележја  описно  изражавају  квалитативне  разлике  једи‐ ница  посматрања  (пол. Појава која се посматра може да обухвата  све  јединице  статистичког  скупа  и  то  је  потпуно  посматрање  а  може  да  обухвати  само  један  његов  део.  До  вре‐ дности ових обележја долази се мерењем..  Постоје  два  основна метода потпуног статистичког посматрања и то: статистички попис и  извештајни метод.  то  је  делимично  посматрање.  • Нумеричка  обележја  бројчано  изражавају  квантитативне  разлике  једи‐ ница  посматрања. број запослених.март).  потрошња  струје.  Са аспекта обраде података обележја могу бити нумеричка и атрибутивна.  Ова  обележја  могу  бити  непрекидна  или  континуирана и прекидна или дисконтинуирана.2.  • Непрекидна  обележја  имају  ма  коју  вредност  унутар  једног  интервала  и  изражавају  се  било  којим  реални  бројем  (висина  популације..  број потрошача струје..  потрошња  прехрамбених  производа. број деце..  занимање.  квалификација  запослених.  занимање: учитељ.  • Прекидна  обележја  изражавају  се  само  целим  ненегативним  бројевима..Особине по којима се статистичке јединице међусобно разликују називају се  статистичким обележјима. МЕТОДИ ПРИКУПЉАЊА ПОДАТАКА  За  сваку  статистичку  акцију  потребно  је  изабрати  најефикаснији  метод  посматрања (прикупљања података).  Овакав  облик  статистичког  посматрања је веома скуп.  5 .. инжињер.  мушко  и  женско. Различити видови у којима се обележје може јави‐ ти називају се модалитетима тог обележја.. па се организује у дужим временским интервалима  (попис становништва обавља се сваке пете или десете године.)  и  имају  одређене  модалитете  (пол  има  два  модалитета.)..

 СРЕЂИВАЊЕ И ОБРАДА ПОДАТАКА  Подаци који су прикупљени једним од метода.  инструмената  истраживања.  сређивање  података  може  бити  централизовано  када  се  сав  прикупљени  статистички  материјал  шаље  у  један  центар  где  се  сређивање  обавља јединствено и у целости. Зато  серије и табле морају да буду прецизно и јасно састављене.  Мешовито  сређивање података састоји се у томе да се до одређене фазе послови обаве у  6 .  Сређивање представља техничко‐методолошки део послова у коме се.  Квалитет  прикупљених  података  зависи  од  спецификације  истраживања. према  шеми  груписања  у  циљу  истраживања  прикупљени  статистички  материјал  свр‐ става у серије и табеле које представљају статистички начин истраживања..  Статистичким  извештајем  у  сукцесивним  временским  моментима  (стање  новца  у  благајни  у  месецу.Извештајни  метод  прати  континуирано  догађаје  чији  је  варијабилитет  током  времена  јаче  изражен. док систематске увек утичу на податке.  Статистичким  органима  у  одређеним  временским  интервалима шаљу се редовно попуњени статистички упитници. Оно се спроводи на основу узорка.  Неминовни  пратилац  статистичких  истраживања  су  грешке  које  могу  бити  случајне  и  систематске..    2.  Случајне  грешке  немају  посебан  утицај  на  квалитет  података.3. Статистички  узорак  је  репрезентативни  део  основног  скупа  на  основу  кога  се  доносе  закључци о карактеристикама основног скупа.  Према  месту.  Када  је  немогуће  спровести  потпуно  посматрање  користи  се  делимично  посматрање статистичког скупа.  Спроводе  га  лица  или  институције  система  ради  својих  пословних  потреба..) врши се посматрање промена статистичког скупа. Децентрализовано се састоји у томе да се ови  послови  врше  на  више  места.. како би оно што је у  њима садржано било довољно видљиво и подесно за анализу.  Индивидуалне  податке  треба  претворити  у  бројчане  информације  путем  груписања  јединица  по  модалитетима  посма‐ траних обележја и њихових збрајања у свакој групи.  услова  истраживања  као  и  од  става  и  понашања  давалаца података. Узорак ће бити репрезентативан  ако је довољно велики и ако  је по својој структури сличан статистичком скупу.)  или  интервалима  времена  (природно  кретање  становниства.  најчешће  по  регионалним  центрима. представљају сиров материјал  кога  треба  средити  и  обрадити.

  У техничком погледу послови сређивања  могу  да буду извршени ручно.  У зависности од броја обележја постоје просте и сложене статистичке серије.  То  је  спор  начин  и  не  даје  могућности  за  сложеније  анализе.  Статистичку  серију  чине  две  колоне.  Према врсти обележја како су уређене и зависно од тога шта показују стати‐ стичке серије деле се на:  • серије структуре  • временсе (хронолошке)  • географске  Серије  структуре  показују  распоред  статистичких  јединица  према  мода‐ литетима или према вредностима обележја.  Просте серије су оне код којих се исказују подаци само  по једном обележју или  карактеристици  посматране  појаве.    2.разним регионалним центрима а затим се све прикупља у један центар да би се  завршили сви остали послови до коначног сређивања. Увођење савремених рачунара омогућило је да се значајно  скрати  време  обраде  статистичких  података  а  тиме  и  истраживање  у  целини.4 СТАТИСТИЧКЕ СЕРИЈЕ  Као  резултат  сређивања  статистичког  материјала  добијамо  статистичке  серије. Серије структуре по нумеричким обележијима настају гру‐ писањем  јединица  по  вредностима  нумеричког  обележја. Састоји се из два реда обавештења.Статистичке  серије  су  бројчани  показатељи  како  квантитативних  тако  и  квалитативних  варијација  обележја  код  масовних  појава.  Оне  представљају  низ  бројчаних  података  о  једном  или  више  обележја  неке  појаве. место или време) а друга ко‐ лона показује број јединица појединих група у серији. који  представља  примитивни  начин  сређивања  где  нема  средстава  и  опреме.  Машинско  сређивање  представља  савремен  и  брз  начин  обављања  послова  сређивања.  Таквим  сређивањем обезбеђена је максимално могућа тачност и сведено на минимум  прављења грешака.  Тачност у раду и брзо добијање резултата имају за статистику посебан значај.  У  првој  је  дато  обележје  по  којем  је  извршено  груписање (атрибутивно или нумеричко обележје.  односно  фреквенције  које  показују  колико  се  пута  поједини  модалитети  јављају  унутар  посматраног  статистичког скупа.  Сложене  серије  су  оне  код  којих  се  изра‐ жавају подаци о више обележја посматране појаве.  Атрибутивна  7 .  У  једном  су  модалитети  а  у  другом  број  јединица.

  Број  интервала  и  ширина  интервала  одређују  се  Stuges‐овим  правилом помоћу формуле:  k = 1 + 3.  Географске  серије  припадају  врсти  атрибутивних  серија  јер  се  обележја изражавају речима.  Ако  је  нумеричко  обележје  прекидно  вредности  обележја  групишу  се  по  величини  од  ниже  вредноси  ка  вишој. Деле  се  на  националне  које  показују  распрострањеност  појаве  на  националној  територији.  Њихови  груписани  подаци  могу  се  сабирати.  овај  проблем  се  решава применом формуле:  x0 = xmin − i   2 x0 – доња граница првог групног интервала  xmin – минимална вредност обележја из скупа статистичких података  i – ширина групног интервала    8 .  и  на  међународне  које  показују  распрострањеност  појаве  у  већем  броју  земаља.  То  су  најчешће  календарски  временски  интервали.  Статистички  подаци  добијени на овај начин омогућавају динамичку анализу појаве.обележја  се  исказују  описно  и  за  њихово  груписање  потребно  је  имати  јасну  шему класификације.  Према  природи  података  које  садрже. Због тога њихове податке нема смисла  сабирати.   xmin – најмања вредност обележја  У  статистичкој  пракси  појављује  се  проблем  са  којом  вредношћу  започети  доњу  границу  првог  групног  интервала.  Временске (хронолошке) серије су низови статистичких података које показују  варијације  посматраних  појава  током  времена.  Представљају низове различитих стања.  Интервалне  временске  серије  показују  стање  појаве  у  низу  узастопних  временских  интервала.  деле  се  на  моментне  и  интервалне.  Вредности  непрекидног  обележја  групишу  се  у    интервале  и  тако  се  добијају  интервалне  серије  дистрибуције  фреквенције. 3log N x − xmin   i = max k k – број интервала  N – број статистичких јединица  i ‐ ширина(величина)интервала  xmax – највећа вредност обележја.  Моментне  серије  показују  ниво  или  количину  појаве  у  тачно  одређеним  узастопним  моментима  времена.  Географске серије показују просторни (територијални) распоред појаве.  У  новијој  литератури.

    Пример:   Bрој угоститељских објеката по општинама био је:    5  20  15  35  48  17  38  39  7  19  20  40  46  28  35  41  9  17  19  38  39  31  42  29  10  16  30  42  50  42  25  19    а) Груписати податке у облику интервалне нумеричке серије  б) Израчунати растућу и опадајућу кумуланту  ц) Израчунати релативну фреквенцију и кумуланту растућу у проценнтима    Решење:  а)  Број   Ширина   Доња граница првог  интервала  интервала  интервала  k = 1 + 3.3.96699 = 5.54 x0 = 5 −   2 x0 = 1.  Модалитет  ћемо  обележити  са  xi. Кумулативна  i i =1 фреквенција.Интервална  нумеричка  серија  се  састоји  из  доње  и  горње  границе  инте‐ рвала.  се  претварају  у  неинтервалне  нумеричке  серије  методом  разредне  средине.  Овакве  серије.  n Збир фреквенција са  ∑ f .  ради  математичке  обраде.54 i ≈8 i=   9 i 2 7.50515 = 1 + 4.96699 i = 7.  растућа  –  када  се  придружује.3 ⋅1.2.  опадајућа  кумуланта  добија  се  када  се  збир  фреквенција  одузима фреквенција сваког интервала редом до последњег.  сабира  фреквенци‐ја  претходног  интервала са наредним интервалом и то до последњег интервала који је једнак  збиру  фреквенција.3log 32 k k k k = 1 + 3.3.  i=1. релативна фреквенција се добија када се фреквенција  i =1 i вредности  овележја  (fi)  стави  у  однос  према  укупном  броју  јединица  тог  скупа       n ( ∑ f ) и пошто се изражава у процентима помножи се бројем 100.….  Метод  се  састоји  у  томе  да  се  сабере доња и горња граница интервала и подели са два.96699 ≈6 xmax − xmin k 50 − 5 i=   5.2.n.  i=1.  фрекфенцију  са  fi.…n. 23 x0 = xmin − x0 ≈ 1 .

X0  груписање  општина  према броју угоститељских радњи дато је у табели бр. доња граница првог групног интервала  је x0=1. 32‐3=29.  а  минималан  број  је  xmin=5. 29‐5=24.1.38  3  10‐18  14  8  29  15. Из датог статистичког скупа (број угоститељских  радњи)  максималан  број  угоститељских  радњи  је  xmax=50. итд.    Табела 1.  2 2   б) Растућа кумуланта (k) 3.37  100.  32 10 /  .  На  основу  израчунатих  вредности  параметара  k. итд.75  62.75  6  28‐36  32  20  18  18. Ширина групног интервала је i≈8.13  90.00  3  Укупно  ∑f i = 32 /  /  /  100. Груписање општина према броју угоститељских објеката  Број  Разредна  Кумуланта  Кумуланта  Релативна  Кумуланта  Број  угоститељских  општина  средина  растућа   опадајућа  фреквенција  растућа у  f i  xi  k  k  %  %  објеката xi  1‐9  5  3  32  9.    ц) Релативна фреквенција у процентима :  f i ⋅100   ∑f за први интервал: 3 ⋅100 = 9. 8+6=14.00  5  19‐27  23  14  24  18.62  25.38%   i 32 за други интервал:  5 ⋅100 = 15.62  9  46‐54  50  32  3  9.5  6  37‐45  41  29  12  28.Број групних интервала је 6.        Опадајућа кумуланта (k) 32.  i.00    Разредна средина: 1 + 9 = 5 .38%   32 за други интервал:  8 ⋅100 = 25%  итд. 10 + 18 = 14  итд.38  9.  32 Кумуланта растућа у процентима:  k ⋅100   ∑ fi за први интервал: 3 ⋅100 = 9.75  43. 62%  итд. 3+5=8.

 години у Србији у  милионима  Техничка намена  Домаћа опрема  Увозна опрема  Укупно  Машине и уређаји  6759  7630  14389  Транспортна средства  3210  1420  4630  Остала опрема  3120  830  3950  извор: SB‐926.  Инвестиције у производним делатностима у 2000.  збирни  ред  садржи  збирове  сваке  поједине  колоне  а  збирна  колона  садржи  појединачне  збирове  сваког  реда  из  табеле. Прегледност се обе‐ збеђује тако што се избегавају обимне табеле.  Сложене  статистичке  табеле  садрже  више  простих  табела.    Табела 2.  Подаци  су  раз‐ врстани  према  обележју  по  одређеним  критеријумима.  Табелирање  представља  једну  од  етапа  истраживања  чиме  започиње  анализа  података  и  резултата.  сложене табеле.  Зависно  од  броја  обележја  статистичке  табеле  се  деле  на:  просте  табеле.  претколону  која  текстом  описује  бројеве  (податке)  који  се  уносе  у  редове.  Статистичка  табела  има  још  и  следеће  елементе:  заглавље  које  у  описном  облику  (тексту)  објашњава  бројеве  (податке)  који  се  уносе.  Свака статистичка табела има текстуални и нумерички део.  ни  у  заглављу.  Тако  се  добијају  редови.  између  вертикалних  линија.  Оба  обележја  у  комбинованој  табели  могу  да  буду  нумеричка.  једно  може  да  буде  атрибутивно  а  друго  11 .  а  јединственост табеле се обезбеђује у устаљеним ознакама.2.5 СТАТИСТИЧКЕ ТАБЕЛЕ  Статистичке  табле  представљају  начин  на  који  статистика  саопштава  ре‐ зултате  свога  рада  и  ставља  на  располагање  корисницима  статистичких  пода‐ така  као  сређене  бројчане  информације  о  посматраним  појавама.  оба  атрибутивна. временску или географску серију).  прегледна  и  јединствена. стр.  Комбиноване статистичке табеле дају приказ статистичких података сређених  према  два  или  више  обележја.  комбиноване табеле.  између  хоризонталних  и  колоне.  Просте  статистичке  табеле  приказују  једну  статистичку  серију  (серију  стру‐ ктуре.  Мо‐ далитети  обележја  не  смеју  се  скраћивати  ни  у  предколони. У техничком смислу статистичка табела представља систем укрштених  хоризонталних  и  вертикалних  линија. 24    Статистичка  табела  мора  да  буде  разумљива.  Имају  више  редова  и  колона које су у садржинској вези.

    2. Год. ГРАФИЧКО ПРИКАЗИВАЊЕ СТАТИСТИЧКИХ  ПОДАТАКА    Графичко  приказивање  статистичких  података  омогућава  да  се  јасно  сагле‐ дају  варијације  обележја  посматране  статистичке  масе.1 4. 2000.  • ознака јединице мере у којој су изражени подаци или резултати  12 .2 Укупно  5. стр. због збирног реда и збирне  колоне.  Пол  Писменост  Укупно  Мушки Женски Писмени 4.7 1. табеле се деле на обрадне и публикационе.  као  контрола  података  и  као  извор  детаљних  информација. или место на коме се налази појава која  се приказује (ознака  места).  • време на које се односе приказани подаци(ознака времена). као ста‐тистичка  обрадна  документација.  Графичко  приказивање  мора  да  буде  јасно.6 9.    Зависно од намене.6.  једно‐ ставно и прегледно.5 Неписмени 0.  Сваки графикон осим садржаја(појаве коју приказује) мора да има и саставне  елементе  који  објашњавају  све  оно  што  је  потребно  за  његово  потпуно  разумевање а то су:  • наслов који треба укратко да означава предмет графикона.5 0.  Графикон  је  графички  приказ  статистичких  серија.  • Обрадне табеле служе за обраду статистичких података.  • Публикационе  табеле  су  оне  које  су  подешене  за  одређени  облик  публикација  или  објављивање  резултата  истраживања  и  намењене  си  широком кругу корисника.нумеричко.  Табела 3. Разликују се од осталих по својој форми. по  попису 1991. шта се њиме  приказује (ознака предмета)  • територију.9 8. И више по писмености и полу. Становништво Србије старо 10 год.6 3.7 извор: SGS.  • легенда којом се објашњавају симбол који су употребљени у графи‐кону. 91.

 ови статистички графикони конструишу се уз помоћ геометријских  појмова (тачка.  Према групама ових геометријских појмова који се користе за израду графикона. На једном дијаграму могуће је приказати две или више временских  серија. линија. и то његов први квадрант.  површи‐ нски (хистограми) и просторни (стереограми). слике и ликови из планиметрије. Користе  се  код  серије  података  који  прате  појаву  у  времену.  Слике  или  фигуре  су  сразмерне  величини  појаве  која  се  приказује.  линијски  дијаграмом  фреквенцију. На сликовит начин илуструју статистичке податке.  линијски  (полигони).Према елементима које садрже графикони се деле на:  • дијаграме. зато што су  појаве које се приказују графички по правилу позитивне.  па  се  називају  хро‐ нограмима.  дијаграме  делимо  на:  тачкасте  (стигмограми).  Картограми  су  графикони  на  географским  картама  и  приказују  географске  серије.    1.  Пиктограми (сама реч потиче од латинске речи picture што значи слика или  цртеж)  на  популаран  и  сликовит  начин  приказују  појаве.  растућу  и  опадајућу кумуланту.    13 . тела из стереометрије).  За  конструкцију  линијских  дијаграма  углавном  се  користи  Декартов  правоугли и поларни координатни систем.  структури и промени посматраних појава али нису довољно прецизни.    Пример:  Приказати  на  основу  табеле  1. Линијски дијаграми  Линијским дијаграмима могуће је приказати све статистичке серије.  • картограме и   • пиктограме  Дијаграм.  Они  добро  информишу  о  обиму.6.1.

Број  општина  (fi) 10 8 6 4 2 0 5 14 23 32 41 50 Број угоститељских објеката (xi)   Приказ растуће кумуланте (табела 1.)    Опадајућа  кумуланта  (k) 35 30 25 20 15 10 5 0 5 14 23 32 41 50 Број угоститељских објеката (xi)     14   .)    Растућа  кумуланта  (k) 35 30 25 20 15 10 5 0 5 14 23 32 41 50 Број угоститељских објеката (xi)   Приказ опадајуће кумуланте (табела 1.

34242  3.  Погодан  је  за  приказивање  и  упоређивање  више  вре‐ менских  серија  чији  су  подаци  дати  у  различитим  јединицама  мере.  појава  има  релативан пад.12057 3. до 2007. Годишња производња у погонима А.39629  3.18184 3.  појава  стагнира.94939 2.Полулогаритамски дијаграм    Полулогаритамски  дијаграм  показује  релативне  варијације. Радна табела  Године  2000  2001  2002  2003  2004  2005  2006  2007  Погон А y1  760 830 890 910 980 870 780 850 Погон Б y2  1520 1410 1320 1390 1510 1620 1690 1710 Погон Ц y3  2200  2390  2940  2420  2360  2620  2490  2180  log y1   log y2   log y3   2.37291  3. онда те појаве имају исти релативан пад или пораст.  Године  2000 2001 2002 2003 2004 2005 2006 2007  А  760  830  890  910  980  870  780  850  Б  1520 1410 1320 1390 1510 1620 1690 1710  Ц  2200 2390 2940 2420 2360 2620 2490 2180    Дате податке приказати помоћу полулогаритамског дијаграма. појава има релативан  пораст.  Табела 5.91908 2.33845    Графички приказ производње у погонима А.46834  3.99123 2.  Код  ових  дија‐ грама  на  ординатну  осу  наноси  се  логаритамска  подела  а  на  апцисну  осу  аритметичка  подела.17898 3.22788 3.Б и Ц у периоду од 2000.20952 3.14301 3.38381  3.  Ако  линија  има  нагиб  од  левог  горњег  угла  ка  доњем  десном  углу. била је:  Табела 4.  Ако линија има нагиб од доњег ка горњем десном углу. Ц у периоду од 2000.   Ако  се  догоди  да  су  две  или  више  линија  у  полулогаритамском  дијаграму  међусобно паралелне.2329 3.92942 3. год. до 2007.  Ако  је  линија  паралелна  са  апцисном  осом.83852 2. до 2007.    15 .  На  основу  нагиба линија на графикону уочавају се релативне промене посматраних појава.14922 3.41830  3.89209 2.    Пример:  Годишња  производња  у  једној  фабрици  једне  врсте  производа  у  3  погона  у  периоду од 2000.88081 2. Б.95904 2.  год.37839  3.

  Полигон  фреквенција  код  интервалних  нумеричких  серија  конструише  се  тако.  Хистограм  фреквенција  показује  интервалну  расподелу  фреквенција  у  облику  правоугаоника  који  су  поређани  на  апциси.000 Погон А Погон Б Погон Ц 1.500 2.6.  Површински дијаграми  Овим  графиконима  приказујемо  обим.500 1.500 log yi 3.  Спајањем  тих  тачака  добија  се  полигон  фреквенција.  Затим  се  из  тих  тачака  повлаче  нормале  чије  висине  одговарају  појединим  фреквенцијама. што се интервална нумеричка серија сведе на неинтервалну па се добијене  вредности  нанесу  на  икс  осу.000 500 2000 2001 2002 2003 2004 2005 2006 2007Године   2.000 2.    Пример:  Месечна потрошња поврћа у kg.  Ширина  правоугаоника  одговара ширини интервалне класе а висина правоугаоника пропорционална је  одговарајућим фреквенцијама. по домаћинствима била је:  потрошња поврћа (xi) 3‐5 5‐7 7‐9 9‐11 11‐13 13‐15  бр.  На  њима  првенствено  приказујемо  серије  структуре  и  упоређења.3.2. домаћинстава (fi)  4  6  9  15  10  3    Серију приказати у облику:  а) хистограма фреквенција  б) полигона фреквенција    16 .  величину  или  структуру  једне  или  више  масовних  појава.  Фреквенција  пре  првог  и  после  последњег  интервала  једнака је нули.

  То  се  постиже  конструкцијом  квадрата  помоћу  страница (основица) које израчунавамо из површине сваког квадрата.  Обим  целокупности  изражава  се  површином  квадрата.                17 .Решење:  а) Хистограм фреквенција    број  20 домаћинстава  (fi) 10 0 3‐5 5‐7 7‐9 9‐11 11‐13 потрошња поврћа (xi) 13‐15   б) Полигон фреквенција    број  домаћинстав а (fi) 20 15 10 5 0 4 6 8 10 12 14 потрошња поврћа (xi)     Квадрати  упоређења  употребљавају  се  за  приказивање  упоређења  обима  две  или  више  појава. cm. Јединица  мере (mm. итд.) мора бити иста за све квадрате.  Површине  појединих  квадрата  сразмерне  су  статистичким  масама  које  при‐ казујемо  и  упоређујемо.

 Сваки од тих процената одговара делу  обима кружне фреквенције од 3.  У  пракси  се  највише  користе  кругови  структуре.    Решење:  број студената по годинама  године студија I  II  III  IV  број студената  144  256  324 400   Странице квадрата израчунавају се по обрасцу:  a =   a1 = 144 a1 = 12   a2 = 16 a2 = 256   a3 = 18 a3 = 324   a4 = 20   a4 = 400   P        Кружни  дијаграми  представљају  начин  графичког  приказивања  у  коме  по‐ моћу кругова вршимо упоређивање две или више статистичких масовних појава.          18 . Графички приказати помоћу квадрата упоређења. 256.6 степени.  онда  обим  круга  подразумевамо  као  укупан  обим те појаве. 324 и  400. тј.Пример:  На једном факултету стипендирано је студената по годинама: 144. зато што је укупан обим круга једнак  360 степени.  Они  служе  да  прикажемо  структуру  неке  појаве  по  саставним  елементима.  Ако  желимо  да  у  јеном  кругу  прикажемо  структуру  неке  појаве. 100% величине појаве.

6 ≈ 79o   41. 6 ≈ 49o   Виша спрема:    21.97% ⋅ 3.    Решење:   %= Процентуално учешће школске спреме  Висока спрема:  Виша спрема:    f ⋅100   n 36 ⋅100 = 13. 66%   264 60 Нижа спрема:    ⋅100 = 22.6 ≈ 82o   Средња спрема:          Нижа спрема:             _________________        Укупно:  360o   23% 13% висока спрема виша спрема 22% средња спрема нижа спрема 42%   19 .73% ⋅ 3. 64%   264 58 ⋅100 = 21.Пример:   Број радника према школској спреми у једном предузећу била је:  школска спрема (x) висока виша  средња нижа  укупно  број запослених(f)  36  58  110  60  264    Структуром круга приказати запослене по квалификацијама.64% ⋅ 3. 73%   264       ________________               Укупно:  100%  Средња спрема:      Процентуално учешће претворити у степене:    Висока спрема:  13.97%   264 110 ⋅100 = 41.66% ⋅ 3.6 ≈ 150o   22.

  Те  величине  треба  што  боље  да  информишу  о  посматраном  скупу  и  пруже  најважније информације о распореду вредности посматраног обележја скупа.  локацији.  20 . Задатак статистичке анализе је да примени различите методе  и формулише законитости које владају у посматраној масовној појави.  приказују  се  табеларно  и  графички  и  као  такви  служе  за  ста‐ тистичку анализу.   Статистичка анализа јасно и прецизно истиче састав. структуру и све значајне  карактеристике  посматране  статистичке  масе.  Истраживање  статистичког  скупа  полази  од  појединачних  вредности  обе‐ лежја а закључци о целом скупу не могу се изводити изолованим посматрањем  тих података.  Као  таква.  У  статистичкој  анализи  најчешће  се користе основни статистички методи:  • средње вредности (мере централне тенденције)  • статистички релативни бројеви  • мере баријабилитета  • мере облика распореда  • метод узрока    Ови  параметри  информишу  о  варијацији.  Средња  вредност  је  квантитативни  репрезент  свих  индивидуалних  вредности  модалитета  неког  обележја  посматране  појаве.    3. Зато се серија података замењује малим бројем нових величина.  Оне  морају  бити  пространо  и  временски  дефинисане.3.  и  другим  карактери‐ стикама  посматране  масовне  појаве.1. ОБРАДА И АНАЛИЗА ПОДАТАКА И РЕЗУЛТАТА    Прикупљени  статистички  подаци  сврставају  се  у  серије  структуре  или  вре‐ менске  серије. Она се најчешће и примењује у пракси  и  на  њима  се  заснива  велики  део  статистичке  анализе.  У  зависности  од  тога  да  ли  је  предмет  посматрања статистички скуп или узрок. што је потребно познавати приликом њиховог тумачења и анализе.  МЕРЕ ЦЕНТРАЛНЕ ТЕНДЕНЦИЈЕ  Средње  вредности  чине  веома  значајну  групу  статистичких  индикатора  у  истраживању и анализи масовних појава. добијају се параметри скупа или пара‐ метри узрока.  она  у  једном  броју  изражава  типичну  карактериситику  конкретне  појаве.

Могу  се  изражавати  и  децималним  бројем  без  обзира  на  врсту  обе‐ лежја (прекидно или непрекидно). регресијској и корелационој анализи. Могу имати вредности која уопште не постоји у нумеричкој вредности  3.  Да  би  смо  могли  да  одлучимо  коју  врсту  средњих  вредности  треба  да  при‐ менимо у одређеном слућају морамо испитати:  • Природу. Квадратна средина  2. од каквог је значаја њено посматрање за науку и праксу. Кубна средина  3.  Исто  тако  познавање  хомогености  и  сродности  података  у  серији  података  о  посматраној  појави  потребно  је  да  би  се  могао  одредити  метод  који  ћемо  изабрати  приликом  рачунања  и  да  би  унапред  знали  какв  степен научности можемо очекивати. као и какви  су  облици  повезаности  и  условљености  постојања  те  појаве  у  односу  на  друге  појаве  и  факторе.  Средње  вредности  су  основа  статистичке  анализе.  па  се  користе  и  у  дина‐ мичкој.  карактер  и  врсту  масовне  појаве  која  је  предмет  посма‐ трања.Централна  вредност  обележја  најчешће  се  налази  око  средине  између  најниже и највише вредности обележја. Аритметичка средина  4. Хармонијска средина  5.  Средње вредности имају следеће особине:  1.  • Степен  сродности  и  хомогености  података  у  серији  о  појави  која  је  предмет посматрања  • Циљ истраживања  Све елементе треба предходно да упознамо како би смо сазнали како се по‐ јава јавља.  Према  основним  карактеристикама  и  специфичностима  које  имају. Геометријска средина  6.  средње  вредности деле се на:  • Израчунајте средње вредности  • Позиционе средње вредности  Израчунате  средње  вредности  се  рачунским  путем  добијају  из  података  серије.  На основу средњих вредности може се вршити квантитативна и квалитативна  статистичка анализа. Логаритамска средина  21 . У израчунате средње вредности спадају:  1. Средње вредности су једна константна  величина око које варирају остале вредности. Не  могу  бити  веће  од  највеће  ни  мање  од  најмање  вредности  обе‐ лежја  2.

  код  оних  серија  у  којима  се  поје‐ дини  подаци  (модалитети)  јављају  у  неједнаким  фреквенцијама.  тј.  Други начин израчунавања аритметичке средине примењује се код сређених  серија  (серије  дистрибуције  фреквенције).. Децили  2. Квартили    3.  Неопходан  услов  за  правилну  примену  аритметичке  средине  јесте  да  подаци  у  серији  показују  довољан  степен  хомогености  а  критеријум  за  одређивање  те  хомогености  зависи  од  природе  и  врсте  појаве  која  је  приказана  у  серији.  као  и  да  знамо  суштину  и    смисао  резултата  којег  желимо  да  добијемо... Квинтали  1. Модус  6.  22 .1.  Ако имамо неку серију чије су вредности чланова означене са:  x +x +x 1 2 3 + . Медијала  4.    1. У позиционе средње вредности спадају:  5.Позиционе  средње  вредности  се  одређују  позицијом  коју  заузимају  у  датој  серији података. из оних серија у  којима се сваки податак јавља само по једанпут.. + x i n    или  X = ∑x i =1 n i   Изражена је у истим мерним јединицама као и подаци чији је репрезент. + x i     проста аритметичка средина ( X ) биће једнака:  n X= x +x +x 1 2 3 + . Медијана  7. па се ова аритметичка средина  назива пондерисана(вагана) аритметичка средина. Аритметичка средина ( X )    Аритметичка  средина  се  најчешће  јавља  у  примени.1. својом фреквенцијом. Перцентили  3.  Први начин односи се на израчунавање из простих серија.тј.  Сваки  мода‐ литет се пондерише. вага.  Аритметичка  средина  има два основна начина израчунавања.  Проста аритметичка средина  Проста  аритметичка  средина  ( X )  добија  се  када  се  саберу  све  вредности  чланова једне серије па се тај збир подели бројем чланова те серије.

 f2. 1100.  Множењем  појединачне  вредности  обележја  са  одговарајућом  фреквенцијом  зове  се  пондерисање  вредности.  2050.    2. 980.. f3.fi). Израчунати просечан принос шећерне репе. 1200.  ако  поједини  чланови серије немају исте фреквенције.  Важност  се  не  23 .  то  значи  већа  фреквенција  већи  значај  и  јачи  утицај  на  аритметичку  средину.    У  нашем  случају  сви  подаци  имају  фреквенцију  један  зато  што    се  сваки  од  података јавља само по једанпут... Израчунава се тако. x2 ⋅ f2.  Пондер  је  значај  или  важност.Пример:  Принос шећерне репе на 6 парцела у тонама био је: 750. x3 ⋅ f3..  Пондерисана аритметичка средина  Пондерисана  аритметичка  средина  употребљава  се  онда.    Решење:  Парцеле Принос у t I  750 (x1)  II  980 (x2)  III  1200 (x3)  IV  1450 (x4)  V  1100 (x5)  VI  2050 (x6)    X= x +x +x +x +x +x 1 2 3 4 5 6 6 750 + 980 + 1200 + 1450 + 1100 + 2050   X= 6 7530 X= 6 X = 1255   Одговор:  Просечан принос шећерне репе на шест парцела је 1255 t. што се вредности  обележја  прво  помноже  одговарајућом  фреквенцијом  ( x1 ⋅ f1. xi ⋅ fi )  затим се добијени производи саберу и поделе збиром фреквенција (f1. 1450.….

  Алгебарски  израз за пондерисану аритметичку средину гласи:    X = x1 ⋅ f1 + x2 ⋅ f 2 + x3 ⋅ f3 + .мења  ако  се  пондери  пропорционално  повећавају  или  смањују.. + f i или  n X = ∑x ⋅ f i i =1 i   n ∑f i =1 i Аритметичка  средина  је  осетљива  на  екстремне  вредности  а  веома  је  употребљива ако се појава понаша линеарно. = xn   4. Збир  квадрата  одсупања  података  од  аритметичке  средине  једнак  је  мини‐ муму:  n ∑ (xi − X ) i =1     24 2 = min   ..  Најважније особине аритметичке средине су:    1. аритметичка средина једнака  је тим вредностима:  x1 = x2 = x3 = . + xi ⋅ f i   f1 + f 2 + f 3 + ... = xn   X = x1 = x2 = x3 = .  ∑ (x − X ) = 0   ∑ f (x − X ) = 0   i ‐ за нерегуларне податке:  i i ‐ за груписане податке:     2. Збир  одступања  појединачних  обележја  од  аритметичке  средине  једнак  је  нули  (од  сваке  индивидуалне  вредности  обележја  одузима  се  вредност  аритметичке средине).... Аритметичка  средина  се  увек  налази  између  најмање  и  највеће  вредности  обележја:  xmin < X < xmax     3. Ако су вредности обележја међусобно једнаке..

 Радна табела  Оцене ( xi )  Број студената ( fi )  Групни производ( xi · fi )  6 ( x1 )  32 ( f1 )  192 ( x1· f1 )  7 ( x2 )  14 ( f 2 )  89 ( x2 · f 2 )  8 ( x3 )  11 ( f3 )  88 ( x3· f3 )  9 ( x4 )  8 ( f 4 )  72 ( x4 · f 4 )  10 ( x5 )  5 ( f5 )  50 ( x5 · f 5 )  Збир  ∑f i ∑x ⋅ f = 70   i i     5 X = ∑x ⋅ f i i =1 5 ∑f i =1 i = 500 70   i X = 7.14.Пример:  У јунском испитном року 70 студената добило је следеће оцене из статистике:  оцене  6  7  8  9  10  број студената  32  14  11  8  5    Израчунати просечну оцену из статистике у јунском року    Решење:  Табела 6.    Пример:  На колоквијуму из статистике 150 студената освојило је следећи број бодова:    број бодова  0‐5  6‐10 11‐15  16‐20 21‐25 број студената 28  21  52  34  15    Израчунати просечан број освојених бодова    25 .14 Одговор:   Просечна оцена из статистике у јунском испитном року била је 7.

47. x3. вредност њихова се повећаца када  појава опада.2.  1.5 8 13 18 23 70  168  676  612  345  28 21 52 34 15 ∑f i = 150   ∑x ⋅ f /  i i = 1871   5 X = ∑x ⋅ f i i =1 5 ∑f i =1 i = 1872 150   i X = 12. …. Хармонијска средина (Н)  Хармонијска  средина  употребљава  се  у  оним  случајевима  када  нумеричка  вредност обележја и обим појаве стоје у обрнутој срезмери и када су вредности  обележја  за  које  треба  израчунати  средину  изражене  у  виду  реципрочних  односа.1. Тај однос реципроцитета састоји се у томе што се вредност тих обележја  смањује када се појава повећава и обрнуто.Решење:  Табела 7.  3. + x1 x2 x3 xi 26 n n 1 ∑ i =1 x1   .  Хармонијска средина је реципрочна аритметичка средина реципрочних вре‐ дности података.. онда ће проста хармонијска средина бити:  H= n    или    H = 1 1 1 1 + + + . xi а број елемената означимо  са n. Радна табела  Број бодова ( xi )  Број студената ( 0‐5  6‐10  11‐15  16‐20  21‐25  ∑   fi )  Разредна средина ( xi )  xi ⋅ fi   2. Проста хармонијска средина  Ако су нам дате вредности обележја x1. 47   Одговор:   Просечан број освојених бодова на колоквијуму из статистике био је 12. x2..

077 + 0. 045 + 0. 048 + 0.  тада  се  не  може  применити метод хармонијске средине.Проста хармонијска средина се може употребити и:  • Ако  се  тражи  просечно  радно  време  обрта  капитала  у  неком  предузећу. 066 + 0.  • Ако  се  изражава  количина  робе  која  се  може  купити  за  одређену  количину новца. 04 + 0. Радна табела  Радници  Утрошено време( xi )  I  13 ( x1 )  II  15 ( x2 )  III  18 ( x3 )  IV  22 ( x4 )  V  19 ( x5 )  VI  25 ( x6 )  VII  21 ( x7 )  VIII  23 ( x8 )  n=8 H= n 8 1 ∑x i =1 1   8 1 1 1 1 1 1 1 1 + + + + + + + 13 15 18 22 19 25 21 23 8 8 H= = 0. 73 H= 27 .  Ако  се  догоди  да  у  серији  један  податак  буде  једнак  нули.    Пример:  Осам радника производи исту врсту производа и за једниницу тог производа  утроше следеће радно време у минутима:  Радник  Утрошено време  I 13 II 15 III 18 IV 22 V 19 VI 25 VII 21 VIII  23    Израчунати просечно време израде тог производа  Решење:  Табела 8.  • Ако серија садржи неке реципрочне податке. 427 H = 18. 053 + 0.  • Ако се тражи просечна количина производње за исто радно време. 055 + 0. 043 0.

28 0.29 0. тада употребљавамо пондерисану хармонијску средину.    Решење:  Табела 9.14 = 40   fi ∑x = 1. 27.13 0. Пондерисана (сложена) хармонијска средина  Када имамо серију чији подаци показују реципрочне односе али њихове фре‐ квенције нису једнаке.  Образац за израчунавање пондерисане хармонијске средине гласи:  n f + f + f + ...85 минута. 37.34   i 6 H= ∑f i =1 6 i fi ∑x i =1 = 40 1.24 0.85 Одговор:   Просечно време израде овог производа је 29. + fi ∑ fi H= 1 2 3  или  H = i =1   f f1 f1 f1 n fi + + + . + i ∑ x1 x1 x1 xi x i =1 i Пример:  У  једном  предузећу  40  радника  изради  један  производ  за  следеће  време  у  минутима: 25. Радна табела  Време израде ( xi )  Број радника ( 25 27 32 37 31 28 6 8 9 5 8 4 ∑f   i fi   xi fi )  0.    Израчунати просечно радно време израде тог производа.34   i H = 29.    2.Одговор:   Просечно радно време потребно за израду тог производа је 18. 32.  28 .73 минута.26 0... 31 и 28.

 Геометријска средина (G)  Геометријска  средина  се  израчунава  у  оном  случају.000 динара за 1.5 4 4.5 недељу.3.  Геометријска средина из простих серија  Ако су подаци у нумеричкој серији  негруписани а вредности обележја су x1.33 1305000 = 373214. 29 + 87500 + 16666.000  динара  обрне  за  3.5 недеља.1.Пример:  У  једном  предузећу  650.000  динара за 4 недеље.xn. онда се из ових вредности израчунава проста геометријска средина на  основу формуле:  G = n x1 ⋅ x2 ⋅ x3 ⋅⋅⋅⋅xn  или  G = n n ∏x i =1 29 i .  када  имамо  серију  података која показује неке релативне показатеље било да су индекси или неке  карактеристике геометријске прогресије.496 недеља. 496 Одговор:   Просечно време обрта капитала у пет предузећа износи 3. у четвром 150.  x2.    Решење:  5 H= ∑f i =5 5 H H H fi ∑x i =5 H i i 650000 + 350000 + 75000 + 150000 + 80000 = 650000 350000 75000 150000 80000 + + + + 3.  1. у трећем 75.5   1305000 = 185714.000  динара за 5 недеља а у петом 80.  xi > 0   .5 5 1. x3. 28 = 3.    Израчунати просечно време обрта капитала.5  недеље. 66 + 330000 + 53333.….    3.000 динара за 4.  у  другом  350.

00000 1...44400 30 . + log xn   n или  n log G = ∑ log x i i =1   n Из  логаритамског  облика  антилогаритмовањем  добија  се  вредност  просте  геометријске средине:  G = N log G     Пример:   У једном хотелу током седам дана боравка боравило је туриста:    дани  понедељак уторак Туристи ( xi )  15  9  среда  четвртак 11  13  петак субота недеља  10  18  8    Израчунати просечан број туриста по дану:    Решење:  Табела 10.17609 0.  Применом  логаритамског  рачуна  добија  се  проста  геометријска  средина  у  логаритамском облику:  log G = log x1 + log x2 + log x3 + . Радна табела  дани  број туриста ( xi )  log xi   Понедељак Уторак Среда Четвртак Петак Субота Недеља n=7 15 9  11 13 10 18 8  укупно 1.n Симбол  ∏ је  грчко  слово  „Пи“  и  означава  збир  производа  чланова  i=1 нумеричке серије.04139 1.90309 7.11394 1.95422 1.25527 0.

x2 = 12. била је:    Месеци I II III  IV V VI Производња у 102kg ( xi )  8  12  16  19  21  23    Израчунати просечну месечну производњу кекса.57 Одговор:   Просечан број туриста по једном дану у овом хотелу био је 11. x4 = 19.19151   6 6 G = N1. 06342 log G = 7 G = N 1. x3 = 16.    Решење:   x1 = 8.14909 log G = = = 1.57. x6 = 23   G= n n ∏x i =1 i G = 6 8 ⋅12 ⋅16 ⋅19 ⋅ 21 ⋅ 23 = 6 14095872 log14095872 7.54∙102kg.7 log G = ∑ log x i i =1 n 7. x5 = 21.54 Одговор:   Просечна месечна производња кекса је 15. 44400   = 1.    Пример:   Производња кекса у једној фабрици по месецима у 102kg.      31 . 0632 G = 11.19151 G = 15.

+ fi    или   n log G = ∑ f ⋅ log x i =1 i i   n ∑f i =1 i   Антилогаритмовањем  добијамо  вредност  геометријске  средине.  За груписане податке имамо:  x:  x1. x2. x3....  Због  сло‐ жености  израчунавања  геометријске  средине  њена  примена  и  употреба  у  ста‐ тистичким истраживањима је ограничена. природног прираштаја становништва..…. Примењује се код праћења динамике  средњег темпа развоја. fi  n G = ∑ i x1 f1 ⋅ x2 f 2 ⋅ x4 f 4 ⋅⋅⋅ xi fi  или  G = ∑ fi ∏ xi fi   f i =1 Применом логаритамског рачун добија се:  log G = f1 ⋅ log x1 + f 2 ⋅ log x2 + f3 ⋅ log x3 . + fi ⋅ log xi f1 + f 2 + f3 + .  Геометријска средина се не може израчунати ако нумеричка серија има неку  вредност која је нула или негативан број. xi  f:  f1. f3..      32 .…. онда се из те серије изра‐ чунава пондерисана геометријска средина. Геометријска средина из серије дистрибуције фреквенције  Ако је нумеричка серија са груписаним подацима. код израчунавања  стопе раста на бази ланчаних индекса и друго... f2.2.

62003 log G = 57 G = N 0.71600  5.34147 = 0.3  5.Пример:   Исплаћене стипендије студентима прве године на једном факултету биле су:    Стипендије у хиљ.      Решење:    Табела 11.72800  6.2  6.дин.5  Број студената ( fi )  28  15  8  6    Израчунати просечну стипендију.169 Одговор:   Просечна стипендија износила је 4169 динара.5  28  0.87746    35. 62003 G = 4.63347  9.34147  ∑ ∑f   i = 57     n log G = ∑ f ⋅ log x i =1 i i n ∑f i =1 i 35.54407  15.5  6  0.3  15  0.5  4. ( xi )  3.2  8  0.            33   .23396  4.81291  4. Радна табела  Стипендије у хиљадама ( xi )  Број истудента ( xi )  log xi   fi ⋅ log xi   3.50205  5.

 Радна табела  Године стажа ( xi )  Број запослених ∑ fi )  ( 5‐10  10‐15  15‐20  20‐25  25‐30  30‐35    Разредна средина 28 21 38 24 15 8 ∑f i log xi   fi ⋅ log xi   7.51188 24.87506 1.87 година. 20082 G= G = 15.58995  12.Пример:   Распоред радника према радном стажу у једној фабрици била је:    Године стажа( xi )  Број запослених( 5‐10  10‐15  15‐20  20‐25  25‐30  30‐35  fi )  28  21  38  24  15  8    Израчунати просечан радни стаж запослених.50168  23.35218 1.5 17.43933 1.90924  ( xi )  = 134   n G= ∑ f ⋅ log x i =1 i i n ∑f i =1 i 160.09504      160.23514  32.5 27.5 0.87     Одговор:   Просечан радни стаж у фабрици био је 15.45232  21.24303 1.5 32.5 22.      Решење:  Табела 12.        34 .5 12.03511  47.09691 1.90024 = 1. 20082 134 G = N1.

 Израчунавање модуса код неинтервалних серија  Код неинтервалних серија модус се очитава.3.  То  је  податак  који  заузима  домоинантан  положај  и  на  полигону  фреквенција има највећу ординату.  Модус  се  одређује  (очитава)  само  из  нумеричких  серија. који има највећу  фреквенцију. има највећу фреквенцију.    Пример:  Из следеће серије података. по  правилу. 30.  Пре  него  што  се  приступи  изналажењу  средњих  бројева. 18. 23.  два. Уколико нумеричка серија има  две највеће вредности обележја.    1.  У  пракси  се  може  тражити  модус  код  неинтервалних  и  код  интервалних  серија. 15.  него  се  одређује њихова позиција. Значи Мо=18    35 .  три  или  више  модуса. 29.  било  централни  (средишњи)  положај  у  серији.  Модус (Мо)  Модус је онај податак (модалитет) који се најчешће јавља тј. по  правилу од нижих ка вишим вредностима. 12.  Ако  у  нумеричкој  серији  постоји  само  једна  највећа  вредност  обележја онда се та серија назива унимодална.    3.  Нумеричка  серија  може  имати  један. 18. Позиционе средње вредности  Позиционе  средње  вредности  се  не  израчунавају  као  средине.  а  може  се  десити  да  она  нема  уопште  модус. онда се та серија назива бимодална.1.4.  Решење:  Број који се најчешће појављује је 18. одредити модус  10. на  оном  месту  које  заузима  било  доминантна  (најзначајнији).  Оне се налазе.1. место у датој серији. Због тога се модус често назива доминанта  или нормала. То је она величина (модалитет)  која се навише пута појављује.4. потребно је да се статистичка серија среди по величини модалитета. 18. Уколико се догоди  да у нумеричкој серији све вредности обележја имају исте фреквенције тада се  неможе одредити (очитати) модус.1. а ако има  више таквих вредности таква серија се назива мултимодална.

 11. 4.  разред (модални интервал) са највећом фреквенцијом. Израчунавање модуса код интервалних серија  Када  имамо  интервалну  серију.    Решење:   У оваквој серији модални интервал (са највећом фреквенцијом) је од 6 до 8  па је:  x = 6.  2. 11. 4. а вредност модуса наћи‐ ће се у оквиру тог интервала. У овом случају модус се израчунава по обрасцу:    Mo = x + k ( f 2 − f1 )   ( f 2 − f1 ) + ( f 2 − f3 )   x‐ доња граница модалног интервала  k‐ величина модалног интервала  f1‐ фреквенција предходног интервала  f2‐ фреквенција модалног интервала  f3‐ фреквенција наредног интервала    Пример:  Дат је распоред домаћинстава према месечној потрошњи једног прехрамбе‐ ног артикла  Потрошња у kg ( xi )  Број домаћинстава ( fi )  2‐4  4‐6  6‐8  8‐10  10‐12  12‐14  8  10  21  19  15  6    Израчунати најчешћу потрошњу прехрамбених производа по домаћинству (Мо). 11.  Решење:  У  овом  примеру  величина  4  и  11  се  најчешће  појављује. 11. 4. 11.  тада  ћемо  имати  тачно  одређен  интервал. 23. 6.  па  тако  имамо  два  модуса:  Мо=4 и Мо=11    2. k = 2. 8. 17. f1 = 10. f3 = 19         36 . 4. f 2 = 21.Пример:  Из следеће серије података одредити модус.

692 Mo = 6 + 2⋅ 11 + 2 M o = 7. Статистичка серија мора  бити сређена по величини.  односно  медијана  ће  бити  управо онај модалитет који се налази у средини серије.  Медијана  се  користи  за  анализу  статистичких  серија  по  сегментима (деловима).4.  ме‐ дијана  ће  заузимати  место  средишњег  модалитета.2  Медијана (Ме)  Медијана  је  таква  позициона  средња  вредност  која  се  налази  у  серији  на  средишњој  позицији  укупног  броја  фреквенција.846 = 6 + 1.692 кило‐ грама. али се најчешће врши код серија  дистрибуције фреквенција.  када  се  сваки  модалитет  јавља  само  по  једанпут.  Одређивање  и  израчунавање  медијане  врши  се  код  серија  које  су  предходно  сређене  по  величини  модалитета. 692 Mo = 6 + 2⋅ Одговор:   Најчешћа потрошња прехрамбеног производа по домаћинству је 7.  Њена  вредност  немора  да  се  подудара  са  величинама  модалитета  који  су  наведени  у  серији  јер  она  представља највишу (максималну) величину посматраног обележја за првих 50%  свих  фреквенција. а посебно у компаративној анализи истородних појава.  На  тај  начин  медијана  дели  укупан  број  фреквенција  и  изражава  границу  вредност  модалитета  обележја  за  прву  половину  серије. Израчунавање медијане код простих серија  Код  простих  серија.1.    3.  37 . Исто  тако мора да се води рачуна да ли серија има паран или непаран број података.Применом обрасца за Мо имаћемо:  Mo = x + k ⋅ ( f 2 − f1 ) ( f 2 − f1 ) + ( f 2 − f3 ) (21 − 10)   (21 − 10) + (21 − 19) 11 = 6 + 2 ⋅ 0.  Медијана се израчунава из простих серија.  зато  се  вредност  медијане  увек  налази  око  средине  распона  интервала  варијације  између  минималне  и  максималне  вредности  модалитета.    1. од најмање до највеће вредности модалитета.

 42    Решење:  8. 32. Израчунавање медијане код серија дистрибуције фреквенција  За  изналажење  места  медијане  у  серији  дистрибуције  фреквенција. 18. 26. 26.  број  чланова серије означава се са  fi . 38  Серија има непаран број података n=5    Me = Место  n +1 5 +1 6 = = =3  2 2 2 Медијана заузима треће место у серији  Ме=24  Пример:  Израчунај медијану из следеће серије:  8. 11.Место медијане налази се по обрасцу:  n +1   2 Помоћу овог обрасца непосредно налазимо место и вредност медијане. 22. 39.  22 + 26 48 = 2 2   Me = 24 Me =   2. 19.  Простом аритметичком средином израчунавамо медијану. 24. 18. 38  Решење:  12. 5   2 2 2 Медијана  се  налази  на  средини  између  четвртог  и  петог  места  у  серији. 21. 42  Серија има паран број података n=8  Me = Место  n +1 8 +1 9 = = = 4. 31.    Пример:  Израчунај медијану из следеће серије:  12. 31. 22. а позиција (место) медијане изналази се по  ∑ обрасцу:   38 . 31. 19. 39. 11.

 Радна табела  Цене у дин. а друга  половина је продата по цени већој од 295 динара. ( x )  250 280  295  310 340 350 Продато у kg ( fi ) 5  7  12  8  6  3    Израчунати медијану. ( x )  Продато у kg.5              = 41       n Место    Me = ∑f i =1 2 i = 41 = 20.    Решење:  Табела 13.n ∑f   Me = Место  За паран број података(ако је збир  ∑f i i =1   2  паран број)  n Me = Место   i ∑f i =1 i +1   2 Место (позиција) медијане налази се у растућој кумуланти.    Пример:  На пијаци продато је 41kg меда по ценама  Цена у дин.    39 . ( 250 280 295 310 340 350 Збир  5 7 12 8 6 3 ∑f i fi )  Кумуланта  растућа  5 12 24 32 38 41   20. 5 2   Me = 295   Одговор:   Прва половина (50%) продато је меда по цени мањој од 295 динара.

 вредност медијане налази се између доње и горње  границе  медијалног  интервала.  при‐ мениће се одговарајући образац и притом ће се користити растућа кумуланта.            40 24  8  3  . из интервалних серија са непарним бројем података ( ∑f i  је не‐ паран број). израчунава се по обрасцу:  n ∑ x −x M e = x1 + ( 2 1 ) ⋅ ( i =1 W2 − W1 2 fi − W1 )     x1‐ доња граница медијалног интервала  x2‐ горња граница медијалног интервала  W2‐ збирна фреквенција медијалног интервала (из кумуланте)  W1‐ збирна фреквенција претходног интервала (из кумуланте)    n ∑f i =1 2 i ‐ место медијане    Пример:  На  случајан  начин  изабраноје  85  студената  једног  факултета  и  измерена  је  њихова висина.За  израчунавање  медијане  из  интервалних  серија. Израчунавање Ме из интервалних серија са непарним бројем  података  Медијана.  без  обзира  да  ли  су  ти  интервали једнаки или нису.  У  зависности  да  ли  серија  има  паран  или  непаран  број  података.   Висина студената ( xi )  150‐160  160‐170  170‐180  180‐190  190‐200  200‐210  Број студената ( fi )  5  15  30    Израчунати медијану.    3.  па  ту  вредност  треба  прецизно  и  тачно  изра‐ чунати.

w2 = 50. w1 = 20.5 M e = 170 + 7.Решење:    Табела 14.5 Одговор:   Половина  студената  (50%)  има  висину  мање  од  177.5 M e = 177. x2 = 180. Радна табела  Висина у cm( x ) Број студената ( fi ) Кумуланта растућа 150‐160  160‐170  170‐180  180‐190  190‐200  200‐210  Укупно  5  15  30  24  8  3  ∑f i 5  20  50  74  82  85  = 85   /      42.5 30 M e = 170 + 0.    41 . ∑ fi = 42.5 cm.5   i =1 ⎞ ⎛ x − x ⎞ ⎛ ∑ fi M e = x1 + ⎜ 2 1 ⎟ ⋅ ⎜⎜ − W1 ⎟⎟ ⎝ w2 − w1 ⎠ ⎝ 2 ⎠ ⎛ 180 − 170 ⎞ M e = 170 ⎜ ⎟ ( 42.5  cm  а  друга  половина  има висину већу од 177. 5   2 Медијални интервал је (170‐180)  n x1 = 170.5 − 20 ) ⎝ 50 − 20 ⎠   10 M e = 170 + ⋅ 22.5              n Место   Me = ∑ fi i =1 2 = 85 = 42.333 ⋅ 22.

    Решење:  Табела 15.5 35. имали су месе‐ чну плату у 103 динара.51‐27.51‐23.51‐43.51‐23.5  31.51‐39.4.5  23.5   2 2       35.51‐39.5  27.51‐35.51‐31.5  43.51‐31.5 39.51‐47.51‐47.5 27. Израчунавање Ме из интервалних серија са парним бројем  података  За израчунавање медијане из интервалних серија са парним бројем података  ( ∑f i ‐ паран број) примениће се нешто измењен основни образац.5  Бр радника  9  ( fi )  11  14  17  10  6  3    Израчунати медијану.5    Укупно  9  11  14  17  10  6  3  ∑f i 9  20  34  51  61  67  70  = 70   /    n Место   Me = ∑f i =1 i +1 2 42 = 70 + 1 71 = = 35.5 23.51‐43.5  35.5 31. који гласи:  ⎛ n ⎞ fi + 1 ∑ ⎜ ⎟ ⎛ x2 − x1 ⎞ i =1 ⎜ − w1 ⎟   M e = x1 + ⎜ ⎟⋅ 2 − w w ⎜ ⎟ ⎝ 2 1 ⎠ ⎜ ⎟ ⎝ ⎠   Пример:  У једном предузећу на случајан начин изабраних 70 радника.   Плата ( x )  19.51‐27. Радна табела    Плате у 103 ( xi ) Број радника ( fi ) Кумуланта растућа        Ме        19.5            .51‐35.5  39.5  43.

99 M e = 31.51 + 0.  Први  квартил(Q1)  је  вредност  обележја  од  које  25%  елемената  скупа  уређених  по  величини  има  мању  или  једнаку  вредност  тог  обележја.25<х<х0.  Трећи  квартил  (Q3)  се  дефинише  као  она  вредност  обележја  од  које  75%  елемената  скупа има већу или једнаку вредност. други квартил Q2 и трећи квартил Q3.352 M e = 31.862 Одговор:  Прва  половина  (50%)  радника  примило  је  плату  мање  од  31.5 − 31.5   M e = 31.5 − 34 ) ⎝ 51 − 34 ⎠ 3.  Доњи (Q1) и горњи (Q3) квартил деле цео статистички скуп на три дела.862∙103  дин.  вредност  обележја  које  их  деле  називају  се  квартилима:  први  квартил Q1.3.    3.    43 .51 + ⎜ ⎟ ⋅ ( 35. 5.5.25.4. w2 = 51.51 + ⋅1.5 17 M e = 31. w1 = 34. 235 ⋅1.  друга  четвртина  су  елементи  код  којих  је  x>x0.Медијални интервал је ( 35.  а  преосталих  50%  елемената  има  вредност  обележја х која је х0. x2 = 35. Једна  четвртина  елемената  су  они  елементи  код  којих  је  x<x0.51 – 35.1. ∑f i =1 i 2 +1 = 35.75.862∙103 дин. Квартили  Ако  се  серија  података  која  је  рангирана  по  величини  подели  на  четири  једнака  дела.75.51 ⎞ M e = 31.  а  друга половина (50%) радника примило је плату више од 31. 5   ⎛ 35.5 )  ⎛ n ⎞ fi + 1 ⎟ ⎛ x2 − x1 ⎞ ⎜ ∑ i =1 ⎜ ⎟ M e = x1 + ⎜ w ⋅ − ⎟ 1   2 w w − ⎜ ⎟ 1 ⎠ ⎝ 2 ⎜ ⎟ ⎝ ⎠ n x1 = 31.51 + 0.

21.39.18.42  Израчунати први и трећи квартил:    Решење:  10  16  18  21  28  32  35  39  42  X1  X2  X3  X4  X5  X6  X7  X8  X9    Q1 = X n +1 = X 9+1 = X 10 = X 2.5   4 4 4 4 Трећи (Q3) квартил ће се наћи између х7 и х8 (35 и 39)  35 + 39 74 = 2 2   Q3 = 37 Q3 = Одговор:  Три четвртине породица (75%) троши више од 37 литара млека.1.  44 .35. Израчунавање првог (Q1) и трећег (Q3) квартила код негруписаних  података    Ако је нумеричка серија са непарним бројем података.16.32. први Q1 и трећи Q3  квартил израчунава се по формули:  Q1 = X n +1 4 Q3 = X 3( n +1)   2 Пример:  На случајни начин изабрано је 9 породица које су трошиле у току једног  месеца млеко у литрима:  10.28.    Q3 = X 3( n +1) = X 3(9+1) = X 3⋅10 = X 30 = X 7.5   4 4 4 Први (Q1) квартил ће се наћи између х2 и х3 (16 и 18)  16 + 18 34 = 2 2   Q1 = 17 Q1 = Одговор:  Једна четвртина (25%) породица троши мање од 17 литара млека.

5 = x3.5 + X 3.  45 . први (Q1) квартил и  трећи (Q3) квартил израчунава се по формули:    Xn + Xn +1 4 Q1 = 4 2   X 3n + X 3n +1 4 Q1 = 4 2   Пример:  У једној фабрици. 590. 760. 1020    Израчунати први (Q1) и трећи (Q3) квартил. 690.5 + X 2. 980. 2 x2.5+1 2 = X 2.5   Одговор:  Једна четвртина (25%) радника спаковало је 757. 920. 820.5 2   x2 + x3 690 + 760 1450 = = = 725   2 2 2 x + x4 760 + 820 1580 = 3 = = = 790   2 2 2 725 + 790 1515 Q1 = = 2 2   Q1 = 757. на случајан начин изабрано је 10 радника који су за осам  сати рада спаковали кутије са кафом:    850.5 кутија и мање. 690.Ако је нумеричка серија са парним бројем података.    Решење:  Растући низ података је:  590  690  760  820  850  920  960  980  1020 1050  х1  x2  x3  x4  x5  X 10 + X 10 Q1 = 4 4 2 x6  x7  x8  x9  х10    +1 = X 2. 1050.

    2.5 + x7. први квартил (Q1) израчунава се на основу формуле:  n ∑f i =1 Q1 = x1 + 4 i n − ∑ f1 i =1 fQ1 ⋅i   n ∑f i =1 i  ‐ место првог квартила (у кумуланти)  4 х1 – доња граница кварталног интервала  f Q1  ‐ фреквенција првог интервала  n ∑f i =1 1  ‐ збирна фреквенција изнад места квартила (у кумуланти)  i – величина квартилног интервала        46 . у којој  је збир фреквенција  непаран број.5 = 8 9 = 2 2 2 x +x 970 + 1000 1970 = Q3 = 7.5 = 2 2 2 x +x 980 + 1020 2000 = = 1000   x8. Израчунавање првог (Q1) и трећег (Q3) квартила код интервалних  серија    Код интервалних нумеричких серија место првог (Q1) и трећег (Q3) квартила  налази се у растућој кумуланти.5 = 2 2 2 Q3 = 985 Одговор:  Три четвртине (75%) радника спаковало је 985 кутија са кафом и више.5 8.  Ако је формирана интервална нумеричка серија.x3⋅10 + x3⋅10 Q3 = 4 4 +1 x7.5+1 = 2 2 x7 + x8 960 + 980 1940 = = = 970 x7. Место квартила одређује квартилни интервал  (разред) у коме ће се наћи квартили.

5    93.1‐10 10.1‐18  18.1‐20   укупно    Број радника  (fi)  15 23 30 41 11 5 ∑f i Кумуланта  растућа  15 38 68 109 120 125 = 125     Први квартил (Q1)  /  ∑ f −∑ f 4 i Q1 = x1 + 1 fQ1 47 ⋅i     31.75          . Радна табела    Q1    Q3      Пребачај  норме (xi)  8.1‐16 16. који су у производњеи беле  технике имали дневни пребачај норме у %:  Пребачај норме (x)  Број радника (fi)  8.1‐12  12.1‐16  16.Трећи квартил се израчунава на основу формуле:  n 3 ⋅ ∑ f1 i =1 4 Q3 = x1 + n − ∑ f1 i =1 f Q3 ⋅i   n 3 ⋅ ∑ fi i =1  ‐ место трећег квартила (у кумуланти)  4 х1 – доња граница квартилног интервала  n ∑f i =1 1 ‐ збирна фреквенција изнад места квартила (у кумуланти)  f Q1 ‐ фреквенција квартилног интервала  i – веичина квартилног интервала    Пример:  На случајан начин изабрано је 125 радника.1‐14  14.1‐20  23  30  41  11  5    Израчунати први (Q1) и трећи (Q3) квартил    Решење:  Табела 16.1‐14 14.1‐10  15  10.1‐18 18.1‐12 12.

1 ‐ 12)  x1 = 10.29% и више    48 . 25   4 квартилни интервал (10.1 . ∑f 1 = 68.1 + 41   Q3 = 14.1.1 + 1.34 Q1 = 11.9 Q3 = 14.    Трећи квартил Q3  3∑ fi − ∑ f1 4 Q3 = x1 + ⋅i   fQ3 Место  Q3 = 3∑ fi 4 = 3 ⋅125 375 = = 93. 9 Q3 = 14.9 Q1 = 10.1 + 0.1 + 0. fQ3 = 41.1 + 1. 75.Q1 = Место  ∑f i 4 = 125 31. 706 ⋅1.  31. 44 Одговор:  Једна четвртина (25%) радника пребацило је норму од 11.  fQ1 = 23 f1 = 15  i = 1. 25 − 15 ⋅1.1 + 23 16.1 + Q3 = 14.1 + 23   Q1 = 10. 75 ⋅1. i = 1.   .9   93.193 Q3 = 15. 628 ⋅1. 9 Q1 = 10. x1 = 14. 75   4 4 квартилни интервал (14. 75 − 68 ⋅1.9 41 25. 25 ⋅1. 29   Одговор:  Три четвртине (75%) радника пребацило је норму за 15.9 ∑ Q1 = 10.9   .1 ‐ 16)  3∑ fi 4 = 93.44% и мање.

    Решење:  Табела 17. изабрано је 180 штедиша који су имали  штедњу у 103 динара:    штедња (х)  20. на случајан начин.1‐30 ( 30.1‐30 30.1‐40 ( 40.3.1‐25 25.1‐45 45.1‐35 ) 35. Радна табела        Q1    Q3    Штедња (х) 20. Израчунавање  првог  (Q1)  и  трећег  (Q3)  квартала  са  парним  бројем  података    Интервална нумеричка серија у којој је збир фреквенција ( ∑ fi ) паран број.1‐25 25.1‐45 ) 45.25 135.25   .1‐50  број штедиша (fi) 7  18  34  54  30  37    Израчунати први (Q1) и трећи (Q3) квартил.1‐40 40.1‐50   укупно  Број штедиша (fi) 7 18 34 54 30 37 ∑f 1 = 180     49 Кумуланта 7 25 59 113 143 180 /  45.  први квартил (Q1) израчунава се на основу формуле:    ∑f 4 Q1 = x1 + трећи квартил (Q3):  i +1 − ∑ f1 fQ1 ⋅i   3 ⋅ ∑ fi + 1 − ∑ f1 4 Q3 = x1 + ⋅i   fQ3 Пример:  У једној банци.1‐35 35.

9 Q1 = 30. 25 − 25 ⋅ 4.1‐35)  x1 = 30.9 34 20. i = 4. 25   4 4 4 i квартилни интервал (30.1 + 3.1‐45)  x1 = 40.1 +   Q3 = 40. 915 Q1 = 33.1 + 0. 25   4 4 4 квартилни интервал (40.1 + 4   Q1 = 30. f Q1 = 34. ∑ f1 = 25.9 30 22.1 + Q1 = 30. i = 4. f Q3 = 30.1 + 2. 736 Одговор:  Три четвртине (75%) штедиша штеди  43.9   45.015 ⋅10 динара и мање  3 3 ⋅ ∑ fi + 1 − ∑ f1 4 ⋅i   Q3 = x1 + fQ3 Место  Q3 = 3 ⋅ ∑ fi + 1 4 = 3 ⋅180 + 1 540 + 1 541 = = = 135.9 Q1 = 30.9 30 Q3 = 40. 25 − 113 ⋅ 4.1. 742 ⋅ 4. 636 Q3 = 43.1 + 0. ∑ f1 = 113.∑f место  Q1 = +1 4 Q1 = x1 + први квартил:  i − ∑ f1 fQ1 ∑f ⋅i   + 1 180 + 1 181 = = = 45.9 135. 25 ⋅ 4. 015 Одговор:  Једна четвртина (25%) штедиша штеди  33.736 ⋅10 динара и више.595 ⋅ 4.  3 50 .1.1 + ⋅ 4.9 Q3 = 40. 25 Q3 = 40.

 Треба  напоменути да је то квадратно одступање зато што је линеарни збир одсупања  података  у  свакој  серији  од  њене  аритметичке  средине  једнак  нули.односно неког стања у тој појави.и обрнуто.углавном  за  аритметичку  средину.  Најзначајнија  кара‐ ктеристика  је  да  су  оне  променљиве. по садржини и по начину употребе. Варијабилитет ће бити мањи код оних серија код којих  величина тих мера буде мања и обрнуто.  Мере варијабилитета обележја појава везане су за појам и примену средњих  вредности. То су именоване величине и нису подесне за  компаративну анализу и шире уопштавање.варијабилне  величине  и  да  изражавају  мере варијације ма како обележје било изражено.  тј.  репре‐ зентативну  величину.    3. МЕРЕ ВАРИЈАБИЛИТЕТА    За  мерење  и  изражавање  варијације  обележја  као  специфичног  облика  кретања.  51 .а то знѕачи да  ће  тај  варијабилитет  бити  мањи  уколиоко  се  величина  мера  варијабилитета  више приближава нули. Крајња граница је нула.  Величине у којима се изражавају мере варијабилитета везане су за величину  мера које то изражавају.користе  се  посебне  статистичке  јединице.3.  Те  јединице  су  специфичне  не  само  по  својој  намени  него  и  по  својим  особинама.  Ове јединице су увек изражене у истим оним мерним јединицама у којима је  изражено и посматрано обележје.2.  и  свако  рачунање са таквим резултатом доносило би нулу као крајњи резултат.1 Основне јединице за мерење варијабилитета  Основне јединице за мерење варијабилитета израчунавају се као одступање  податак у серији од аритметичке средине те серије.  Када  говоримо  о  варијабилитету  обележја  и  мерама  за  изражавање  тог  варијабилитета  онда  ту  подразумевамо  посматрање  варијабилитета  у  односу  на  једну  одређену  величину. за серију као целину.  средњу  вредност  која  изражава  централну  тенденцију  појаве.  У  групу  мера  варијабилитета  којима  се  служимо  у  статистичкој  анализи  спадају:  • основне јединице за мерење варијабилитета  • основне статистичке инваријанте  Ове  две  групе  статистичких  показатеља  за  мерење  варијација  обележја  разликују се по начину израчунавања.2.

1 Варијанса (σ 2)  Варијанса или флуктуација представља просечно квадратно одступање пода‐ така  у  серији.од  аритметичке  средине  те  серије. Варијанса код простих серија израчунава се по обрасцу:     n σ = 2 ∑ (x i − X )2 i =1   n   Пример:   Производња кондиторских производа у једној фабрици по месецима је била:    Месеци Производња у 103 kg I  82   Израчунати варијансу          52 II 76 III 95 IV 112 V 150 VI  190  .    0≤σ2 ≤ ∞    Варијанса  се  израчунава  код  простих  серија  и  код  серија  дистрибуције  фре‐ квенција.  Она  је  квадратна  величина  изражена  према  аритметичкој  средини  и  њена  вредност  се  креће  од  нуле  до  +бесконачно.Јединице за мерење варијације су:  • варијанса  σ 2(сигма на квадрат)  • стандардна девијација σ(сигма)   • дисперсија  δ(делта)  • средње апсолутно одсутање (D)    3.2.    1.1.

5∙103  килограма  n σ2 = ∑ (x − X )2 i = i =1 n 9831.25 /  9831.25 506.5  = 705     n X = ∑x i i =1 n 705 = 117.Решење:   Табела 18.25 1056.5 5256.58   2 Одговор:   Квадратно  одступање  месечне  производње  кондиторских  производа  од  просечне производње је 1638. 5   6 σ = 1638.5 32.5 ‐41.25 1722.5 72. 5   6 = Одговор:   Просечна  произодња  кондиторских  производа  за  шест  месеци  је  117.5 ‐22. Радна табела  ( xi − X )   ( xi − X ) 2   месеци  Производња у 103 kg  I II III IV V VI укупно  82 76 95 112 150 190 ∑x i ‐35.5 1260.25 30. Варијанса код серија дистрибуције фреквенција    Варијанса  код  нумеричких  серија  са  груписаним  подацима (сложене  серије)  израчунава се по обрасцу  n σ2 = ∑ f (x i =1 i i − X )2   n ∑f i =1 53 i .58      2.5 ‐5.

4 ‐2.2 42.    n σ2 = ∑ f (x − X ) i =1 i i n ∑f i =1 2 = 313.15 ‐4.76  23.4 88. 45   40 i Одговор:   Просечан принос овса на 40 парцела износи 8.76 0.84  94.84.55 90.1‐13  13.25 48.4 1.1‐9  9.05 12.45t/ha.05 20.45 48.96 31.05 8.1‐7  7.1‐15  укупно  Број парцела  (fi)  5 8 11 9 4 3 ∑f i Разредна  средина  4.05 6.1‐15  Број парцела (fi)  5  8  11  9  4  3    Решење:   Табела 19.05 14.Пример:   На 40 парцела принос овса у t/xa био је:    Принос у t/xa (xi)  3.6 19.1‐11  11. Радна табела  Принос у  t/xa (xi)  3.    54 .6 3.16 2.08  1.6 5.8  46.05 10.1‐7  7.1‐13  13.36 96. 6 = 7.6  = 40   xi ⋅ fi   ( xi − x)   ( xi − x ) 2   fi ( xi − x)2   n X= ∑x ⋅ f i i =1 n ∑f i =1 i = 338 = 8.4 ‐0.04  51.36 5.84   40 i   Одговор:   Квадратно одступање приноса овса од просечног прноса овса на 40 парцела  је 7.08  /  338  /  /  313.1‐5  5.1‐5  5.1‐9  9.1‐11  11.56 12.

израчунати стандардну девијацију.  Односно  то  је  квадратни  корен  из  варијансе.   Стандардна девијација код серија дистрибуције фреквенција    Стандардна девојација израчунава се по формули:  n σ= ∑ f (x − X ) i =1 i i 2   n ∑f i =1 i Пример:   На  основу  података  о  приносу  овса  на  40  парцела.    1.58.израчунава се стандардна девијација:  σ = 1638. Стандардна девијација ( σ )  Стандардна  девијација  је  линеарни  облика  варијансе.2.1. 479 ⋅10 kg   3   2.израчунати  стандардну  девијацију.3. Стандардна девијација код простих серија се израчунава по обрасцу:    n σ= ∑ ( xi − X ) 2 i =1   n Пример:   На основу података о производњи кондиторских производа у једној фабрици  за шест месеци.2.    Решење:   У овом примеру вредност варијансе је σ2=1638. 479 Одговор:   Линеарно  одступање  производње  кондиторских  производа  од  просечне  производње је  40.  55 . 58   σ = 40. Ако се ова вредност уврсти  у формулу.  Ову  меру  варијације  израчунавамо  код  простих  серија и код сређених серија.

  Ако ову вредност уврстимо у формулу.  56 .3.израчунати дисперсију.84   σ = 2.8   Одговор:   Линеарно  одступање  приноса  овса  од  просечног  приноса  на  40  парцела  износи 2.  1.  с  тим  што  се  код  ње  јавља  фактор  корен  из  2.израчунаћемо стандардну девијацију:    σ = 7.5 19662 = = 3277.8 t/ha      3.  Решење:   2 ⋅ 9831.1667   6 6 δ = 57.1.Решење:   У овом примеру вредност варијансе је  σ 2 =7. Дисперсија се код простих серија израчунава по обрасцу:  n δ= 2 ⋅ ∑ ( xi − x)2 i =1 n   Пример:   На  основу  података  о  производњи  кондиторских  производа  за  шест  месеци. Дисперсија ( δ )    Дисперсија  се  израчунава  као  линерарна  величина.  Израчунава  се  код  простих  серија  и  код  серија  дистрибуције фреквенција. 24 δ=   Одговор:   Линеарно  одступање  производње  кондиторских  производа  од  просечне  производње за шест месеци износи 57.84.24 103 kg.2.

    Решење:   2 ⋅ 313. 6 627.4.2.959 δ=   Одговор:   Линеарно  одступање  приноса  овса  на  40  парцела  од  просечног  приноса  износи 3.    57 .  Дисперсија се код серија дистрибуције фреквенција израчунава по  формули:   n δ= 2 ⋅ ∑ fi ( xi − X ) 2 i =1   n ∑f i =1 i Пример:   На сонову података о приносу овса на 40 парцела израчунати дисперсију. 2 = = 15. 68   40 40 δ = 3. Израчунати средње апсолутно одступање.    3.10.5. Средње апсолутно одступање (D)   Код  средњег  апсолутног  одсупања  израчунавају  се  апсолутна  одступања  појединачних  вредности  обележја  од  аритметичке  средине.9.2.7.959 t/ha    Варијанса  σ 2   и  стандардна  девијација  σ   су  најважније  мере  варијације  и  најчешће се користе у статистичким истраживањима.1.8.  ако  је  формиран  нумеричка  серија  са  негруписаним  подацима.13.средње  апсолутно  одступање  се  изражава по формули:  n D= ∑x i =1 i n −X   Пример:   На случајан начин изабрано је седам домаћинсава која троше месечно меса у  килограмима: 15.

43 0.43 0.од  просечне потрошње меса износи 2. 65   7   Одговор:   Средње  апсолутно  одступање.57 4.57 ‐4.57 0 5.57 ‐2.43 0. 57   7 Одговор:  Просечна  месечна  потрошња  меса  по  домаћинству  у  узроку  од  7  дома‐ ћинстава износи 9.56 килограма.  n D= ∑ x −X i =1 i = n 18.43 3.57 килограма.57 1.43 ‐0.57 2. Радна табела  месечна  потрошња меса  (хi)  алгебарско  одступање апсолутно  одступање ( xi − X )   | xi − X |   10 15 13 9 7 5 8 67 5.43 3.57   n X = ∑x i =1 i = n 67 = 9. 57 = 2.  срење спсолутно одступање израчунава се по формули:   n D= ∑x i i =1 −x   n ∑f i =1     58 i .57 ‐1.    Код нумеричких серија са груписаним подацима или код интервалних серија.57 18.појединачних  месечних  потрошњи  меса.Решење:   Табела 20.

  Ако  је    средње  апсолутно  одступање  D=0.14  57.86  185.14   35 i Одговор:   Просечна дневна цена пансиона је 1002.958   35 i Одговор:   Средње  апсолутно  одступање  појединачних  дневних  цена  пансиона  од  просечне цена је 57.54  n X= ∑x ⋅ f i i =1 i n ∑f i =1 = 35075 = 1002.  Средње апсолутно одступање изражава се у истим јединицама мере у којима  је  изражено  и  обележје.72  1120‐1170  4  1145  4580  142.86  257.958 динара. Израчунати средње апсолутно одступање.    n D= ∑ fi x − X i i =1 n ∑f i =1 = 2028.14  399.86  571.  одступање  59 .86  42.54  1020‐1070  6  1045  6270  42.Пример:   На случајан начин избрано је 35 хотела и пописане су цене дневног пансиона  у динарима.    цене дневног  пансиона (хi)  870‐920  920‐970  970‐1020  1020‐1070  1070‐1120  1120‐1170  број хотела (fi)  5  7  11  6  2  4    Решење:   Табела 21.54 = 57.86  92.14  535.14  7.14  107.7  920‐970  7  945  6615  ‐57.98  ( xi )  fi xi − X     970‐1020  11  995  10945  ‐7.86  142. Радна табела  алгебарска  одступања   апсолутна  одступања  −X xi − X цене  пансиона  (xi)  број  хотела  (fi)  разредна  средина  (xi)  xi∙fi  870‐920  5  895  4475  ‐107.16  1070‐1120  2  1095  2190  92.14 динара.14  78.54  Укупно  35  /  35075  /  /  2028.

 Основне статистичке инваријанте    Да  би  се  омогућила  компаративна  анализа  варијабилитета  при  посматрању  разноврсних појава.1.  односно  немају  своју  димензију  мере. па стандардна девијација није погодна мера варијације.  па  ни  тада се не може користити стандардна девијација.  сразмерно  својој  величини  утичу  на  средње  апсолутно  одступање.  Изражавају  се  у  облику  коефицијената  и  процентних  бројева.      3. или као процентни израз  K v =   60 σ X ⋅100   .  а  недостатак  ове  мере  варијације  је  у  томе  што  се  пре‐ дзнаци не узимају у обрзир.     Коефицијент  варијације  представља  количник  између  стандардне  деви‐ јације и аритметичке средине.2.  Зато  су  погодне  за  квантитативу  и  квалитативну  анализу  масовних  појава. ако се упоређују две или више статистичких серија чија су обележја изра‐ жена  у  истим  јединицама  мере.  У основне статистичке инварјанте спадају:  • коефицијент варијације  • коефицијент дисперсије  • релативно линеарно одступање  • коефицијент интерквартилне варијације  • нормализовано (стандардизовано) одступање    3. Оне не зависе  у  јединици  мера  у  којима  су  изражени  подаци  о  посматраној  појави.2.између  појединачних  вредности  обележја  од  аритметичке  средине  не  постоје. Исто  тако.2. статистика користи статистичке инваријанте. Коефицијент варијације (Кv )  Коефицијент  варијације  се  израчунава  у  оном  случају  када  се  упоређују  варијације  обележја  више  статистичких  серија  које  су  изражене  у  различитим  јединицама мере.2.  Сви  чланови  нумеричке  серије.  Образац по коме се израчунава коефицијент варијације гласи:  Kv = σ X .али  имају  различите  аритмичке  средине. Изражава се као коефицијент или као процентни  број.

Уколико  коефицијент  варијације  има  мању  вредност  то  су  вредности  обе‐
лежја јаче груписане око аритметичке средине и обрнуто. 
 
Пример: 
На  основу  података  из  примера  о  производњи  кондиторских  производа  у 
једној фабрици по месецима,израчунати коефицијент варијације. 
 
Решење:  
За овај пример потребни подаци су:  
x = 117,5 ⋅103 kg  

σ = 1638,58 = 40, 47kg  
 
Ако се ове вредности унесу у формулу за коефицијент варијације,добиће се: 

40, 47
⋅100 = 0,3444 ⋅100
117,5
 
K v = 34, 44%

Kv =

 
Одговор: 
Стандардна девијација износи 34,44% од аритметичке средине. 
 
Пример:  
На  основу  података  из  примера  о  приносу  овса  на  40  парцела,израчунати 
кеофицијент варијације. 
 
Решење:  
Потребни подаци су:  X = 8, 45  t/ha 

σ = 7,84 = 2,8
σ
2,8
Kv =

⋅100 =
⋅100 = 0,3313 ⋅100  
X
8, 45
K v = 33,13%

Одговор:  
Стандардна девијација износи 33,13% од аритметчке средине. 
 
 
61

3.2.2.2. Коефицијент дисперсије (Кd) 
Коефицијент дисперсије  представља  количник између дисперсије и аритме‐
тичке  средине.  Овај  коефицијент  изражава  просечну  меру  дисперсије  (ра‐
стурања)  података  неке  серије  око  аритметичке  средине  те  серије.  Израчунава 
се у оном случају када не можемо да сагледамо праву меру варијабилитета због 
истих  аритметичких  средина  или  стандардних  девијација,  када  вршимо  компа‐
ративну анализу различитих појава. 
Основни образац по коме израчунавамо коефицијент дисперсије гласи: 

Kd =

δ
X

 

Пример:  
На  основу  података  о  производњи  кондиторских  производа  за  6  месеци, 
израчунати коефицијент дисперсије. 
 
Решење:  
Основни подаци су: 

X = 117,5 ⋅103  kg;  
δ = 57, 24 ⋅103  kg 
δ 57, 24
Kd = =
= 0, 487  
X 117,5
Одговор:  
Дисперсија износи 0,487 од аритметичке средине. 
 
Пример:  
На  основу  података  о  приносу  овса  на  40  парцела  израчунати  коефицијент 
дисперсије. 
 
Решење:  
Потребни подаци су: 

X = 8, 45 , 
δ = 3,959  
δ 3,959
Kd = =
= 0, 4685  
X
8, 45
Одговор:  
Дисперсија износи 0,4685 од аритметичке средине 
62

3.2.2.3. Релативно линеарно одступање 
Релативно  линеарно  одсупање  показује  колико  процената  апсолутно 
одступање износи од аритметичке средине. Израчунава се на основу формуле:  

Rlo =

D
⋅100  
X

Пример:  
Потребни подаци  

X = 9,57 кг, 
D = 2,65 kг
D
2, 65
⋅100 = 0, 2769 ⋅100  
Rlo = ⋅100 =
9,57
X
Rlo = 27,69%  
 
Одговор:  
Средње апсолутно одступање износи 27,69% од аритметичке средине. 
 
 3.2.2.4. Коефицијент интерквартилне варијације 
Коефицијент  интерквартилне  варијације  показује  колико  процената  износи 
квартилна  варијација  од  збира  првог  и  трећег  квартила.  Вредност  овог  кое‐
фицијента се налази у распону од нуле до 100%. Што је та вредност ближа нули, 
то  ће  степен  хомогености  серије  бити  већи,односно  расипање  података  и 
обрнуто. 
Израчунава се на основу формуле:  

VQ =

Q3 − Q1
⋅100  
Q3 + Q1

Пример:  
На  основу  података  о  125  радника  који  су  пребацили  норму  у  производњи 
беле технике,израчунати коефицијент интерквартилне варијације, 
 
Решење:  
Потребни подаци су:  Q1 = 11, 44%; Q3 = 15, 29%  

VQ =

Q3 − Q1
15, 29 − 11, 44
3,85
⋅100 =
⋅100 =
⋅100  
15, 29 + 11, 44
26,73
Q3 + Q1
63

VQ = 0,1440 ⋅100
VQ = 14, 40%

 

 
Одговор:  
Интерквартилан варијација износи 14,40% од збира вредности првог и трећег 
квартила. 
 
3.2.2.5. Нормализовано (стандардизовано) одступање 

 

Нормализовано  одступање  се  не  израчунава  за  серију  као  целину,него  за 
сваки  појединачни  податак  у  датој  серији  и  представља  одстојање  сваког 
појединачног  податка  те  серије  у  односу  на  аритметичку  средину  измерену 
стандардом девијацијом те исте серије. 
Нормализовано  одступање  је  погодно  за  упоређивање  варијација  обележја 
која су изражена у различитим јединицама мере. 
Израчунава се по формули:  

U=

x− X

σ

 

х‐било која вредност обележја нумеричке серије 
 
Пример:  
На  основу  података  о  производњи  кониторских  производа  за  шест  месеци, 
израчунати нормализовано одступање. 
 
Решење:  
Потребни подаци су:  

x = 150; X = 117,5;σ = 40, 4  
 

U=

x−x

σ

=

150 − 117,5
32,5
=
= 0,802  
40, 479
40, 479

 
Одговор:  
Производња  кондиторских  производа  од  150  кг  одступа  од  просечне 
производње за 0,802 стандардну девијацију изнад просека. 
64

У истом примеру ако узмемо производњу 95 кг (х=95) 
Потребни подаци су:  x = 150; X = 117,5; σ = 40, 479  
 
Решење:  

U=

x−x

95 − 117,5 −22,5
 
=
σ
40, 479
40, 479
U = −0,5558  
=

Одговор:  
Производња  кондиторксих  производа  од  95  кг  одступа  од  просечне 
вредности за 0,5558 стандардних девијација испод просека. 
 
 

3.3.  МЕРЕ ОБЛИКА РАСПОРЕДА 
Подаци  о  вредностима  нумеричког  обележја  свих  јединица  посматраног 
скупа  ретко  су  када  распоређени  симетрично  и  правилно  око  својих  средњих 
вредности. Правилност и симетричност одраз су постојања равнотеже у оквиру 
посматране  појаве.  Равнотежа  у  некој  појави  је  стање  тренутка,  а  сталне 
промене су доминантне са својим законитостима. 
Мере  варијације  не  показују  смер  варијације  у  односу  на  аритметичку 
средину,  као  ни  облик  распореда  фреквенција.  Ту  информацију  омогућавају 
мере асиметрије и спљоштености. 
Распоред  је  симетричан  кад  фреквенције  вредности  обележја  равномерно 
опадају  или  расту  почев  од  аритметичке  средине  лево  и  десно.  Нумеричка 
серија је асиметрична, ако фреквенције врености обележја показују тенденцију 
груписања више лево или више десно од аритметичке средине. У зависности од 
односа  фреквенције  средњих  вредности    и  фреквенције  осаталих  вредности 
обележја, распоред је више или мање спљоштен од нормалне спљоштености. За 
мерење облика распореда фреквенција у статистици се користи: 

мера асиметрије распореда 

мера спољоштености распореда 
 
 
65

3.3.1.  Централни моменти распореда (М) 
Централни  моменти  распореда  представљају  одступања  појединачних 
вредности обележја од аритметичке средине на одређени степен. Тако за меру 
асиметрије  биће  трећи  централни  моменат  (М3),  а  за  меру  спљоштености 
четврти  централни  моменат  (М4).  Израчунавају  се  код  простих  серија  и  код 
серија дистрибуције фреквенције. 
 
Трећи централни моменат за негруписане податке: 
n

M3 =

∑ (X
i =1

− X )3

i

 

n

за груписане податке 
n

M3 =

∑ f (X
i

i =1

− X )3

i

 

n

∑f
i =1

i

Четврти централни моменат за негруписане податке: 
n

M3 =

∑(X
i =1

− X )4

i

 

n

за груписане податке 
n

M3 =

∑ f (X
i =1

i

i

− X )4

 

n

∑f
i =1

i

 
3.3.2.  Коефицијент асиметрије (α3) 
Коефицијент  асиметрије  обележава  се  са  α3  и  представља  однос  трећег 
централног момента (М3) и стандардне девијације на трећи степен(σ3): 
 

α3 =
 
 
66

M3

σ3  

Овај  коефицијент  (α3)  може  имати  позитивне  и  негативне  вредности.  Пре‐
дзнак показује смер асиметрије у односу на нормалну (теоријску) дистрибуцију. 
ако је: 
α3=0 
серија је симетрична; 
серија има леву(позитивну)асиметрију; 
α3>0 
α3<0 
серија има десну(негативну)асиметрију; 
 
У зависности од величие α3 у апсолутној вредности, симетричност може бити: 
|α3|≤ 0.25; 
мала асиметрија 
средња асиметрија 
|α3|≤ 0.50; 
|α3|> 0.50; 
јака асиметрија 
 

 
Графички приказ коефицијента асиметрије 
 
Пример: 
 У једном предузећу 8 радника изабраних на случајан начин имало је године 
старости: 
21, 25, 34, 42, 38, 45, 51, 54. 
 
Израчунати коефицијент асиметрије 
 
 
 
 
 
 
 
67

Решење: 

( Xi − X )   ( Xi − X )   ( Xi − X )  

Год. стар.
xi 

2

3

21 

‐17,75 

315,06 

‐5592,36 

25 

‐13,75 

189,06 

‐2599,57 

34 

‐4,75 

22,56 

‐107,16 

42 

3,25 

10,56 

34,32 

38 

‐0,75 

0,56 

‐0,42 

45 

6,25 

39,06 

244,12 

51 

12,25 

150,06 

1838,23 

54 

15,25 

232,56 

3546,54 

310 

959,50 

‐2636,25 

 
n

∑X

X=

i =1

i

n

310
= 38, 75  
8

=

X = 38,75  god. 
 
n

∑(X

σ=

i =1

i

− X )2

n

=

959, 48
= 119,94
8

σ = 10,95
n

M3 =

∑(X
i =1

i

− X )3

n
M 3 = −329,53

α3 =

M3

=

σ
α 3 = −0, 25
3

 
−2636, 25
=
8

−329,53 −329,53
=
10,953
1313,93

 
Одговор:  
Коефицијент  асиметрије  α3=  ‐0,25,  показује  да  је  распоред  осам  радника, 
према  старости  асиметричан  у  лево  (негативна  асиметрија)  и  да  има  малу 
асиметрију. 
 
 
68

Пример: 
На  случајан  начин  изабрано  је  30  чоколада  масе  100  грама  код  којих  је 
мерењем утврђено закидање масе у грамима: 
 
Закидање на тежини (Xi) 2,1 – 4  4,1 – 6 6,1 – 8  8,1 – 10 10,1 – 12 
Број чоколада (fi) 

11 



 
Израчунати коефицијент асиметрије  α3: 
 
Решење: 
Табела 22. Радна табела. 
Број 
Закидање на 
чок. 
тежини (Xi) 
(fi) 
2,1 – 4 

4,1 – 6 
11 
6,1 – 8 

8,1 – 10 

10,1 – 12 

Укупно: 
30 

Xi 

2
X i ⋅ fi ( Xi − X )   ( Xi − X )

3,05  12,2 
5,05  55,55
7,05  56,4 
9,05  54,3 
11,05  11,05

189,5

‐3,27 
‐1,27 
0,73 
2,73 
4,73 

f i ( Xi − X )

10,69 
1,61 
0,53 
7,45 
22,37 

42,77 
17,74 
4,26 
44,72 
22,37 
131,87 

2

( Xi − X )

3

fi ( Xi − X )

3

 

‐34,97  ‐139,86 
‐2,05 
‐22,53 
0,39 
3,11 
20,35  122,08 
105,82  105,82 

68,62 

 
n

X=

∑X
i =1

⋅ fi

n

∑f
i =1

n

M3 =

i


i =1

n

189,5
=
= 6,32
30

2

σ=

i

fi ⋅ ( X i − X )
n

∑f
i =1

∑ f ⋅(X − X )
i

i =1

i

n

∑f
i=1

3

=

=

131,78
= 4,39
30

i

σ = 2,09

68, 69    
30

α3 =

i

M 3 = 2, 289

M3

σ

3

=

α = 0,25

2,289 2,289
=
2,093 9,175

3
 
 
Одговор: 
Коефицијент асиметрије α3=0,25, показује да је распоред 30 чоколада, према 
закидању  на  мери  асиметричан  у  десно(позитивна  асиметрија)  и  да  има  малу 
асиметрију. 
 
 

69

 17. 36.     Израчунати коефицијент спљоштености α4:            70 . 25.  α4 = M4 σ4   Овај коефицијент може да има само позитивне вредности. 28 и 42.3. 39.3.      Графичи приказ коефицијента спљоштености    Пример:  У  току  једног  дана  8  продавница  мешовите  робе  оствариле  су  промет  у  103  динара: 11.  ако је:  α4 = 3   серија има нормалну висину  α4 > 3   серија је издужена  серија је спљоштена  α4 < 3     Израчунава се код простих серија и код серија дистрибуције фреквенције. 21.3.  Коефицијент спљоштености (α4)  Коефицијент  спљоштености  (α4)  представља  однос  четвртог  централног  момента и стандардне девијације на четврти степен.

 показује да је он мањи од три(α4<3) и да  је ова серија више спљоштена.26 0.73.37 267.85 31.36 8   α4 = M4 σ 4 = 19338.88 = 105.63 ‐6.63 14.63 n X= ∑ Xi i =1 n X = 27. Радна табела:  ( Xi − X )   ( Xi − X )   ( Xi − X ) 2 Промет (Xi)  11 17 25 36 21 39 28 42 219 ‐16.83 α 4 = 1. 73   8 σ = 10.63 0. 284 11178.12 154706.62 74.1 – 11  11.1 – 13  13.58 5547. 28 n M4 = ∑(X i =1 i − X )4 n = 154706.58 135.36 19338.92 11564.54 5.37 ‐2.9 = 19338.1 – 9  9.36 = 10.88 n 219 =    8 σ= ∑(X i =1 i 4   71807.Табела 23.1 – 19  Број домаћинстава (fi)  4  9  12  14  8  5  3    Израчунати коефицијент спљоштености α4:  71 .1 – 7  7.37 ‐10.04 845.39 214.48 40.74 18295.1 – 17  17.97 107.27 1646.    Пример:  Месечна  потрошња  једног  прехрамбеног  производа  и  број  домаћинстава  био је:  Месечна потрошња (Xi)  5.37 11.37 8.27 0. 73   Одговор:   Коефицијент спљоштености α4=1.15 45813.1 – 15  15.9 − X )2 n = 845.

5  20. 79   55 i M 4 = 233.3  4 882.45  ‐1  0. 05 = 3.45  120.05 18.05 14. 09     n M4 = ∑ f ⋅(X i i =1 i − X )4 = n ∑f i =1 12817.7  112.55  2.2  72. 05   α4 = M4 δ 4 = 233.  показује  да  ће  распоред  55  домаћи‐ нстава према месечној потрошњи прехрамбеног производа спљоштен у односу  на нормалан распоред.7  526.1 – 19  Укупно:  4  9  12  14  8  5  3  55  X i  X i ⋅ fi   6.55 Одговор:  Коефицијент  спљоштености  α4=2.55  4.4  80.49  1840.1 – 7  7.  72 .569   55 i σ = 3.45  5521.2  52  103.5  128.25  428.3  6.26  338  2142.9    ( Xi − X ) 2 118.15  632.55  6.05  8. 094 91.Решење:  Табела 24.9  1  0.5 i 526.41    4 fi ( Xi − X )   3528.05 12.1  12  4.1 – 17  17.55    f i ( Xi − X ) 29.1 – 9  9.05  10.7  42.09  141.55.23  12817.1 – 11  11.1 – 13  13.49  12  1.1 – 15  15.8  107.05 16. Радна табела:  Месечна  Број  потрошња  домаћ.25  54.61  1  0.  (Xi)  (fi)  5.45  ‐3. 05 233.7  11.75  ( Xi − X ) ( Xi − X )2 ‐5. 75 =   55 σ=   ∑ f (X i =1 i − X )2 = n ∑f i i =1 X = 11.09  42.05   24.6  168.79    n X= ∑X i =1 i ⋅ fi n ∑f i =1 n 632.3 = 9.166   α 4 = 2.36  1274.

  Подаци  малих  група  или  малих  територјалних  јединица  могу  се  сабирањем  груписати  у  веће.) користе се годишњи интерва‐ ли  као  временске  јединице.  тромесечни интервали.  У завистности од циља истраживања и природе појаве фактор време може се  посматрати  у  краћим  или  дужим  временским  јединицама  и  то  по  годинама.  Да  би  се  дошло  до  исправних  закључака  о  динамици  посматраних  појава  и  фактора  који  их  опредељују.умирање и сл. За појаве које су  динамичније  (извоз.  Могу се упоређивати само подаци који су у истим временским јединицама.  недељама  или  данима  а  исто  тако  по  тромесечијима  или  полуго‐ диштима.)  узимају  се  временске  јединице  као    месечни.рађање. па се време узима као независна променљива а  величина појаве чије се кретање прати као зависно променљива или функција.  Временске  серије  се  посматрају  као  емпиријске  функције  које  изражавају  завистност појаве од времена. да иста појава која се посматра мора  да  буде  дефинисана  и  мерена  на  исти  начин  за  све  време  њеног  посматрања.  временске  серије  морају  да  буду  хомогене.  прерачунати  у  серије  упоредивих  података.  Уколико  то  није  могуће  компарација  недовољно  упоредивих података не може се вршити без одговарајућих ограничења уз већи  или мањи ризик у доношењу погрешних закључака. Значи.  73 ..увоз.цене.  текуће  цене  прерачунати  у  сталне  и  сл.  Те  временске  серије  представљају  низове  података  о  величини  посматраних  појава  у  сукцесивним  временским  интерва‐ лима.  Како  се  варијације  посматрају  у  функцији  времена  то  се  са  статичког  прелази на динамички аспект посматрања.  са‐ стављене од упоредивих података.  У  извесним  случајевима  неупоредиви  подаци  могу  се  прегруписати.4.  Зато  оригиналним  подацима  можемо  временске  серије  прилагодити  једном  облику  математичке  функције  које  у  конкретном  случају  изражава  закон  развитка те појаве.  Тако  се  добија  једна  временска  серија  из  које  сазнајемо  не  само  ниво  појаве  у  појединим  годинама  него  и  карактеристичне  варијације које су се дешавале током посматраног низа година.  За  појаве  које  су  релативно  стабилне  и  чија  се  структура  релативно  споро мења (становнштво.  месецима. ДИНАМИЧКА АНАЛИЗА      Временске серије прате друштвене појаве а посебно економске које се током  времена  више  или  мање  мењају.

  Временски  индекси  се  изражавају  у  процентима  (%).    4.  Величина  која  се  упоређује  налази  се  у  бројиоцу  израза  и  назива  се  величина  упоређењам  а  величина  са  којом  се  упоређује  налази  се  у  имениоцу израза и означава базу упоређења.  Исто  тако  упоређују  се  међусобно  оригиналне  вредности  из  различитих  временских  периода. Сезонске варијације. Те величине морају бити изражене у истим  јединицама  мере. базни индекси    2. Временски индекси. од могућности примене  74 .  да би се дошло до сазнања да ли појава која се посматра из периода у  период расте.     Код временских индекса најчешће се користе:    1.  Код  базних  индекса  је  проблем  избора  базе  (базне  вредности).  ВРЕМЕНСКИ ИНДЕКСИ  Под  појмом  индекса  подразумевају  се  реалативни  бројеви  помоћу  којих  упоређујемо  нивое(податке)  две  или  више  истородних  појава.1.Динамичка  анализа  има  задатак  да  се  оригиналним  вредностима  у  вре‐ менској  серији прилагоди одговарајући тип мамтематичке функције. ланчални индекси  • Ако  се  у  посматраној  временској  серији  за  базу  узима  стално  иста  вредност.  Један  проценат  индекса представља индекси поен.    4. Базна вредност је увек  иста  и  тада  се  упоређује  са  свим  осталим  подацима  из  временске  серије. од циља којег желимо постићи. Цикличне варијације. онда се говори о базним индексима. опада или стагнира. Тренд.    3.  Најчешће у динамичкој анализи проучавају се:    1.  Који  ћемо  период  изабрати  зависи  ће  од  природе  масовне  појаве  коју  истражујемо.  То  значи  да  базна  величина  представља  100  процената.  а  конкрента  вредност  индекса  показује  виши  или  нижи  ниво  величине  упоређења  у  односу  на  базу.  па  су  индекси  процентни  изрази  односа  две или више истородних величина. на основу  које  се    може  пратити  развој  посматране  појаве  и  њено  будуће  кретање.  Тај  однос  се  изражава  у  облику  процентног  броја.    2.

  у  текућем  у  односу  на  базни  период.) који се  не  могу  сабирати  своде  на  заједнички  именитељ.  2. допуњују  се  до  целине  појаве.    У  статистици  постоје  два  метода  за  израчинавања  групних  (агрегатних)  индекса:  1. зато што на њих делује низ фактора.  Свакој  временској  статистичкој  серији  мора  се  дати  исти  значај.  Групни  индекси  или  агрегатни  добили  су  назив  јер  су  састављени  од  више  разнородних  елемената  (агрегата). метод агрегата  2. Групни индекси се  израчунавају из две или више временских серија  које  чине  целину. литри. метод просечних односа  1. То треба пре свега да буде онај податак (период) у коме  се  појава  показује  нормално  стање.  тј. Код истраживања базних индекса постоје  неки  основни  принципи  којих  треба  да  се  ридржавамо  при  одре‐ ђивању базе.  релативно  мировање.  Пондери  се  одређују  према  важности  временских  серија  у  структури  скупа  или  његовог  репрезентативног  дела. килограми и сл.  Треба  избегавати оне периоде који се удаљавају од базних периода и теже  их је упоређивати са базом. а то значи да је база променљива. Код метода агрегата саберу се све вредности оригиналних података у  текућем  периоду  и  подели  збиром  оригиналних  података  из  свих  временских серија у базном периоду. групни индекси  1.  Могу бити базни и ланчани. метри.• разних видова упоређења.  Ови  индекси  показују  релативне  промене  варијације  пода‐ така  једне  временске  серије  у  текућем  у  односу  на  базни  период. индивидуални индекси  2.    У статистици се најчешће користе:  1.  Код  ланчаних  индекса  за  базну  вредност  узима  се  вредност  претхо‐ дног периода.  Тако  се  непосредно  немерљиви  елементи  комплексних појава (комади.  Могу  се  узети  из  базног  и  текућег  периода.    75 .  Ти  поједини  саставни  елементи  представљају пондере и међусобно су комплементарни тј. Индивидуални  индекси  се  израчунавају  на  основу  једне  временске  серије.

. .1. Индекси цена    3. Индекси количине (индекси физичког обима)    2. године у тонама износила је:    Године  Производња (y) 2000 320 2001 390 2002 410 2003 370 2004 450 2005 510 2006 560 2007  2008  490  630    Израчунати базне индексе са базом у 2003.2. Базни индекси (Bi)  Код базних индекса се сваки члан временске серије yi. i=1. Индекси плата или индекси зарада    4. Овај количник се поможи са 100. Индекси трошкова живота    5. години (2003 = 100)          76 .. 3. Код метода просечних односа укључују се и индивидуални индекси.    Пример:   Производња памука у период од 2000. који може бити било који из yi и означи се са  yо.    Bi = yi ⋅100   y0     i= 1. 2. 3..    У статистици се најчешће користе следећи групни (агрегати) индекси:    1. 2. n подели  једним чланом временске серије. Индекси продуктивности    6.  али мора да се води рачуна да база код свих временских серија мора  бити исти временски период.1. Индекси вредности    4. … n    Базни  индивидуални  индеки  изражавају  промене  величине  појаве  у  про‐ центима од базне величине. до 2008.

год  у  односу  на  2003.27    Одговор:  Производња  памука  у  2000.  порасла је за 32.43% и у 2008.  порасла  је  за  37..год.год. Радна табела  Године  Прозводња (yi) Поступак израчунавања (2003 = 100) 2000  320 (y1) B1 = y1 : y4 = (320 : 370) ∙ 100 2001  390 (y2) B2 = y2 : y4 = (390 : 370) ∙ 100 2002  410 (y3) B3 = y3 : y4 = (410 : 370) ∙ 100 2003  370 (y4) B4 = y4 : y4 = (370 : 370) ∙ 100 2004  450 (y5) B5 = y5 : y4 = (450 : 370) ∙ 100 2005  510 (y6) B6 = y6 : y4 = (510 : 370) ∙ 100 2006  560 (y7) B7 = y7 : y4 = (560 : 370) ∙ 100 2007  490 (y8) B8 = y8 : y4 = (490 : 370) ∙ 100 2008  630 (y9) B9 = y9 : y4 = (630 : 370) ∙ 100 Bi (%)  86.84  151.год  у  односу  на  2003.  у  2006.84%.62%... Ланчани (верижни) индекси (Li)  Ланчани  (верижни)  индекси  изражавају  релативне  промене  сваког  ори‐ гиналног  податка  временске  серије  у  односу  на  предходни  период.год. i=1. ланчани индекси се израчунавају по обрасцу:    Li = yi ⋅100   yi −1     i= 1.год  порасла  је  за  51.62  137.  опала  је  за  13.год  повећана  је  за  5.2.год  у  односу  на  2003. порасла је за 70. 3.  Ако  се  за  базу  узима  вредност  из  пред‐ ходног периода yi‐1.год у односу на 2003.  у  2005.00  121.81%.Решење:  Табела 25.  Серија  ланчаних  индекса  битно  се  разликује  од  серије  базних  индекса  зато  што  она  показује  релативну  промену  неког  одређеног  периода  увек  у  односу  на  предходни  период.35%.год  у  односу  на  2003.81  100.  Код  ових  индекса  база  се  мења(променљива).год  порасла  је  за  21.14%. n.43  170. 3.год.  у  2004.год  у  односу  на  2003.    4.49  105.  у  односу  на  2003. … n    Ланчани индекс за период са којим почиње временска серија не постоји зато  што  не  распоаже  податком  за  период  који  је  непосредно  предходи  почетном  периоду  временске  серије. 2.  у  2001.  Она  не  представља  77 .год  у  односу  на  2003.год  порасла  је  за  10.41  110.год.27%.1. 2.  у  2007.  у  2002.35  132.51%.

год порасла је за 16.66%.66%. Радна табела  Године  Прозводња (yi) Израчунавање ланчаних индекса Li (%)  2001  1580 (y1) L1 = nema indeksa – 2002  1620 (y2) L2 = y2 : y1 = (1620 : 1580) ∙ 100 102.год.53  2003  1200 (y3) L3 = y3 : y2 = (1200 : 1620) ∙ 100 74.  у  односу  на  2002.год  опала  је  за  25.33%.год у односу  на  2006.  у  односу  на  2003.континуирани  низ  међусобно  повезаних  величина.год у односу на 2005.год.год.          78 .52%  и  у  2008.  у  2003.год.год.66  2005  1800 (y5) L5 = y5 : y4 = (1800 : 1340) ∙ 100 134.  порасла  је  за  11.33  2006  2100 (y6) L6 = y6 : y5 = (2100 : 1800) ∙ 100 116.год  у  односу  на  2001.  у  односу  на  2004.год  порасла  је  за  2.    Пример:   У фабрици за производњу кексам производња једне врсте кекса у 103 кило‐ грама по годинама била је:  године  2001 2002 2003 2004 2005 2006 2007  2008  производња (yi) 1580 1620 1200 1340 1800 2100 1900  2200    Израчунати ланчане индексе    Решење:  Табела 26.  у  2005. у 2007.год.53%.79%.93%.год  у  односу  на  2007.48  2008  2200 (y8) L8 = y8 : y7 = (2200 : 1900) ∙ 100 115.  Сваки  ланчани  индекс  је  самостална  величина  која  изражава  пораст  или  пад  посматране  временске  серије у односу на пре‐дходни период који представља базу.66  2007  1900 (y7) L7 = y7 : y6 = (1900 : 2100) ∙ 100 90.  порасла  је  за  15.07  2004  1340 (y4) L4 = y4 : y3 = (1340 : 1200) ∙ 100 111.  у  2004.  порасла  је  за  34. у 2006.79    Одговор:   Производња  кекса  у  2002.год  опала  је  за  9.

год.4.год у односу на 2007. и 2008. 3.)        79 .1.  комада. … n  где је:  i ‐ редни број текућег периода  0 ‐ базни период    Пример:   У фабрици за прераду воћа испоручено је јуног воћа у 2007.  увоза.1.  динара итд.1.3.  извоза  и  сл.год. Индивидуални индекси количине    Индивидуални индекс количине представља релативне промене само једног  производа  у  текућем  у    односу  на  базни  период.год. 2. Представља синтетички израз промена у физичком обиму производње. у  тонама по цени:    Врста воћа  Поморанџе Лимун Банане Киви Испоручене количине 2007  2008  380 580 180 210 520 450 470 560 2007  109 65 98 110 Цене 2008 130 95 80 125   На  основу  ових  података  израчунати  индивидуалне  количине  јужног  воћа  испоручене у 2008. индивидуални индекси количине    2.  Израчунава  се  на  основу  фо‐ рмуле:  Iq = qi q0 ⋅100       i= 1. Индекски количине  Индекси  количине  често  се  називају  индекси  физичког  обима  или  квантум  индекс. У статистици се највише користе:    1. групни индекси количине    4.  у  текућем  периоду  у  односу  на  базни  период.  Количине  се  могу  изражавати  у  различитим  јединицама  мере:  тона.3.  продаје.год.(база 2007.

 1 ‐ текући период  80 .15% веће. 54%   520 560 За киви:  I q = ⋅100 = 1. 63%   380 210 ⋅100 = 1. Mетоду агрегата    2.3. Метод агрегата    Ласпаеров индекс физичких обима  Iq = Пашеров индекс физичког обима  Iq = ∑Q ⋅P ∑Q ⋅P 1 0 0 0 ⋅100   ∑ Q ⋅ P ⋅100   ∑Q ⋅ P 1 1 0 1 Ознаке су:  Р ‐ цена.1. Групни индекси количина    Групни индекси количина представљају релативне промене количине за  више производа у текућем у односу на базни период.  код  банана  мање  за  13.2.1915 ⋅100 = 119.63%.1666 ⋅100 = 116.8654 ⋅100 = 86.год. 0 ‐ базни период. 5263 ⋅100 = 152. Израчинавају се по:    1.  код  лимуна  за  16.15%   470 За лимун:  I q =   Одговор:   Испоручене  количине  јужног  воћа  у  2008.Решење:  Iq = За поморанџе:  I q = qi q0 ⋅100   580 ⋅100 = 1. Q ‐ количина.    4. Mетоду просечних односа    1.  у  односу  на  2007.  биле  су  код  поморанџи  веће  за  52.66%.46% и код кивија за 19. 66%   180 450 За банане:  I q = ⋅100 = 0.год.

  лимун.год.    Израчунати  групни  индекс  количине  по  методу  агрегата. 2067 ⋅100 Iq = I q = 120.    Пашеров индекс количине  Iq = ∑ Q ⋅ P ⋅100 ∑Q ⋅ P 1 1 0 1 580 ⋅130 + 210 ⋅ 95 + 450 ⋅ 80 + 560 ⋅125 ⋅100 380 ⋅130 + 180 ⋅ 95 + 520 ⋅ 80 + 470 ⋅125 75400 + 19950 + 36000 + 70000 201350 ⋅100 = ⋅100   Iq = 49400 + 17100 + 41600 + 58750 166850 I q = 1.  лимун.1719 ⋅100 Iq = I q = 117. испоручено је јужног воћа воћа (помораџзе.год.67%.19%.Пример:   На основу података о испорученом поврћу у 2007.год и 2008. банане и киви) више за 17.  у  односу  на  2007.год  испоручено  је  јужног  воћа  (поморанџе. 67% Одговор:   У  2008.год).  Ласпаеров  и  Пашеов  индекс.  81 .год.19% Одговор:   У 2008.    Решење:  Ласпаеров индекс количине  Iq = ∑ Q ⋅ P ⋅100 ∑Q ⋅ P 1 0 0 0 580 ⋅109 + 210 ⋅ 65 + 450 ⋅ 98 + 560 ⋅110 ⋅100 380 ⋅109 + 180 ⋅ 65 + 520 ⋅ 98 + 470 ⋅110 63220 + 13650 + 44100 + 61600 182570 ⋅100 = ⋅100   Iq = 41420 + 11700 + 50960 + 51700 155780 I q = 1.години у тонама  по ценама (базна 2007. банане и киви) више за 20. у односу на 2007.

19% Одговор:   У  2008. Метод просечних односа  Код  израчунавања  индекса  количине  по  методу  просечних  односа  укључује  се индивидуални индекс количине.19%.год.2. 67% Одговор:   У  2008.67%    82 .1719 ⋅100 I q = 117.год  испорученео  је  јужног  воћа  (помораџзе. 2067 ⋅100 Iq = I q = 120.  лимун.год.год  у  односу  на  2007.  лимун. банане и киви) више за 17. банане и киви) више за 20.    Пашеов индекс количине  Iq = ∑ P ⋅Q Q ∑ Q ⋅ P ⋅Q 1 1 ⋅100 0 1 1 1 580 ⋅130 + 210 ⋅ 95 + 450 ⋅ 80 + 560 ⋅125 ⋅100 380 180 520 470 ⋅130 ⋅ 580 + ⋅ 95 ⋅ 210 + ⋅ 80 ⋅ 450 + ⋅125 ⋅ 560 580 210 450 560 75400 + 19950 + 36000 + 70000 201350   Iq = ⋅100 = ⋅100 49400 + 17100 + 41600 + 58750 166850 I q = 1.  испоручено  је  јужног  воћа  (поморанџе.    Ласпаеров индекс количине  Q1 ∑ Q P ⋅Q = ∑ P ⋅Q 0 Iq 0 ⋅100 0 0 0 580 210 450 560 ⋅ 380 ⋅109 + ⋅180 ⋅ 65 + ⋅ 520 ⋅ 98 + ⋅ 470 ⋅110 380 180 520 470 ⋅100 Iq = 109 ⋅ 380 + 65 ⋅180 + 98 ⋅ 520 + 110 ⋅ 470 63220 + 13650 + 44100 + 61600 182570 ⋅100 = ⋅100 Iq =   41420 + 11700 + 50960 + 51700 155780 I q = 1.  у  односу  на  2007.

)  580 ⋅100 = 1. 2222 ⋅100 = 122. 0316 ⋅100 = 103.год. 9354 ⋅100 = 93.16%   95 11 За јаја:  I p = ⋅100 = 1.46%.54%.  биле  су  за  месо  веће за 11.  83 .4. Индивидуални индекси цена    2. Израчунавају се по формули:  Ip = P1 ⋅100   P0 Пример:   Једна трговина на мало имала је промет:    Артикли  Јединица мере  Месо  Сир  Сокови  Јаја  kg  kg  литара  ком  2007  2008  Количина (Q0)  Цена (P0)  Количина (Q1)  Цена (P1)  4200  520  3800  580  1300  310  1600  290  2150  95  2050  98  950  9  1100  11    а) Израчунати индивидуалне индексе цена артикала у 2008. за једну врсту производа.1 Индивидуални индекси цена  Индивидуални индекси цена показују однос цена у текућем периоду у односу  на базни период.16% и за јаја веће за  22.  у  односу  на  2007. за сокове веће за 3. 54%   310 98 За сокове:  I p = ⋅100 = 1.22%. 22%   9 За месо:  I p =   Одговор:   Просечне  продајне  цене  у  2008. Индекси цена  Индексима  цена  упоређујемо  цене  разнородних  производа  у  текућем  периоду са тим истим ценама у базном периоду.год (базна година 2007. Индекси цена могу бити:    1. за сир мање за 6.1.4. у односу  на  2007.год.1154 ⋅100 = 111.год.4. 54%   520 290 За сир:  I p = ⋅100 = 0. Групни индекси цена  4.1.

 и 2008.сокови  и  јаја)у  2008.год. 0837 ⋅100 Ip = I p = 108. Израчунава се по:    1.4.        84 .37%.2. Групни индекси цена  Групни  индекси  цена  показује  однос  цена  у  текућем  периоду  у  односу  на  базни.1.)    Решење:  Ласпаеров индекс цена  Ip = ∑ Q ⋅ P ⋅100 ∑Q ⋅ P 0 1 0 0 4200 ⋅ 580 + 1300 ⋅ 290 + 2150 ⋅ 98 + 950 ⋅11 ⋅100 4200 ⋅ 520 + 1300 ⋅ 310 + 2150 ⋅ 95 + 950 ⋅ 9 2436000 + 377000 + 210700 + 10450 3034150 ⋅100 = ⋅100   Ip = 2184000 + 403000 + 204250 + 8550 2799800 I p = 1.год.  у  односу  на  2007.год.сир. Методу агрегата    2. за више врста производа. биле су веће за 8. израчунати групни  индекс цена Ласпаеров и Пашеов (база 2007.4. Метод агрегата  Ласпаеров индекс цена  Пашеов индекс цена  ∑ Q ⋅ P ⋅100   ∑Q ⋅ P ∑ Q ⋅ P ⋅100   = ∑Q ⋅P Ip = Ip 0 1 0 0 1 1 1 0   Пример:   На основу података о промету артикала у 2007.37%   Одговор:   Продане  цене  артикала  (месо. Методу просечног односа    1.

63%. 63%   Одговор:   Продајне  цене  артикала  (месо.  порасле су за 8.  Ласпаеров индекс цена  P1 ∑ P ⋅Q ⋅ P = ⋅100 ∑Q ⋅ P 0 Ip 0 0 0 0 580 290 98 11 ⋅ 4200 ⋅ 520 + ⋅1300 ⋅ 310 + ⋅ 2150 ⋅ 95 + ⋅ 950 ⋅ 9 310 95 9 I p = 520 ⋅100 4200 ⋅ 520 + 1300 ⋅ 310 + 2150 ⋅ 95 + 950 ⋅ 9 2436000 + 377000 + 210700 + 10450 3034150   Ip = ⋅100 = ⋅100 2184000 + 40300 + 204250 + 8550 2799800 I p = 1.37%.  у  односу  на  2007.год  у  односу  на  2007.Пашеов индекс цена  Ip = ∑ Q ⋅ P ⋅100 ∑Q ⋅ P 1 1 1 0 3800 ⋅ 580 + 1600 ⋅ 290 + 2050 ⋅ 98 + 1100 ⋅11 ⋅100 3800 ⋅ 520 + 1600 ⋅ 310 + 2050 ⋅ 95 + 1100 ⋅ 9 2204000 + 464000 + 200900 + 12100 2881000 ⋅100 = ⋅100   Ip = 1976000 + 496000 + 194750 + 9900 2676650 I p = 1.год.год. 0837 ⋅100 I p = 108.  сир.  сокови  и  јаја)  у  2008.  сокова  и  јаја)  у  2008.  сира. биле су веће за 7.37%   Одговор:   Продајне  цене  (меса.год.        85 .    2. Метод просечних односа  Код овог метода укључује се индивидуални индекс цена. 0763 ⋅100 Ip = I p = 107.

    4. 0763 ⋅100 Ip = I p = 107.години.год.  сира.  Индекс вредности  Индекс  вредности  представља  вредносни  израз  посматране  појаве  у  теткућем периоду у односу на базни.Пашеов индекс цена  Ip = ∑ Q ⋅ P ⋅100 P ∑ P Q ⋅P 1 1 o 1 1 1 3800 ⋅ 580 + 1600 ⋅ 290 + 2050 ⋅ 98 + 1100 ⋅11 ⋅100 520 310 95 9 ⋅ 3800 ⋅ 580 + ⋅1600 ⋅ 290 + ⋅ 2050 ⋅ 98 + ⋅1100 ⋅11 580 290 98 11 2204000 + 464000 + 200900 + 12100 2881000 ⋅100 = ⋅100 Ip =   1976000 + 496000 + 194750 + 9900 2676650 I p = 1.  Израчунава се по обрасцу:  Iv = ∑ P ⋅Q ∑Q ⋅P 1 1 0 0 ⋅100   Пример:   У  једној  фабрици  кошуља  произведено  је  кошуља  по  ценама  у  2007.5.1.год.    Кошуље  Мушке Женске Дечје 2007 Количина (Q0) Цена (P0) 530 1200  390 1600  260 690   Израчунати вредности производње    86 2008 Количина (Q1) Цена (P1)  470 1280 410 1520 320 710 .  у  односу  на  2007.  сокова  и  јаја)  у  2008.  порасле су за 7.63%.  и  2008. 63%   Одговор:   Продајне  цене  (меса.

год.87%. стан.87 Одговор:   Вредност производње кошуља у 2008.6. услуге и културне  потребе. 0087 ⋅100 Iv = I v = 100.1.Решење:  Iv = ∑ P ⋅ Q ⋅100 ∑Q ⋅ P 1 1 0 0 1280 ⋅ 470 + 1520 ⋅ 410 + 710 ⋅ 320 ⋅100 1200 ⋅ 530 + 1600 ⋅ 390 + 690 ⋅ 260 601600 + 623200 + 227200 1452000 ⋅100 = ⋅100   Iv = 636000 + 624000 + 179400 1439400 I v = 1. порасла је за  0. покућанство.  Он  садржи  листу  производа  и  услуга  за  подмиривање  основних  животних  потреба и потреба и потребне количине.    4.  Индекс трошкова живота    Индекс трошкова живота показује кретање цена на мало као релативне  промене цена у текућем периоду у односу на базни одређене групе производа и  услуга за подмиривање животних  потреба. одећа и обућа. гориво и осветљење.  дуван  и  пиће. Прати се четворочлана породица.    Наша  статистичка  пракса  користи  буџет  који  садржи:  исхрану. У ту сврху се утврђује типски буџет.    Индекс трошкова живота израчунава се по формули:    Ip = ∑ P ⋅q ∑ P ⋅q   1 0   где је:        p1‐ цене у текућем периоду  p2‐ цене у базном периоду  q‐количина производа и услуга предвиђене типским буђзетом      87 .год у односу на 2007.

0543 ⋅100 Ip = I p = 105.        88 .43%.Пример:   За  неколико  артикала  исхране  израчунати  индекс  трошкова  живота  у  јуну  у  односу на јануар 2008.год у просеку су порасли за 5.године. 43%   Одговор:   Трошкови исхране четворочлане породице у јуну 2008.    Артикли  Просечна цена у  јануару(P0)  Просечна цена у  јуну(P1)  Количине у типском  буџету (q)  Млеко  29  32  15 литара  Сир  210  250  3 килограма  Хлеб  38  39  60 килограма  Пасуљ  140  130  3 килограма  Јаја  9  11  25 комада  Шећер  45  50  3 килограма  Месо  450  470  8 килограма    Решење:  Ip = ∑P ⋅q ∑P ⋅q 1 0 32 ⋅15 + 250 ⋅ 3 + 39 ⋅ 60 + 130 ⋅ 3 + 11 ⋅ 25 + 50 ⋅ 3 + 470 ⋅ 8 ⋅100 29 ⋅15 + 210 ⋅ 3 + 28 ⋅ 60 + 140 ⋅ 3 + 9 ⋅ 25 + 45 ⋅ 3 + 450 ⋅ 8 480 + 750 + 2340 + 390 + 275 + 150 + 3760 8145 ⋅100 = ⋅100   Ip = 435 + 630 + 2280 + 420 + 225 + 135 + 3600 7725 I p = 1.год у односу на јануар  2008.

 i =1.  и  у  септембру  2008.14  x0 = x0 : L0   x1 = x1 : L1   .48  6.1.36 23.  у  јануару  2008.  по  ка‐ тегоријама  радника. …. Индекс плата (зарада)  Индекси плата(зарада)показују релативне промене плата (зарада) у текућем  у односу на базни период посматрања.n – просечна плата за једну категорију радника у текућем периоду  x0  – просечна плата за једну категорију радника у базном периоду  j – редни број категорије радника    Пример:   У  фабрици  кондиторских  производа  месечне  плате  у  динарима.2.33  26  10.  Овај индекс се израчунава као:    1.1 Индивидуални индекси плата  Индивидуални индексо плата показују релативне промене плата у текућем у  односу на базни период за једну категорију радника.  као  и  број  запослених био је:    Стручна спрема  радника  Број радника по  месецима  Јануар Септембар  (L1)  (L0)  3 Укупне плате у 10   динара  Јануар Септембар  (x0)  (x1)  Висока  Виша  Средња  КВ  8 5 48 250 9 5 47 254 198 85 479 1340 210 130 493 1560 Укупно  311  315  2102  2393      89 Просечна месечна плата по   3 категоријама радника у 10   динара  24.98 5.1.7.4.…. n  xi . индивидуални индекс плата    2.    Израчунавају се на основу израза:  I pl( j ) = xi     x0 i = 1.7.год.75 17 9. групни индекс плата    4.год. 2.

98 или 105. 0501    9. 9426   24.55%    Номинална  плата  у  септембру  2008.14 = 1.01%  4.1455 5.55% већа.94%  већа.94%    3. За вишу стручну спрему      I pl( 2) = 26 = 1.год. у односу на јануар 2008.  код  радника  са  високом  стручном  спремом  била  је  за  5. 48 = 1.01% већа. За високу стручну спрему    I pl(1) = 23.Израчунати индивидуалне индексе номиналних плата за поједине категорије  радника.  код  радника  са  средњом  стручном  спремоб била је за 5.74%  нижа.  код  радника  са  вишом  спремом  била  је  за  52.год. За средњу стручну спрему      I pl(3) = 10.33 = 0. за септембар 2008. (база јануар 2008.  у  односу  на  јануар  2008. 5294 17    или 152.год.а код КБ радника била је за 14.26%  2. За КВ радника  I pl( j ) =     6.36      или 114..  = 100%)    Решење:    1.                        90 . 75 или 94.год.

 …. Групни индекс плата променљивог састава запослених израчунава  се на основу израза:  n Iˆpl = n ∑x ∑x i =1 n i : i =1 n 0   ∑L ∑L i =1 i i =1 0 где је:  xi . n – укупан износ исплаћених плата у текућем периоду  x0  – укупан износ исплаћених плаза у базном периоду  li . 2. ….7. Групни индекс плата непромењеног састава запослених    1.4. …. 2. 2. Групни индекс плата променљивог састава запослених    2. n – укупан број запослених у текућем периоду  l0  – укупан број запослених у базном периоду  xi . i = 1. Групни индекси плата могу бити:    1. i = 1.1.2 Групни индекс плата  Групни  индекс  плата  показује  релативне  промене  плата  за  више  категорије  радинка. i = 1. у текућем у ондосу на базни период. n – општи просек плата у текућем периоду  x0  – општи просек плата у базном периоду    Групни индекс плата променљивог састава запослених може се израчунати и  на основу формуле:  I Iˆpl = x   Ir Где је:  I x  – индекс укупно исплаћених плата  Ir  – индекс динамике укупног броја запослених    Израчунавају се помоћу израза:  n Ix = ∑x i =1 n i ∑x i =1 n  и  I r = 0 ∑L i =1 n ∑L i =1 91 i 0   .

По  методу  агрегата  са  пондерима  из  текућег  периода.    2393 2102 Iˆpl = = 7. израчунати групни индекс плата променљивог састава запослених.год. n. По методу агрегата са пондерима из базног периода.  била  је  за  12.  На  општи  просек  плата  утицале  су  не  само  промене  у  висини  месечн  плате.. методу агрегата са пондерима из базног периода    2. групни индекс плата  непромењеног састава запослених...Пример:  На основу података из предходног примера о броју запослених и висини про‐ сечне плате. израчунава се на основу формуле:  n = 0I ' pl ∑x ⋅L i i =1 n   ∑x i =1 0 0 ⋅ L0 где су пондери укупан број запослених у базном периоду Lo. Групни индекс плата непромењеног састава запослених    Групни индекс плата непромењеног састава запослених може се израчунати  по:    1. 7588 = 1.    2.      92 .  групни  индекс  плата непромењног састава запослених. 5968 : 6.1239  или 112..    2.  већ  и  промене  у  квали‐ фикационој структури запослених. методу агрегата са пондерима из текућег периода    1. i=1. израчунава се на основу израза:  n = 0I ' pl ∑x ⋅L i =1 n i ∑x i =1 0 i   ⋅ Li где су пондери укупан број запослених у текућем периоду Li. 2.39%  : 315 311 Општи просек плата по запосленом у целој фабрици у септембру 2008.39%  већа.год у  односу  на  јануар  2008.

  Реална  плата  мери  стварну  вредност  плате.   i где је  I p  индекс трошкова живота    Индекс реалне плате израчунава се на основу израза:  n       IR pl = Iˆpl I pl  или  IR pl = R pl : ∑x i =1 n ∑L i =1     93 0 0   . за његово израчунавање користи се израз:  I sp = како је   I x = Iˆpl ⋅ Ir онда је    I x = I sp ⋅ I Iˆpl I ' pl .  која  се  мери  количином  роба  коју  радник  може  да  купи  за  примљену номиналну вредност плате.  Реална плата се израчунава на основу формуле:  n       R pl = ∑x i =1 n i ∑L i =1 : I p . али не и промене у структури запослених. а  Iˆpl = I sp ⋅ I pl   '   ' pl ⋅ Ir     На основу индекса укупно исплаћених плата Ix.  Ако  се  индекс  утицаја  промена  у  квалификационој  структури  запослених  означи са Isp. закључује се који су фактори  највише утицали на укупну масу исплаћених плата свих запослених.  У  пракси  се  израчунава  вредност  реалне  плате.На промене општег просека плата по запосленом утичу само промене висине  плата по категоријама радника.

68 = = 1. у осносу на јануар 2008.    Решење:  а)  n 0 I = ' pl ∑x ⋅L i =1 n 1 ∑x i =1 0 0 ⋅ L0 = 23.01%.  биле  су  у  просеку  веће  за  12. већ само промене у висини месечних плата.год.1201   198 + 85 + 479.Пример:   На  основу  података  из  предходног  примера  (база  је  јануар  2008.  На  плате  нису  утицале  промене  у  квалификационој  структури  запослених.14 ⋅ 250 24.            94 . 64 + 130 + 503. 04 + 1340 2102.год.36 ⋅ 250 186.  године)  израчунати индексе плата за септембар 2008.год.  ако  је  индекс  трошкова  живота  у  септембру  2008.98 ⋅ 48 + 5. 48 ⋅ 48 + 6.год.год износи 131%. 04 0 I pl' = 0 I pl' = 112. 04 + 1535 2354.  у  односу  на  јануар  2008.  а)  Групни  индекс  номиналних  плата  непромењеног  састава  запослених  са  пондерима из базног периода  б)  Групни  индекс  номиналних  плата  непромењеног  састава  запослених  са  пондерима из текућег приода  в)  Индекс  утицаја  промена  у  квалификационој  структури  запослених  на  промене општег просека плата  г)   Индекс динамике запосленог особља  д) Индекс масе укупно исплаћених плата  ђ)  Објасни  који  су  фактори  и  колико  утицали  на  промене  масе  укупно  исплаћених плата  е)  Колико  износи  индекс  номиналне  плате  а  колико  индекс  реалне  плате  квалификованог  радника. 01%   Месечне  плате  свих  запослених  у  фабрици  кондиторских  производа  у  септембру  2008. 75 ⋅ 8 + 17 ⋅ 5 + 9.33 ⋅ 8 + 26 ⋅ 5 + 10.

б) 
n

I =

'
1 pl

∑x ⋅L
i =1
n

∑x
i =1

I =

'
1 pl

1

0

1

=

⋅ L1

23,33 ⋅ 9 + 26 ⋅ 5 + 10, 48 ⋅ 47 + 6,14 ⋅ 254
24, 75 ⋅ 9 + 17 ⋅ 5 + 9,98 ⋅ 47 + 5,36 ⋅ 254

209,97 + 130 + 492,56 + 1559,56 2392, 09
=
= 1,1187  
222, 75 + 85 + 469, 06 + 1341, 44 2138, 25

I = 111,87%

'
1 pl

 
Месечне  плате  свих  запослених  у  фабрици  кондиторских  производа  у 
септембру  2008.год.  у  односу  на  јануар  2008.год.  биле  су  у  просеку  веће  за 
11,87%.  На  плате  нису  утицале  промене  у  квалификационој  структури 
запослених, већ само промене у висини месечних плата. 
 
в) 

I sp =

Iˆpl
I

'
pl

=

1,1239
= 1, 0034  или  100,34%  
1,1201

Промене  у  квалификационој  структури  запослених  утицале  су  на  повећање 
општег  просека  месечне  плате  у  септембру  2008.године  у  односу  на  јануар 
2008.год. за 0,34%. 
 
г) 
n

Ir =

∑L

1

i =1
n

∑L

=

315
= 1, 0128  или  101, 28%  
311

0

i =1

Број запослених у септембру 2008.године у односу на јануар 2008.године био 
је већи за 1,28%. 
 
д) 
n

Ix =

∑x
i =1
n

1

∑x
i =1

=

2393
= 1,1384  или  113,84%  
2102

0

95

Маса  укупно  исплаћених  плата  у  септембру  2008.године  у  односу  на  јануар 
2008.године била је већа за 13,84%. 
 
ђ) 

I x = I sp ⋅ I ' pl ⋅ I r = 1, 0034 ⋅1,1201 ⋅1, 0128 = 1,1382  или  113,82%  
 
Ако  се  упореде  групни  индекс  плата  непромењеног  састава  запослених 
I’pl=1,1201,  индекс  структурних  промена  Isp=1,0034  и  индекс  динамике 
запослених Ir=1,0128, уочава се да је на повећање масе укупно исплаћених плата 
у  септембру  2008.године  у  односу  на  јануар  2008.године,  утицало  повећање 
просека плата по категоријама радника за 12,01% промене броја запослених за 
1,28% и промене у квалификац1ионој структури запослених за 0,34%. 
 
е)  
Индекс номиналне плате квалификованог радника је израчунат и он износи 
I(4)pl=1,1455 или 114,55%, а Ip=1,31 или 131 %. 

IR pl =

1,1455
= 0,8744  или  87, 44%  
1, 31

Квалификовани радник је у септембру 2008.год. у односу на јануар 2008.год. 
примио номинално више динара за 16,67%, али за тај новац може се купити за 
12,56% мање роба и услуга. 
 
 
 
 
 
 
 
 
 
 
 
 
 

96

4.1.8.  Индекс продуктивности рада 
Индекс  продуктивности  рада  показује  релативне  промене  продуктивности 
рада у текућем у односу на базни период. Индекси продуктивности могу бити: 
• Индивидуални индекси продуктивности рада 
• Групни индекси продуктивности рада. 
 
4.1.8.1.
Индивидуални индекси продуктивности рада  
 
Индивидуални  индекси  продуктивности  рада  показују  релативне  промене 
продуктивности  рада  у  текућем  периоду  у  односу  на  базни  период  само  за  је‐
дну врсту производа. Израчунаваиу се на основу формуле: 

IPq( j ) =

Qi Q0
= qi : q0 ( i = 1, 2,..., n ;  j = 1, 2,..., m ) 
:
Ti T0

или на основу израза: 

IPt ( j ) =

Ti T0
:
= ti : t0  ( i = 1, 2,..., n ;  j = 1, 2,..., m ) 
Qi Q0

Qi ,  i = 1, 2,..., n  – физички обим производње у текућем периоду 
Q0  – физички обим производње у базном периоду 
Ti ,  i = 1, 2,..., n  – укупно утрошен рад у текућем периоду 
T0  – укупно утрошен рад у базном периоду 
ti ,  i = 1, 2,..., n  – утрошен рад за израду јединице производа у текућем периоду 
t0  – утрошен рад за израду јединице производа у базном периоду 
qi ,  i = 1, 2,..., n  – производња по јединици утрошеног рада у текућем периоду 
q0  – производња по јединици утрошеног рада у базном периоду 
IPq( j ) –  индекс  продуктивности  рада  изражена  је  просечном  количином  производа,  по 
јединици утрошеног времена. 
Ако је  IPq > 1  или 100% продуктивност рада је у порасту, ако је  IPq < 1  или 
100% продуктивност рада је у паду, смањила се 
( j)

IPt –  продуктивност  рада  је  изражена  просечно  утрошеним  радом  за  јединицу 
производа.  Ако  је 

IPt > 1   или  100%  продуктивност  рада  је  опала,  јер  је 

утрошено  више  рада  по  јединици  производа,  а  ако  је 

IPt < 1   или  100% 

продуктивност рада је у порасту, зато што је утрошено мање рада по јединици 
производа. 
97

Индекс продуктивности рада  IPq и  IPt  су међусобно реципрочни 

IPq( j ) =

1
1
;  IPt ( j ) = ( j ) ;  IPq( j ) ⋅ IPt ( j ) = 1  
( j)
IPt
IPq

 
Пример: 
 
Фабрика за производњу тапета производи тапете у три погона. Производња 
тапета у хиљадама м и број запослених у 2006., 2007. и 2008. години били су: 
Производња тапета у 103м и број запослених 
Производња 
тапета 

Погон 


II 
III 

Просечан број 
запослених 
2007 
(T1) 

2008 
(T2) 

2006

2007

Q  
q0 = 0
T0

Q  
q1 = 1
T1

83  105 131 
94  68 75 
9  43 43 

171 
152 
39 

0,55 
0,62 
0,26 

0,47 
0,68 
0,26 

361 

1,196 

1,41 

2006  2007  2008  2006
(Q0)  (Q1)  (Q2)  (T0) 

58  62 
42  51 
11  11 

Просечна производња по једном 
Структура производње у % 
запосленом 

Укупно:  111  124  186  216

249 

2008

Q2  
T2

2006 

2007 

2008 

0,48 
0,62 
0,23 

52,25 
37,84 
9,91 

50 
41,13 
8,87 

44,62 
50,53 
4,85 

1,33 

100,00 

100,00 

100,00 

q2 =

 
Израчунати индивидуалне индексе продуктивности рада у фабрици за произ‐
водњу тапета у 2007. и 2008. у односу на 2006. годину за све погоне. 
 
Решење: 
 
1. Индивидуални индекс продуктивности рада у првом погону: 
 
а) За 2007. годину у односу на 2006.годину: 

IPq( I ) =

Q1 Q0 62 58
:
:
=
= 0, 47 : 0,55 = 0,85  или 85% 
T1 T0 131 105

Продуктивност рада у производњи тапета код првог погона у 2007. го‐дини у 
односу на 2006. годину опала је за 15%. 
 
б) За 2008. годину у односу на 2007.годину: 

IPq( I ) =

Q2 Q0 83 58
:
:
=
= 0, 48 : 0,55 = 0,8727  или 87.27% 
T2 T0 171 105

Продуктивност рада у производњи тапета код првог погона у 2008. години у 
односу на 2006. годину опала је за 12,73%. 
98

Ови индивидуални индекси могу се израчунати и на основу формуле:  

IPt ( I ) =

1
1
=
= 1,1765  или 117,65% 
(I )
0,85
IPq

Продуктивност рада у производњи  тапета  у 2007. години у односу на 2006. 
годину опала је зазато што је за  17,65% утрошено више рада. 
 
2. Индивидуални индекс продуктивности рада у другом погону израчунава се на 
основу формуле: 
а) За 2007. годину у односу на 2006.годину: 

IPq( II ) =

Q1 Q0 51 42
:
= : = 0, 68 : 0, 62 = 1, 0967 или 109,67% 
T1 T0 75 68

Продуктивност рада у производњи тапета код другог погона у 2007. години у 
односу на 2006. годину порасла је за 9,67%. 
 
б) За 2008.годину у односу на 2006.годину: 

IPq( II ) =

Q2 Q0 94 42
:
: = 0, 62 : 0, 62 = 1  или 100% 
=
T2 T0 152 68

Продуктивност рада у производњи тапета код другог погона у 2008. години у 
односу на 2006. годину остала је непромењена. 
 
Продуктивност рада на основу формуле: 

IPt ( II ) =

1
1
=
= 0,9118  или 91,18% 
( II )
1, 0967
IPq

Продуктивност рада у производњи тапета код другог погона у 2007. у односу 
на 2006. годину повећала се јер је утрошено за 8,82% мање рада. 
 
3. Индивидуални индекс продуктивности рада у трећем погону израчунава се на 
основу формуле: 
а) За 2007. годину у односу на 2006. годину: 

IPq( III ) =

Q1 Q0 11 11
:
= : = 0, 25 : 0, 25 = 1  или 100% 
T1 T0 43 43

Продуктивност рада у производњи тапета код трећег погона у 2007. години у 
односу на 2006. годину остала ие непромениена. 
 
 
99

б) За 2008.годину у односу на 2006.годину: 

IPq( III ) =

Q2 Q0 9 11
:
= : = 0, 23: 0, 26 = 0,8846  или 88,46% 
T2 T0 39 43

Продуктивност рада на основу формуле: 

IPt ( III ) =

1
1
=
= 1,1304  или 113,04% 
( III )
0,8846
IPq

Продуктивност рада у производњи тапета код трећег погона у 2008. години у 
односу на 2006. годину, опала је јер се утрошак рада повећао за 13,04%. 
 
4.1.8.2. Групни индекс продуктивности рада 
Групни индекс продуктивности рада изражава промене продуктивности рада 
у текућем у односу на базни период за више производа или за један производ 
који се производи у више погона. 
Групни индекс продуктивности рада дели се на: 
1. Групни индекс продуктивности рада променљивог састава производње; 
2. Групни индекс продуктивности рада непромењеног састава производње. 
 
1. Групни индекс продуктивности рада променљивог састава 
производње  
Овај индекс израчунава се на основу израза: 
n

lq =
IP

n

∑ Qi
i =1
n

∑Q
:

0

i =1
n

∑T ∑T
i =1

i

 

0

i =1

или на основу израза: 
n

lt =
IP

n

∑T ∑T
i =1
n

i

:

i =1
n

0

∑Q ∑Q
i =1

i

i =1

 

0

Групни индекс продуктивности рада променљивог састава производње може 
се израчунати и на основу формуле: 
100

6238 : 0.05  38.00  100.31  0.годину у односу на 2006..29  10.3  51.64  51.77  1. Радна табела  Производња предива  Погон  Просечан број  запослених  Просечна производња по једном  запосленом  2006 2007 Структура производње у %  2008   Q q2 = 2 T2 2006  2007  2008  2006 (Q0)  2007  (Q1)  I  58  73  89  98  115  134  0.31  0.1  39. 2007.58  0.      101 . год. На ове промене утицале су и промене у  продуктивности  рада  у  свим  погонима  и  промене  у  структури  производње  памучних предива. и 2008 год.7  52.6  II  43  56  110  57  72  105  0.8  42.    Решење:  а) За 2007.l q = I q  или  IP l t = Ir   IP Ir Iq где  је  Iq   индекс  физичког  обима  производње. био је:    Табела 27.00  100. години у односу на 2006. годину код свих  погона.6  2008 (Q2) 2006 (T0) 2007 (T1) 2008 (T2) q0 = Q0 T0 q1 = Q1 T1 III  12  12  10  39  39  34  0.59  0.76  100.62  0.11%.  I r = 0 ∑T i =1 n i ∑T   0 i =1   Пример:  Фабрика за производњу памучних предива производи у три погона предива у  хиљадама метара. а број запослених у 2006.00    На  основу  ових  података  израчунати  групне  индексе  продуктивности  рада  променљивог састава производње (2006.11%.5824 = 1.  IP T1 T0 226 194 Укупна продуктивност рада у 2007.годину:  l q = Q1 : Q0 = 141 : 113 = 0.5  4.=100%). повећана је у просеку за 7. год.63  0.  а  Ir   индекс  утрошеног  рада.75  0.  Израчунавају се на основу формуле:  n Iq = n ∑Q i =1 n i ∑Q i =1  тј.6  8.8  Укупно:  113  141  209  194  226  273  0.0711 или 107.

  2.  Групни  индекс  продуктивности  рада  непромењеног  састава  производње.  год. На њега промене у структури прои‐зводње не утичу.44%.б)   за 2008.3144  или 131. тада  се  утицај  промене  у  продуктивности  рада  и  промена  у  структури  производње  може изразити као:  102 . у односу на 2006. 7655 : 0.44%.  i IPq =   ' ' 0 IPt i IPt Ако са Isp означимо индекс утицаја структурних промена у производњи. На ове промене утицале су промене у  продуктивности  рада  у  свим  погонима  и  промене  у  структури  производње  памучних предива.  у  односу  на  2006.5824 = 1. год. индекс продуктивности рада непромењеног састава производ‐ње  израчунава се на основу формуле:  0 IPq' = 1 1 ' .  IP T2 T0 273 194 Укупна  продуктивност  рада  у  2008. год:  l q = Q2 : Q0 = 209 : 113 = 0.  код  свих  погона. повећана је у просеку за 31.  Израчунава  се  по  методу  агрегата  са  пондерима  из  текућег  (Qi)  и  са  пондерима из базног периода (Q0).  са  пондерима из базног периода израчунава се на основу формуле:  n ' 0 IPt = Ti ∑ Q ⋅Q i =1 n 0 i T0 ⋅ Q0 ∑ i =1 Q0   а са пондерима из текућег периода на основу израза:  n IPt = ' i Ti ∑ Q ⋅Q i =1 n i i T0 ⋅ Qi ∑ i =1 Q0   Исто тако. Групни индекс продуктивности непромењеног састава производње    Групни  индекс  продуктивности  рада  непромењеног  састава  производње  показује  релативне  промене  просечне  продуктивности  рада.  које  настају  само  услед промена продуктивности рада код појединих произво‐да или у појединим  производним погонима.  год.

  г) Групни индекс физичког обима производње.  б) Групни индекс продуктивности рада непромењеног састава производње са  пондерима из текућег периода. добиће се:   А како је:  I q = IP r I q = I sp ⋅ 0 IPq' ⋅ I r  или  I q = I sp ⋅ i IPq' ⋅ I r     Пример:   На основу података из датог примера о производњи памучног предива у три  погона и броја запослених. 65 73 56 12 = = = = 0. израчунати:  а) Групни индекс продуктивности рада непромењеног састава производње са  пондерима из базног периода. за базни период.    Решење:  а) За 2007годину у односу на 2006.9569 0 IPt = 98 57 39 T0 98 + 57 + 39 194 ⋅ + ⋅ + ⋅ 58 43 12 Q ⋅ ∑ 0 58 43 12 i =1 Q0   ' i =1 n 0 1 0 IPt ' = 95.годину:    n T1 ∑ Q ⋅Q 115 72 39 ⋅ 58 + ⋅ 43 + ⋅12 91. за базни период.  в)  Групне  индексе  под  а)  и  б)  прерачунати  на  праве  групне  индексе  про‐ дуктивности рада непромењеног састава производње.  е)  Објасни  који  су  фактори  и  колико  утицали  на  промене  физичког  обима  производње памучног предива у свим погонима.69%     103 . 28 + 39 185.I sp = lq lq IP IP  или    I = sp ' ' 0 IPq i IPq следи:  l q = I ⋅ IP '  или  IP l q = I ⋅ IP '   IP sp 0 q sp i q l q ⋅ I  и заменимо у релацији испред.37 + 55.  д) Групни индекс динамике укупно утрошеног рада  ђ)  Индекс  утицаја  структурних  промена  у  производњи  памучних  предива  на  промене укупне продуктивности у свим погонима.

  година).16 ' i =1 110 10 2 = 89 = = = 0.  година).  односно  да  је  стално  била  као  у  текућем  периоду  (2007.  односно  да  је  стално  била  као  у  базном  периоду  (2006.  укупна  продуктивност  рада  у  2007.34 74.47%. За 2007.  години  је  порасла  јер  се  утрошак  рада  за  израду предива у просеку смањио за 4. За 2008.годину:  n T1 ∑Q 115 72 39 ⋅ 73 + ⋅ 56 + ⋅12 115 + 72 + 39 226 ' i =1 56 12 1 = 73 = = = 0.9553 0 IPt = n 98 57 39 T0 + + 123.  години  у  односу  на  2006. 23 39 236.81%.57 ⋅ 73 + ⋅ 56 + ⋅12 ⋅ Q1 ∑ 58 43 12 i =1 Q0 ⋅ Q1    0 IPt ' = 95.8 169.  јер  се  утрошак рада за израду у просеку смањио за 12.годину у односу на 2006.  јер  се  утрошак  рада  за  израду у просеку смањио за 4.  укупна  продуктивност  рада  у  2007.  години  је  порасла.    2. годину у односу на 2006.  је  порасла.8719 0 IPt = n 98 57 39 T0 98 + 57 + 39 194 ⋅ + ⋅ + ⋅ 58 43 12 Q ⋅ ∑ 0 58 43 12 i =1 Q0   ⋅ Q0 0 IPt ' = 87.19%     Под  претпоставком  да  се  структура  производње  памучних  предива  није  променила.53%     Под  претпоставком  да  се  структура  производње  памучних  предива  није  променила.годину:  n T2 ∑Q 134 105 34 ⋅ 58 + ⋅ 43 + ⋅12 87.  укупна  продуктивност  рада  у  2008.        104 . 04 + 40.  година).    б)  Групни индекс продуктивности рада непромењеног састава производње са  пондерима из текућег периода израчунава се на основу израза:    1.31%.  односно  да  је  стално  била  као  у  базном  периоду  (2006.Под  претпоставком  да  се  структура  производње  памучних  предива  није  променила.32 + 41.

 За 2007. За 2008.5 328.  година). 69%   ' 0.  години  у  односу  на  2006.05%     Под  претпоставком  да  се  структура  производње  памучних  предива  није  променила.годину у односу на 2006. За 2008 у односу на 2006. годину.  укупна  продуктивност  рада  у  2008. 0467  или  104.5%   ' 0.  је  порасла. са пондерима из базног периода:    0 IPq' = 1 1 = = 1. За 2007.95%. години у односу на 2006.50 и 14.8305 i IPt   105 . На ове индексе нису утицале промене у структури  производње памучног предива. годину. са пондерима из текућег периода:  i IPq' = 1 1 = = 1. 67%   ' 0.8719 IP 0 t Укупна продуктивност рада у 2007. 2041  или  120. 41%   ' 0.0450  или  104.  односно  да  је  стално  била  као  у  текућем  периоду  (2008. и 2008.81 + 32.37 + 145. у односу на 2006. За 2008. годину је  порасла за 4.9553 i IPt 4.годину у односу на 2006.9569 0 IPt IPq' = 2. 68 ⋅ Q2 ∑ 58 43 12 i =1 Q0 2 ⋅ Q2 IPt ' = 83.    в)  Прерачунавање  групних  индекса  непромењеног  састава  производње  врши се на основу формуле:    1.годину:  n T2 ∑Q 134 105 34 ⋅ 89 + ⋅110 + ⋅10 134 + 105 + 34 273   i =1 ' 110 10 2 = 89 = = = 0.8305 2 IPt = n 98 57 39 T0 ⋅ 89 + ⋅110 + ⋅10 150.годину у односу на 2006.1469  или  114.    3. са пондерима из базног периода:  0 1 1 = = 1. са пондерима из текућег периода:  i IPq' = 1 1 = = 1. годину. годину.69%.  јер  се  утрошак рада за израду предива у просеку смањио за 16.2.

 години у односу на 2006.49%. годину био је већи за 84.  На  ове  индексе  нису  утицале  промене  у  структури  производње памучног предива. За 2007.        106 .95%.8495  или  184.годину:  n Iq = ∑Q i i =1 n ∑Q = 141 = 1.годину:  n Iq = ∑Q 2 i =1 n ∑Q = 209 = 1.Укупна продуктивност рада у 2007.  години у односу на 2006. годину.41%. годину је  порасла  за  4. 49%   194 0 У 2007. укупно утрошени рад се повећао  за 16. За 2008.  години у односу на 2006. годину био ие већи за 24. 2478  или  124.78%. 78%   113 0 i =1 Физички  обим  производње  памучног  предива  у  свим  погонима  у  2007. За 2007.годину у односу на 2006.67  и  20. и 2008.    2.1649  или  116.95%   113 0 i =1 Физички  обим  производње  памучног  предива  у  свим  погонима  у  2007. години у односу на 2006.годину у односу на 2006.годину:  n Ir = ∑T i =1 n 1 ∑T i =1 = 226 = 1.    д) Групни индекс динамике укупно утрошеног рада израчунава се на основу  формуле:    1.    г) Групни индекс физичког обима производње израчунава се:    1.годину у односу на 2006.

0249  или  102. годину.годину:    I q = I sp ⋅ 0 IPq' ⋅ I r = 1. За 2008.2.1469 0 IPq Промене у структури производње памучних предива утицале су да у 2008.  у  односу  на  2006. 76%         107 . у односу на 2006.  дође  до  повећања  укупне  продуктивности рада за 14. укупно утрошени рад се повећао  за 40. годину:  I sp = l q 1.годину:  n Ir = ∑T i =1 n 2 ∑T i =1 = 273 = 1.1649 = 1. 2476  или  124.  годину.  у  односу  на  2006. 0450 ⋅1.    2.    е)  Групни  индекс  физичког  обима  производње  памучних  предива  може  се  из‐ рачунати на основу формуле:    1.  дође  до  повећања  укупне  продуктивности рада за 2. За 2008. у односу на 2006. години у односу на 2006.1460  или  114.72%. 0450 q 0 Промене у структури производње памучних предива утицале су да у 2007. 4072  или  140. 72%   194 0 У 2008.  години.годину у односу на 2006.    ђ) Индекс утицаја структурних промена у производњи памучних предива за  базни период се израчунава на основу формуле:    1. 3144 IP = = 1.49%.  години. 0249 ⋅1. За 2007.  годину. годину  I sp = l q 1.годину у односу на 2006. 0711 IP = = 1.60%.6%   ' 1. за 2007. 49%   ' IP 1.

60% већи него што би био да није било структур‐них промена  у производњи памучних предива. тако да  је он за 2.49%.утицале  су на повећање физичког обима производње памучног предива.72% него што би био да није  било укупног повећања запослености.            108 . за 4. утицали су следећи фактори:  • Промене у структури производње памучних предива.  утицало је да физички обим производње памучних предива буде већи за  14.  '   2. тако да  је он за 14.49% већи него што би био да није било структурних промена у  про‐изводњи памучних предива. за 14.69% него што би био да није дошло до просечног повећања  продуктивности у овим погонима.72% утицало је да  физички обим производње буде већи за 40.0249.утицале  су на повећање физичког обима производње памучног предива. утицало  • је  повећање  физичког  обима  производње  памучних  предива  у  свим  пого‐нима. годину.  • • Повећање укупне продуктивности рада  0 IPq' = 1. 4072 = 1.  Повећање  броја  запослених  у  свим  погонима  за  16.69%.8495  или  184.1469 ⋅1. утицали су следећи фактори:  • Промене у структури производње памучних предива. годину. За 2008. у свим погонима.49%  утицало  је  да  физички обим производње буде већи за 16.1469 . Isp =1.годину:    I q = I sp ⋅ 0 IPq' ⋅ I r = 1.1460 ⋅1. години у  односу на 2006.годину у односу на 2006.95%     На промене физичког обима производње памучних предива у 2008.  • Повећање укупне продуктивности рада  0 I q = 1.1460. у свим погонима. него што би био да није  било укупног повећања запослености. Isp=1.50%.  Повећање броја запослених у свим погонима за 40.На промене физичког обима производње памучних предива у 2007. години у  односу на 2006. 0450 .

  То  се  врши  најчешће  за  неки  будући  период.  За  разлику  од  овога.  прогнозу  кретања  појаве  за  оне  периоде  за  које  немамо  оригиналних  података.  кад  на  бази  тих  нових. да није било слу‐ чајних  и  регуларних  варијација  у  њеном  току.  Према  томе.  Међутим.  под  појмом  екстраполација  подразумевамо  свако  проце‐ њивање  нивоа  посматране  појаве  изван  временског  распона  у  коме  је  дата  серија  основних  података.  Наша  процена  и  прогноза  будућих  кретања  заснива  се  на  претпоставци  да  ће  сви  релевантни  фактори који су условљавали кретање  до данас.  било  да  је  то  процењивање  за  будуће  или  прошло  време. Ако се међу тим условима и факторима буду десиле  значајне  промене  њиховог  дејства  по  смеру  и  интензитету. средње стање у сваком  од  посматраних  периода.  За тренд се може рећи да нам израчунава просечно. ТРЕНД КОМПОНЕНТА    Од  свих  статистичких  метода  динамичке  анализе  масовних  појава  метод  тренда  је  најкомплекснији. предви‐ ђање.  па  је  због  те  особине  тренд  у  ствари  динамичка  средња вредност.  вршимо  операцију  ИНТЕР‐ПОЛАЦИЈУ  тренда. деловали и даље у истом смеру  и приближном интензитету.  исправљених  података  и  математичке  функције  помоћу  којих  смо    те  податке  израчунали  вршимо  израчунавање будућих кретања посматране појаве изван временског распона у  коме  је  дата  серија  оригиналних  података.2.  Назив  тренд  потиче  из  енглеског  језика  и  у  нешто  поједностављеном преводу значи „нешто што се креће“. У статистичкој теорији  и  динамичкој  анализи  тренд  означава  карактеристичну  и  закономерну  линију  кретања неке појаве у времену као низ просечних теоријских тачака и вредности  кроз које би посматрана појава пролазила по својој природи. У бројчаном смислу то је једна нова серија исправљених тео‐ ријских података о посматраној појави.  па  се  може  рећи  и  да  је  то  најзначајнији  метод  анализе  временских  серија.  На основу операције екстраполације тренда вршимо процењивање.  То  је.  линија  или  путања  централне тенденције у току и развоју појава у времену или резултанта општих и  посебних утицаја који су дејствовали на посматрану појаву усмеравајући врсту и  облик њеног кретања.4.  кажемо  да  је  то  ЕКСТРАПОЛАЦИЈА  тренда. Када те нове теоријске податке унесемо  између  оригиналних  података  серије.  па  одатле  проистиче  и  најзначајнија  карактеристика  тренда  као  метода  за  процену  будућих  кретања.  кретање  и  развој  109 .  такву  процену  будућих  кретања  донели  смо  на  бази  посматрања  и  анализе кретања појаве у једном одређеном временском распону у коме су на  то  кретање  деловали  многи  посредни  и  непосредни  фактори.

  • ИЗБОР  ФУНКЦИЈЕ  ТРЕНДА. Када се метод тренда може примењивати  2.  Међутим.  Коју  ћемо  врсту  тренда  применити  зависиће од посматране појаве. па ће то бити линеарна или криволи‐ нијска функција. Колико  нам  је  података  (периода)  потребно  да  би  се  могао  приме‐ нити метод тренда  3.  дакле  прогноза.  може  се  теоријски  користити  у  сваком  случају  када  нам  је  дата  ма  каква  временска  серија    података. За који распон времена у будућности можемо вршити екстраполацију  тренда.  или  периода  који  су  нам  неопходни  да  би  се  применио  метод  тренда  је  онолико  података  колико  је  довољно  да  би  се  могло  закључити  о  врсти  или  облику  кретања  које  појава  испољава током дужег периода посматрања.  заснована  на  реалној  претпоставци  и  сазнању  да  ће  посматрана  појава по својој природи и даље постојати у целости материјалног и  духовног  света. или ће се радити о таквој појави за коју се не може  110 .  исто  тако.    • ПРИМЕНА  МЕТОДА  ТРЕНДА.  пракса  је  показала  да  је  метод  тренда  најпо‐ деснији за динамичку анализу оних временских серија које су дате у  јадногодишњим  временским  периодима.  често  бесконачна.  Метод  тренда  ће  имати  реалног  значаја.  примена  метода  тренда  има  смисла  ако  је  његова  екстраполација. потребно је да обратимо пажњу на  неколико основних принципа.  • БРОЈ  ПОДАТАКА.  да  се  њено  постојање  неће  битно  мењати  у  позитивном или негативном смислу. Како ћемо се определити за избор математичке функције која ће нам  представљати тренд  4.  ако  се  посматрана  појава  кретала  и  развијала  првенствено  као  дугорочна.посматране  појаве  имаће  другачији  облик  од  онога  кога  смо  предвидели.  показујући  при  томе  своја  карактеристична  кретања  која  је  могуће  простим  посматрањем  приближније  дефинисати.  Ова  напомена  значајна  је  нарочито  у  оним  случајевима  када  методом  тренда  доносимо дугорочне прогнозе кретања и развоја појава.   Када  говоримо  о  тренду  као  научном  методу  динамичке  анализе  и  пре‐ двиђања будућих кретања и развоја појава.  без  обзира  у  којим  су  временским  јединицама  снимани  ти  временски  подаци.  тј.  Најзад. а то су:  1.

  треба  да  буде  тако  одабрана  да  се  најбоље  прилагођава  распореду  података  на  графикону.  111 .  Та  оцена врсте и облика кретања посматране појаве изводи се помоћу  дијаграма растурања.  према  томе.  Оно  може  бити  највише  за  двоструко  краћи од периода посматрања обухваћеног у временској серији.  како  би  реално  изражавала  централну  тенденцију  тога  кретања  и  развоја  и  како  би  се  што  реалније  могла  вршити  екстраполација  као  највероватније будуће кретање и развој посматране појаве. То је у ствари.    ОСНОВНИ ТИПОВИ ДИЈАГРАМА РАСТУРАЊА      • ДУЖИНА  ПЕРИОДА  ПРЕДВИЂАЊА. Та  функција. графички приказ дате временске  серије  из  кога  запажамо  како  је  било  кретање  појаве  у  распону  те  временске  серије  и  која  би. Што је дужи период у коме  се појава кретала истим или сличним током то је дужи период за који  можемо  вршити  предвиђање.  била  најприкладнија  математичка функција за изражавање испољеног облика кретања.  права  или  крива.извршити  процена  врсте  и  облика  у  њеном  кретању  и  развоју.  будућих  кретања  посматране  појаве зависи углавном од правилности врсте и облика кретања које  је појава испољавала у досадашњем току.

  која  у  општем  експлицитном  изразу  гласи:      Овде  се  као  независно  променљива  величина  узима  и  посматра  време. основних података посматране  серије.  као  једина  између  свих  правих које се могу уцртати на графикону.  која  пролази  између  оригиналних  података.  док  параметар    као  коефицијент  правца  показује  сталну  величину  пораста  или  опадања тренда од једног периода до другог.  Линија тренда пролази између оригиналних.  када  је  0).  тачно  одређена  права.  112 . У томе се састоји  принцип најмањих квадрата.  Управо  по  овој  особини.  Из  ове  прве  особине  проистиче  друга  особина  тренда  која  гласи:  збир  квадратних  одступања оригиналних  података од линије тренда јесте минимум.2. примењује се линеарна  (праволинијска)  математичка  функција. Параметри   и   представљају  величине  које  треба  да  се  израчунају  за  сваки  конкретни  случај  као  карактеристични  елементи  који  одређују  положај  и  нагиб  линије  тренда. тај збир квадратних одступања оригиналних података од линије тренда мањи  је  од  збира  квадратних  одступања  оригиналних  података  од  било  које  друге  праве која се може уцртати између тих оригиналних података.  прилагођавајући  се  у  највећој  могућој  мери  њиховом  кретању.1 Линеарни тренд  За  изражавање  централне  тенденције  кретања  и  развоја  које  се  испољава  код посматраних појава у неком праволинијском смеру.  Параметар    показује  вредност  тренда  у  исходишту  (тј. тј.  Овај  услов који мора да испуњава и задовољава линија тренда састоји се у томе да  збир  одстојања  оригиналних  података  од  линије  тренда  мора  да  буде  једнак  нули.  линија  тренда  се  најбоље  прилагођава распореду и кретању оригиналних података и изражава централну  тенденцију развоја појаве.  0    Значајно  је  напоменути  да  овај  услов  испуњава  само  једна.  док  је  као  његова  функција  са  ознаком  Y  изражена  вредност  тренда за сваки период или временску јединицу.4.  тј.  означава  се  са  X. па се због тога и метод тренда често назива „метод  најмањих  квадрата“.

  добићемо вредности за па‐ раметре a и b.Друга особина тренда гласи:        Помоћу  овог  израза  долазимо  до  система  нормалних  једначина  из  којих  израчунавамо  параметре    и    основне  аналитичке  функције  тренда.  рачунско  израчунавање  елемента  и  вредности тренда и графичко приказивање резултата.  I  II  ∑ y = na + b∑ x   ∑ x y = a ∑ x + b∑ x i i 2 i i i 2 i   Решавањем овог система погодбеним методом.  Исто тако параметри a и b могу да се израчунају и помоћу обрасца:  a= ∑y i n b=   . oва одступања се квадратирају.  тај  тренд  најбоље  изражава  централну  тенденцију  кретања  посматране  појаве  и  оне  се  узима  за  анализу. Израчунате стандардне грешке се упореде.  Код  оног  тренда  код  кога  је  стандардна  грешка  најмања.  које  задовољавају услов најмањих квадрата.  Стандардна  грешка  код  тренда  представља  просечну  меру  одступања  пода‐ така посматране појаве од линије тренда. што ће нам послужити да израчунамо вредност тренда за сваки  поједини период.    4.  Израчунава  се  стандардна  грешка  Ѕу   за  неколико  типова  тренда  који  би  по  претпоставци  одговарали оригиналним подацима.  ∑x y ∑x i i 2   i За  израчунавање  тренда  потребне  су  три  фазе  које  су  недељиве  и  то:  аналитичко  одређивање  функције  тренда.1 Стандардна грешка код тренда  Стандардна  грешка  код  тренда  је  метод  помоћу  кога  се  одређује  најбољи  математички  тип  функције  тренда  који  највише  одговара  оригиналним  вредностима  обележија  посматране  временске  серије. Како су та одступања једнака нули   n ∑ ( y − y) = 0 .1.2.  i =1 i   113 .

 изно‐ сила је:    Године  2002 2003 2004 2005 2006 2007 2008  Производња (yi) 52  63  50  73  48  82  91    a)  Израчунати једначину линеарног тренда  б)  Израчунати тренд за сваку годину  ц)  Израчунати екстраполацију производње за 2012. до 2008.11  ‐10.  д)  Израчунати стандарднз грешку тренда  е)  графички приказати дијаграм оригиналних података и извршити  интерполацију тренда    Решење:  Табела 28.2121  2005  73  0  0  0  65.81  7.3601  2008  91  3  9  273  81.43  55.8961  2003  63  ‐2  4  ‐126  54.19  2.03  530.03  ‐23.49  5.6791  n=7  ∑y i = 459   ∑x i = 0   28  153          114 .7225  2004  50  ‐1  1  ‐50  60.51  30.05  81.2049  2006  48  1  1  48  71. Радна табела  године  Производња (yi)  xi  xi2  xi∙yi    ( )  ( )2  2002  52  ‐3  9  ‐156  49.95  9.57  7.год.3809  2007  82  2  4  164  76.9025  /  0  877.год.65  8.11  102.35  69.Образац за израчунавање стандардне грешке код тренда је    n S y = ∑ ( y − y) i =1 2 i   n Пример:  Производња бензина у хиљадама тона у периоду од 2002.

  а)  y = a + bx a= b= ∑y i n ∑ xi yi ∑x 459 = 65. 46(−2) = 54. 03 y 2007 = 65. 65 y 2004 = 65.57 7 = 153 = = 5.3827 S y = 11.57 + 5.годину биће 103.57 + 5. 46(7) = 103.57 + 5.57 + 5.11 y 2005 = 65. 6791 7 S y = 125. 46(1) = 71. 46(−3) = 49. 46(0) = 65.19 y 2003 = 65.19   115   .57 + 5. 46( −1) = 60.57 + 5.57 + 5.    д)   n Sy = Sy = ∑ ( y − y) i =1 2 i n 877.57 + 5. 46 x б)   y 2002 = 65. 46 28 2 i   y = 65. 49  y 2008 = 65. 46(3) = 81.57   y 2006 = 65.57 + 5.95   ц)  y = 65.790 тона бензина.79   2012   Очекивана производња у 2012. 46(2) = 76.

2. тада користимо метод криво‐ линијског  параболичног  тренда  који  ће  нам  најреалније  изражавати  целокупну  тенденцију развоја и кретања посматране појаве. Криволинијски или нелинеарни трендови  Када  нам  дијаграм  растурања  покаже  да  се  кретање  посматране  појаве  не  одвија праволинијски.  Једначина параболичног тренда гласи:    у а     116 .  У  таквим  случа‐ јевима  треба  да  одаберемо  неку  од  криволинијских  функција.2.2.  Најчешће  су  то  параболична или експоненцијална функција.1 Параболични (квадратни) тренд  Када нам је дата серија података чији дијаграм растурања указује да се ради  о  таквом  криволинијском  кретању  које  је  слична  мање  или  више  отвореној  параболи. односно чешће једном краку параболе. тада метод праволинијског тренда неће бити подесен за  изражавање  централне  тенденције  тока  и  развоја  те  појаве.    4.  е)   Графички приказ производње и тренда        4.2.

  Што  је  тај  коефицијент  већи  то  је  парабола  више  спљоштена а што је тај коефицијент ближи нули.  у  нашем  случају  нагиб  оног  дела  крака  параболе.  односно  да  ли  има  максимум  или  минимум.  с. парабола постаје права линија).9  353.  Решење:        Табела 29. Радна табела  године  Производња (yi)  2000  2001  2002  2003  2004  2005  2006  n=7  250  300  320  340  400  380  410  2400  xi  xi2   xi 4     ‐3  9  81  ‐750  ‐2  4  16  ‐600  ‐1  1  1  ‐320  0  0  0  0  1  1  1  400  2  4  6  760  3  9  81  1230  0  28  196  720  117 xi 2 − yi     2250  1200  320  0  400  1520  3690  9380  252.  где  јој  је  теме. (Када је  коефицијент једнак нули.3  394.    Пример:   Производња штофа у једној фабрици била је по годинама у (000)метара.  тренд  је  растућег  смера  а  ако  је  предзнак  негативан.  Пре  свега.  Отвореност  криве  параболе.  зависиће  од  величине  кеофицијента  уз  х2.  напоменућемо  да  ако  је  предзнак  уз  х2  позитивн.  у  нашем  случају  представља  тренд.7  324.2  376.  а.8    .Овде  имамо  три  параметра.  па  за  њихово  израчунавање  користимо  систем од три једначине                            Из  израчунате  једначине  параболичног  тренда  можемо  да  закључимо  о  каквој  се  параболи  ради.  тренд  је  опадајућег  смера.  да  ли  је  растућа  или  опадајућа. краци су испруженији. годину.  године  произвоња  2000  250  2001  300  2002  320  2003  340  2004  400  2005  380  2006  410  а) Израчунати једначину параболичног тренда  б) Израчунати тренд за сваку годину  ц) Прикажи оригиналне податке на графику и изврши интерполацију тренда  д) Изврши ектраполацију тренда за 2010.2  406.6  291.  b.

6 2 2006=353.6 7 402.2+25.7(2)‐2.6  2 =353.6 252.6       б)  3 2 1 2000=353.2                y = a + bx + cx       2400=7a+28c/(‐4)  9380=28a+196c    ‐9600=‐28a‐112c  9380=28a+196c  ‐220=84c    C=‐2.3  394.2  376.7(‐1)‐2.2+25.  118 .6 2001=353.9  353.6 0 2004=353.7(0)‐2.6 1 2005=353.2+25.8/7=353.6  )  a=2472.2  406.27 хиљда метара.7(‐2)‐2. биће 402.2+25.8  ц)    д)  2010=353.2+25.7(1)‐2.7x‐2.год.2+25.2+25.6  291.а)                              2400=7a+28c   720=28b    9380=28a+196c  b= 720/28=25.7  324.7(‐3)‐2.2+25.7                  7a+28c=2400    7a=2400‐28(‐2.7(7)‐2.7(3)‐2.6 3 2003=353.6 2002=353.27    Очекивана производња штофа у 2010.2+25.

годину  д)  Израчунати стандардну грешку код тренда  е)  Графички  приказати  дијаграм  оригиналних  података  и  извршити  интерпо‐ лацију тренда        119 .  log b = ∑ x ⋅ log y i =1   n ∑x i =1 i 2 i Пример:   Прерада  једне  врсте  меса  у  једној  кланици  у  тонама  била  је  у  периоду  од  2001.2.године до 2008.2. Експоненцијални тренд  Експоненцијални тренд припада групи криволинијских трендова и користи се  у оним случајевима када серија података показује карактеристике геометријске  прогресије.2.4.  Општи облик експоненцијалне функције гласи:  y = a ⋅ b x   Код  ове  функције  независно  променљива  х  налази  се  у  експоненту.  Ка‐ рактеристично  за  експоненцијални  тренд  је  да  се  он  израчунава  у  лога‐ ритамском облику а затим се вредности тренда антилогаритмују.године:    године (х)  2001 2002 2003 2004 2005 2006 2007 2008  прерада (yi) 1150 940  750  620  506  430  390  375    а)  Израчунати једначину експоненцијалног тренда  б)  Израчунати тренд за сваку годину  ц)  Израчунати екстраполацију тренда за 2015.  Експоненцијални тренд у логаритамском облику гласи:    log y = log a + log b     Параметри а и b у логаритамском облику израчунавају се по обрасцу:    n n log a = ∑ log yi i =1 n  .

5) = 2.5 ‐0.5 2.95019 6.845   log y = 2. 07297 ⋅ (−2.79239 2.52009 log y 2008 120   ŷ (yi‐ŷ)2  1074  5776  908  1024  767  289  648  784  548  1764  463  1089  392  4  331  1936  12666  . 03088 = 2. 07297 x y = 1074 ⋅ 0.31259 0. 77549     8 a = N 2.81197 2.5 ‐2. Радна табела  године  прерада 2001  1150 2002  940 2003  750 2004  620 2005  506 2006  430 2007  390 2008  375 n=8  5161 xi ‐3.5) = 2.59306 2. 66603 log y 2007 = 2. 77549 − 0.5) = 3.59106 2.5 1. 07297   42 b = N −0.00910 42 ‐3. 07297 ⋅ (−0.97313 2.66603 2.5) = 2.25  1.07297 ≈ 0.87506 2.25  ‐1.88494 2. 77549 − 0. 7390 log y 2005 log y 2006 = 2. 77549 − 0.25  3.81197 = 2.77549 ≈ 1074     log b = =   = −3.5 3.47765 12.59306 = 2.25  6. 77549 − 0.88494 log y 2004 = 2.5) = 2.57403 22.5 ‐1. 77549 − 0. 07297 ⋅ (1.03088 2. 77549 − 0. 07297 ⋅ (0. 07297 ⋅ (2.5) = 2.52009   y = a ⋅ b x log y = log a + x log b a)                     log a = ∑ log y i n ∑ x log y ∑x i i 2 i   22. 06500 = −0. 77549 − 0.73900 2.39619 0.71241 6. 07297 ⋅ (−1.95791 log y 2002 log y 2003 = 2.43282 2.95791 2.22397 xi2 xilog yi 12.5) = 2.5 0 logxi 3.5 0.Решење:  Табела 29.35207 2.63346 2.845 x   б)  log y 2001 = 2.25  ‐10.25  ‐4.06069 2.25  9. 20397 = 2. 77549 − 0.06500 log ŷ 3. 07297 ⋅ (3.5) = 2.25  ‐7. 77549 − 0.70415 2. 07297 ⋅ (−3.

7390 ≈ 548 log y 2005 log y 2006 = N 2. 66603 ≈ 463 log y 2007 = N 2.88491 ≈ 767 log y 2004 = N 2. 03088 ≈ 1074 = N 2. 00930   ≈ 102 log y 2015   Одговор:  Очекивана прерада меса у 2015. 00930 log y 2015 = 2.81197 ≈ 648   = N 2.59306 ≈ 392 = N 2.5) = 2. износи 39.79 тона.    д)  S y = ∑ ( y − y) i n 2 = 12666 = 1583   8 S y = 39.95791 ≈ 908 log y 2002 log y 2003 = N 2.52009 ≈ 331 log y 2008 ц)  log y 2015 = 2.години виће 102 тоне.  log y 2001 = N 3. 79   Одговор:   Просечно  алгебарско  одступање  појединих  прерада  меса  од  линије  експоненцијалног тренда.              121 . 77549 − 0. 07297 ⋅ (10.

 СЕЗОНСКЕ ВАРИЈАЦИЈЕ    Сезонске  варијације  или  сезонска  колебања. присутан је и у исхрани. Нема готово ни једне људске делатности на које нема  утицај  сезона. туризма. забави.  Сезонским  индексима  мере  се  сезонске  варијације  који  показују  како  је  сезона утицала на посматрану појаве.  док  на  друге  занемарљиво. одевању.  то  су  појаве  које  су  каракте‐ ристичне  по  томе  што  се  у  одређењним  временским  раздобљима  понављају  у  исто  доба  и  истом  правцу.  Сезонске  варијације  долазе  до  изражаја  само  ако  се  појава  посматра  месечно  или  квартално.3.  Изразито  изражен  утицај  сезоне  је  у  области  пољо‐ привреде.  Посматрајући  сезонске  варијације  током  више  година  оне  могу  бити  релативно  стабилне  јер  се  не  мењају  и  временске  серије  са  израженом  тенденцијом раста и смањења појаве.е)            4. и  сл.  Овично  је  то  једна  година  и  под  дејством  су  меторолошких промена.      122 . грађевинарства.  стим  што  на  неке  утиче  веома  интезивно.

  па  сезонски  индекси  изнад  100  показују  да  појава  под  утицајем  сезоне  расте  а  испод  100  опада.  Нормала  се  изражава  са  100.  изражавају  сезонску  варијацију  и  зато  се  зову  сезонски  индекси. Утицај сезоне испољава се у редистрибуцији података о кретању појаве  током  године. расподељује на одређен начин по месецима (или  квартилима).  Извесна  разлика  моће  се  појавити  због  заокругљивања  индекса.  Овако  добијени  индекси  множе  се  са  100.  док  сезонски  индекс  за  јули.  у  износу  од  150.  за  фебруар  сезонски  индекс  броја ноћења туриста износи 77%.  показује да је сезона утицала на повећање посматране појаве и то за 50% изнад  нормале.  Збир  сезонских  индекса  за  свих  12  месеци  мора  да  износи  1200  односно  њихов  просек  100. Просечан број ноћења у овом примеру износи  120( x = 1443 = 120)  и може се узети као нормала а одступања стварних података од  12 те вредности као израз сезонских утицаја.    123 . показује да је број ноћења туриста под утицајем сезоне  сведен  на  77%  од  нормале.  Сезонски  индекс  за  фебруар.  Укупна  вредност  за  годину  дана  је  у  сваком  случају  иста. Сезонски ритам броја ноћења туриста  добићемо  ако  податке  појединих  месеци  ставимо  у  однос  према  месечном  просеку.Пример:   У једном туристичком региону број ноћења туриста у хиљадама био је:    Ноћења туриста и сезонски индекси  Месец  Јануар  Фебруар  Март  Април  Мај  Јуни  Број   ноћења  86  92  95  105  125  145  Месец  Јули  Август  Септембар  Октобар  Новембар  децембар  Број   ноћења  180  165  150  135  90  75  Месец  I  II  III  IV  V  VI  Индекс  у %  72  77  79  89  104  121  Месец  VII  VIII  IX  X  XI  XII  Индекс   у %  150  138  125  108  75  62    Када  не  би  било  сезонских  утицаја. а за јули 150%. који износи 77. односно просека.  Тако.  али  се  она под сезонским утицајем.  број  ноћења  туриста  кретао  би  се  равномерно из месеца у месец.

j = 1..1. n . 2.    4.  ако  се  посматрају  квартили  мора бити тачно 4 или 400%. Стављањем у однос  аритемтичких  средина  појединих  квартала  x j . 4 . j = 1. 4. Најједноставнији је метод за израчунавања сезонских индекса је метод  односа према општем кварталном просеку. Метод односа према општем кварталном просеку  Овај  метод  полази  од  претпоставке  да  се  цикличне  вариајције  (С)  и  нерегуларне  варијације  (N)  могу  израчунавати  помоћу  аритметичких  средина  појединих квартала. 4.3.  j = 1. 2.1. 4 .   124 Укупно  663 707 731 819 836 881 4637 .1 Методи израчунавања сезонских индекса  У  статистичкој  пракси  користи  се  више  метода  за  израчунавање  сезонских  индекса. j = 1.3.. 2.3. за временске серије дуже од 10 година..3.4.. j = 1. 2. 2.3.  израчунавају  се  сезонски  индекси  I j .    Пример:  У  једном  туристичком  региону  по  годинама  и  по  квартилима  летовало  је  туриста у хиљадама:  Година (i)  2002 2003 2004 2005 2006 2007 укупно I 125 141 138 129 137 146 816 КВАРТАЛИ II III 205 258 198 282 210 291 298 302 300 310 315 322 1526 1756 IV 75 86 92 90 89 98 530 Решење:  Аритметичка средина појединих квартала  x j =.3. Збир  сезонских  индекса.  према  општем  кварталном  просеку  xij .

  услед  утицаја  сезоне.3146 или 131.16% I3 = 193. 703897 или 70.  на  коју  је  исто  утицала  сезона. 2. 46%   I2 = 193. x2 = = 254. 4554 или 45. 21 254 = 1.  125 . 21 294 = 1. x4 = = 88   6 6 6 6 Општи квартилни просек (општа аритметичка средина) израчунава се:  x ij = x ij = n n i =1 j =1 ∑ ∑x 4⋅n ij   4637 = 193. У  трећем  кварталу  посета  туриста  била  је  за  52. 4   816 1526 1765 530 = 136.45%.16%  већа  него  што  бии  била  да  нема  утицаја  сезоне  и  у  четвртом  кварталу  посета  туриста  била  је  мања  за  54. него што би била да нема утицаја сезона. 21 88 = 0. 21   4⋅6 Сезонски индекси израчунавају се по формули:  xj xij 136 = 0.  У  другом  кварталу.n xj = x1 = ∑x i =1 n i .5216 или 152. j = 1.38% I1 = 193. x3 = = 294.  Нормалу  у  овом  примеру  представља  општи квартални просек  xij = 193210  туриста.46%. 21 Ij =   Одговор:   Посета  туриста  у  једном  туристичком  региону  у  првом  кварталу  била  је  у  просеку  за  29.3.  значи  да  би  посета  туриста  била  мања  него  што  би  била  да  нема  утицаја  сезона.  посета туриста била већа за 31.62%  испод  нормале.54% I4 = 193.

4 за израчунавање сезонских индекса користи  се формула:  Ij = xj .7  750. Радна табела  Година  2002  2003  2004  2005  2006  2007  n=6  Посета   туриста (yi)  663  707  731  819  836  881  4637  Ознака   годин.3. j = 1. 7 126       . 2.3.95    y = a + bx i i ∑ y = n⋅ a + ∑ x ⋅b ∑ y x = ∑ x ⋅a + ∑ x i i i i i i 2 ⋅b _______________________ Систем са две линеарне једначине са две непознате:  4637 = 6a + 15b 12375 = 15a + 55b вредности параметара су:  a = 661 b = 44. 2.1.4.36  571. j = 1. Коригован метод односа према општем квартилном просеку  Овај метод полази од вредности линеарног тренда а не од општег квартилног  просека  xij ..9  ‐3.69  376.25  979.2.21  14..3  ‐19. n. i = 1.  Решење:  У  првом  кораку  врши  се  израчунавање  једначине  линеарног  тренда  посете  туриста на годишњем нивоу. 4   y j Пример:   На основу примера о летовању туриста у једном региону израчунати сезонске  индексе  на  основу  коригованог  метода  односа  према  општем  квартилном  просеку.5    2  1.4  23.8  ‐3.44  12.(xi)  0  1  2  3  4  5  15  xi ⋅ yi   xi 2   y   i ( yi − y )   ( yi − y)2   0  707  1462  2457  3344  4405  12375  0  1  4  9  16  25  55  661.0  705.8  884.  Табела 30.1  839.3. 2...4  795.5    4  1.

4 i i 4 16 Једначина линеарног тренда посете  туриста на кварталном нивоу у периоду  од 2002.  години  која  је  износила  661000  туриста. i = 1.  исходиште  се  премешта на средину једног.3.25 додаје  се половина вредности параметра b=2. године.395. на годишњем нивоу.06.године  Јединица за х: једна година  Јединица за у: хиљаду туриста    Параметар  а=661. гласи:  y = 661 + 44.године  крај  другог  квартала. 6   i i Исходиште: 30. 2. 2. са  годишњег нивоа на квартални ниво.  Јединица за х: један квартал  Јединица за у: хиљаду туриста    Како  је  исходиште  30.  односно  показује  теоријску  посету  туриста  у  2007. године гласи:  y = 165.године до 2007. 4   Исходиште: 30.3.2002.године до 2007. применом формуле:  y = a + b x = a + b x i i i 4 4⋅4 4 16   y = 661 + 44.  односно  одсечак У оси.Једначина линеарног тренда посете туриста.6.395=166. у периоду  од 2002.3.    Параметар  b=44.године.2002. 2. У овом случају вредности параметара а=165. 4.08.  Параметар  а=661  показује  и  тачку  у  којо  линија  тренда  сече  У  осу.25+1. Нека то буде 15. 25 + 2. 79 x i i i = 1.79:2=1.645    127 .  средина трећег квартала.5. 7 x .године.2002.7  показује  да  се  сваке  године  број  туриста  у  просеку  повећавао за 44700 туриста.    У другом кораку врши се прерачунавање линеарног тренда посета туриста. било ког квартала.  показује  вредност  тренда  у  исходишту.2002. тако да сад параметар а има  вредност а=165. 7 x i = 1.06.

x 4 = 88. гласи:  y = 166. 645 2002. на кварталном нивоу.44% 161. уместо хi.01% 163.645 88 I4 = =0. x3 = 294.93% 169.8444 или 84.   136 =0.08.2. 4   Исходиште: 15.5193 или 51. 79(0) = 166.године. x 2 = 254.5501 или 155. II = y ( x2 = −1) = 166.435 ________________________________ укупно: 4. 79(1) = 169. i i i = 1.855 294 I3 = =1.7642 или 176.Једначина линеарног тренда посете туриста. 2.године. 79( −1) = 163.  тако  што  се  у  једначину  линеарног  тренда.године до 2007. 79 x . 645 + 2. 1  y  2002. 645 + 2. 645 + 2. 0. у периоду  од 2002. редом увштавају вредности ‐2.855 y = y ( x = 0) = 166. I = y ( x1 = −2) = 166.  j=1.678 или 467.3.2002. 645 + 2. III 3 y  2002. 065 y  2002. 435   ________________________________________ укупно : y = 661. 645 + 2.3. IV = y ( x4 = 1) = 166.  Јединица за х: један квартал  Јединица за у: хиљаду туриста    У трећем кораку врши се израчунавање појединих вредности посете туриста  за  сваки  квартал.42%   166.8% I1 = 128 . ‐1.065 254 I2 = =1. 0 2002 У  четвртом  кораку  врши  се  израчунавање  сезонских  индекса  Ij.  на  кварталном  нивоу.4  на  основу формуле:  Ij = xj   y j при чему је:  x1 = 136. 79( −2) = 161.

4k i = k + 1.  Води  се  рачуна  о  тренду  (Т). 7642 ⋅ 0.54378%  изнад  нормале.85074% I ' 4 = 0..8444 ⋅ 0. n − k     У  овом  случају  мора  да  се  изврши  центрирање  просека  тако  што  се  израчунава  аритметичка  средина    између  два  и  два  покретна  просека. 40358% Посета  туриста  у  првом  кварталу  била  је  у  просеку  за  27.  цикличним  вари‐ јацијама  (С)  и  нерегулисаним  варијацијама  (N).855066 = 1.5085074 или 150.855066   4.5501 ⋅ 0.5193 ⋅ 0.  Метод односа  према покретним средствима  За израчунавање сезонских индекса користи се и овај метод.  У  завистости  од  тога  да  ли  поматрана  временска  серија  садржи  месечне  или  кварталне  податке  покретни  просеци  израчунавају  се  за  групу  од  12  чланова  односно  за  групу  од  4  члана.855066 = 1.3254378 или 132.79823%  испод  номрале.59642%  испод  нормале.  Са  129 .Када је збир индекса већи од 4 или 400% израчунава се корективни фактор  c= 4 = 0. 20177% I ' 2 = 1.3. 2.85074%  изнад  нормале  а  у  четвртом  кварталу  за  55. 4   I '1 = 0.  Покретне  средине  за  паран  број  података  h=2d.  Нормалу  у  овом  случају  представљају  квартилне вредности тренда. k + 2. 4440358 или   44.  у  другом  кварталу  била  је  у  просеку  за  32. 678 Кориговани сезонски индекси се израчунавају по формули:  I'j = I j ⋅c j = 1..    4.1.  односно  покретних  просека  и  показатељ  је  дугорочне  развојне  тенденције  појаве. 77220177 или 72.  у  трећем  кварталу  била  је  у  просеку  за  50.3.3.855066 = 0.  израчунавају  се  на  основу  формуле:    yi − k + yi = k −1 ∑ j =− k +1 2 yi + j + yi + k ..855066 = 0. који полази од  покретних  средина.54378% I '3 = 1..

. израчунати:    а)  специфичне  и  типичне  индексе  по  методу  односа  према  покретним  срединама    б) покретне просеке приказати грефички      130 .….  је  у  томе  да  мора  да  се  издвоји  сезонски  утицај. i = 1. n − k   Карактеристично  за  израчунавање  сезонских  индекса  Ij.  Ако  временска  серија  има  непаран  број  података  2k+1. цикличних варијација (С) и нерегуларних варијација (N).  Да би се елиминисао утицај тренда (Т) израчунавају се сезонски индекси по  формули:  I ij = yij y 'ij .2.  j=1.... i=k+1. број покретних просека  yi  је за 2k мањи од броја  података у временској серији n..године. m   Пример:   На  основу  података  о  летовању  туриста  у  периоду  од  2002. k+2. k + 2. n‐k израчунава по формули:  k yi = ∑y j =− k i+ j 2k + 1 ...парним бројем података 2k. …..  где  m  може  бити  4  или  12. 2.. i = k + 1. 2.. j = 1..  односно  утицај тренда (Т)... m   I ij ‐ специфични сезонски индекси за j‐ти месец или квартал у i‐тој години  yij ‐ вредност појаве у i‐тој години и у j‐том месецу или кварталу  y 'ij ‐ централни покретни процеси  Да  би  се  одстранио  утицај  цикличних  варијација  (С)  и  нерегуларних  варијација (N) израчунавају се аритметичке средине из специфичних сезонских  индекса и добијају се просечни или типични сезонски индекси:  n Ij = ∑I i =1 ij n −1 ..  онда  се  покретна  средина  yi . n..  m.године  до  2007. j = 1. 2..

5  0.875  0.25  180.4347826  I  30  137 209.4536585  III  302  206.25  219.5988661  IV  179  177.6327407  II  298  204.75  205  1.4804178  I  205.25  207  0.484507  I  86  138 181.5  191.4175953  I  218  216.6022023  IV  92  129 202.538003  IV  75  141 168  168.125  1.4441155  I  174  171  0.25  208.75  205.25  203.375  1.8245614  II  198  176.125  0.75  167.6578632  II  300  209  209.1666667  III  291  180.5  0.75  182  1.75  1.75  1.75 III  258 169.6743649  II  315  220.4753123  IV  89  146 215  213.375  1.7661346  II  210  182.5  0.625  1.  ( yij )   Poretne   sredine  ( yij ')   Centralne  pokretne  sredine  ( yij ')   Specifični  sezonski  indeksi  yij   I = ‐‐  ‐‐  ‐‐  ‐‐  ij yij ' I  125 II  205 ‐‐   165.125  1.25  210.25  0.125  0.4345487  III  310  211.125  1.5  181.4678007  IV  207.875  0.Табела: Радна табела за израчунавање специфичних   сезонских индекса  Godina  (и)  2002  2003  2004  2005  2006  2007    Kvartal  (ј)  Poseta turista  u hiljad.4375357  III  322  ‐‐   ‐‐  ‐‐  IV  98  ‐‐  ‐‐  ‐‐    131 .75  175.1290093  III  282  176  176.

2. j = 1.875 141 I 21Итд.5. 2. 4.3. на основу формуле:  n Ij = ∑I i =1 ij n −1     132   j = 1. средине  j = 1. 75   y12 = 4 + 141 + 198 258 + 75Итд.3.5.875   y '14 = 2 168 + 174 = 171 y '21 =Итд.538003 167.3. 2 y '13 = Специфични  сезонски  Iij . i = 1.8245614 171 I13 =   Просечни  или  тишични  сезонски  индекси  I ij . 75 = 167. 4441155   168. 4.3. 4. Покретне  средине  y ij . 6. 75 75 I14 = = 0. 6. 2. 4.   израчунавају се на следећи начин:  258 = 1. 2. 75 + 169. 75 4 205 + 258 + 75 + 141 = 169.   израчунавају  се  . индекси  j = 1. 2.   израчунавају се на следећи начин:  165. 4. 75 + 168 = 168.3.6. = 168 y13 = 4 y11 =   Централне  покретне  y 'ij .3.3.i = 1. 4. i = 1. 75 2 169. = = 0.   израчунавају  се  на  следећи начин:  125 + 205 + 258 + 75 = 165. 4. 2. 2.5.

5556648  6.3163406 или 131.4678007  0.711133  1.6214189  7.  у  другом  кварталу  била  је  у  просеку  31.0241373.9940019 = 1. Зато  се  израчунава  корективни  фактор  с  којим  се  множи  сваки  типични  сезонски  индекс Ij.6821844  2.484507  2004 (3)  0.  133 . 4522836 ⋅ 0.Табела 32. значи већа је од 4.1666667  1. 63406% I '3 = 1. Радна табела  Година (i)  КВАРТАЛ (j) Специфични сезонски индекси (Iij)  I (1)  II (2)  III (3)  IV (4)  2002 (1)  ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐  ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐  1.4536585  1.5988661  0.4522836    Збир типичних сезонских индекса износи 4.5272212 или 152.1290093  1.6327407  1.4.6578632  1.3.4804178  2005 (4)  0.9940019  I '1 = 0.7661346  1. 72212% I ' 4 = 0.04292% испод нормале.    c = 4 : 4.4375357  ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐  Укупно: Iij  ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐  3.538003  0. Нормале представљају  покретне средине.9940019 = 0.72212%  изнад  нормале  а  у  четвртом  кварталу била је у просеку за 55.  у  трећем  кварталу  била  је  у  просеку  за  52.2614182  Типични сезонски индекси 6 Iij = ∑I i =1 ij 6 −1   0.5364369  0.4441155  2003 (2)  0. j=1.4345487  1.63406%  изнад  нормале.9940019 = 1.8245614  1.6022023  0.3242838 ⋅ 0.2.0241373 = 0.6743649  1.5364369 ⋅ 0. 7068675 или 70.95708%   Посета  туриста  у  првом  кварталу  била  је  у  просеку  за  29. 68675% I ' 2 = 1.9940019 = 0.4753123  0.4347826  2006 (5)  0. 4495708 или   44.3242838  1.4175953  2007 (6)  0.31325%  испод  нормале. 711133 ⋅ 0.

 Год. покретне средине. сезонске  варијације.  Типични сезонски индекси посете туриста у периоду од 2002.  134 .године до  2007.године    Графички приказ оригиналних података о посети туриста. до 2007. линеарни тренд:        Сезонске варијације посете туриста од 2002.

..   yij . j = 1. 742 ' I 1 0. 7068675 y '12 = y12 205 = ≈ 155. j = 1.5..год.... 2..  Ако се yij подели са типичним сезонским индексом  I ' j  добиће се подаци из  којих  је  искључен  утицај  сезоне  али  зато  остао  је  утицај  тренда  (Т).. односно у %. 2. до  2007.. 2..3.  Овако  добијени  подаци  називају  се  десезонирани подаци.5272212 y '14 =   ' y 23 y14 75 = ≈ 166. n. 7068675 y ' 21 = y21 141 = ≈ 199.. n.5272212 y ' 24 =   итд.4.3..3.3..  могу  се  изразити  на  основу  мултипликативне  теорије  као  производ  четири  фактора:  yij = Tij ⋅ Sij ⋅ Cij ⋅ Nij . 4. 293 ' I 4 0.3163406 y ' 22 = y22 198 = ≈ 150. 4  израчунавају се:  y '11 = y11 125 = ≈ 176.. m .  цикличних  варијација  (С)  и  нерегуларних  варијација.  Овај израз важи ако је тренд (Т) изражен у оригиналним јединицама мере. 417 ' I 2 1.3. j =1.  y 'ij = yij I'j i = 1. следи радна табела  135 y24 86 = ≈ 191.2. 735 ' I 2 1. 2.. С и N у релативним показатељима..3. m   Пример:   На основу података о посети туриста у периоду од 2002. j = 1.934 I 3 1.n. 4495708   .2...826 ' I 4 0.m .i =1. 2.. а  остале варијације Ѕ.. Они показују каково би кретање посматране појаве било  када не би било утицаја сезоне..... Десезонирање података  Посматране временске серије односно њени оригинални подаци.3163406 y ' 13 y 258 = 13' = ≈ 168.године  израчунати десезониране податке:    Решење:  ' Десезонирани подаци  y ij i = 1.2.836 ' I 1 0. 4495708 y 282 = 23 = ≈ 184.3. 649 ' I 3 1. 2.6.. i = 1.

495  2006 (5)  137  2007 (6)  146  Укупно  yij   ' y ij   yij   y 'ij   168.. Радна табела  Први квартил  Година  yij   ' y ij   2002 (1)  125  2003 (2)  Други квартил  Трећи квартил  Четврти квартил  yij   ' yij   ' y ij   y ij   176. j  множи  одговарајућим вредностима типичних сезонских индекса  I ' j . 2.227  210  2005 (4)  129  182.472  198  150.год.542  92  204. 79 x i i 136 i = 1. Прогнозирање будућег нивоа појаве применом сезонских  индекса  Прогнозирање  будућег  нивоа  појаве  применом  сезонских  индекса  врши  се  тако.  y' = y ⋅ I .904  310  202.3. j = 1. i = 1..  што се појединачне.941  298  226.816  193. кварталне или месечне вредности тренда  y i ..3.год.813  300  227. 4   .745  90  200.  до  2007.545  315  239.3. на кварталној основи израчунат је:  y = 166.966  836  822. j i.934  75  166.67    ' Десезонирани подаци  y ij .639  731  749..735  258  141  199.385  302  197.Оригинални и десезонирани подаци посете туриста    Табела 33.533  291  190. j j = 1.5. 2.3.983  89  197..год.    4.836  205  155.666  206.191  819  806.840  98  217. j i.  до  2007.3..293  707  725. m     Пример:   На  основу  података  о  посети  туриста  у  периоду  од  2002.години    Решење:  а)  Једначина  линеарног  тренда  посете  туриста  у  периоду  од  2002. 6..831  159. i = 1.33  282  184.649  86  191.986  881  874. 2.299  322  210. 2. 4. n.год.825  663  668. 4   Из  табеле  показује  каква  би  посета  туриста  била  када  не  би  било  утицаја  сезоне.. 645 + 2.  Прогнозирати посету туриста по квартилима у 2008.417  2004 (3)  138  195. 2.

I = y ( x1 = 22) = 166. 645 + 2. 645 + 2. 645 + 2. 4   тако  да  се  добијају  кориговане квартилне вредности посете туриста у 2008.4 за 2008.  у  другом  кварталу  303831  туриста.  које  представљају  ознаке  квартала  у  2008. редом уврсте вредности 22. 4495708 ≈ 106.  израчунаће  се  појединачне вредности тренда  y i . II = y ( x2 = 23) = 166.381 y 2008. 79 ⋅ 23 = 230.  под  утицајем  сезоне. 025 ⋅ 0.395   На  ове  израчунате  вредности  утичу  сезонске  варијације  (Ѕ).815 ⋅1.години.183 y 2008.години:    y 2008. I = 228.Ако се у једначини линеарног тренда уместо  xi . 7068675 ≈ 161.  зато  се  ове  квартилне  вредности  множе  са  типичним  сезонским  индексима  I ' j .  24  и  25.  137 .    y  2008. 276   Очекивана  посета  туриста.395 ⋅ 0.  23.276 туриста. 2. 79 ⋅ 24 = 233. j . 766   y 2008. j = 1.815 y  2008.3. 645 + 2. IV = y ( x4 = 25) = 166.5272212 ≈ 356.  у  првом  кварталу  2008. 025 y  2008. 79 ⋅ 25 = 236.  године  била  би  161183  туриста.  цикличне  варијације  (С)  и  нерегуларне  варијације  (N).3163406 ≈ 303.годину. IV = 236.2.3. i=7. 605 ⋅1. III = y ( x3 = 24) = 166.  у  трећем  кварталу 356766 туриста и у четвртом кварталу 106. III = 233. j=1. II = 230. 605   y  2008. 79 ⋅ 22 = 228.

  Термин  стохастички  је  грчког порекла и значи очекивање.  Ако  су  А  и  В  случајни догађаји тада важи:    1. Изражавају процену наступања неког догађаја који се може или  не мора десити.          138  . или да је случајни догађај А део случајног догађаја В.  По правилу  појав вероватноћа везије се са  реализацијом експеримената.  Случајни догађај А је подскуп скупа Ω. Случајни догађаји обележавају се великим словима А.. претпостављање или вероватноћа. С. Такав догађај назива се случајни догађај.  кажемо  да  А  импли‐ цира В. Празан скуп (Ø) је немогућ до‐ гађај. A ⊂ B    симбол  ⊂  значи припада     Када  се  реализацијом  догађаја  А  релизује  и  догађај  В. Ако у скупу Ω сви елементи имају могући  исход  такав скуп је сигуар или известан догађај. а елементи овог скупа називају се елементарни догађају у обележавају  се са wi.  Термини:  можда.  kада  се  ради  са  случајним  догађајима. n.  сигурно. па  се  та  реализација  назива  догађајем. ЕЛЕМЕНТИ ТЕОРИЈЕ   ВЕРОВАТНОЋЕ    5.i=1.  У  теорији  вероватноће.. …. .  немогуће и сл.1.  Случајни догађаји су дефинисани као подскупови скупа свих могућих исхода  Ω. 2.  ВЕРОВАТНОЋА СЛУЧАЈНОГ ДОГАЂАЈА  Теорија  вероватноће  је  грана  математике  која  је  пуну  афирмацију  добила  у  оквиру  статистике  код  истраживанја  масовних  појава  и  њихових  односа. В.  A ⊂ B  и  B ⊂ A   Ако  А  имплицира  В  и  В  имлицира  А  кажемо  да  су  догађаји  А  и  В  екви‐ валентни А=В. То су стоха‐ стичке  појаве  а  њихови  односи  су  стохастички  односи.  Скуп свих могућих опита (исхода) назива се скуп могућих исхода и обележава  се са Ω.  5.  важе  све  релације  између  скупова  које  су  дефинисане  и  у  математици.  вероватно.  чије  настајање и односи нису унапред тачно одређени и непроменљиви.

2 КЛАСИЧНА ВЕРОВАТНОЋА  Вероватноћа  случајног  догађаја  А  је  однос  броја  повољних  реализација  догађаја А и броја могућих резултата експеримената. A \ B  или  A − B   Разлика случајних догађаја А и В.  5.  односно  међусобно се искључују.  Ако  су  случајни  догађаји  А  и  В  дисјуктивни  (случајни  догађаји  који  се  међусобно  искључују)  унија  случајних  догађаја  А  и  В  обеле‐ жавају се као А+В.  3.  разломак  може бити негативна вредност.  Ако  је  A ⋅ B = ∅ (празан  скуп)  случајни  догађаји  А  и  В  су  дисјуктивни.   p ( A) ≥ 0   Вероватноћа  било  ког  догађаја  је  ненегативан  број.  p ( A) = m   n m је број повољних реализација догађаја А. случајни догађај се реализује ако и само ако  се рализује случајан догађај А и не реализује се случајан догађај В. A  (нон А)  Супротан догађај догађају А  је ако и само ако се  он реализује када се А не  реализује.        139  m   никада  не  n . A ∪ B  или А+В   симбол  ∪  означава унију  Случајни  догађај  се  реализује  ако  и  само  ако  се  реализује  бар  један  од  случајних  догађаја  А  и  В.   A ∩ B  или  A ⋅ B   симбол  ∩ означава пресек  Случајни догађај се реализује ако и само ако се релизује и А и В истовремено.  2.  Супротан  случајан  догађај  A   састоји  се  од  свих  елементарних  дога‐ ђаја који не припадају случајном догађају А или он је комплемент случајног до‐ гађаја А. то је збир два случајна догађаја А и В.    5.  Класична вероватноћа има следеће особине:  1. а  n број експеримената.  4.

41176 или 41. тада је m=n   Вредност класичне вероватноће налази се у границама  0 ≤ p ( A) ≤ 1   Пример:   У  јунском  испитном  року  из  статистике  положило  је  50  студената  и  35  студенткиња. вероватноћа немогућег догађаја  ∅  је нула    3.  Колика  је  вероватноћа  да  ће  се  на  случајан  начин  извући  име  студенткиње која је положила испит. 41176   n 85 Одговор:   Вероватноћа  да  ће  се  у  једном  избору  изабрати  име  студенткиње  износи  0.  већ  се  тај  број  мора  експериметалним  путем  одредити.  p ( A) = m 35 = = 0. а  број  повољних  реализација  експеримената  m=35.   p ( A) = 0   Ако је m=0.  Повољан  резултат  је  ако  се  само изчуче име студенткиње.  вероватноћа  оваквих  догађаја  назива  се  статистичка  или  емприријска вероватноћа.  тада  се  овај  количник  назива  релативна  фреквенција  дога‐ ђаја А.3 СТАТИСТИЧКА ВЕРОВАТНОЋА    Уколико    постоје  случајни  догађаји  код  којих  се  унапред  не  зна  број  пово‐ љних  реализација  експеримената  m.   p ( A) = 1   Ако је догађај А поуздан.176%.        140  .      5. Израчунава се по формули:    f ( A) = m n    Ако се експеримент понови n puta и притом се посматрани догађај А реали‐ зовао  тачно  n  puta.  2.    Решење:   Зна  се  да  је број  свих  могућих  реализација  експеримената  n  = 50+35  = 85.

04166  или 4.  онда  ће  релативна  фреквенција  f(A) бити ближа стварној вероватноћи чоколада са мањом тежином. p(A)=1. догађај је поуздан  5.166%  n 120 Одговор:   У  укупно  произведеним  чоколадама  има  4.  Ако је m=0.  p ( A) = lim n →∞ m   n Пример:   У  фабрици  кониторских  производа  на  случајан  начин  изабрано  је  120  чоко‐ лада  тежине  100гр.   f ( A) = m 5 = = 0.  Статистичка вероватноћа налази се у интервалу  0 ≤ p ( A) ≤ 1   3.166% чоколада са мањом  тежином.  Ako je m=n. реализација догађаја је случајна  Вероватноћа супротног догађаја једнака је  p ( A) = 1 − p ( A) = 1 −         141  m   n .  Број  повољних  реализација  догађаја  m  не  може  бити  већи  од  укупног  броја могућих реализација догађаја n. n=120.  Решење:  m=5. онда се та гранична  вредност назива вероватноћа догађаја А. Али то не значи да у укупној производњи има 4.  и  установљено  је  да  5  чоколада  не  одговара  прописаној  тежини.  Ako je m<n.  Статистичка вероватноћа поседује све особине као и класична вероватноћа:  1.  Ако  се  број  узетих  чоколада  повећа.  Израчунати  вероватноћу  произведених  чоколада  са  смањеном  тежи‐ ном у укупној производњи.  0≤ m ≤ n  2.  p(A)=0  4.  Ако  број  понављања  експеримената  неограничено  расте  n → ∞ и  ако  рела‐ тивна фреквенција догађаја А тежи неком коначном броју.166%  чоколада  са  мањом  тежи‐ ном.  0<p(A)<1.

    5. је 95. 01466 = 0.  Пример:   На  основу  података  из  предходног  примера.  p(A∙B) = p(A) ∙ p(B)  Следи.4.4 ВЕРОВАТНОЋА ВИШЕ ДОГАЂАЈА  У скупу могућих догађаја однос два или више догађаја могу бити независни.83%. у укупно произведеним количинама чоколаде.  Решење:   Израчуната је вероватноћа чоколада са тежином мањом од 100гр.  p ( A) = 0. 04166   p ( A) = 1 − 0. 9583   Одговор:   Вероватноћа  да  ће  у    укупно  произведеним  количинама  чоколаде  имати  тежину 100гр.      5. могу да се међусобно искључују или могу да  се дешавају или недешавају.  ако  догађај  А  не  зависи  од  догађаја  B.        142  .  тада  догађај  B  не  зависи  од  догађаја А.  могу да се реализују истовремено.  вероватноћа  њихових  производа  једнака је производу њихових вероватноћа.1 Независност догађаја  Два догађаја А и B могу бити независни ако реализација догађаја А не утиче  на реализацију догађаја B и ако је испуњена релација  p(A/B) = p(A)  p(B/A) = p(B)  Ако  догађај  А  не  зависи  од  догађаја  B.  израчунавати  вероватноћу  да  чоколаде имају тежину 100гр.

 …. 4  или 40%  n n 1000 1000 1000 Одговор:   Вероватноћа  да  ће  изабрани  пар  чарапа  бити  женски  или  дечији  је  0. Ако  се са m1  обележени број повољних реализација догађаја B.. D2.+p(D n )    ИЛИ    p(A)= ∑ p(D )   i i=1   Пример:   У једној фабрици производе се чарапе. i≠j) тада је  вероватноћа p(А) једнака:  n p(A)=p(D1 +D 2 +. У једној смени произведено је 1000  пари. са m2 број повољних  реализација догађаја C а са n број свих могућих  прализљација догађаја А.        143  .  5..4  или  40%. тада  се вероватноћа догађаја р(А) може исказати:  p(A)=p(B+C)=p(B)+p(C)  или    Збирна  вероватноћа.+D n )= = p(D1 )+p 2 (D 2 )+. Dn који се међусобно искључују (Dij=Ω.  вероватноћа  „или‐или“  или  вероватноћа  догађаја  који  се  искључују  мосе  се  изразити  на  следећи  начин:  Ако  се  догађај  А  може  раставити на догађаје D1.  од  тога  600  пари  мушких.  m1=300.2 Збирна вероватноћа  Догађај А се раставља на два догађаја B i C који се међусобно искључују..  300  пари  женских  и  100  пари  дечијих  чарапа.  Ради провере квалитета која је вероватноћа да ће се извући женски или дечији  пар чарапа?  Решење:  Потребни  подаци  за  израчунавање  збирне  вероватноће  су:  n=1000.  m2=100  p ( A) = m1 m2 300 100 400 + = + = = 0.4..

  Решење:  n1=300    m1=300‐300∙0.  Она  се  означава  са  p(A/B).002=294  n2=299    m2=293  n3=298    m3=292  p ( A) = m1 m2 m3 294 293 292 ⋅ ⋅ = ⋅ ⋅ = 0.4.  Условна  вероватноћа  догађаја  В.  5. p(B) > 0.  под  условом  да  једном  изабран  фрижидер  се  неће  вратити у групу од 300 фрижидера.9409  или 94.  под  условом  да  се  реализује  догађај  А  једнака је количнику  p ( B / A) = p( A ⋅ B)   p ( A) ако је вероватноћа догађаја А.  условну  вероватноћу  реализације  догађаја А под условом да се реализовао догађај В.  под  условом  да  се  реализује  догађај  В  једнака је количнику:  p( A / B) = p( A ⋅ B)   p( B) ако је вероватноћа догађаја В.09%          144  .  p ( A) > 0   Пример:   Једна  фабрика  која  производи  фрижидере  испоручила  је  купцу  300  фрижидера са напоменом да је 2% фрижидера са оштећењем. Колика је вероватноћа да ће сва три  фрижидера  бити  исправна.09%  n1 n2 n3 300 299 298 Одговор:   Вероватноћа да ће сва три фрижидера бити исправна је 0.  Условна  вероватноћа  догађаја  А.  Међусобна веза догађаја А и B у теорији вероватноће проучава се преко условне  вероватноће. Купац на случајан  начин бира 3 фрижидера у циљу провере.9409 или 94.3 Условна вероватноћа  У  испитивању  одређених  појава  и  случајних  догађаја  поставља  се  проблем  како  реализација  једног  случајног  догађаја  утиче  на  реализацију  другог.

 тада ће произвољан догађај А морат да се рализује бар са једним  од њих. + ADn међусобно  искључују..   .  ….  То  се  може  приказати и Веновим дијаграмом    Догађаји који се међусобно искључују  Збирне вероватноће:  n p ( A) = ∑ p ( Di )   i =1 p( A) = p ( AD1 ) + p( AD2 ) + p ( AD3 ) + . ….4. + ADn   притом  се  догађаји  AD1 ..  Dn  међусобно  искључују  и  чине  потпун  систем  догађаја тада је:  D1+D2+D3+…Dn=Ω      DiDj= Ø  i≠j  Уколико се при реализацији експеримената реализује бар један од догађаја  Di. p( ADn ) = p ( D1 ) ⋅ p( A / Dn ) Формула за израчунавање тоталне вероватноће је:  p( A) = p ( D1 ) ⋅ p( A / D1 ) + p( D2 ) ⋅ p( A / D2 ) + ...  D2.n.. + p( Dn ) ⋅ p ( A / Dn )         145  .. . + p ( ADn )   Може се користити и производ вероватноћа:  p( AD1 ) = p( D1 ) ⋅ p( A / D1 ) p( AD2 ) = p( D1 ) ⋅ p ( A / D2 ) . AD2 + . + Dn ) A = AD1 + AD2 + . 2...  5. па следи:  A = AΩ = A( D1 + D2 + ..4 Тотална вероватноћа  Ако  се  догађаји  D1.. i=1.

5%  црепа. i = 1.. 2.. 25% на машини D2.38 ⋅ 0. 017. i = 1.. p ( A / D3 ) = 0. догађаји  Di . 2. 013....  респективно. 22 p( A / D1 ) = 0..  2. и 22% на машини D4. 021 + 0... n   су  унапред  познате  пре  реализације  експонената. n . 2.38... 015. n  називају се  хипотезама.  Колика  је  вероватноћа да ће на случајан начин изабран цреп бити шкарт?  Решење:  p( D1 ) = 0.3%.616%.3. i = 1.     p( A) = p( D1 ) ⋅ p( A / D1 ) + p( D2 ) ⋅ p ( A / D2 ) + p( D3 ) ⋅ p( A / D3 ) + p ( D4 ) ⋅ p ( A / D4 ) p( A) = 0. 01616 или 1.    Пример:  У  фабрици  за  производњу  црепа.. 2.. односно треба наћи вероватноће реализације појединих  хипотеза  Di .. 021.. n . 25 ⋅ 0.  раде  четири  машине  и  то  38%  на  машини  D1. 15% на машини D3.. потребно је наћи условне вероватноће облика  p ( Di / A). p ( D2 ) = 0.7%. p( A / D2 ) = 0.15.1%  и  1.  или:   n p ( A) = ∑ p ( Di ) ⋅ p (A / Di )   i =1 Вероватноће  p ( Di ). 616%   Одговор:   Вероватноћа да ће на случајан начин изабрани цреп бити шкарт је 1. i = 1. p ( A / D4 ) = 0. 25. 015 p( A) = 0.  значи  израчунати  емпиријске  евероватноће  које  су  довеле до реализације догађаја А. 22 ⋅ 0.15 ⋅ 0. 013 + 0. На машинама се  производи  шкарт  и  то:  1. p( D3 ) = 0.            146  . 017 + 0. p ( D4 ) = 0.  1.  Ако се реализовао догађај А.

. ….D2. условна вероватноћа једнака  p( Di / A) = p( A ⋅ Di )   p ( A) бројилац  p( ADi )  може се изразити као  p( ADi ) = p( Di ) ⋅ p( A / Di )   именилац  p ( A)  може се користити као тотална вероватноћа  n p ( A) = ∑ p ( Di ) p ( A / Di )   i =1 Заменом ових израза добија се Бајесова формула  За  сваки  догађај  Di  условна  вероватноћа  његове  реализације  када  се  реализовао догађај А једнака је  p( Di / A) = P( Di ) ⋅ p( A / Di ) n ∑ p( D ) p( A / D ) i =1 i   i Пример:   У једној месари продаје се две врсте млевеног меса и то 75% свињског и 25%  јунећег.   Бајесова вероватноћа  Бајесова  вероватноћа  служи  за  одређивање  условне  вероватноће  извесних  догађаја који су предходили реализацији једног случајног догађаја.  Колика  је  вероватноћа да  ће купац купити млевено месо које одговара стандарду а да је  свињско?          147  ..  Свињско  месо  испуњава  97%  стандарда  а  јуњеће  92%.4.  5. Dn који се међусобно искључују и  чија је унија сигурни догађај Ω тако да је  Di ⋅ D j = ∅ за свако i ≠ j    D1 + D2 + . Тада је за  сваки догађај Di .5.  Нека је дат низ случајних догађаја D1. + Dn = Ω   Нека је А неки случајни догађај везан за посматрани експеримент.

92=0.97+0.97%. 75. које одговара стандарду и да  буде свињско је 0.97=0.   p(A/D1 )=p(D1 )×p(A/D1 )=0.    5. p( A / D2 ) = 0.9575 p( Di A) =   p( A ⋅ Di ) 0.1 Биномна вероватноћа  Ако у неком експерименту реализацији догађаја А припада вероватноћа р(А)  која се не мења током понављања експеримента тада је супротна вероватноћа  да се догађај А неће реализовати  p ( A) = q ( A)  при чему је  p ( A) + q ( A) = 1 .9575 Одговор:  Вероватноћа да ће купац купити млевено месо.75×0.97.25×0.      5.75×0.7597 или 75.5 ВЕРОВАТНОЋЕ ДОГАЂАЈА КОЈИ СЕ ВИШЕ   ПУТА ПОНАВЉА  У  статистичким  истраживњима  врло  често  се  жели  сазнати  колико  се  пута  одређени догађај реализовао односно поновио. p ( D2 ) = 0. 25.  Ако  се  догађај  А  реализује  у  првих  Х  експеримената  а  да  се  у  n‐x  експе‐ римената  неће  реализовати  уз  услов  да  је  0 ≤ x ≤ n .  Решење:  p( D1 ) = 0. У ту сврху потребно је изводити  вишеструке  независне  експерименте  уз  очување  истих  услова  под  којима  је  извршен појединачни експеримент.92. 7597 p ( A) 0.  тада  је  биномна  веро‐ ватноћа:        148  . 7275 = = 0.5.7275 p(A)=p(D1 )×p(A/D1 )+p(D 2 )×p(A/D 2 ) p(A)=0. p( A / D1 ) = 0.

x) = ⎝ n⎠ ..  ⎛n⎞ p(n.1... за х се узима најближи број од np..  Ако  је  np  цео  број. x ) x = 0. Ако np није вео број.              149  . 2.    има  највећу  биномну  вероватноћу  и  представља  највероватнији  број  остварења  очекиваног догађаја.. 2.  Биномна вероватноћа  p ( n. n   израчунава  се  на основу израза  ⎛n⎞ ⎜ ⎟ x p(n. n   ⎛n⎞ ⎝ x⎠ Коефицијенти  ⎜ ⎟   називају  се  Биномни  коефицијент  и  израчунавају  се  на  основу комбинација х‐те класе од n елемената:  ⎛n⎞ n! ⎜ ⎟= ⎝ x ⎠ x !( n − x)!   Врло често у статистичкој теорији и пракси користи се бином:  ( px + q) n   коефицијенти  у  х  показују  вероватноћу  да  ће  се  очекивани  догађај  реализовати онолико пута колико износи степен од х. 2... n   при чему је  p + q = 1   Ако  је  p = q биномна  вероватноћа  p ( n...1.  онда  x  =  np.1.. 2 x = 0.. x) = ⎜ ⎟ p x ⋅ q n − x ⎝ x⎠ x = 0. x )  је највећа за верованоћу реализације догађаја  А за вредност х која се налази у интервалу:  (np − q ) ≤ x ≤ (np + q )   при  чему  је  х  цели  ненегативан  број..

92 = 0.10 ⋅ 0.4  кућишта  са  грешком?  Графички  приказати  биномне  вероватноће. 0000   Одговор:   Вероватноћа  да  ће  избором  четири  кућишта  сви  бити  без  грешке  износи  65.16%. 4) = ⎜ ⎟ ⋅ 0.  да  ће  два  бити  са  грешком  4.0) = ⎜ ⎟ ⋅ 0.90.93 = 0.  Пример:   У  фабрици  за  производњу  кућишта  за  компјутере  производе  се  10%  са  грешком.3.12 ⋅ 0.36%  и  да  ће  свих  четири  бити  са  грешком  износи 0. 2) = ⎜ ⎟ ⋅ 0.1) = ⎜ ⎟ ⋅ 0.1. 0036 ⎝ 3⎠ ⎛ 4⎞ p (4.91 = 0.94 = 0.  да  ће  три  бити  са  грешком  0.2.3.  Графички приказ биномних вероватноћа        150    .3) = ⎜ ⎟ ⋅ 0.4  ⎛n⎞ p (n.13 ⋅ 0.90 = 0.51. q=0. 0486 ⎝ 2⎠ ⎛ 4⎞ p (4. 0001 ⎝ 4⎠ ___________________ укупно = 1. 6561 ⎝0⎠ ⎛ 4⎞ p (4.2. 2916 ⎝1⎠ ⎛ 4⎞ p (4.11 ⋅ 0.  да  ће  један  бити  са  грешком  износи  29.14 ⋅ 0. x=0.10.  Колике  су  вероватноће  да  ће  сличајним  избором  у  узорку  од  4  кућишта  пронаћи  0.86%.01%. x) = ⎜ ⎟ p x ⋅ q n − x ⎝ x⎠ ⎛ 4⎞ p (4.    Решење:  Подаци за израчунавање биномне вероватноће су:  p=0.1. n=4.

x)  расте  све  док  је  x≤np‐q  достигне  максимум  за  x=np‐q  опада ако је x>np‐q.1 Биномни распоред вероатноћа    Биномни распоред вероватноћа мора да задовољи пдређене услове и то:  0 < p <1 p + q =1   n ∑ P(n.x)  расте. Стандардна девијација  σ x = npq   4.  То  значи  да  кад  вредност  х  расте  тада  и  вероватноћа  P(n. Очекивана вредност    Е(х)= µ = np  2.1.  Параметри биномног распореда вероватноћа су:      1. Коефицијент спљоштености  α 4 =   151      q− p   npq 1 − 6 pq +3  npq . за x ≤ 0 ⎪ ⎪ ⎛n⎞ = ⎨∑ ⎜ ⎟ p x q x − n . Коефицијент асиметрије  α3 = 5.  5. за 0 ≤ x ≤ n   ⎪ x≤0 ⎝ x ⎠ ⎪ 1. Варијанса  σ 2 x = npq   3. за x > n ⎩ Биномни распоред вероватноћа има особину:  Вероватноћа  P(n. x) = 1 x =0 Функција биномног распореда вероватноћа је:  X:  xi  0  1  …  x  …  n‐1  n  pi  qn   npq n −1   …  ⎛ n ⎞ x n− x ⎜ ⎟p q ⎝ x⎠ …  ⎛ n ⎞ n −1   ⎜ ⎟p q ⎝ n − 1⎠ pn  Функција биномног распореда вероватноћа је:  F( x ) ⎧ 0.5.  достиже  максимум и затим опада.

x=0. Радна табела  Број  деце  Број   Домаћинстава  ( xi )   ( 0  1  2  3  4  5  6  7  8  Укупно    fi )  5  2  19  25  17  5  15  8  4  100  xi ⋅ fi   Биномне вероватноће   Р(8.17  0.8.1.2334696  0.272097  0.5.  На основу података израчунати:  а) вероватноће биномног распореда  б) очекивану вредност  ц) варијансу  д) стандардну девијацију  е) коефицијент асиметрије  ф) коефицијент спљоштености  г) графички приказати биномни распоред вероватноћа у облику хистограма  и полигона вероватноћа    Табела 34.7.0383672  0.0029376  1.2.86   100 i Одговор:   Просечан број деце у узорку од 100 домаћинстава износи 3.04  1.05  0.6.125203  0.25  0.08  0.86 деце.0946149  0.19  0.02  0.3.0000000  Релативна  фреквенција  ( f r )i   0.00  n а)   x = ∑fx i =1 n i i ∑f i =1 = 386 = 3.15  0.05  0.0252047  0.2029577  0.  Пример:   У једном региону на случајан начин изабрано је 100 домаћинстава и анкетом  установљено је број деце.        152  .  Потребни подаци су: n=8 .4.0051439  0.х)  0  2  38  75  68  25  90  56  32  386  0.

48252 ⋅ 0. 2) = ⎜ ⎟ = 0. То значи.1) = ⎜ ⎟ = 0.51758 = 0. 48251 ⋅ 0.68 деце.3) = ⎜ ⎟ = 0.51756 = 0.125203 ⎝ 2⎠ ⎛8⎞ P (8.86 = = 0. 4825 n 8 ⇒ q = 1 − p = 1 − 0. 2029577 ⎝ 5⎠ ⎛8⎞ P (8. да је просечан број деце у целом региону  3. 48253 ⋅ 0. 4) = ⎜ ⎟ = 0. 4825 = 3. израчунава се на основу формуле:  E ( x) = μ = n ⋅ p   E ( x ) = 8 ⋅ 0. 48250 ⋅ 0. 48258 ⋅ 0.5) = ⎜ ⎟ = 0. износи 3. 0252047   ⎝7⎠ ⎛8⎞ P (8. 6) = ⎜ ⎟ = 0.4825.68 деце.  Вероватноћа p се израчунава на основу израза:  p= x 3. 2334696 ⎝ 3⎠ ⎛8⎞ P (8. 0029376 ⎝8⎠ б)  Очекивана  вредност  случајне  променљиве  Е(х). 48255 ⋅ 0.51755 = 0. 7) = ⎜ ⎟ = 0. 68 Одговор:   Очекивана  вредност  случајне  променљиве  Х  биномног  распореда  веро‐ ватноћа. 48256 ⋅ 0. x) = ⎜ ⎟ p x ⋅ q n − x  биномне вероватноће износе:  ⎛8⎞ P (8. 0383672 ⎝1⎠ ⎛8⎞ P (8. q=0. 4825   p=0. 48257 ⋅ 0.51754 = 0.51752 = 0.  биномног  распореда  вероватноћа. 272097 ⎝ 4⎠ ⎛8⎞ P (8.51753 = 0.51750 = 0. 0051439 ⎝0⎠ ⎛8⎞ P (8.8) = ⎜ ⎟ = 0.51751 = 0.5175  ⎛n⎞ ⎝ x⎠ На основу формуле  P(n. 0) = ⎜ ⎟ = 0.51757 = 0. 0946149 ⎝6⎠ ⎛8⎞ P (8. 48254 ⋅ 0.        153  .

5175 − 0.413347.5175 +3  1.99755.  То  значи  линеарно  одступање  појединачног  броја деце од просечног броја деце у целом региону је 1. 02476 α3 = Одговор:  Биномни  распоред  вероватноћа  броја  домаћинстава  према  броју  деце  има  позитивну асиметрију. 4825 ⋅ 0.99755   σ x = 1.  да  просек  квадрата  одступања  броја  деце од просечног броја деце у целом региону износи 1.    е)  Коефицијент  асиметрије  биномног  распореда  вероватноћа  израчунава  се  по фомули:  q− p α3 = n⋅ p⋅q 0.5175   σ 2 x = 1.  То  значи.35213 α4 =       154  . 413347 Одговор:   Линеарно  одступање  вредности  случајне  променљиве  Х  од  очекиване  вредности  Е(х)  износи  1.99755 Одговор:  Просек квадрата одступања вредности случајне променљиве Х од очекиване  вредности  Е(х)  износи  1.99755.    ф) Коефицијент спљоштености биномног распореда вероватноће израчунава  се на основу израза:  1− 6 ⋅ p ⋅ q +3 α4 = n⋅ p⋅q 1 − 6 ⋅ 0.  ц) Варијанса случајне променљиве Х биномног распореда вероватноћа је:  σ 2x = n ⋅ p ⋅ q σ 2 x = 8 ⋅ 0. 413347 α 4 = 3. 4825 ⋅ 0.    д) Стандардна девијација  σ x = n⋅ p⋅q σ x = 1. 413347 α 3 = 0.413347 деце. 4825   1.

x) = ⎜ ⎟ p x (1 − p) n − x   ⎝ x⎠ 155  .  г) графички приказ биномног распореда      5.  Параметар  m  се  израчунава  на  основу  фомруле:  m = np = const        m > 0  па је:  тада је:        p= m .05. m > 0  Ако  се  уместо  х  стави  n → ∞   и  p → 0 . x! x = 0. q = 1− p   n ⎛n⎞ p(n.5.  Пуасонов образац:  p(n.  Одговор:   Биномни  распоред  вероватноћа  броја  домаћинстава  према  броју  деце  је  више издужен у односу на нормални распоред.  p≤0. 2.1.  али  тако  да  је  np = m = const   тада  биномна  вероватноћа  тежи  Пуасоновој. x) = mx −m ⋅e .2 Пуасонова вероватноћа  Пуасонова вероватноћа користи се у оном случају када се изводи велики број  независних  експонената  n  а  вероватноћа  реализације  догађаја  p  је  врло  мала.

3) = 3! 1. 2510213 p (3000. 4) = 4! 1.5 ⋅ e = 0.1.1) = 1! 1.51 −1..3.1255106   p (3000.56 −1. 2.     Вредности  е‐х  и  ех.52 −1.5 ⋅ e = 0.05% = 0.6 ауто гума.  последња  Пуасонова  вероватноћа  мора  се  изра‐ i =0 чунати на основу израза:  n −1 p (n. 2) = 2! 1. x = 0.05%.54 −1.3.6) = 6! _______________ укупно :1. 0141199 p (3000.5 ⋅ e = 0.1.. 22313 p (3000.  а  појединачне Паусонове вероватноће из таблице III.50 −1.5      1.6  m = n⋅q mx −m p(n. x) = m p ( x − 1)   x x = 0.5 ⋅ e = 0. 000000       156  .1.5 ⋅ e = 0.    Пуасонових вероватноћа има бесконачно много а њихов збир мора бити је‐ n днак  јединици  ∑ p(n. 00353 p (3000.5 ⋅ e = 0.4.  Графички приказати Пуасонове вероватноће.5) = 5! 1.  Вероватноћа  да  ће  се  наћи  оштећена  гума  износи  0.5 ⋅ e = 0.  Решење:  Потребни су подаци:  p = 0..53 −1.  Израчунати  вероватноће  да  ће  се  на  случај  изабраних  3000  гума  имати  оштећење 0.0) = 0! 1.  Пуасонова вероватноћа може се израчунати и на основу рекурентног  обрасца:  p ( n. n) = 1 − ∑ p ( n.5.5.4.0005. x) = e   x! m = 3000 ⋅ 0. n = 3000. x )   x =0   Пример:   У  фабрици  за  производњу  ауто  гума  узето  је  3000  гума  ради  контроле  о  оштећењима.334695 p (3000.55 −1. 0470665 p (3000. x) = 1 . 0005 m = 1.  могу  се  очитати  из  таблице  II  у  прилогу  ове  књиге.2.2.

  Графички прказ Пуасонових вероватноћа    слика Пуасонове вероватноће броја оштећених аутогума    5..  да  ће  три  гуме  бити  оштећење  износи  12.     δx = n⋅ p = m   2 2..4695%....313%.55106%.  х  . m)   e− m   m ⋅ e− m   mx −m ⋅e 2! .  mx −m ⋅e x! .  да  ће  једна  гума  бити  оштећена  износи  33.  да  ће  две  гуме  бити  оштећене  износи  25... Варијанса  3.  P (n. Стандардна девијација    E ( x) = μ = n ⋅ p = m   Очекивана вредност Е(х):  δx = n ⋅ p = m   157  .  да  ће  пет  гума  бити  оштећено  износи 1.10213%.70665%.    Најважнији параметри Пуасоновог распореда вероватноћа су:  1.41199% и да ће шест гума бити оштећено износи 0.353%.1 Пуасонов распоред вероватноћа  Закон Пуасоновог распореда вероватноћа да је у табели:  х  0  1  2  .5..  да  ће  четири  гуме  бити  оштећене  износи  4.  Одговор:   Вероватноћа  да  ниједна  гума  неће  бити  оштећена  износи  22.2.

03  0.13  0.00567  0.0000000  .0186 0. 1 1 =   n⋅ p m 1 1 = 3+   Коефицијент спљоштености  α 4 = 3 + n⋅ p m α3 = Коефицијент асиметрије    Пример:     У  фабрици  за  производњу  сијалица  врши  се  контрола  о  исправности  сија‐ лица у серији од по 10 сијалица.  Контрола узима 1500 серија од по 10 сијалица  и добијен је распоред серија према броју неисправних сијалица.0019483  1.314294  0.0000          158  0.006  1.2533  0.262435  0. x )   0.18820  0. Радна табела  Број  неисправних  сијалица ( xi )  Број серија  fi   xi ⋅ fi   0  1  2  3  4  5  6  7  Укупно:  320  463 380  195  60 45  29 9  1500  0  463 760  585  240 225  168 63  2504  Релативна  Пуасонове  фреквенција ( f r )i   вероватноће P ( n.0609922  0.2133  0.0203714  0.04 0. На основу до‐ бијених података израчунати:  а) Вероватноће Пуасоновог распореда  б) Очекивану вредност  ц) Варијансу  д) Стандардну девијацију  е) Коефицијент асиметрије  ф) Коефицијент спљоштености  г) Графички приказати Пуасонов распоред вероватноћа у облику хистограма и  полигона вероватноћа    Решење:  а)   Табела 35.3086 0.1460891  0. 5.  4.

m = n ⋅ p = 7 ⋅ 0. 0609922 4! 1. 7     Пуасонове вероватноће  P( x.67  сијалица.1460891 3! 1. 673 −1.  n = 7. x) x =0 P(7. 67 2 −1. 238.  159        .67 P (7.3) = e = 0.314294 1! 1. 0203714 5! 1.5. 2. 3. 4.67 P (7. 6. 0019483 саберу  се  првих  шест  вероватноћа  и  одузме  се  један.1. 671 −1. 7)  израчунава се из формуле:  6 P(7. 6) = e = 0.67 P (7.67 P (7.  зато  што  збир  свих  Пуасонових вероватноћа мора бити једнак јединици. 0) =   Последња вероватноћа  P (7.67 e = 0. 67   1500 i Одговор:   Просечан  број  неисправних  сијалица  у  узорку  од  1500  серија  износи  1.18820 0! 1. 67 0 −1.  7 x= ∑x ⋅ f i i =1 7 ∑f i =1 i = 2504 = 1. 4) = e = 0. 262435 2!   1. 00567 6! P (7.67 P (7.7) = 1 − 0. 238 = 1. 2) = e = 0.7) = 0. p = x 1. 67 = = 0. 67   n 7   x = 0. n) = mx −m e   x! 1.1) = e = 0. 67 6 −1. 675 −1.9980517   P(7.7) = 1 − ∑ P(n.5) = e = 0.67 P (7. 67 4 −1.

  до  значи  да  је  квадратно  одступање  појединачног  броја  неисправних  сијалица  од  просечног  броја  у  основном скупу 1. 67   σ x = 1. 67   Одговор:   Варијанса  случајне  променљиве  Х  износи  1.29228.238 = 1.67 комада. 67   Одговор:   Очекивана  вредност  променљиве  Х  износи  1. 0013527 e 7!   б) Очекивана вредност  E ( x) = μ = n ⋅ p = 7 ⋅ 0. то значи да је  линеарно  одступање  појединачног  броја  неисправних  сијалица. 29228 Одговор:   Стандардна девијација случајне промељиве Х износи 1. 67 7 −1.  То  значи.67.67  сијалица.    д) Стандардна девијација:  σx = n⋅ p σ x = 1.7) = 1.  да  је  просечан број неисправних сијалица у укупној произодњи 1.29228 комада. 238 = 1.67.  Стварна вероватноћа  P (7.67 = 0.    ц) Варијанса  σ x 2 = n ⋅ p = 7 ⋅ 0.  од  просечног  броја у основном скупу 1.              160  .

67 Одговор:   Пуасонов распоред вероватноћа је више издужен у односу на распоред који  има нормалну спљоштеност.    ф) Коефицијент спљоштености:  α4 = 3 + 1 1 = 3+ = 3.  е) Коефицијент асиметрије:  α3 = 1 1 = n ⋅ p 1. 29228   α 3 = 0.598   n⋅ p 1. 7738 Одговор:   Пуасонов  распоред  вероватноћа  има  позитивну  асиметрију  и  то  изразито  јаку.x)              161  .    г) Графички приказ  P(n.

  5.  Ту  оцену  веро‐ ватноће даје неједначина Чебишева.  јер  да  би  се  дошло  до  сазнања  о  карактеру  неког  обележја  потребно  је  посматрати  велики  број  јединица.  P ( X − E ( x) < ε ) ≥ 1 − σ x2   ε2 σ x 2   представља  варијансу  преркидне  случајне  променљиве  и  израчунава  се по формули:  σ x2 = σ2 n   ако се уврсти у предходни израз добиће се:  σ x2 P ( X − E ( x) < ε ) ≥ 1 − 2   nε       162  .. Суштина закона великих бројева је у томе да у великом броју случа‐ јних  појава  њихова  средња  вредност  престаје  да  буде  случајна  и може  се  пре‐ двидети са великом поузданошћу. Неједначина Чебишева  Посматра  се  прекидна  случајна  променљива  Х  са  законом  распореда  веро‐ ватноћа:  ⎧ x . Статистика као наука се за‐ снива  на  закону  великих  бројева. ⎩ p1 . x ..    1. x .. pn ⎭ n ∑p i =1 i = 1      Треба да се оцени вероватноћа р тако да одстојање случајне величине Х од  њеног  математичког  очекивања  Е(х)  по  апсолутној  вредности  не  буде  веће  од  унапред  задатог  позитивног  броја  ε   чија  је  величина  мала.  Многе  ста‐ тистичке  законитости  важе  само  када  се  посматра  велики  број  јединица  осно‐ вног скупа.. p2 . p3 .x ⎫ x = ⎨ 1 2 3 n ⎬.6 ЗАКОН ВЕЛИКИХ БРОЈЕВА    Предмет  статистичког  истраживња  су  масовне  појаве  које  у  себи  садрже  велики број јединица које су предмет истраживања.

n  по апсолутној вредности произвољно мало  ε .  од  аритметичке  средине  њихових  математичких  очекиванја  E ( xi ). σ 2 2 .  Оценити  вероватноћу  да  одступање  просечне  масе  иза‐ браних  кесица  кафе...  . n   што  значи  да  је  варијанса  ограничена. + xn E ( x1 ) + E ( x2 ) + ... i = 1.Е(х2)..    Решење:   Потребни подаци за израчунавање вероватноће:  n = 100.  не прелази 10 грама и изн‐ оси 98..  σ i 2 ≤ C .  Пример:   Продавницама  се  испоручује  кафа  масе  200  грама  у  кутијама  које  се  пакују  по  100  кесица.  Тада  се  може  сма‐ трати сигурним догађајем да је одступање аритметичке средине случајних про‐ менљивих  x .  хn  независне  величине  c  математичким  очекивањем  Е(х1). 2.  ⎛ x + x + ...56%   100 ⋅102   Одговор:  Вероватноћа да просечно одступање масе кесице кафе..Е(х3). + xn x= 1 2 = n       163  ∑x i =1 n i   . 2.  ако  стандардна девијација масе код свих кесица кафе не прелази 12 грама. ког  изабраних кеси‐ ца. од просечне масе свих испоручених кесица кафе...  n x + x + ...  ..х2.... + E ( xn ) lim P ⎜ 1 2 − x →∞ n n ⎝ ⎞ ⎟ ≤ ε = 1  ⎠   Ако се пође до аритметичке средин случајних променљивих  xi ..9856  или  98.  На  случајан  начин  изабрана  је  једна  кесица  кафе  из  сваке  испоручене  кутије..  Е(хn)  и  варијансом  σ 12 . σ = 12. i = 1..56%      2..... Теорема Чебишева  Теорема  Чебишева  се  заснива  на  претпоставци  да  су  х1. ε = 10   σ x2 P ( X − E ( x) < ε ) ≥ 1 − 2   nε P ( X − E ( x) < ε ) ≥ 1 − 122 = 0.  од  просечне  цене  свих  кесица  не  прелази  10  грама. σ n 2  а све вредности варијансе су мање од неког константног броја С.

+ E ( xn ) ⎞ C P⎜ 1 2 − < ε ⎟ ≥ 1− 2   n n nε ⎝ ⎠       164  ....... ако је познато да  стандардна  девијација. + E ( xn )   n   σx2 = σ + σx22 + . не више од 4 часа.  код  свих  произведених  веш  машина  није  већа  од  8  часова... + σx2n 2 x1 n2     и замени у неједначину Чебишева добиће се:  σ x2 P x − E ( x) < ε ≥ 1 − 2   ε 2 како је  σ i ≤ C   ( )   σ x + σ x + .  Оценити  вероватноћу.  Решење:  ⎛ x + x + .  и математичког очекивања случајне променљиве  x     E ( x1 ) + E ( x2 ) + . + xn E ( x1 ) + E ( x2 ) + . одступа од просечне ду‐ жине рада... + σ x 2 тада је  1 2 2 2 n n 2 ≤ C + C + . + E ( xn ) ⎞ C P⎜ 1 2 − < ε ⎟ ≥ 1− 2   n n nε ⎝ ⎠   када  n → ∞   и  пређе  се  на  граничну  вредност  добиће  се  уопштена  теорема  Чебишева:  lim(1 − x →∞ C ) =1  nε 2   Пример:   На  случајан  начин  изабрано  је  500  веш  машина..  да  просечна дужина рада без квара свих 500 веш машина.. + xn E ( x1 ) + E ( x2 ) + . + C nC C n≤ 2 ≤   2 n n n   када се уврсти у предходну релациу добја се  ⎛ x + x + ... свих произведених веш машина...

..  од  просечне  дужине  рада  свих  произведених  веш машина износи 99. + E ( xn ) ⎞ 82 P⎜ 1 2 − < 4⎟ ≥ 1− = 0.    3.  не  одступа  више  од  четири  часа.  При  извођењу  случајног  догађаја  f(A)  конвертира  ка  његовој  вероватноћи  р(А)  па је:  lim p( x →∞ x − p < ε ) = 1  n Ознака  Х  представља  број  реализације  случајних  догађаја  А  изведених  у  n  експеримената.. + xn E ( x1 ) + E ( x2 ) + ..  Математичко очекивање случајне променљиве фреквенције Х је:  ⎛ x⎞ E⎜ ⎟ = p  ⎝n⎠ Варијанса:  ⎛ x⎞ p⋅q σ x2 ⎜ ⎟ =   n ⎝n⎠ Према неједначини Чебишева следи:  ⎛ x ⎞ ⎛ x⎞ p ⎜ − E ⎜ ⎟ < ε ⎟ > 1− ⎝n⎠ ⎝n ⎠ ⎛x⎞ ⎝ ⎠  σ x2 ⎜ ⎟ n ε2 ⎛ x ⎞ p⋅q   p ⎜ − p < ε ⎟ > 1− n ⋅ε 2 ⎝n ⎠       165  .2%.992   500 500 500 ⋅ 42 ⎝ ⎠ Одговор:   Вероватноћа да просечна дужина без квара код изабраних 500 веш машина.  ⎛ x + x + . Теорија Бернулија  Карактеристично за теорију Бернулија је у томе што се изводи n независних  екперимената  и  у  сваком  се  појављује  случајан  догађај  А  с  вероватноћом  p(A).

095 ⎛ x ⎞ − 0. 05 < 0. 05⋅.  оценити  вероватноћу  да  је  апсолутна  вредност  фреквенције  неисправних  грејача  мања  од 0.5%  p⎜ 20000 ⋅ 0.  Уколико  су  та  одступања  у  различитим смеровима.905  или 90.  тада  ће  збир  дејства  тих  фактора  довести  до  тога  да  ће  обележје посматране појаве имати нормалан распоред вероватноћа. ЦЕНТРАЛНА ГРАНИЧНА ТЕОРЕМА    Најопштији  облик  централне  граничне  тореме  дао  је  руски  математичар  Михајлович Александар Љапунов.95.  Ако  се  на  неку  масовну  појаву  спроводи  више  посматрања  тада  варирање  посматраних  обележја  утиче  низ  незнатних  фактора  који  утичу  на  одступање  вредности  обележја  аритметичке  средине.7. 0052 ⎝ 20000 ⎠ Одговор:   Вероватноћа  да  је  апсолутна  вредност  разлике  фреквенције  неисправних  грејача мања од 0. ε = 0. 005 ⎟ > 1 − = 0. У статистичкој  пракси  највише  се  примењује  нормалан  распоред  за  апроксимацију  емпи‐ ријских распореда.  Пример:   Вероватноћа  појединих  неисправних  грејача  за  бојлере  је  0. 005   ⎛ x ⎞ p⋅q   p ⎜ − p < ε ⎟ > 1− n ⋅ε 2 ⎝n ⎠ 0. ако се производе 20000 грејача.005. Све теореме  имају  задатак да пронађу услове под којима је гранични закон распореда веро‐ ватноћа нормални закон – Гаусов закон распореда вероватноћа.5%.        166  . 05.005 износи 90. тада ће њихов збир одступања од аритметичке средине  бити  мали.  Решење:   n = 20000.05.  Ако  ти  независни  случајни  фактори  врло  мало  мењају  ток  посматране  поаве.    5. Ову теорему чине више теорема. q = 0. p = 0.

.  при  чему  n → ∞   неограничено  приближава  нормалном  распореду  са  матема‐ тичким очекивањем  n n i =1 i =1 ∑ E ( xi )  и варијансом  ∑ σ x 2 ( xi )  тада је:  lim p(a < x →∞ n n i =1 i =1 ∑ xi − ∑ E ( xi ) n ∑σ i =1 2 x ( xi ) 2 a u − 1 2 < b) = = F (b) − F (a)   e 2Π ∫b Вредности за F(a) и F(b) очитава се из таблице V у прилогу ове књиге.. x2 .  Решење:  μ1 = 10. + xi + .... xn ... n  и  варијансе  σ x 2 ( xi ) = σ 2 .  тада  распоред  вероватноћа  случајне  променљиве:  x= x1 + x2 + .. па је   )  Пример:   Случајна  променљива  yn је  аритметичка  средина  2500  на  случајан  начин  изабраних  радника  чије  су  зараде  математичко  очекивање  11 ⋅103 динара  и  варијанса  25 ⋅106 .3 ⋅103  динара.8. μ2 = 11. + xn   n Тежи нормалном распореду с параметрима  μ  и  x ∼ N (μ ... xn независне  са  истим  распоредом вероватноћа и математичким очекивањем  E ( xi ) = μ .3. i = 1... xi ..... n = 2500         167  .. i = 1. σ x 2 = 25.. xi ..  Ако  је  низ  узајамно  независних  случајних  променљивих  x1 . x2 ... 2.. n . 2.  Исто  тако  ако  су  случајне  променљиве  x1 .. E ( xi ) = 11. Колика је вероватноћа да ће просечна зарада радника бити у  интервалу  10.. σ n σ n ..8 ⋅103  до  11....

3 ⎟ = p ⎜ < < p ⎜10. 0228 = 0.9772) = 1 ⎜ ⎟ ⎜ ⎟ 10 ⎝ ⎠ 0.8 − 11 ∑ [ xi − E ( xi ) ] 11.8.9987 − (1 − 0.3 − 11 ⎟ i =1 i =1 ⎟= < 11.59%.59%   Одговор:   Вероватноћа да ће просечна зарада радника бити у интервалу од  10.                          168  . ⎟ 10 ⎠ ⎝ = ⎞ ⎟ < b ⎟ = F (b) − F (a) ⎟ ⎟⎟ ⎠ 2500 2500 ⎛ ⎞ ⎛ ⎞   xi ∑ ⎜ ⎟ ⎜ 10.8 < 1 1 1 2500 ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ 10 ⎟ 10 10 ⎝ ⎠ ⎝ ⎠ 2500 ⎛ ⎞ ∑ [ xi − E ( xi )] ⎟ ⎜ p ⎜ −2 < i =1 < 3 ⎟ = F (3) − F (−2) = 0. ⎟ 10 ⎠ ⎝ ⎛ ⎜ p⎜a < ⎜ ⎜⎜ ⎝ n n ∑ x − ∑ E(x ) i =1 i i =1 n ∑σ i =1 i 2 x ( xi ) σi 25 5 1 = = 50 10 n 2500   1⎞ ⎛ и x ∼ N ⎜11.9759 или 97.9987 − 0.  σ x2 = σ2 ⇒σx = n 1⎞ ⎛ x ∼ N ⎜10.3.3 ⋅103  динара износи 97.8 ⋅103  и  11.

. pi .. + xn pn = ∑ xi pi   i =1   Врло  често  се  у  статистичкој  теорији  очекивана  вредност  случајне  про‐ менљиве Х поистовећује са аритметичком средином основног скупа  μ ..  а код очекиване вредности  E ( x) стварне вероватноће  pi ..                169  . ОЧЕКИВАНА ВРЕДНОСТ ПРЕКИДНЕ   СЛУЧАЈНЕ ПРОМЕНЉИВЕ    Очекивана  вредност  Е ( x) представља  централну  тенденцију  вредности  слу‐ чајне  променљиве  Х..2. i = 1. 2. pn ⎭ i =1   Тада се очекивана вредност изражава на основу релације:    n E ( x) = x1 p1 + x2 p2 + x3 p3 + . n .... 2.    E ( x) = μ     Постоји  разлика  између  израчунавања  аритметичке  средине  узорка  x   и  очекиване  вредности  E ( x) . n  које одго‐ варају припадакућим вредностима прекидне случајне променљиве  xi .  Она  се  састоји  у  томе  што  се  код  аритметичке  вредности средине узорка  x  узимају релативне фреквенције  ( f r )i .  5.... n ....  Ако  се  пође  од  прекидне  случаје  променљиве  Х  која  има  закон распореда вероватноћа:    ⎧ x x x . xi ....... xn ⎫ n x=⎨ 1 2 3 ⎬ . i = 1. i = 1... ∑ pi = 1   ⎩ p1 p2 p3 . + xi pi + ..8..

∑ pi = 1 ⎩0.45  жица.  Пример:   На  једној  машини  производи  се  жица  дебљине  2mm.20  0.  p = 1            E (C ) = C ⋅1 = C   E (C ) = C 170  .  На  основу  30  узорака  од  по  100  жица.00  /  Број неисправних  Број узорака   жица  ( xi )   ( fi )   0    Решење:  Закон распореда вероватноћа прекидне случајне променљиве х:  1 2 3 4 5 ⎫ 6 ⎧ 0 x=⎨ ⎬ .27  0.94  5  2  0.10  0.  односно  просечан  број  неисправних  жица у основном скупу износи 2.10  1  6  0. 27 + 4 ⋅ 0.20  0.30  2  5  0.17  0. која има само једну константну вредност С.47  3  8  0. 06 ⎭ i =1 E ( x) = x1 p1 + x2 p2 + x3 p3 + x4 p4 + x5 p5 + x6 p6   E ( x) = 0 ⋅ 0.17 + 3 ⋅ 0.  добијен  је  распоред  неисправних  жица. 06 E ( x) = 2. Очекивана вредност прекидне случајне променљиве  E ( x) . 20 0. једнака је тој константи С. 27 0. 20 + 2 ⋅ 0.17 0.06  1. са вероватноћом   један.  Врши  се  контрола  и  у  узорак  се  узима  100  жица  и  притом  се  утврђује  колико  је  неисправних.10 0.74  4  6  0.    Вероватноће  релативне  Кумуланта  вероватноће  фреквенције  ( pi )   ( Pki )   3  0. 20 0. 45 Одговор:   Очекивана  вредност  износи  2. 20 + 5 ⋅ 0.45 комада.10 + 1 ⋅ 0.  Израчунати очекивану вредност.00  укупно  30  1.  Математичко  очекивање  прекидне  случајне  променљиве  E ( x) има  следеће  особине:  1.

  б) Израчунати  E (5 x). G = 2 x 2 + 1 . H = 4 x + 2.  E ( x ± c) = E ( x) ± c   6.  Очекивана  вредност  производа  пркидне  случајне  променљиве  E ( x) i  константе  k. једнака је нули  E [ x − E ( x) ] = 0   Пример:   Користећи податке из предходног примера израчунати:  а) Одредити нове прекидне случајне променљиве:   y = 4 x. 27 0. z = x 2 . E ( x + 3) .  2.10 0.  E (k ⋅ x) = kE ( x)   3.  једнака  је  производу  очекиване  вредности  E ( x)   и  те  случајне  променљиве и константе k. k = x − 4. 20 0. ∑ pi = 1   ⎩0. Очекивана врност збира и разлике две прекидне случајне променљиве Х и Y  једнака је збиру или разлици њихових очекиваних вредности  E ( x ± y ) = E ( x) ± E ( y )   4.  Очекивана  вредност  производа  две  прекидне  случајне  променљиве  Х  и  Y  једнака је производу очекиваних вредности:  E ( x ⋅ y ) = E ( x) ⋅ E ( y )   5.  Решење:  а)  1 2 3 4 5 ⎫ 6 ⎧ 0 x=⎨ ⎬ . Очекивана вредност одступања вредности прекидне случајне променљиве од  очекиване вредности.17 0. 06 ⎭ i =1       171  . E = x + 3. Ако се вредност случајне променљиве Х увећа или умањи за неку константну  вредност  С. 20 0.  очекивана  вредност  је  једнака  збиру  или  разлици  очекиване  вредности те променљиве и константе С.

20 0. 20 0. 06 ⎭ i =1 ⎧ 4 ⋅ 0 + 2 4 ⋅1 + 2 4 ⋅ 2 + 2 4 ⋅ 3 + 2 4 ⋅ 4 + 2 4 ⋅ 5 + 2 ⎫ H = 4x + 2 ⎨ ⎬= 0. 20 0. 06 ⎭ ⎩0. 06 ⎭ ⎩0. ∑ pi = 1 ⎩0. 27 0. 20 0.10 0.  4 8 12 16 20 ⎫ 6 ⎧ 4 ⋅ 0 4 ⋅1 4 ⋅ 2 4 ⋅ 3 4 ⋅ 4 4 ⋅ 5 ⎫ ⎧ 0 y = 4x = ⎨ ⎬=⎨ ⎬ . 20 0. 27 0.17 0. 20 0. ∑ pi = 1 ⎩ 0. E (5 x) = 5 ⋅ 2. 27 0. 20 0.17 0.10 0.10   6 10 14 18 22 ⎫ 6 ⎧ 2 ⎨ ⎬ . 06 ⎭ i =1 0 1 ⎫ n ⎧0 − 4 1 − 4 2 − 4 3 − 4 4 − 4 5 − 4 ⎫ ⎧ −4 −3 −2 −1   k = x−4 = ⎨ ⎬=⎨ ⎬ . 20 0. 20 0.10 0.17 0. 27 0. 06 ⎭ ⎩0.17 0. 27 0.17 0. 20 0. ∑ pi = 1 ⎩0. 20 0. 06 ⎭ i =1 б)  E ( x) = 2. 06 ⎭ i =1   1 4 9 16 25 ⎫ n ⎧ 02 12 22 32 42 52 ⎫ ⎧ 0   z = x2 = ⎨ ⎬=⎨ ⎬ .17 0.17 0.17 0.10 0.10   3 9 19 23 51 ⎫ 6 ⎧ 1 ⎨ ⎬ . 20 0. 06 ⎭ i =1 4 5 6 7 8 ⎫ n ⎧0 + 3 1 + 3 2 + 3 3 + 3 4 + 3 5 + 3 ⎫ ⎧ 3   E = x+3= ⎨ ⎬=⎨ ⎬ .10 0. 45 E (kx) = kE ( x). 20 0. 20 0.17 0. 20 0.10 0. ∑ pi = 1 ⎩0. 20 0. 27 0. 27 0.17 0. 06 ⎭ ⎩ 0. 20 0. 27 0.10 0. 20 0.10 0. 45 = 12.10 0. 27 0. 20 0. 27 0. 27 0. 45 + 3 = 5. 25 комада E ( x + c) = E ( x) + c = E ( x + 3) = E ( x) + 3 = 2. ∑ pi = 1 ⎩0. 20 0.17 0. 20 0. 06 ⎭ ⎩0.10 0. 20 0. 20 0. 20 0. 27 0.17 0. 06 ⎭ i =1 ⎧2 ⋅ 02 + 1 2 ⋅12 + 1 2 ⋅ 22 + 1 2 ⋅ 32 + 1 2 ⋅ 42 + 1 2 ⋅ 52 + 1⎫ G = 2 x2 + 1 = ⎨ ⎬= 0. 45 комада                 172    . ∑ pi = 1 ⎩ 0. 06 ⎭ ⎩ 0.

.  Изражава  се  у  истим јединицама у којима су изражене и вредности случајне променљиве Х. 2..  σ x = σ x2   Коефицијент  варијације  прекидне  случајне  променљиве  Х  израчунава  се  по  формули:  Vx =       σx E ( x) ⋅100 = 173  σx ⋅100   μ ..8. тада је  σ x2 = E [ x − μ ]   2 ако се уместо Х уврсте појединачне вредности  xi .. n  и припадајуће  вероватноће  pi .. n .  Варијанса прекидне случајне променљиве Х представља очекивану вредност  квадрата одступања случајне величине Х од њене очекиване вредности  E ( x) . Уводи  се мера варијације варијанса  σ x 2 .  зато  што  се  на  основу  очекиване  вредности  не  може рећи  колико су поједине вредности  xi . следи:  n σ x 2 = ∑ xi 2 ⋅ pi − μ 2   i =1 Стандардна  девијација  σ x   је  квадратни  корен  из  варијансе.  5. добиће се  n σ x 2 = ∑ ( xi − μ )2 ⋅ pi   i =1 када се овај израз квадрира. i = 1. 2... i = 1.  σ x 2 = E [ x − E ( x) ]   2 ако је  E ( x) = μ ..  и  ако  им  се  закони  распореда  вероватноћа  значајно  разликују.  тада  очекивана  вредност  не  може  да  окрактерише  у  потпуности  посматрану  случајну  величину.. i = 1...1 Варијанса прекидне случајне променљиве   Када  посматране  прекидне  случајне  променљиве  Х  и  Y  имају  једнаке  очекиване  вредности. 2. n  расуте око ње..

20 0.1485 0.31 0.68 2.20 0.20 0.43 3.80 0.06 1.00  0.4805  0.27 0.3 2.00 xi ⋅ pi   xi ⋅ pi   0.20 0.  Нормализовано  или  стандардизовано  одступање  прекидне  случајне  променљиве Х изражава се на основу израза:  ux = x − E ( x) σx = x−μ   σx Пример:  На  основу  података  из  предходног  примера  о  производњи  жица  дебљине  2mm израчунати:  а) Варијансу  σ x 2   б) Стандардну девијацију  σ x   ц) Коефицијент варијације  Vx   д) Нормализовано одступање  u x .81 0.39015  2.29 ‐0.34 0.153 / [ xi − μ ]2 ⋅ pi   μ = 2.01 2 [ xi − μ ] ⋅ pi μ = 2. 45 n σ x 2 = ∑ xi 2 ⋅ pi − μ 2 i =1 σ x = 8.17 0.034425  0. 45   0.50 8.60025  0.20 1.0075    Радна табела за израчунавање варијансе прекидне случајне променљиве  а)  E ( x) = μ = 2. 45 ‐0. за х=3  Решење:  Табела 37.081675  0. 0075       174  2   .00  0.10  0. 45 2 σ x 2 = 2. Радна табела  Број  неисправних  Број  узорака Вероват ноће жица ( xi )   ( fi )   ( pi )   0  1  2  3  4  5  укупно  3  6 5 8 6 2 30 0. 01 − 2.45 0.4205  0.245  ‐0.0765 0.

 од очеки‐ ваног просечног броја неисправних жица у основном скупу је 2.  б)  σ x = σ x2 σ x = 2.  одступа  од  очекиване  вредности  за  0.4168  комада. 0075 = 1.828%. 45   Vx = 57. 4168   Одговор:   Средња  мера  одступања  појединачног  броја  неисправних  жица  од  очеки‐ ваног  просечног  броја  неисправних  жица  у  основном  скупу  износи  1.  од  очекиване вредности.0075.  Одговор:   Просек квадрата одступања појединачног броја неисправних жица. 4168 ⋅100 = ⋅100 μ 2.              175  .828% Одговор:   Стандардна  девијација  прекидне  случајне  променљиве  износи  57.3881  стандардних девијација изнад очекиване вредности. Иста вре‐ дност је добијена у радној табели у последњој колони. 45 = 0. 4168 Одговор:   Број  неисправних  жица  од  3.3881   1.  д)  ux = x−μ σx = 3 − 2.  ц)  Vx = σx 1.

Варијанса константе С једнака је нули:    σ x 2 (C ) = 0   3.82   E ( y ) = 1⋅ 0. једнака је збиру варијанси тих случајних променљивих:    σ x2 ( x ± y) = σ x2 + σ y 2     Пример:   Дате  су  две  прекидне  случајне  променљиве  Х  и  Y  са  законом  распореда  вероватноћа.18⎭ i =1   2 3 4 ⎫ n ⎧ 1 y=⎨ ⎬ . 22 + 0 ⋅ 0. 48 Варијансе прекидне случајне променљиве Х и Y:        176  .    σ x 2 (k ⋅ x) = k 2 ⋅ σ x 2   4.15 + 2 ⋅ 0. Ако се прекидна случајна променљива Х помножи константом k. ∑ pi = 1 ⎩0.18 = 0. израчунати варијансу нове прекидне случајне променљиве Х+Y.35 + 2 ⋅ 0.25 + 3 ⋅ 0. варијанса  нове прекидне случајне променљиве једнака је производу квадрата  константе k и варијансе  σ x 2 . 23 0. Варијанса прекидне случајне променљиве увек је позитивна или једнака  нули:  σ x2 ≥ 0   2. 23 + 4 ⋅ 0.15 0. 42 + 3 ⋅ 0.  Варијанса прекидне случајне променљиве  σ x 2  има следеће особине:  1. 20 = 2. 22 0. 42 0. Варијанса збира и разлике две независне прекидне случајне променљиве  Х и Y .35 0. ∑ pi = 1 ⎩0.  0 2 3 ⎫ 4 ⎧ −1 x=⎨ ⎬ . 25 0. 20 ⎭ i =1 Решење:  E ( x) = −1⋅ 0.

89 = 3.3 и 4. 48   E ( x + y ) = 3.1331 + 62 ⋅ 0.  ако је  σ x 2 = 2.1172   Пример:   Израчунати  варијансу  нове  прекидне  случајне  променљиве  Z = 8 x − 5 y + 4 .9496 = 3.52 + 0 = 193.1449 0.162 + +42 ⋅ 0.9496   σ x 2 + σ y 2 = 2.1676 + 0. 033 + 12 ⋅ 0. 20 − 2.52           177  . 036 ⎭ i =1 n ∑ = 1  j =1 E ( x + y ) = 0.35 + 22 ⋅ 0.1331 0. 033 0.1172 Одговор:   На конкретном примеру показана је четврта особина варијансе:  σ 2 ( x + z ) = σ x 2 + σ y 2 = 3. 43 + 52 ⋅1.52   Одговор:   Варијанса нове прекидне случајне променљиве Z износи  σ z 2 = 193.  σ x 2 = (−1) 2 ⋅ 0.32   σ 2 ( x + y ) = 14.82 + 2.162 0. 42 + 32 ⋅ 0.18 − 0. 202 0. 23 + 42 ⋅ 0. 0914 + 7 2 ⋅ 0. 0072 − 10.822 = 2. 43  и  σ y 2 = 1.1172 Закон распореда нове прекидне случајне променљиве Х+Y:  1 2 3 4 5 6 7 ⎫ n ⎧ 0 x+ y =⎨ ⎬∑ ⎩0.52   Решење:   На основу особине 2. 202 + 52 ⋅ 0.25 + 32 ⋅ 0.1676 σ y 2 = 12 ⋅ 0.1976 + 32 ⋅ 0. 22 + 02 ⋅ 0. варијанса нове прекидне случајне променљиве је:  σ z 2 = 82 ⋅ σ x 2 + 52 ⋅ σ y 2 + σ 2 (4) = 82 ⋅ 2.15 + 22 ⋅ 0.1976 0.3 чија је варијанса:  σ 2 ( x + y ) = 02 ⋅ 0. 0914 0. 036 − 3. 48 = 0.1449 + 22 ⋅ 0.

  Значајно  је  напоменути.  Техника  избора  јединица  из  основног  скупа  у  узорак  зависи  од  врсте  осно‐ вног  скупа.  Због  тога  и  кажемо  да  на  основу  узрока  са  мањом  или  већом  поузданошћу  процењујемо  тражене карактеристике основног скупа.  Начин  избора  јединица  из  основног  скупа  у  узорак  у  првом  реду  зависи  од  врсте и карактера тог основног скупа као и од циља истраживања.6.  он  никада  неможе  да  по  свим  својим  карактеристикама  буде  индентичан  свом  основном  скупу. Он представља.  Разуме  се  да  ма  како  прецизно  буду  изабране  јединице  у  узорак.  односно  када  је  амплитуда  варијације  посматраних  обележја  мала  или  када  је  дистрибуција  јединица  основног  скупа  у  времену  и  простору  таква  да  се  непосредни  избор  178    . Због тога кажемо да је закључивање у оквиру анализе на основу узрока у  ствари процењивање појединих карактеристика посматраних појава.  сваки  узорак  којег  желимо  да  добијемо  из  основног  скупа  мора  да  буде  сличан  свом  основном  скупу  и  да  јединице  изабране  у  узорак поседују сва она обележја основног скупа.  да  је  предмет  анализе  на  основу  узрока  зако‐ номерност  и  све  остале  карактериситке  разних  варијација  обележја  масовних  појава. која су предмет истраживања. Међутим. МЕТОД УЗOРКА    Анализа на основу узрока састоји се у томе да све карактеристике основног  скупа  или  масовне  појаве  процењујемо  помоћу  једног  њеног  дела.  у  стати‐ стици се сматра да само метод случајног избора обезбеђује репрезентативност  узорка  и  довољан  степен  поузданости  судова  и  процена.  Примена принципа случајног избора може бити непосредна када избор вршимо  из основног скупа без икаквог предходног расчлањивања или делења тог осно‐ вног скупа на подскупове по хоризонталном или вертикалном смеру. а не изра‐ чунавање тих карактеристика.  али  без  обзира  на  начин  на  који  ћемо  тај  избор  извршити.  који  се  најчешће назива узорак. репрезентује појаву или скуп коме при‐ пада и из кога је узет. То је случај  када  основни  скуп  показује  висок  степен  хомогености.  Принцип  слу‐чајног  избора подразумева такав поступак формирања узорка у коме ће све јединице  основног  скупа  под  једнаким  условима  бити  у  могућности  да  буду  узорак.  јер  ће  се  увек  јављати  мања  или  већа  разлика  између  њих.  а  да  је  метод  заснован  на  посматрању  само  једног  дела  тих  масовних  појава. без  обзира  на  све  околности.

Статификовани  узорак  се  добија  из  основног  скупа  који  је  предходно  подељен у хоризонталном смеру на подскупове или стратуме.може  тако  извршити.  Хетеро‐ геност  основног  скупа  може  бити  заснована  на  разним  факторима  који  условљавају  варијабилитет  посматраних  обележја. Вишестепени узорак  4. стотине  или  хиљаде  бити  узето  у  узорак. Основ по ко‐ ме  се  врши  ова  подела  или  статификација  јесте  процена  степена  хомо‐ гености  основног  скупа.  како  би  случајним  избором јединица постигли да из сваког тог хомогеног подскупа добијемо у  узорак  приближно  исти  састав  као  што  је  био  и  у  основном  скупу.  Када  се  принцип  случајности  избора  јединица  из  основног  скупа  у  узорак  примењује посредним путем. Вишефазни узорак  5.  На  овај  начин  се  добијају  прости  случајни  узорци.  3. Вишестепени  узорци  су  они  који  се  добијају  случајним  избором  основног  скупа  који  се  предходно  дели  на  подскупове.  2.  било  да  се  ради  о  атри‐ бутивним или нумеричким обележјима.  што  у  ствари  указује  једино  на  околност  да  ли  је  или  није  основни скуп предходно дељен у ма ком смислу. онда се ту ради о узорцима са ограничењем. Статификован или класификациони узорак је такав случајни узорак у коме су  јединице  добијене  из  основног  скупа  уз  предходну  примену  неког  метода  класификације  или  посебног  груписања.  За  избор  прве  јединице  односно  њене  цифре  корстимо  таблицу  случајних  бројева.  стотина  и  сл. У ову  групу узорка по принципу случајности спадају:  1.  тако  да  је  био  тачно  означен  и  утвђњн  њихов  редослед.  па  се  на  основу  позна‐ вања њиховог броја одређује колико ће јединица из сваке десетице. што  подразумева неку врсту предходне поделе или разврставања јединица основног  скупа у хоризонталном или вертикалном смеру.  Најпростији  случај  имамо  када  су  јединице  основног  скупа  означене  редним  пројем  од  1  до  N. Систематизован или класификоциони узорак  2.  179    .  што  значи  да  се  на  овај  начин  сваки  хетероген  основни  скуп  предходно  дели  на  хомогене  подскупове.  али  по  неком  хијерархиском  принципу у вертикалном смеру. по времену или простору.  служимо  се  истим  редним  бројем  прве  изабране  јединице. Статификован узорак  3.  Овај  метод непосредног избора по принципу пуне случајности назива се још и избор  без  ограничења.  а  за  избор  јединица  из  осталих  десетица. Узорак скупова    1.

 а велики по стопи одабирања  већој од 6%.  Закључивање на бази већих узорака увек ће дати реалније резултате него на  бази  малих  узорака.  ако  узорци  имају  више  од  30  јединица  (n>30). па се ти подскупови сматрају као  јединице  које  се  слободним  избором  узима  у  узорак.  Предпоставка  за  примену  овог  метода  избора  јединица  основног  скупа  у  узорак  јесте  да  тај  основни скуп има довољно висок степен хомогености.  То  је  пре  свега  величина  подскупова  на  које  ћемо  поде‐ лити основни скуп.  Друга  предпоставка  која  условљава  примену  овог  метода  избора  и  формирања  узорка  јесте  да  су  јединице  основног  скупа  расуте  на  великом  простору  или  територији.  5.  180    .  Зато  се  између  ових  принципа  треба  определити  за  оптималну  величину  узорка  и  притом  пазити  на  циљ  истраживања  као  и  на  поузданост процена која ће се доносити.  јер  се  степен  поузданости  у  таквим  закључивањима  кроз  две  или  више  фаза.4. односно да код њега  није  велика  амплитуда  варијација  обележја  која  су  предмет  истраживања. како  се неби десило да добијемо сувише велики или сувише мали број јединица у  коначном  узорку.    6.  Примењује  се  у  оним  случајевима  када  нам  није  могуће  из  било  којих  разлога да вршимо непосредно посматрање појава и њиховог обележја који  су  предмет  истраживања. ОПТИМАЛНА ВЕЛИЧИНА УЗОРКА  Према  броју  јединица  који  се  узимају  у  узорак.  треба  напоменути  да  се  овде  мора  пазити  на  чињеницу  да  је  процена  коју  ћемо  донети  доста  ризична. Овде се мора поштовати и неки специфични принципи.  Исто  тако  величина  узорка  се  може  одредити  и  величином  стопе  или  фракције  одабирања.  Предпоставка за примену овог метода избора узрока јесте да смо предходно  установили висок степен повезаности појава коју ћемо узети као посредника  у  истраживању  са  појавом  која  је  стварни  предмет  истраживања.  Међутим. Узорак скупова добија се слично као и код статификованих узорка. Основни  скуп  се  предходно  подели  са  виже  подскупова  који  су  по  свом  саставу  и  карактеристикама међусобно врло слични. Вишефазни узорци су они који се користе у методу посредног истраживања.1.  па  се  формирањем  подскупова  постиже  поједно‐ стављење рада.  узорци  се  деле  на  мале  узорке.  удаљава  од  степена  поузданости  судова код непосредног посматрања и истраживања.  ако  је  број  јединица  мањи  од  30  (n<30)  и  на  велике.  па  се  сматра  малим  узорком  онај  узорак који је добијен по стопи одабирања од 5%.  него  то  мора  да  чинимо  преко  неке  друге  појаве  или  обележја  који  са  предметом  истраживања  стоје  у  некој  блиској  вези.

  Тако  је  оптимална  величина  узорка  сразмерна вредности варијансе основног скупа.  о  њима  се  мора  водити  рачуна приликом истраживања оптималне величине узорка.  Зато  се  код  одређивања оптималне величине узорак мора рачинати и са одређеним ри‐ зиком грешке α.  - Критеријум  који  мора  да  задовољи  оптимална  величина  узорка  је  поузданост  оцене  непознатих  вредности  параметара  основног  скупа  а  оце‐ њују  се  на  основу  података  из  узорка. Оцена је мање прецизна ако се смањује вличина узорка. Величина узорка без понављања    n= σ ⋅ N ⋅ u2 2 ( N − 1) ⋅ E 2 + u 2 ⋅ σ 2 n ‐ број елемената у узорку  σ2 ‐варијанса  N ‐ број елемената у скупу  u‐ вероватноћа из таблице  E‐ ширина интервала          181      .  Тај  степен  поузданости  оцене  вре‐ дности  параметара  основног  скупа  изражава  се  вероватноћом  (1‐α)  или  разликом грешке α.    1. од чије ширине зависи  и прецизност оцене непознатих параметара основног скупа.  па  се  у  том  случају  мора  узети  у  обзир  величина  стандаризованог  обележја  u  (прочита се из таблице) која се оцењује на основу задатог ризика грешке α. Уколико су обе‐ лежја у основном скупу мало веријабилна.  Оцена  је  прецизнија  ако  се  повећава  величина  узорка  и  смањује  интервал  поверења. повећава се  ризик грешке α а притом се проширује интервал поверења. Изабрани узорак мора бити репрезентативнан и притом  постоји  могућност  прављења  грешака  код  доношења  оцене.За утврђивање оптималне величине узорка мора да се испуне и следећи кри‐ теријуми:  - Како  су  обележја  у  основном  скупу  варијабилна. у узорк треба бирати мањи број  јединица  и  обрнуто.  - Оцена основног скупа доности се на основу репрезентативног узорка па се у  том случају користи одређени интервал поверења 2Е.  - Оптимална  величина  узорка  сразмерна  је  величини  поузданости  оцене.  Варијансом(σ2)  се  изражава  варијабилност  вредности  обележја  јединица  у  основном  скупу.

 σ2= 4. 65 ⋅ 4 1499 + 10. σ=5. 06 n ≈ 44   Одговор:  У узорак треба узети 44 домаћинстава    Пример:  У  воћњаку  има  1500  стабала  јабука.45% => u= 2  52 ⋅ 5000 ⋅ 22 25 ⋅ 5000 ⋅ 4 500000 n= = = 2 2 2 (5000 − 1) ⋅1. 2E= 2.89 n ≈ 11 n= Одговор:   У узорак треба узети 11 стабла јабука  182    . са вероватноћом 90% у циљу оцене просечног приноса. 90% => u=1.89 1509.45%  у  циљу  провере  месечне  потрошње  млека  ако  се  зна  да  је  стандардна  девијација  (σ)основног  скупа  5  литара.98  подаци су узети из таблице  Пример:  У једном граду има 5000 домаћинстава.Степен вероватноће  Вредност за u  95. ако се зна да је  варијанса основног скупа 4 килограма. уз интервал поверења од 2 килограма.65  u= 2.  уз  интервал  поверења од 3 литра. Колико домаћинсатава треба узети у  узорак  са  вероватноћом  95. 652 16335 16335 = = = 10.  Колико  стабала  јабука  треба  узети  у  узорак.65  n= σ 2 ⋅ N ⋅ u2 ( N − 1) ⋅ E 2 + u 2 ⋅ σ 2 4 ⋅1500 ⋅1. 25 + 4 ⋅ 25 11347.  Решење:  N= 5000. 2E=3. 95.81   2 2 (1500 − 1) ⋅1 + 1.    Решење:  N=5000.73%  u= 1.58  u= 1.96  u= 2. 75   n = 44.45%  u= 2  90%  99%  95%  99.5 + 2 ⋅ 5 4999 ⋅ 2.

Велчина узорка са понављањем    2 ⎛ σ ⋅u ⎞ n=⎜ ⎟   ⎝ E ⎠   Пример:  У једном предузећу запослено је 400 радника. Колико радника треба узети у  узорак  уз  вероватноћу  90%.2.9 ⎞ n=⎜ =⎜ = 10. 25 ⎠ n ≈ 107 Одговор:    У узорак треба узети 107 домаћинстава.    Решење:  ⎛ σ ⋅u ⎞ n=⎜ ⎟ ⎝ E ⎠ 2 2 2 ⎛ 5 ⋅ 2. 25 ⎠ ⎝ 1. ако се жели да интервал поверења не буде  шири  од  2.    Решење:  σ =1500.58 ⎞ ⎛ 12.5kg.50   ⎟ ⎟ ⎝ 1.          183    .95) 24.50   ⎝ 500 ⎠ n ≈ 25 Одговор:     У узорак треба узети 25 радника    Пример:  Колико треба узети у узорак домаћинстава ради оцене просечне потрошње  леба по домаћинству у целом граду.  и  ако  се  из  искуства  зна  да  је  стандардна  варијанса  основног  скупа 5 kg.322 = 106.  са  циљем  израчунавања  просечне  плате  у  динарима.65 ⎞ n=⎜ ⎟ = ( 4. Узорак је са понављањем са вероватноћом од 99%. ако се зна да је стандардна девијација основног скупа 1500 динара уз  интервал поверења од 1000 динара.   90% => u=1.   2Е = 1000.65  2 2 ⎛ 1500 ⋅1.

 на случајан начин изабрано је 10 радника који су у мају  месецу примили месечну плату у 103 динара:  69  73  58  42  56  84  54  63  90  85  а) израчунати интервал поверења. ако предузеће запошљава 200 радника. Величина тог интервала или распона мења се и зависи од степена  вероватноће или поузданости коју смо узели или која нам је задата.6. него ћемо је увек давати у неком распону. Израчунава се по обрасцу:  (x ± t ⋅ Sx )   x ‐ аритметичка средина узорка  t – степен вероватноће (вредност из таблице)  S x  ‐ стандардна грешка аритметичке средине  n Sx = ∑x i i =1 2 − n⋅ x n(n − 1) 2   Интервал  поверења  у  коме  се  процењује  вредност  аритметичке  средине  основног скупа гласи:  (x − t ⋅ Sx ) < x < (x + t ⋅ Sx )   Пример:   У једном предузећу.  Процена  аритметичке  средине  неће  никада  бити  донешена једним бројем. уз исту вероватноћу    184    . уз вероватноћу 95% у коме се може наћи про‐ сечна месечна плата у целом предузећу  б) израчунати у ком интервалу се може очекивати укупна маса исплаћених пла‐ та. интервалу. Тај распон  назива се интервал поверења или поузданости.2.  уз тачно утврђен степен вероватноће или поузданости са којом смо тај интервал  израчунали. ПРОЦЕЊИВАЊЕ АРИТМЕТИЧКЕ СРЕДИНЕ   ОСНОВНОГ СКУПА  Аритметичку  средину  основног  скупа  процењујемо  на  основу  аритметичке  средине  његовог  узорка.

935 56.36 90 S x = 4.  (10‐1)=9.  185    .935∙103 динара  x − t ⋅ Sx ≤ x ≤ x + t ⋅ Sx   (Вредност t очитава се из таблице. 62 ⋅ 4. 76 = 10(10 − 1) 10 ⋅ 9   2192. 4 − 2. 262 ⋅ 4.262)  67. 4 24. 42 47620 − 10 ⋅ 4542. 4 = 69 + 73 + 58 + 42 + 56 + 84 + 54 + 63 + 90 + 85 674 =   10 10 Одговор:   Просечна месечна плата 10 радника у узорку је 67.935 Sx = Одговор:   Оцена  средње  мере  одступања  аритметичких  средина  узорка  од  аритме‐ тичке средине основног скупа износи 4. прво се израчунава степен слободе r = n‐1. 4 + 2. 237 ≤ x ≤ 78. 935 ≤ x ≤ 67.  а  ризик  грешке  је  α=0.4∙103 динара  n ∑x Sx = 10 ∑x i =1 i Sx = i =1 i 2 − n⋅ x 2 n(n − 1) 2 = 692 + 732 + 582 + 422 + 562 + 842 + 542 + 632 + 902 + 852 = 47620 47620 − 10 ⋅ 67.Решење:  а)  10 x= ∑x i i =1 n x = 67.05%  за  вероватночу  од  95%  (Студентов  распоред или t дистрибуција вредности за t=2. 563   Одговор:   Уз  ризик  грешке  5%  може  се  очекивати  да  ће  се  просечна  зарада  у  целом  предузећу налазити негде у интервалу од 56237 до 78563 динара.

42 135. 17.    Пример:  У фабрици за производњу ципела 15 радника су за један час рада залепили  пари ципела:  8. 12.4∙103 до 15712. 4 ≤ N x ≤ 15712. 15. 6457 15(15 − 1) 210 S x = 0.б) N = 200 радника  N ( x − t ⋅ Sx ) ≤ N x ≤ N (x + t ⋅ Sx ) 200 ⋅ 56. 12. 17. 4 15   Одговор:   Просечан број залепљених пари ципела је 14.8035   Oдговор:   Оцена  средње  мере  одступања  аритметичких  средина  узорка  од  аритме‐ тичке средине основног скупа износи 0. 18  а) У ком се интервалу може очекивати да се нађе просечан број залепљених  пари ципела у целом предузећу са вероватноћом 99%. 6 = = 0.563   11247.  186    .  уз  исту  вероватноћу  ако  предузеће  запошљава 150 радника. 16.4  15 Sx = ∑x 2 i − n⋅ x 2 i =1 n(n − 1) 15 ∑ xi 2 = 82 + 102 + 112 + 122 + 122 + 142 + 152 + 152 + 162 + 162 + 172 + 172 + 172 + 182 + 182 = 3246   i =1 Sx = 3246 − 15 ⋅14.  б)  Израчунати  тотал  основног  скупа. 11. 16. 10. 17. 237 ≤ N x ≤ 200 ⋅ 78. 14.6∙103  динара.  Решење:  а)  15 x= ∑x i n = 8 + 10 + 11 + 12 + 12 + 14 + 15 + 15 + 16 + 16 + 17 + 17 + 18 + 18   15 n 216 x= = 14.8035 пари ципела. 15. 18. 6 Одговор:   Уз вероватноћу 95% ризик грешке 5% може се очекивати да се маса укупно  исплаћена зарада 200 радника налази у интевалу од 11247.

    6. Из тих стратума на случајан начин бира се  по један прост случајан узорак и формира се стратификовани узорак. 7920 Одговор:   Код  15  радника  просечно  зелепљених  пари  ципела  уз  вероватноћу  99%  ризик грешке 1% је између 12 и 17.  б)  N = 150 N (x − t ⋅ Sx ) ≤ N x ≤ N (x + t ⋅ Sx ) 150(14.  Варијације  унутар  под‐ скупова је мања него варијације обележја између подскупова.  прост  случајни  узорак  неће  добро  репрезензовати  основни  скуп  а  за‐ кључци  о  основном  скупу  неће  бити  поуздани. 4 − 2.  него  што  је  код  простог  узорка.8035) ≤ N x ≤ 150(14. 607 ≤ N x ≤ 2162.8035 ≤ x ≤ 14.  подскупове који се називају стратуми. 4 − 2.97  12.x − t ⋅ Sx ≤ x ≤ x + t ⋅ Sx 14. 977 ⋅ 0.3. 0079 ≤ x ≤ 16. То резултира да  се  аритметичке  средине  појединих  стратума  значајније  разликују  а  стандардне  девијације у стратумима су мале.  Из  тог  разлога  врши  се  страти‐ фикација основног скупа. 392 Одговор:   У целој фабрици.8035 за 99% => t=2. 4 + 2. СТРАТИФИКОВАНИ УЗОРАК  Ако  се  јединице  основног  скупа  међусобно  разликују. 4 + 2. То значи да се основни скуп дели на хомогене делове.977 ⋅ 0.977 ⋅ 0.  основни  скуп  је  хете‐ роген.977 ⋅ 0.8035)   2157.  Стандардна грешка аритметичке средине код стратификованог узорка осно‐ вног  скупа  је  мања.        187    . уз ризик грешке 1% залепљено је од 2158 до 2162 пари ци‐ пела.

.. …. h) аритметичка средина узорка из сваког стратума    Аритметичка средина узорка стратума.  n ‐ број јединица у стратификованом узорку уз услов  n = h ∑ n . за негруписане податке  h xi = ∑x ij j =1 ni . …. да је:  N = h ∑ N . h   Варијанса распореда аритметичких средина узорка код стратификованог узо‐ рка:   188    . 2. 2.….  i =1 i xi  ‐ (i=1. h   за груписане податке  ni xi = ∑x j =1 ij ni ⋅ fi .  h – број стратума (подскупова)  Ni – ( i = 1.. ….. i = 1. h) аритметичке средине појединих стратума  услов је. 2.. 2..1..2. h) број јединица у појединим стратумима  µi – (i=1. 2. i = 1. h) број јединица из сваког стратума.  i =1 i Аритметичка средина стратификованог узорка израчунава се по формули:  h ∑ x ×n i i i=1 X st= h ∑n   i i=1 где је:  ni – (i=1.  Оцена аритметичке средине основног скупа на основу  стратификованог узорка  Аритметичка средина основног узорка µ израчунава се по формули:  h ∑μ ⋅N μ= i i =1 i   N где је:  N – број јединица у основном скупу.3..6.

 mi    За груписане податке у узорку  ni Si 2 = ∑ f (x i =1 i ij − xi ) 2 .. h)  добиће се:  N2 h σ i 2 ⋅Wi 2 i =1 ni σx = ∑ 2   Стандардна грешка аритметичке средине стратификованог узорка  h σ i 2 ⋅Wi 2 i =1 ni ∑ σx =   Оцена варијансе појединих стратума за негруписане податке у узорку  ni Si 2 = ∑ (x − xi ) 2 ij i =1 ni − 1 . h   где је:   хij.. (i = 1.. 2..(i = 1. 2.  N2   Ако израз  Ni2 .  j = 1. 2. 2...2.... h ) заменимо са  W1 . i = 1... 2.  ∑ ni i =1 h 189    .. h.... h   Оцена стандардне грешке аритметичке средине код стратификованог узорка  (основни скуп коначан а узорак са понављањем или основи скуп бесконачан или  врло велик):  Sx = Si 2 ⋅Wi 2 . 2. 2.. h)  варијанса у појединим стратумима основног скупа  i Ni2 − (i = 1. 2. ј'‐та јединица i‐тог стратума.... i = 1.n σ 2x = ∑ σ i 2 Ni 2 ⋅ ni i =1   N2 где је:  σ 2 − (i = 1. …... h   ni Стандардна девијација стратума  Si = Si 2 . …..... h )  релативне величине појединих стратума.. i = 1.. i = 1..

Wi ..  Интервал  поузданости  (интервал  поверења)у  коме  се  може  наћи  аритме‐ тичка средина основног скупа µ. ako je i ni ≤ 5%   Ni Оцена стандардне грешке (основни скуп коначан а узорак без понављања)  Sx = Si 2 ⋅Wi 2 Ni − ni ⋅ . На  сличајан начин изабрано је 200 радника.  У  циљу  испитивања  просечне  дневне  прераде  шећерне  репе  извршено  је  испитивање  на  основу  стратификованог  узорка.. ako ∑ ni Ni −1 i =1 h je ni ≥ 5%   Ni За оцену аритметичке средине основног скупа µ. h  израчунава се по формули:  Wi = mi   ∑ ni Ако заменимо:  Sx = ni ⋅ Si 2 h ∑n i =1 .. n ≥ 30. израчунава се на основу релације:  x st − uα ⋅ S x ≤ μ ≤ x st + uα ⋅ S x   за тотал основног скупа на основу релације:  N ( x st − uα ⋅ S x ) ≤ N ⋅ μ ≤ N ( x st + uα ⋅ S x )   Пример:  У фабрици за прераду шећерне репе запослено је 2000 радника различитих  година  старости. i = 1. у узорку мора бити број јединица једнак или већи од 30..2.  190    . уз порпорицоналан распоред.  при  чему  је  стра‐ тификација вршена према годинама старости. на основу стратификованог  узорка.

2 = = 0.1‐50.3.4 1. 2.1‐60.  N=2000. 4. За сваки узорак посебно:  191    . 325 = 65 n4 = 200 ⋅ 0.2  0.175 = 35   Основни  скуп  је  коначан.0 Укупно 600 650 400 350 2000 1. 2.  N1=600.0 30. 3.  n1 = 200 ⋅ 0.1‐40.4  /    Уз ниво поузданости од 95% израчунати:  а) Интервал поверења у коме се може наћи просечна прерада шећерне репе  код свих 200 радника  б) Тотал основног скупа  Решење:  а) Стратификовани узорак је пропорционалан распоредом.  а  узорци  су  формирани  без  понављања. Резултати испитивања просечне дневне прераде шећерне репе   Стратуми према  годинама старости  (X)  Број  радника  (Ni)  Просечна дневна  прерада репе  20. i=1. N3=400.1‐30.  добија  се  када  се  одоварајуће  пропорције помноже са бројем јединица у узорку.3  0.0 50. 2 = 40 n2 = 200 ⋅ 0. 3 = = 0. N2=650.2 2.325. 3 = 60 n3 = 200 ⋅ 0.5 / у t ( xi )  Оцењена стандардна  девијација у t (Si)  0. 4 = = 0.0 40. N4=350   Пропорција појединих стратума у основном скупу је:  N N1 600 N N 650 400 350 = 0.Табела 39.17   N 2000 N 2000 N 2000 N 2000 Просечан  број  јединица  у  стратуму.6 3.1  0.  мора се израчунати количник   .

5 Si2  Wi2  0.6 3.  Табела 40.1 или 10% > 5% = = 0.4  /   96.1  0. Радна табела  Ni  ni    600  650  400  350  2000  60 65 40 35 200 1.3  0.  израчунава се на основу формуле:  Si 2 ⋅Wi 2 Ni − ni Sx = ∑ ⋅   ni Ni − 1 i =1 h             192    .16 / 0.1 или 10% > 5% 2 = = 0.1056  0.1 или 10% > 5% N1 600 N2 650 n3 n 35 40 = 0.5 = 2.5 452. у стратификованом узорку  од 200 радника износи 2.1 или 10% > 5% 4 = N4 350 N3 400   Испуњен је услов да су сви узорци стратума већи од 30 и већи од 5%.09  0.2 2.01 0.04 0.0 52.  Оцена стандардне грешке аритметичке средине кос стратификованог узорка. 2625   200 i Одговор:  Просечна прерада шећерне репе по запосленом.0306    Аритметичка средина стратификованог узорка израчунава се по формули:  h x st = ∑x n i =1 h i i ∑n i =1 = 452.0 96.n1 60 n 65 = = 0.2625 тона.04  0.5 / Si  0.4 1.0 208.09 0.2  0.

0172829 Sx =   Одговор:   Оцена  средње  мере  одступања  аритметичких  средина  узорка  од  аритме‐ тичке средине основног скупа износи 0.0172829 тона. 04 ⋅ 0. 01⋅ 0. начазити се негде у интервалу од 2. 09 ⋅ 0. код свих 2000  запослених.појединачне вредности за Wi .    193    .96 ⋅ 0. 2286 ≤ μ ≤ 2.  код  свих  2000  радника. 0172829 ≤ μ ≤ 2. 2963 4457.325. 2 ≤ N ⋅ μ ≤ 4592.  налазити  негде  у  интервалу од 4457. 09 600 − 60 0.16 ⋅ 0. 0306 350 − 35 + ⋅ + ⋅ ⋅ + ⋅ 60 600 − 1 65 650 − 1 40 400 − 1 35 350 − 1 S x = 0. 04 400 − 40 0.05 може се очекивати да ће се уку‐ пна  дневна  прерада  шећерне  репе.6 тона. 2286 ≤ N ⋅ μ ≤ 2000 ⋅ 2.W3 = = 0.1056 650 − 65 0.2 до 4592. 2625 + 1.2963 тона. 2963 Одговор:     Уз ниво поузданости од 95% (ризик грешке 5%) шећерне репе. 2. 0172829   2. 2625 − 1. израчунавају се по формули:  Wi = ni h ∑n i =1 W1 = i 60 65 40 35 = 0.2286 до 2.    б) Тотал основног скупа израчунава се на основу релације:  N ( x st − uα ⋅ S x ) ≤ N ⋅ μ ≤ N ( x st + uα ⋅ S x ) 2000 ⋅ 2.3.175 200 200 200 200 S 2 ⋅W 2 N − n S 2 ⋅W2 2 N 2 − n2 S32 ⋅W32 N3 − n3 S4 2 ⋅W4 2 N 4 − n4 ⋅ + ⋅ + ⋅ Sx = 1 1 ⋅ 1 1 + 2 n1 N1 − 1 n2 N2 − 1 n3 N3 − 1 n4 N4 −1   0.96 ⋅ 0.95 и ризик грешке 0.W2 = = 0.    а) Интервал поузданости израчунава се по формули:  x st − uα ⋅ S x ≤ μ ≤ x st + uα ⋅ S x 2.W4 = 0. 6   Одговор:     Уз вероватноћу од 0.

6.  тада  разлика  аритметичке средине ових узорака х  и х .  За  негруписане  податке  у  узорку  аритметичке  средине  узорка  х   и  х   израчунавају се по формули:  h h x1 = ∑x i1 i =1 n1 ∑x j2 j =1 . онда  се  оне оцењују на основу оцене стандардне грешке разлике аритметичких средина  на основу израза:  n1 S ( x1 − x 2 ) = 2 i =1 j =1 n1 + n2 − 2 ако су подаци у узорку груписани:  194    n2 ∑ xi12 − n1 x1 + ∑ x j 2 2 − n2 x 2 2 ⋅( 1 1 + )  n1 n2 . онда се из овог скупа N1  формира узорак од  n1  јединица. x2 = n2   за груписане податке:  m1 x1 = ∑x i1 i =1 ⋅ fi1 m1 ∑f i =1 m2 .4 ОЦЕНА РАЗЛИКЕ АРИТМЕТИЧКИХ СРЕДИНА ДВА ОСНОВНА  СКУПА НА ОСНОВУ УЗОРКА   Ако  су  два  скупа  N1  и  N2  међусобно  независни  са  једнаким  варијансама  2 σ1 =σ22 и нормално су распоређени. x2 = ∑x j =1 j2 ⋅ f j2   m2 ∑f i1 j =1 j2 Стандардна  грешка  разлике  аритметичких  средина  узорка(варијансе  основних скупова σ12 и σ22 су познате) израчунава се на основу израза:  σ ( x −x ) = 1 2 σ12 σ 22 n1 + n2   Ако су варијансе  σ12  и σ22 непознае а подаци у узорку негруписани. Разлика аритметичких средина х  ‐ х   покорава се заккону нормалног распореда.  а  из  основног  скупа  N2  узорак  од  n2  јединица.

  У  првом  граду  има  3000  дома‐ ћинстава а у другом 1000 домаћинстава.  Познато је да је у првом граду стандардна девијација 1.21.2266. а из другог  града  изабрано  је  40  домаћинстава. n1=80 и n2=40.69  и  σ22=1. 69 1.32=1. У оба узорка број јединица је већи од 30.r ) ⋅ S( x1 − x2 )   Пример:  Плантажа  воћа  снабдевеа  два  града  воћем.m1 S ( x1 − x 2 ) = m2 ∑ xi12 fi1 − n1 x1 + ∑ x j 2 2 fi1 − n2 x 2 2 i =1 j =1 n1 + n2 − 2 2 ⋅( 1 1 + )  n1 n2 Ако су у узорку јединице n1 ≥ 30 и n2 ≥ 30 интервал поверења у коме се може  наћи разлика (збир µ1+µ2) између две аритметичке средине основних скупова µ1‐ µ2 на основу релације:  ( x1 − x2 ) − uα ⋅ S( x1 − x2 ) ≤ ( μ1 − μ2 ) ≤ ( x1 − x2 ) + uα ⋅ S( x1 − x2 )   ако  су  јединице  n1<30  и  n2<30  интервал  поверења  израчунава  се  на  основу  релације:  ( x1 − x2 ) − t(α . На случајан начин из првог града иза‐ брано је 80 домаћинстава. која просечно месечно троше 15кг.  Основни  скупови су независни.  према  томе  оцена  разлике  аритметичких  средина  µ1‐µ2  врши  се  на  основу  номралног распореда.12=1.  израчунати  интервал  поверења у коме се може наћи разлика између просечних месечних потрошнји  воћа у оба града.3 килограма а у другом  1.    Решење:   Познате  су  варијације  оба  скупа  σ12=1.  195    .r ) ⋅ S( x1 − x2 ) ≤ (μ1 − μ2 ) ≤ ( x1 − x2 ) + t(α .  која  просечно  месечно  троши  17кг  воћа. 02112 + 0. 03025   80 40 σ ( x1 − x2 ) = 0. 21 + = 0. 2266 σ ( x1 − x2 ) = Одговор:   Просечно одступање разлике аритметичких средина у узорцима од разлике  аритметичких средина у основним скуповима износи 0. воћа.1  килограм.  Уз  вероватноћу  поузданости  од  95%.  Стандардна грешка разлике аритметичких средина узорка израчунава се по  формули:  σ ( x1 − x2 ) = σ 12 n1 + σ 22 n2 1.

3 + 3. 2266   −2.  На  случајан  начин  изабрано  је  7  приватних  газдинстава.89 = 2.1. 7 2 + 2. 6 + 3. 3.3.5558 Одговор:   Уз ниво поузданости од 95% и ризик грешке 5% може да се очекује разлика у  просечној  месечној  потрошњи  вића.9 + 3. 3. 7 = 3.4.0.8.8.32 + 2.4. 2 + 3. 22 = 138. 0 + 3.7. 2. 42 + 3.5.  која  су  остварила  просечан принос соје по хектару у тонама:  2. 3. 02 + 3.2.1 + 3.2. 3. 22 + 3.96 ⋅ 0. 6 + 2.96 ⋅ 0.5. 7 + 2.5 + 3. 2 = 40.99  израчунати у ком ће се интервалу наћи разлика између приноса соје код пољо‐ привредног газдинства и код свих приватних газдинстава. 42 + 2.32 + 3.  код  оба  града  у  интервалу  од  ‐2. 3.1 + 2. x 2 и S ( x1 − x 2 ) . израчунава се на основу релације:  ( x1 − x2 ) − uα ⋅ S( x1 − x2 ) ≤ ( μ1 − μ2 ) ≤ ( x1 − x2 ) + uα ⋅ S( x1 − x2 ) (15 − 17) − 1.5 + 2.3. 2 + 3.8 + 3.    Пример:   У једном пољопривредном добру на случајан начин изабрано је 12 пацела  на којима је остварен просечан принос соје у t/ha:  3.  Потребни  подаци  за  израчунавање  x1 . 3.Интервал  поверења  у  коме  се  може  наћи  разлика  између  аритметичких  средина основних скупова.12 + 3. 39   12 . 4441 ≤ ( μ1 − μ 2 ) ≤ −1.6.82 + 3. 62 + 3. су:  12 ∑x i =1 = 3.8 = 17.    Решење:  Овде  су  у  питању  мали  узорци:  n1=12<30  и  n2=7<30.1.12 + 2. 22 + 3. 2.92 + 3.  Уз  ниво  поузданости  од  0. 4 + 2.82 = 43.2.52 + 3. 4 2 j2 = 3.5. 2266 ≤ ( μ1 − μ 2 ) ≤ (15 − 17) + 1. 2.52 + 3.52 + 2. 3. 7 i1 7 ∑x j =1 12 ∑x j2 2 i1 i =1 7 ∑x j =1 = 2.3 + 2. 3.5 + 3. 4 + 3.6. 2.  Варијансе  основног  скупа  нису  познате. 3.9. 6   Аритметичке средине узорка израчунавају се на основу израза:  12 x1 = ∑x i =1 n i1 = 196    40. 2.5558 кг.4441  до  ‐ 1. 3.2. 3. 6 2 + 2.

48) + 2. у узорку од 12 парцела пољопривредног добра изно‐ си 3.01  и  број  степени  слободе  износи  t(0. 48   7 Одговор:   Просечан принос соје.898. 6 = 2.3232 Одговор:   Уз вероватноћу поузданости од 0.  интервал  поверења је:  ( x1 − x2 ) − t(α . налазити у интервалу од 0.39 − 2.  вредост  t(α.39 − 2.01. оцена стандардне грешке разлике  аритметичких средина узорка.1426 S ( x1 − x 2 ) = S ( x1 − x 2 ) Одговор:   Оцена  стандардне  грешке  разлике  аритметичких  средина  у  узорцима  од  аритметичких средина основних скупова износи 0.r ) ⋅ S( x1 − x2 ) ≤ μ1 − μ2 ≤ ( x1 − x2 ) + t(α .  7 x1 = ∑x i =1 i1 n = 43. израчунава се на основу израза:  n1 S ( x1 − x 2 ) = ∑x i =1 i1 2 n2 − n1 x1 + ∑ x j 2 2 − n2 x 2 2 j =1 n1 + n2 − 2 2 ( 1 1 + ) n1 n2 138. у узорку од 7 приватних газдинстава износи 2.    197    .898 ⋅ 0. 48) − 2.r ) ⋅ S( x1 − x2 ) (3.  Таблична  вредност  за  ризик  грешке  α=0.39 t/ha. 482 1 1 ( + )  12 + 7 − 2 12 7 = 0.r)  прочита  се  из  таблице  за  број  степени  слободе  r  =  n1  +  n2  –  2  =  12  +  7  –  2  =  17.        Варијансе основних скупова су непознате.  Пошто  је  n1=12<30  и  n2=7<30.17)=2.1426 t/ha.Одговор:   Просечан принос соје.1425 ≤ μ1 − μ2 ≤ (3.1425   0.3232 t/ha.48 t/ha.4968 до 1. 4968 ≤ μ1 − μ2 ≤ 1. 6 − 7 ⋅ 2.99 и ризик грешке 0.898 ⋅ 0.39 2 + 43.01 може се очекивати  да  ће  се  разлика  у  приносу  соје  између  пољопривредног  добра  и  приватних  газдинстава.89 − 12 ⋅ 3.

  Параметарски тестови  непараметарски тестови  1. а исто  тако и сви закључци на основу узорака.  вари‐ јанса основног скупа σ02.  израчунавање  параметара  узорка  и  одређивање  његовог  положаја  у  теоријском распореду и извођење закључака односно доношење одлуке о прих‐ ватању хипотезе.  Зато  одлуке  доносимо  уз  исвестан  унапред  прихваћени  ризик  то  се  зове  ниво  значајности. односно одбацивања истините хипотезе. пропорције основног скупа P0 или неки други пара‐ метри основног скупа и тада се говори о параметрским тестовима. спецификација теоријског распореда  параметара  узорака  и  одређивање  области  прихватања  односно  одбацивања  хипотезе.  Поступак статистичког тестирања хипотезе састоји се из више етапа: форму‐ лисање тестиране хипотезе и избор теста. Код непараметарских тестова треба да се испуни само један услов а то је.  2. Код пара‐ метарских  статистичких  тестова  полази  се  од  предпоставке  да  се  основни  скуп  покорава  закону  нормалног.  односно  тестирање  истинитости  формулисаних  хипотеза.  Проверава  се  нека  претпостављена  вредност. 2.5 ТЕСТИРАЊЕ СТАТИСТИЧКИХ ХИПОТЕЗА    Под  тестирањем  статистичких  хипотеза  подразумева  се  провера. Параметарски тестови су такви тестови код којих основни скуп има нормалан  распоред  вероватноћа.  Такви  тестови  називају  се  статистичким тестовима.    Одлуке  које  доносимо  о  прихватању  или  одбацивању  хипотезе  у  већини  случајева  биће  коректна  али  за  сваки  поједни  случај  у  то  бити  сигуран. садрже известан ризик прихватања не‐ истине.  Студентовог  –  „t“  распореда  или  Снеде‐ коровог „F“ распореда.  односно  да  се  њима  врши  провера  хипотеза  о  непознатим  вредностима  параметара  основног  скупа.  Тестирање  хипотеза  врши  се  помоћу  узорака.6. да  је основни скуп из кога је формиран узорак. има непрекидан распоред.  Хипотеза  представља  научну  предпоставку засновану на познатим чињеницама ради извођења неког закљу‐ чка.  У статистичкој теорији и пракси статистички тестови се најчешће деле у две  групе:  1. Закључци које нам њихови резултати омогућују.      198    .  аритметичке  средине  основног  скупа  µ0.

Алтернативна  хипотеза  нултој  хипотези  H0  је  H1.  199    . Ако се формулише нулта хипотеза H0  да  је  просечна  месечна  потрошња  поврћа  по  домаћинству  у  целом  граду  H0:µ0 = 20 килограма. На пример. μ0 = 20 килограма H1 : μ ≠ 20 килограма   μ − стварна вредност просечне месечне потрошње  μ0 − претпостављена просечна месечна потрошња    Ако  се  приликом  тестирања  одбаци  нулта  хипотеза  H0. Нулта хипотеза може бити проста ако се  тврди  да  је  вредност  посматраног  параметара  у  основном  скупу  једнак  само  једној  вредности  која  је  унапред  одређена. онда је то проста нулта хипотеза H0.  На  пример.. а продавац H0:µ0 ≥ 1 kg.  закључак  је  да  је  просечна  месечна  потрошњеа  поврћа  по  домаћинствум  у  целом  граду  разли‐ чита од 20 килограма. Алтернативна хипотеза H1    1.  у  једном  граду  на  случајан  начин  избрано је 200 домаћинстава и утврђено је да она просечно месечно троши  20 килограма поврћа.  онда  испоручилац  брашна  форму‐ лише нулту хипотезу H0:µ0 ≤ 1 kg. по домаћинству. Нулта хипотеза H0  2. Нулта  нипотеза  H0  представља  тврдњу  параметара  основног  скупа  који  се  тестира а која се жели да оспори.  Сложена  нулта  хипотеза  H0  је  она  која  обухвата  већи  скуп  могућих  вре‐ дности параметара основног скупа.  нулта  хипотеза  H0  и  алтернативна  хипотеза  H1.  у  целом  граду.    2.  она  садржи  све  остале  вредности  параметара  основног  скупа  које  нису  обухваћене  нултом  хипотезом H0. а то су:  1. ако се трговини испоручује  брашно  у  кесама  масе  један  килограм.6.  та  се  вредност  назива  хипотетична  вредност.  На примеру тестирања просечне месечне потрошње поврћа по домаћинству.5.  дефинишу  се  на  следећи начин:  H0 : μ ≠ 20 килограма.1 Дефинисање нулте и алтернативне хипотезе    Приликом  дефинисања  статистичких  хипотеза  полази  се  од  избора  између  две  искључиве  супростављене  хипотезе  о  вредностима  параметара  основног  скупа.

  У  зависноти  од  броја  јединица  у  узорку.  Он  се  бира  у  зависности  од  постављеног  проблема.r).      6.  Назив нулта хипотеза H0  потиче од предпоставке (H0:µ0=µ0) да је аритметичка  средина  основног  скупа  µ  једнака  претпостављеној  вредности  аритметичке  средине основног скупа µ0.  затим  се  врши  избор  одговарајуће  статистике  теста  и  дефинише  подручије.  пре  него  што  се  израчунава  вредност  статистике  узорка. она одмах прихвата и сматра се тачном.  да  ли  је  n  ≥  30  или  је  n  ≤  30  као  критеријум може се користити нормализована променљива uα  или променљива  t(α. µ ‐ µ0=0. једностран или асиметричан тест  200    .  У  пракси  се  нулта  хипотеза  H0  и  алтернативна  хипотеза  H1  унапред  дефинишу.  Хипотетички  или  нулти  распоред  је  онај  распоред  код  кога  се  тестирања  статистичких  хипотеза  заснивају  на  оном  теоријском  распореду  који  је  условљен  тиме  да  је  нулта хипотеза H0 истинита. Двосмерни.  Тако  се  искључује  могућност  утицаја  резултата  који  су  добијени  из  узорка.У  поступку  формулисања  морају  се  прецизно  формулисати  обе  хипотезе  и  нулта  H0  и  алтернативна  хипотеза  H1.  могућа  су  два типа теста:  1. ако се тестира хипотеза о аритметичкој средини основног скупа µ.  Алтернативна  хипотеза  H1  се  не  тестира.  Ако  се  добро  познаје  модел  тео‐ ријског распореда коме се покоравају статистички подаци из формираног узорка  могућа  је  примена  неког  од  параметарских  статистичких  тестова.  на  обје‐ ктивност доношене одлуке тестирањем статистичких хипотеза.2 Подручије прихватања и одбацивања хипотеза    Када  се  дефинише  нулта  хипотеза  H0  и  алтернативна  хипотеза  H1  онда  се  одређује  модел  теоријског  распореда(нормалан.  Од  природе  и  врсте  проблема  који  се  не  жели  решавати  зависи  и  избор  модела  теоријског  распореда. да је разлика једнака нули.  Статистика  теста  је  критеријум  на  основу  којег  се  врши  тестирање  ста‐ тистичких  хипотеза.  врши  се  само  тестирање  нулте  хипотезе  H0.  Код  поступка  тестирања.  односно  полази  се  од  предпоставке  да  је  нулта  хипотеза  H0  истинита.  Од врсте проблема који се решава и врсте постављених хипотеза одређује се  подручије  односно  област  прихватања  или  одбацивања  формулисаних  хипо‐ теза.  X2  или  Фишеров  распоред).  Студентов. односно полази се од претпоставке да између µ и µ0  нема разлике тј.  У  зависности  од  модела  теоријског  распореда  користе се посебне формуле за израчунавање граница подручија прихватања и  одбацивања  формулисане  нулте  хипотезе. облик прихватања и одбацивања формулисања формулисаних хипо‐ теза.5.  јер  се  у  случају  одбацивања нулте хипотезе H0. Једносмеран.  У  зависности  да  ли  је  постављена  хипотеза  проста  или  сложена. двострани или симетрични тест  2.

  ϕ (u ) α u −uα ≥ u0 uα −uα < u0 Подручија прихватања и одбацивања Н0:µ≤µ0  201      . Двосмерни. облика  H0:µ=µ0.  Н0:µ≤µ0.    2.  једностран  или  асиметричан  тест.1.  онда  је  то  једносмеран.  двострани  или  симетрични  тест  у  случају  ако  се  врши  тестирање  вредности  аритметичке  средине  основног  скупа  µ. при чему је формулисана нулта хипотеза H0.  на  основу  нормалног распореда.  а  укупан  ризик  грешке  α  иде  на  десну  страну  нормалне  криве. а подручије прихватања је бела површина.  при  чему  се  ризик  грешке  α  подједнако  дели  на  оба  краја  нормалне криве. Ако  је  нулта  хипотеза  Н0.  ϕ (u ) α α 2 2 u −uα > u0 2 −uα −uα ≤ uo ≤ uα 2 2 uα −uα < u0 2   Области прихватања и одбацивања хипотезе H0:µ=µ0  2 2   Слика  нам  показује  да  је  осенчен  део  област  одбацивања  нулте  хипотезе  H0:µ=µ0.

  f (χ 2 ) 1−α α χ2 χ2 x2 χ 2 (α . r ) < χ 0 2 χ 2 (α .  најчешће  се  користи једносмарни тест.  ϕ (u ) α u −uα > u0 −uα ≤ u0 −uα    Подручија прихватања и одбацивања хипотезе  Н0:µ≥µ0    Ако  се  врши  тестирање  статистичких  хипотеза  на  основу  Студентовог  –  “t”  распореда. једностран  или асиметричан тест.r).  подручија  прихватања  и  одбацивања  нулте  хипотезе  исти  су  као  и  код  нормалног  распореда  само  се  уместо  нормализоване  променљиве  uα  користи променљива t(α. онда је то исто једносмеран. r ) ≥ χ 0 2 Подручија прихватања и одбацивања Н0    202      .  Ако је нулта хипотеза Н0. Н0:µ≥µ0. а укупан ризик грешке α иде на леву страну нормалне  криве.  Ако  се  тестирање  врши  на  основу  χ 2 ‐хи‐квадрат  распореда.

  Пажљивом  анализом  висине материјалних губитака који се ствара нивоом ризика грешке α и β. Избор нивоа ризика грешке α и β мора се пажљиво извршити.  Ризик  грешке  α  и  β  су  међусобно  зависни јер са поврћем ризика грешке α.  код  тестирања  статистичких  хипотеза  са  којим  ће  се  ризиком  грешке  α  и  β  вршити  тестирање. r1 .  Ако  се  догоди  да  је  формулисана  нулта  хипотеза  Н0  иситнита  а  да  се  на  основу  информација из узорка она одбаци у овом случају чини се грешка прве (I) врсте  или ризик грешке α. r1 .r2 ) ≥ F0 F F0 F0 F(α . Ако се прихвати неистинита нулта хипотеза Н0 онда се чини  грешка  друге  (II)  врсте  β. смањује се ризик грешке β и обрнуто.r1 .  На  тај  начин  проузрукују  се  материјани  губици  изазвани  прихватањем  погрешне  нулте  хипотезе  Н0.Ако  се  тестирање  врши  на  основу  Снедековог  „F“  распореда  најчешће  се  користи једносмерни тест. јер  прихватањем  или  одбацивањем  нулте  хипотезе  Н0  увек  се  ризикује. У  статистичкој  пракси  и  теорији  најчешће  се  користе  два  нивоа  ризика  грешке  α=1% и α=5%.r2 ) F(α . може  се донети поуздана одлука о нивоу ових ризика.  f (F ) α 1−α F(α .r2 ) < F0 Подручија прихватања и одбацивања Н0      Веома  је  значајно.                              203    .

 Тестирање разлике између аритметичке средине узорка  и хипотетичне вредности аритметичке средине основног  скупа    Да би се тестирање могло извшити у узорку мора бити више од 30 јединица  (n≥30). H1 : μ > μ0 где је:  µ  ‐  ставрна  вредност  аритметичке  средине  основног  скупа  µ0  је  прот‐ постављена вредност аритметичке средине основног скупа.5.  вредност  стандардизоване  случајне променљиве u0 израчунава се на основу израза:  u0 = x − μ0 σx     Стандардна грешка  х  израчунава се по формули:  х 2 Ако  је  вариајнса  основног  скупа  σ   непозната  (што  је  у  пракси  најчешћи  случај).    Ако  је  варијанса  основног  скупа  σ2  позната.5. H1 : μ < μ0   H 0 : μ ≤ μ0 . основни скуп мора имати нормалан распоред и варијанса основног скупа  може бити позната или непозната (σ2).3.6.1.  стандардизована  (нормализована)  случајна  променљива  израчунава  се  по обрасцу:  u0 = x ⋅ μ0   Sx Оцена  стандардне  грешке  аритметичке  средине  формули:  За негруписане податке:  n Sx = ∑x i i =1 2 − n⋅ x2 n(n − 1)   За гуписане податке:  m Sx = ∑x i =1 i fi − n ⋅ x 2 n(n − 1) 204    2     израчунава  се  по  . H1 : μ ≠ μ0 H 0 : μ ≥ μ0 .3 Статистички тестови на основу нормалног распореда    6.    Следећи корак је формулација хипотезе:  H 0 : μ = μ0 .

u0 > u α 2 2     205      . ако су испуњени услови:    u0 < −u α .    Графички приказ:  ϕ (u ) α α 2 2 −u0 < uα −uα ≤ u0 ≤ uα 2 2 u0 > uα 2 u 2 −uα uα 2 2   Област прихватања и одбацивања  H0 : μ = μ0 .Подручије  прихватања  или  добацивања  нулте  хипотезе  Н0.    1.  а  ризик  грешке  α  дели  се  подједнако  на  оба  краја  нормализоване  криве.  зависи  од  теста  да ли је симетричан или асиметричан као и од врсте проблема који се тестира. Н0:µ > µ0 онда је то двосмерни  тест. H1 : μ ≠ μ0     Уз вероватноћу поузданости (1‐α) прихвата се нулта хипотеза Н0 ако је испу‐ њен услов:  −u α ≤ u0 ≤ u α   2 2   Нулта  хипотеза  Н0  се  одбацује  уз  ниво  поузданости  (1‐α)  100  или  уз  ризик  грешке α. Ако су хипотезе дефинисане и то Н0:µ ≤ µ0.

H1 : μ > μ0   Нулта  хипотеза  Н0  се  прихвата  уз  вероватноћу  поузданости  (1‐α)  ако  је  испуњен услов:  u0 ≤ uα  Нулта хипотеза Н0 се одбацује уз ризик грешке α ако је успуњен услов:  u0 > uα                          206    . Ако  формулисане  хипотезе  гласе:  Н0:µ=µ0.  Н1:µ=µ0  онда  је  то  асиметричан  тест.2.    Графички приказ:  ϕ (u ) α u0 ≤ uα u0 > uα uα u   Слика Подручије прихватања и одбацивања  H0 : μ ≤ μ0 . Ризик грешке α иде на десну страну нормализоване криве.

 Н0:µ<µ0. онда је то једносмеран тест  а ризик грешке α иде не леву страну нормализоване криве. H1 : μ < μ0   Нулта хипотеза Н0 се прихвата уз ризик грешке α ако јe испуњен услов:  u0 ≥ ‐uα  Нулта  хипотеза  Н0  се  одбацује  уз  вероватноћу  поузданости  (1‐α)  и  ризик  грешке α ако је испуњен услов:  u0 < ‐uα                207    .3.    Графички приказ:  ϕ (u ) α u0 < −uα u0 ≥ −uα −uα u   Слика Област прихватања и одбацивања  H0 : μ ≥ μ0 . Ако се дефинисане хипотезе Н0:µ≥µ0.

89  179.41  18  3.41  16  4.   користи  се  корективни  фактор  код  израчунавања  оцене  стандардне  грешке  аритемтичке средине  х .35 килограма.5  56.  у  узорку  од  90  бусена.6 килограма уз вероватноћу поузданости од 0.9  66.91‐3. Варијанса основног скупа није позната.12  66.91‐2.  Табела 41.88  195.  (1‐α)=0.9  32. да просечни принос по једном  бусену буде 3.10 или 10% > 5%.41‐3.16  4.88  54.66  4.16  2.56  41. На случајан начин изабрано је 90  бусена  који  су  дали  принос  малина  у  килограмима.  да просечни принос по једном бусену не буде мања од 4.66  /  n x= ∑x i =1 n s ∑f i =1 fi i = хis∙fi  (xis)2∙fi  15.91‐4.5 килограма?    Решење:  Подаци за тестирање су следећи:   N=900.  uα= ± 1.41  7  2.95?  б) Уз исту вероватноћу проверити да ли се може прихватити нулта хипотеза Н0.41‐2.94  301.9 = 3.91  15  3.96.  износи  3.74  200.44  1062.95.41‐4.66  3.  208    .66  176.91  9  Укупно  90    Аритметичка средина   Групна  средина (xis)  2.    0.93  276.91  25  2.35   90 i Просечан  принос  малина  по  једном  бусену.Пример:   У једном малињаку има 900 бусена малина.55  301. n=90. На основу датих  података проверити:  а) Да ли се може прихватити нулта хипотеза Н0.16  3. Радна табела  Принос  Број  малина(x)  бусена (fi)  1.  Основни  скуп  је  коначан  а  узорак без понављања.

901 = 0.  вредност  нормализоване променљиве u0 израчунава се по формули:  u0 = x − μ0 Sx 3.55 − 90 ⋅ 3. није 3.  Варијанса  основног  скупа  σ2  није  позната.2518  <  u0.35 3.  нулта  хипотеза  Н0  се  одбацује  уз  ризик  грешке 5% и може се сматрати да просечан принос малина по бусену.96. 07688 Оцена  средње  мере  одступања  аритметичких  средина  узорака  од  аритме‐ тичке средине основног скупа износи 0.6 0. 00656 ⋅ 0. код свих  900 бусена.Оцена  стандардне  грешке  аритемтичке  средине  израчунава  се  на  основу  формуле:  m Sx = Sx = ∑ (x i =1 ) f i − nx 2 s 2 i n(n − 1) ⋅ N −n N −1 1062.25 килограма  је статистички значајна и не може се приписати случајном варирању података у  узорку.07688 килограма.35 − 3.6  килограма.  Ризик  грешке  од  α=5%  дели  се подједнако на оба крана нормализоване криве.352 900 − 90 52.        209    .6 килограма.  а)  У  овом  нашем  примеру  ради  се  о  двосмерном  или  симетричном  тесту  зато  шето  нису  постављени  услови  да  је  просечан  проинос  мањи  или  већи  од  неког  претпостављеног  приноса  малина  по  бусену.  код  свих  900  бусена  износи  3.525 810   ⋅ = ⋅ 90(90 − 1) 900 − 1 8010 899 S x = 0. 6 u0 = = −3.025=‐1.96. 0059106 S x = 0. 2518 0.  Претпостављени  принос  малина. 07688   Kako  je  u0=‐3. Разлика х µ 3. а очитана вредност  uα=u0.025=  ±  1.

5  килограма.95837  <  u0.95837 0.45   килограма је статистички значајна.025 = −1.  Н1:µ < 4. H1 : μ ≠ 3.5 u0 = = −14.5% u u0 = −3.35 − 4.35-4.5 килограма. односно просечан принос малина по  бусену  је  мањи  од  4.  код  свих 90 бусена.6   б) Како произвођач тежи да има што већи принос малина по бусену зато се  иде на једносмаран или асиметричан тести и формулишу се хипотезе Н0:µ  ≥  4.  Вредност  стандардизоване  променљиве  uo  се  израчунава  на  основу  фор‐ муле:  u0 = x − μ0 Sx 3.Графички приказ о прихватању нулте хипотезе Н0:  f (u ) α 2 α = 2.5.5% 2 = 2. Ризик грешке од α=5% иде на леву страну номрализоване  криве. 2518 u 0.96 u0.025=‐1.  Одлуку о одбацивању нулте хипотезе Н0 може се донети и на основу графи‐ чког приказа.025 = 1. није већи од 4.  нулта  хипотеза  Н0  се  одбацује  уз  ризик  грешке  α=5%  и  може  се  сматрати  да  просечан  принос  малина  по  бусену.5 килограма.6.  Разлика  у  приносу  од  x-μ0 =3.8=-1. 07688   Како  је  u0=  ‐14.65.  210    .96    Области прихватања и одбацивања  H0 : μ = 3.

05 = −1.  вредност  нормализоване  разлике  аритметичких  среидна  узорка  х х . Претпостављена разлика аритметичких средина осно‐ вних скупова једнака је нули (µ1‐µ2)=0.2 Тестирање разлике између аритметичких средина из два  узорка  Да  би  могло  да  се  примени  тестирање  разлике  између  аритметичкух  сре‐ дина из два узорка мора да се испуне услови и то: оба узорка морају да имају  више  од  30  јединица  n1  ≥  30  и  n2  ≥  30.5.5.ϕ (u ) α = 5% u u0 = −14.  Аритметичка  средина  првог  скупа  има  ознаку  µ1  а  аритметичка  средина  другог основног скупа µ2. користи се израз:  u0 = ( x1 − x1 ) − ( μ1 − μ 2 ) 0   S( x1 − x1 ) 211    .3.95837 u0.  оба  узорка  морају  да  буду  међусобно  независни и да су на случајан начин формирана. H1 : μ < 4. израчунава се на основу израза:  u0 = ( x1 − x1 ) − ( μ1 − μ 2 ) 0 σ (x −x ) 1   1 Ако варијансе нису познате. Ако су варијансе основних скупова σ12 и  σ22  познате.5     6. 65   Област прихватања и одбацивања  H0 : μ ≥ 4. а варијансе оба скупа σ12 и σ22  могу бити познате или непознате.

 Радна табела  Производња  целулозе у t (xi)  25 28 39 45 48 Укупно: Број радника прве  смене (fi1)  3 5 6 7 9 30 212    Број радника друге  смене (fj2)  6 9 11 10 14 50 .  У  свакој  смени  ради  по  200  радника.  Табела 42.Ако  су  варијансе  основних  скупова  σ12  и  σ22  познате. H1 : (μ1 − μ2 ) ≠ ( μ1 − μ2 )0 H 0 : ( μ1 − μ2 ) ≤ ( μ1 − μ2 )0 .  На  случајан  начин  изабрано  је  у  првој  смени  30  радника  а  из  друге  смене  50  радника.  Пописан  је  њихов  осмочасовни  радни  учинак. Варијансе су познате за обе смене: σ12=1 и σ22=2. H1 : ( μ1 − μ2 ) < ( μ1 − μ2 )0 Пример:   У  фабрици  за  производњу  целулозе  рад  се  одвија  у  две  смене. H1 : ( μ1 − μ2 ) > ( μ1 − μ2 )0   H 0 : ( μ1 − μ2 ) ≥ ( μ1 − μ2 )0 .  стандардна  грешка  разлике аритметичких средина узорка и израчунавају се на основу релације:  σ (x −x ) = 1 1 σ12 σ 2 2 n1 + n2   Ако су варијансе σ12 и σ22 непознате а подаци у узорку су негруписани оцена  стандардне грешке разлике аритемтичких средина израчунва се по формули:  n1 n2 i =1 i =1 ∑ xi1 2 − n1 x12 + ∑ x j2 2 − n2 x2 2 S ( x1 − x1 ) = n1 + n2 − 2 ⎛1 1 ⎞ ⋅⎜ + ⎟   ⎝ n1 n2 ⎠ Ако су подаци груписани користи се формула:  S( x1 − x1 ) = n1 n2 i =1 i =1 ∑ xi1 2 fi1 − n1 x12 + ∑ x j1 2 fi2 − n2 x22 n1 + n2 − 2 ⎛1 1 ⎞ ⋅⎜ + ⎟   ⎝ n1 n2 ⎠ Формулисане хипотезе су:  H 0 : ( μ1 − μ2 ) = ( μ1 − μ2 )0 .

  може  сматрати  да  разлика  у  просе‐ чном осмочасовном учинку прераде целулозе.            213    .06 тона. уз исту вероватноћу?    Решење:    Табела 43.86   30 i1 Одговор:  Просечна  производња  целулозе  за  осмочасовно  радно  време  у  узорку од 30 радника је 39.86 тона. у обе смене није већа од 3  тоне. у обе смене једнак?  б)  Да  ли  фабрика  за  прераду  целулозе. Радна табела    Табела 44.  n x2 = ∑x i =1 n ј2 ∑f i =1 f ј2 = 1953 = 39.  тестирати  хипо‐ тезе:  а) Да ли фабрика за прераду целулозе. може сматрати да је просечан осмо‐ часовни учинак у преради целулозе.06   50 ј2 Одговор:     Просечна  произвоња  целулозе  за  осмочасовно  радно  време  у  узорку  од  50  радника је 39.  уз  вероватноћу  поузданости  95%.На  основу  ових  података. Радна табела    xi 1   f i1   ( xi1 ⋅ fi1 )   xj2   f j 2   (xj2 ⋅ f j2 )   25  3  75  25  6  150    28  5  140  28  9  252  39  6  234  39  11  429    45  7  315  45  10  450  48  9  432  48  14  672  укупно  30  1196  укупно  50  1953      n x1 = ∑x i =1 n f i1 i1 ∑f i =1 = 1196 = 30.

025=1.86 − 39. ако је (µ1‐µ2)0  = 0. Нормализована променљива u0 израчунава се на основу формуле:  u0 = ( x1 − x1 ) − ( μ1 − μ2 )0 σ (x −x ) 1 = 1 (39.Стандардна грешка атитметичка средина  σ ( x1 − x2 ) = σ 2 1 n1 + σ2 2 n2 х х  израчунава се по формули:  1 2 + = 0.8  радно време. Н1  : (µ1‐µ2) ≠ 0.86 39.96 u0.96 u   Област прихватања и одбацивања  H0 : (μ1 − μ2 ) = 0.9553 u0.  одбацује.  није  случајна  већ  статистички  значајна  и  да  је  настала  због  рада  по  сменама.025 = −1.06 0.5% u0 = 2.  Одлука о одбацивању нулте хипотезе Н0 може се донети и на основу  графика:  ϕ (u ) α 2 α = 2.5% 2 = 2. 06) − 0 = 2. нулта хипотеза Н0 се уз ризик  грешке α=5%. то значи да  између просечно произведене целулозе у пврог и другој смени нема раз‐ лике.  па  се  може  сматрати  да  просечна  прерада  целулозе  за  осмочасовно  х 39. 2707 Одговор:   Како је u0  =  2.2707 тона целулозе.9553 > u0.  а) Хипотезе гласе: Н0 : (µ1‐µ2) = 0. није једнак у обе  смене.96.9553   0. H1 : (μ1 − μ2 ) ≠ 0   214    .025 = 1. 2707   30 50 = Одговор:   Средња  мере  одступања  разлике  аритметичких  средина  у  узорцима  од  разлике аритметичких средина у основном скупу износи 0. Разлика  х тона.

  Може  се  сматрати  да  је  разлика  између  просечне  прераде  целулозе  по  сменама  није  већи  од  3  тоне. 06) − 3 = −8.б) У овом случају дефинишу се хипотезе Н0:(µ1‐µ2)≤3.86 − 39.0025 = 1. то значи да  је разлика између просечне прераде целулозе у обе смене износи 3 тоне. H1 : (μ1 − μ2 ) > 3       215    .96   Подручија прихватања и одбацивања  H0 : (μ1 − μ2 ) ≤ 3.  нулта  хипотеза  Н0  се  прихвата  уз  ниво  поузданости  од  95%  и  ризик  грешке  од  5%. 2707 Одговор:     Како  је  u0=  ‐8.  Одлука о прихватању нулте хипотезе Н0 може се и донети на основу графика:  ϕ (u ) α 2 = 5% u u0 = −8.96 u0.  (µ1‐µ2)=3.12707<u0.025=1.12707−u 0.    Вредност стандардизоване променљиве u0 израчунава се по формули:    u0 = ( x1 − x2 ) − ( μ1 − μ2 )0 σ (x −x ) 1 1 = (39.86 39.2  тоне. Н1:(µ1‐µ2)>3.65.  Разлика  х х µ µ 39. односно она је случајна.  није  статистички  значајна.06 3 2.0025 = −1.12707   0.

6  17    10  4.  а  у  једном  селу  са 400  домаћинстава  засејано  је 600  сектара под  сунцокретом.1  Број  хектара  (fi1)  7  4.7  Број   хектара (fj2)    Број   хектара (fi1)  7      4.5  6  27  121.0  9  4. Радна табела  8  Принос  сунцокретa у  t/ha (xi1)  4.1  3.25  216    .  Варијансе  основног  скупа  нису познате.3t/ha?  Решење:  Табела 47.3  5  4.4  18  4.5  Укупно  60  271.  На случајан начин изабрано је 60 хектара у друштвеном предузећу при чему је  остварен  принос  у  t/ha.7  1233.8  19  81.68  4.67  12  55.5  6    Укупно  50  Укупно  60    На основу датих података тестирати:  а) Уз ниво поузданости од 99% проверити да ли је разлика у просечном при‐ носу  сунцокрета  по  хектару  код  пољопривредноог  добра  и  код  сеоских  домаћинстава случајна или статистички значајна?  б)  Уз  исту  вероватноћу  поузданости  проверити  да  разлика  у  просечном  при‐ носу  сунцокрета  по  хектару  код  пољопривредног  добра  и  код  сеоских  домаћинстава није већа од 0.  Исто  тако  на  случајан  начин  изабрано  је  50  хектара  у  сеоским  домаћинствима  и  остварен  је  принос  у  t/ha.7  117. Радна табела    Принос  сунцокретa у t/ha  (xj2)  3.2  348.  Табела 45.6  391.8  17    4.4  18  79.92  4.5  18  3.2    Табела 46.2  253. Радна табела  Принос  сунцокрета  (xi1)  4.48  4.6  xi1∙fi1  xi12∙fi1  28.Пример:   На једном пољопривредном добру засејано је 1000 хектара по сунцокретом.

0  144.0  136.45    Укупно  50  183.5  92.32      Просечан  принос  сунцокрета  код  пољопривредног  добра  израчунава  се  по  формули:  n1 x1 = ∑x ⋅ fi1 i1 i =1 n1 ∑f i =1 = 271. Радна табела  Принос  сунцокрета  (xј2)  3.53 t/ha.92    18  63. 662   50 ј2 Одговор:   Просечан  принос  сунцокрета  код  сеоских  газдинстава.2  Број  хектара  (fј2)  8  3.6  81.7  10  37.53   60 i1 Одговор:   Просечан  принос  сунцокрета  код  пољопривредног  добра. 7 = 4.0    4.  Просечан  принос  сунцокрета  код  сеоских  газдинстава  израчунава  се  по  формули:  m1 x1 = ∑x i =1 ј2 ⋅ f ј2 m1 ∑f i =1 = 183. износи 4.5    Xј2∙fј2  Xј22∙fј2    25.1 = 3.0  220.  у  узорку  од  50  хектара.662 t/ha.1  675. износи 3.05  3.  Оцена  стандардне  грешке  разлике  аритметичких  средина  израчунава  се  по  формули:  217    .  у  узорку  од  60  хектара.3  5  21.  Табела 48.0  9  36.9  4.

04784 Одговор:   Оцена стандардне грешке разлике аритметичких средина узорка од аритме‐ тичких средина основних скупова износи 0.025 = −2.  Стандардизована променљива u0 израчунава се по формули:    u0 = ( x1 − x1 ) − ( μ1 − μ2 )0 (4.    а)  Хипотезе  су  следеће:  Н0:(µ1‐µ2)=0.  то  значи  да  између  просечног  приноса  сунцокрета  код  пољопривредног  добра и сеоских домаћинстава.1438>  u0.58   Област прихватања и одбацивња  H0 : (μ1 − μ2 ) = 0. 04784 Одговор:   Како  је  u0=18.53 − 3.1438   S( x1 − x1 ) 0.58 u0.32 − 50 ⋅ 3.  није случајна и није резултат случајном варирању података у узорцима.04784 t/ha.532 + 675. не постоји никаква разлика.S( x1 − x1 ) = S( x1 − x1 ) = m1 m2 i =1 i =1 ∑ xi1 2 fi1 − n1 x12 +∑ x j1 2 fi 2 − n2 x22 n1 + n2 − 2 ⎛1 1⎞ ⋅⎜ + ⎟ ⎝ n1 n2 ⎠ 1233.025 = 2.58  уз  ризик  грешке  α=1%.5% u u0.  Разлика  у  приносу  сунцокрета  х х 4.005=2.662 0.  може  се  сматрати  да  је  разлика  у  просечном  приносу  сунцокрета  по  хектару. код пољопривредног добра и сеоских газдинстава.53 3.5% α 2 = 0. 25 − 60 ⋅ 4. 6622 ⎛ 1 1 ⎞   ⎜ + ⎟ 60 + 50 − 2 ⎝ 60 50 ⎠ S( x1 − x1 ) = 0.868  / .  Н1:(µ1‐µ2)≠0.  при  чему  је  (µ1‐µ2)0=0. високо статистички  значајна.  Графички приказ одлуке одбацивању нулте хипотезе Н0  ϕ (u ) α 2 = 0.  нулта  хипотеза  Н0  се  одбацује. H0 : (μ1 − μ2 ) ≠ 0 218      . 662) − 0 = = 18.

3 0.  Разлика  х х µ µ 4. 662) − 0.53 3.3  t/ha. нулта хипотеза Н0 се  одбацује.53 − 3.8729   Област прихватања и одбацивња  H0 : (μ1 − μ2 ) ≤ 3.568.3             219    . H1 : (μ1 − μ2 ) > 0.33 уз ризик грешке α=1%. 04784 Одговор:   Пошто је u0=11.  код  пољопривредног  добра  и  сеоских  домаћинстава  већа  од  0.  Станда‐ рдизована променљива u0 израчунава се по формули:  u0 = ( x1 − x1 ) − ( μ1 − μ2 )0 (4.01=2.  па  се  може  сматрати  да  је  разлика  у  приносу  сунцокрета  по  хектару.8729> u0.3 = = 11.662 0.б)  У  овом  случају  хипотезе  су  Н0=(µ1‐µ2)≤3  t/ha.  Графички приказ одлуке о одбацивању нулте хипотезе  ϕ (u ) α = 1% u u0 = 11.  Н1:(µ1‐µ2)>0.  није  случајна  већ  високо  статистички значајна.3  t/ha.8729   S( x1 − x1 ) 0.

1 Тестирање разлике између аритметичке средине узорка  и хипотетичне вредности аритметичке средине основног  скупа    Студентов “t” распоред се спроводи.4 Статистички тестови на основу Студентовог “t”  распореда  6. ако је скуп  нормално  распоређен.  а  узорак  веома  мали. ако је број јединица у узорку n<30. користи се израз:    n Sx = ∑ x f − nx i =1 2 i n(n − 1) 220    2 i 2   .  Таблична  вредност  t(α.5. при чему је број степени слободе r=n‐1.r)  очитава  се  из  таблице  у  прилогу  у  овој  књизи. H1 : μ ≠ μ0 H 0 : μ ≤ μ0 . Ако је основни скуп коначан а узорак са понављањем.4.  Хипотезе се формулишу као:  H 0 : μ = μ0 .  варијанса  основног  скупа  σ2  је  позната.5. а подаци су негру‐ писани. користи се израз:    n Sx = ∑ x − nx 2 2 i i =1 n( n − 1)   Ако су подаци груписани. H1 : μ < μ0   Вредност променљиве t0 израчунава се на основу формуле:    x − μ0 Sx t0 =   Оцена стандардне грешке аритемтичке средин израчунава се:    1.  6. ва‐ ријанса основног скупа σ2 је непозната. H1 : μ > μ0   H 0 : μ ≥ μ0 .  Тестирање на основу овог нормалног распореда може се спровести.

r ⎟ ⎝2 ⎠ ⎜ . тада се ради о симетричном или  двосмерном  тесту.2. Н1:µ≠µ0. ако је испуњен услов:  −t⎛ α ⎞ ≤ t0 ≤ t⎛ α ⎞ ⎜ .  притом  се  ризик  грешке  α  подједнако  дели  на  оба  краја “t” криве.r )     Графички приказ прихватања или одбацивања нулте хипотезе Н0    f (t ) α α 2 2 t 0 < −t ⎛ α −t⎛ α ⎞ ⎜ .r ⎟ ⎝2 ⎠ 221    t0 > t⎛ α ≤ t0 ≤ t⎛ α   .r ⎟ ⎝2 ⎠ t t⎛ α ⎞ ⎜ .r ⎟ ⎝2 ⎠   одбацује се уз услов:  −t0 > t(α .r ⎟ ⎝2 ⎠ ⎞ ⎜ .r ⎟ ⎝2 ⎠ ⎞ ⎜ .r ⎟ ⎝2 ⎠ ⎞ ⎜ . користи се израз:  n ∑ x f − nx ⎛ N − n ⎞ ⋅⎜ S = ⎟  2 i i =1 2 2 i n( n − 1) x ⎝ N −1 ⎠ Услов за прихватање или добацивање нулте хипотезе Н0 могу се дефинисати:    1.r ) u t0 < t(α . Ако  је  основни  скуп  коначан  а  узорак  без  понављања  а  подаци  негру‐ писани користи се израз:  n ∑ x − nx ⎛ N − n ⎞ S = ⋅⎜ ⎟  2 2 i i =1 n(n − 1) x ⎝ N −1 ⎠ Ако су подаци груписани. Уколико хипотезе гласе Н0:µ=µ0.    У овом случају нулта хипотеза Н0 се прихвата уз вероватноћу поузданости (1‐ α).r ⎟ ⎝2 ⎠ −t⎛ α ⎞ ⎜ .

r)    Графички приказ прихватања или одбацивања нулте хипотезе Н0    f (t ) α t0 ≤ t( 2α . у питању је једносмеран тест. Н1:µ<µ0.  ризик  грешке α иде на леву страну “t” криве.   Нулта хипотеза Н0 се прихвата уз ниво поузданости (1‐α)∙100.  нулта  хипотеза  Н0  се  прихвата. тада ризик грешке α иде на десну страну “t” криве.  то  је  једносмеран  или  асиметричан тест.  2. Ако хипотезе гласе: Н0:µ≥µ0.  akо  је  испуњен услов:  t0≥ ‐t(2α.r)  222    . ако је испуњен услов:    t0>t(2α.r)    Уз ризик грешке α.r)    Нулта хипотеза Н0 се одбацује уз ризик грешке α. H1 : μ > μ0     3. r ) t t ( 2α . ако је испуњен  услов:  t0≤t(2α. r )   Област прихватања и одбацивња  H0 : μ < μ0 .r ) t 0 > t ( 2α .Уколико  хипотезе  гласе:  Н0:µ  ≤  µ0.  Уз  вероватноћу  поузданости  (1‐α). нулта хипотеза Н0 се одбацује ако је испуњен услов:    t0≥ ‐t(2α.  Н1:µ  >  µ0  .

  На  случајан начин изабрано је 25 хектара на којима је остварен принос јечма у t/ha.025 проверити:  а) Да ли се може прихватити нулта хипотеза Н0 да је просечан принос јечма  65 t/ha. Радна табела    Принос јечма у t/ha  (xi)  Број  хектара (fi)  xi∙fi  xi2∙fi  45  54  63  68  74  2  6  10  4  3  90  324  630  272  222  4050  17496  39690  18496  16428  Укупно  25  1538  96160        223    .975 и ризик грешке 0.r )   Област прихватања и одбацивња  H0 : μ ≥ μ0 . на свих 350 хектара?  б)  Да  ли  се  може  прихватити  нулта  хипотеза  Н0  да  просечан  принос  јечма  није мањи од 60 t/ha.r ) −t( 2α . Основни скуп је коначан а узорак је без  понављања:  Уз вероватноћу поузданости (1‐α)=0.  Варијанса основног скупа је непозната.r ) t t0 ≥ −t( 2α . на свих 350 хектра?    Решење:  Табела 49. H1 : μ < μ0   Пример:   На  једном  пољопривредном  добру  засејано  је  350  хектара  јечма.Графички приказ подручија прихватања или одбацивања нулте хипотезе Н0  f (t ) α t0 < −t( 2α .

  Основни  скуп  је  коначан  а  узорак  без  понављања врши се провера да ли је потребно да се користи поправни фактор    или  не.249   Sx 1.522 350 − 25   N −n ⋅ = ⋅ 25(25 − 1) 350 − 1 N −1 S x = 1.  користи  се  корективни  фактор.25 тоне.  Вредност  променљиве  t0  израчунава се по формули:  t0 = x − μ 61.  Н1:µ≠65  t/ha.071  или  7. износи 61.Просечан принос јечма у узорку израчунава се по формули:  k x= ∑x ⋅ f i i =1 k ∑f i =1 i = i 1538   = 61. у узорку од 25 хектара.  а)  Хипотезе  се  дефинишу:  Н0:µ=65.24)=‐2.  у прилогу ове књиге.  Оцена стандардне грешке  х  ирачунава се по формули:  m Sx = ∑x f −n⋅x i =1 2 i i n(n − 1) 2 96160 − 25 ⋅ 61. очитава се вредност t(0.1%>5%.52 − 65 = = −2.52 25 Одговор:   Просечан принос јечма по хектару.025.5471 t/ha.5471 За број степени слободе r=n‐1=25‐1=24 и ризик грешке α=2.    У  овом  примеру  број  јединица  у  основном  скупу  је  N=350  хектара  а  број  јединица  у  узорку  је  n=25  хектара.5% из таблице VII.391      224    .  Количник  0.5471   Одговор:   Оцена  средње  мере  одступања  аритметичких  средина  узорка  од  аритметичке средине основног скупа износи 1.

25% 2 = 1.24) = −2.025.24).48 t/ha је случајна и може се приписати  случајној флуктуацији података у узорку.52 − 60 = = 0.  За  овај  ризик  грешке  и  број  степени  слободе  r  =  n‐1=25‐1=24. Н1:µ ≠ 65 t/ha    б) У овом случају се хипотезе формулишу.  нулта  хипотеза  Н0  се  прихвата  уз  ризик  грешке  α=2. Разлика х 61.  очитава  се  вредност t(0.r)  али  се  узимају  у  обзир  обе  стране  “t”  криве.5471 Ово је асиметричан тест.391   Област прихватања и одбацивња Н0:µ=65 t/ha.064    225    .  може  се  сматрати  да  просечан  принос  јечма  на  свих  350  хектара  је  65  t/ha.391 −u( 0.5% иде на десну страну “t” криве.  Из  таблице  се  очитава  вредност  за  t(2α.52 65 3.24)=2. 249 u (0. Н1:µ< 60 t/ha  Вредност променљиве t0 израчунава се по формули:  t0 = x − μ0 61.24) = 2. па се добија 2α=2∙2.05. Зато се ризик грешке α=2.  Одлука о прихватању нулте хипотезе Н0 може се донети и на основу графика  f (u ) α 2 α = 1. Н0:µ≥60 t/ha.Одговор:   Како  је  t0=  ‐2. ризик грешке α=2.5%=5%.5% помножи са два. 25% u t0 = −2.9824   Sx 1.5%.249  >  t(0.0125.0125.

 није мањи од 60 t/ha.2. код свих 350 хектара.52 60 1.  Њихова  јединствена  вредност  оцењује  се  на  основу  варијанси.  нулта  хипотеза  Н0  се  прихвата  и  може  се  сматрати да просечан принос јечма.  ако  се  посматрају  два  међусобно  независна  основна  скупа  величине  N1  и  N2  јединица  чије  су  варијансе  једнаке  σ12=σ22.064.5.52 t/ha  је  сличајна  и  резултат  флуктације  Разлика  х података у узорку.24)=2.Одговор:   Како  је  t0=0.  На  случајан  начин  формирају се два узорка величине n1<30 и n2<30 јединица.  Вредност параметара t0 израчунава се на основу релације:  t0 = ( x1 − x2 ) − ( μ1 − μ 2 )   S( x − x ) 1 2 Оцена  стандардне  грешке  разлике  аритметичких  средина  узорка  израчунава се:  Ако су подаци у узорку негруписани:  n1 S( x − x ) = 1 n2 ∑ x − n ⋅ x +∑ x − n ⋅ x ⎛ 1 i =1 2 2 1 i1 j =1 2 2 2 j2 n1 + n2 − 2 2 1 ⎞  ⎜ + ⎟ ⎝ n1 n2 ⎠ Ако су подаци у узроку груписани  m1 S( x − x ) = 1 2 i =1 2 i1 2 i1 1 1 j =1 2 j2 n1 + n2 − 2     226    m2 ∑ x f − n ⋅ x +∑ x f − n ⋅ x ⎛ 1 2 j2 2 2 1 ⎞  ⎜ + ⎟ ⎝ n1 n2 ⎠   .    6.05.  Тестирање разлике између аритметичких                       средина из два узорка    Разлике аритметичких средина узорка  х х  покореваће се закону Студе‐ нтовог  ‐“t”  распореда.  61.9882<  t(0. који су изабрани из  посматраних основних скупова.4.

H 1 : ( μ1 − μ 2 ) ≠ ( μ1 − μ 2 ) 0 H 0 : ( μ1 − μ 2 ) ≥ ( μ1 − μ 2 ) 0 . H 1 : ( μ1 − μ 2 ) > ( μ1 − μ 2 ) 0 Таблична  вредност  t(α. на случајан начин из прве смене изабрано је 20 радника  а из друге смене 15 радника.У овом случају хипотезе гласе:  H 0 : ( μ1 − μ 2 ) = ( μ1 − μ 2 ) 0 . H 1 : ( μ1 − μ 2 ) < ( μ1 − μ 2 ) 0   H 0 : ( μ1 − μ 2 ) ≤ ( μ1 − μ 2 ) 0 .r)  очитава  се  из  таблице  VII.  за  ризик грешке α и број степени слободе r = n1+n2‐2.  у  прилогу  ове  књиге.  Табела 50.  у  целој  фабрици. Радна табела  ПРВА СМЕНА  ДРУГА СМЕНА  Број монтираних  телевизора (xi1)  Број радника  (fi1)  Број монтираних  телевизора (xj2)  Број радника  (fj2)  17  19  21  23  24  Укупно  3  5  6  4  2  20  14  18  20  22  23  Укупно  2  4  5  3  1  15      Уз вероватноћу 95% тестирати:    а) Да ли се може прихватити нулта хипотеза Н0 да ли је разлика у просечном  броју  монтираних  теливизора  по  сменама  случајна  или  статистички  значајна и да ли зависи од смене у којој се ради?  б) Да ли се може прихватити нулта хипотеза Н0 да разлика у просечном броју  монтираних  телевизора  по  сменама.  Пример:   Да  би  се  испитао  просечан  дневни  осмочасовни  учинак  у  монтажи  телевизора по сменама.  није  већа  од  3  телевизора?        227    .

    228    . у узорку од 20 радника. у узорку од 15 радника износи 19. Радна табела  ПРВА СМЕНА  ДРУГА СМЕНА  Број  Број  Број  монтираних  монтираних  2 радника  (xi1∙fi1)  (xi1 ∙fi1)  телевизора  телевизора  (fi1)  (xi1)  (xj2)  Број  радника  (xj2∙fj2)  (xj22∙fj2)  (fj2)  17  19  21  23  24  3  5  6  4  2  51  95  126  92  48  867  1805  2646  2116  1152  14  18  20  22  23  2  4  5  3  1  28  72  100  66  23  392  1296  2000  1452  529  Укупно  20  412  8586  Укупно  15  289  5669    Просечан  број  монтираних  телевизора  у  првој  смени  израчунава  се  по  формули:  m1 x1 = ∑x ⋅ f i1 i =1 i1 m1 ∑f i =1 = i1 412 = 20.  Просечан  број  монтираних  телевизора  у  другој  смени  израчунава  се  по  формули:  m2 x1 = ∑x ⋅ f j1 j =1 m2 ∑f j =1 j1 = j1   289 = 19.Решење:  Табела 51.26 телевизора.6   20 Одговор:   Просечан  број  монтираних  телевизора  у  првој  смени.6 телевизора. износи 20.  у  току  осмочасовног  рада.26 15 Одговор:   Просечан број монтираних телевизора у другој смени у току осмочасновног  рада.

  Одговор:   Како  је  t0=1.34 телевизора  је  случајна.  Н1:  (µ1‐µ2)  ≠  (µ1‐µ2)0.962.8459 1 2   Одговор:   Оцена  средње  мере  одступања  разлике  аритметичких  средина  у  узорцима  од аритметичких средина у основном скупу износи 0.05 и број степени слободе r=20+15‐2=33 из таблице VII.      229    .6 2 + 5669 − 15 ⋅ 19.  хипотеза  Н0  се  прихвата  уз  ризик  грешке  α=5%  и  може  се  матрати  да  је  разлика  у  просечном  броју  монтираних  телевизора за осмочасовни рад по сменама у целој фабрици.  а)  Тестирају  се  хипотезе:  Н0:(µ1‐µ2)  =  (µ1‐µ2)0. 26 2 ⎛ 1 1 ⎞  ⎜ + ⎟ 20 + 15 − 2 ⎝ 20 15 ⎠ S( x − x ) = 0. очитава се вредност t(0.Оцена  стандардне  грешке  разлике  аритметичких  средина  израчунава  се  на  основу формуле:  m2 S( x − x ) = 1 1 i =1 2 2 i1 i1 1 2 1 j =1 2 j2 n1 + n2 − 2 2 S( x − x ) = m2 ∑x f −n x +∑x f −n x ⎛ 1 2 j2 2 2 1⎞ ⎜ + ⎟ ⎝ n1 n2 ⎠ 8586 − 20 ⋅ 20.5741   S( x − x ) 0.  прет‐ постављена разлика (µ1‐µ2)0=0  Вредност променљиве t0 израчунава се на основу формуле:  t0 = ( x1 − x2 ) − ( μ1 − μ 2 ) 0 (20.05.8459 телевизора. 26) − 0 = = 1.5841<t(0.8459 1 2 За ризик грешке α=0.  у прилогу ове књиге.26 1. у целој фабрици не утиче рад по сменама.  Разлика  х х 20.  То значи  да  на просечан  број монтираних  телевизора.030.33)=2.6 − 19. случајна и може се  приписати  случајној  варијацији  података  у  узорцима.6 19.33)= ±1.05.

10.5% t t0 = 1.33) = −2.6 − 19.5% 2 = 2.26 3 1.5841 t (0.  Разлика  х х 3 20.9624   S( x − x ) 0. Н1: (µ1‐µ2) ≠ 0    б)  Хипотезе  у  овом  случају  гласе:  Н0:(µ1‐µ2)≤  3  телевизора. (2α=2.  Овде  се  ради  о  једносмерном  тесту.  таблична  вредност  t(0.33) = 2.       230    .66  телевизора  је  статистички  значајна  и  не  може  се  приписати  случајном  варирању  података  у  узорцима.  може  се  сматрати  да  је  разлика  у  просечном  броју  монтираних  телевизора.6 19.26) − 3 = = −1.  нулта  хипотеза  се  одбацује.  уз  ризик  грешке  α=5%. 030   Област прихватања и одбацивња Н0:(µ1‐µ2) = 0.8459 1 2 Одговор:   Како  је  t0=‐1.10.025.33)=±1.5%=10%)  Вредност промењиве t0 израчунава се на основу израза:  t0 = ( x1 − x2 ) − ( μ1 − μ2 )0 (20.33)=‐1.690.690. 030 −t( 0.  по  сменама  за  осмочасовни  рад.  у  целој  фабрици  већа  од  3  телевизора.  Н1:(µ1‐µ2)>3  телевизора.9624<t(0.Одлука о прихватању нулте хипотезе Н0 може се донети и на основу графика:  f (t ) α 2 α = 2.025.

  Приликом  рачунања  увек  се  у  бројиоцу  ставља  већа  варијанса  факто‐ ријална или резидуална.  У анализи варијансе може се вршити испитивање утицаја:  1. Једног фактора варијабилитета  2. Статистички тестови на основу Снедекор­Фишеровог  распореда .F" (анализа варијансе)     Анализом  варијансе  врши  се  тестирање  значајности  разлике  између  ари‐ тметичких средина из три или више узорка.  Резидуални  (остатак)  вари‐ јабилитета  настаје  под  утицајем  неконтролисаних  фактора‐резидуална  вари‐ јанса.10.  факторијелна  варијанса.5.  Суштина анализе варијансе састоји се у томе да се укупна варијанса разлаже  на састојке варијансе. Два фактора варијабилитета са више посматрања      231    .5.Одлука о одбацивању Н0 може се донети и на основу графика  f (t ) α = 5% 95% 45% t0 = −1..33) = −1. Укупни варијабилитет посматране појаве је под утицајем  контролисаних  фактора. 690 50% t   Подручије прихватања и одбацивања  H0 : (μ1 − μ2 ) ≤ 3.  Ана‐ лиза варијансе назива се и дисперзиона анализа.9624 −t( 0. H1 : (μ1 − μ2 ) > 3     6. Два фактора варијабилитета  3. Исто тако врши се тестирање једног  или  више  фактора  на  варијабилитет  већ  тестираног  нумеричког  обележја.

n . 2.μ m = μ1     H1 : аритметичке средине бар два поскупа се међусобно разликују  где је:  μi = 1. i = 1.  x ij = μ + α1 + ε ij . m   (односно  број  узорака  формираних из подскупова  A i ... m   аритметичка  средина  i‐тог  подскупа  из  кога  је  формиран  узорак  m‐  број  посматраних  подскупова  A i . 2... m...σ m 2 = σ 2   Претпоставка је да се распореди варијанса подскупова  σ 12 покоравају закону  нормалног  распореда  и  да  чине  један  хомоген  скуп.  εij  (епсилон) . m ..σ i 2 = ..2..  може  се  изразити на основу релације.m .m.  једнаке  а  њихова  вредност једнака са варијансом основног скупа δ²...  може  се  приказати и у облику релације:  μ i = μ + α i .5.... 2. m.утицај  врсте  ђубрива  на  принос итд..  α i . 2... Анализа варијансе једног фактора варијабилитета    Када  се  испитује  утицај  једног  фактора  варијабилитета  на  вредности  нуме‐ ричког  обележја  посматране  појаве. i = 1.........  Аритметичка  средина  μi . = μi = . 2.  Зато  се  тестира  само  једнакост аритметичких средина подскупова   μi . n i .  утицај  старости  радника  на  број  произвдених  делова.   ј=1... m . i=1....  На  пример. i = 1..   i=1.тада  се  врши  анализа  варијансе  једног  фактора  варијабилитета.i = 1. 2... 2.i = 1. 2.n‐ компонента случајности или случајна грешка  232    . i = 1..  H 0 : μ1 = μ 2 = ..... m .i=1.... Изабрани подскупови припадају једном истом  основном  скупу  на  аритметичком  средином  μ.2.    Код  анализe  варијансе  једног  фактора  варијабилитета  истражује  се  утицај  једног  фактора  А  са  i  нивоа.    Произвољна  опсервација(посматрање) x ij .m једнаке. i = 1.. ј = 1...... m ..1. 2.    σ 12 = σ 2 2 = σ 3 2 = ..3....  Полази  се  од  нулте  хипотезе  Но  и  притом  су  аритметичке  средине  свих  подскупова μ1..2..6....... m ‐ систематска компонента фактора Аi ..  утицај  разних  сорти  житарица  на  принос..Исто  тако  полази  се  од  претпоставке  да  се  варијансе  подскупова  δі²  . 2.. ј = 1... i = 1... 2..5.2.

ј = 1.  ..  .  .  .. 2.  прво  се  израчунавају  одступања  сваког  посматрања  (опсервација) хij ..  .    па се могу формулисати хипотезе на следећи начин:    H 0 : α1 = α 2 = ... = α i = .  .α m = α     H1: ефекат бар једног третмана разликује се од нуле    Табеларни приказ опсервација  x ij ..  .  ..  .  . Скуп посматрања  хij   ПОСМАТРАЊА (ОПСЕРВАЦИЈЕ) Узорак  (i)   1  2  . 2.  .  ...  ..i = 1.  .  . m. 2. n i ....  .. i = 1.  .  .  ..  .  . i = 1..  . m .  .  . 2.  i  xi1   xi 2   …  xij   …  xini   .  .  ј  ..  . m.  .  систематске  компоненте  αi (ефекат  третмана‐ израчунава се на основу разлике  α i = μi − μ ) и случајне грешке  ε ij     Ефекат третмана израчунава се по формули:    α i = μi − μ .. ј = 1.  .  од  општег  просека  х  или  од  произвољног  почетка X 0 .  ...  састоји  се  из  три  компоненте:  аритметичке  средине  основног  скупа  μ. 2..  .  . n i       Табела 52...  .  Произвољна  опсервација  х ij .  ..  ..  m  xm1   xm 2   …  xmj   …  xmnm     Поступак за анализу варијнсе једног фактора варијабилитета је следећи:    1.  ...  .  .  .  .  ni   1  x11   x12   …  x1 ј   …  x1n1   2  x21   x22   …  x2 j   …  x2n2   . Табеларни приказ:        233    .  ..

S m = ( xm1 − x0 ) + ( xm 2 − x0 ) + .  ..  .  .  . ..  . .  ј=ј  . ..  Аi  xi1 − x0   xi 2 − x0 …  xij − x0   …  xini − x0   Si   .  .  .  . i = 1. + ( x2 n2 − x0 )..  .  .  .... m   ј=1  ј=2  . . 2.. . Одступања  xij − x0   xij − x0   Фактор  (третман) Si   А1 .  . .  ..  ..  .  . + ( xini − x0 ).  . . 2..  . + ( xmj − x0 ) + .  Аm  xm1 − x0   xm 2 − x0 …  xmj − x0 …  xmnm − x0   S  m S = ∑ Si   i =1   Si ....  .  ... + ( x11 − x0 ) + . + ( x2 j − x0 ) + ..  .  . m сума одступања по редовима  S1 = ( x11 − x0 ) + ( x11 − x0 ) + .  .  .  ј= ni   А1  x11 − x0   x12 − x0 …  x1 ј − x0   …  x1n1 − x0   S1   А2  x21 − x0   x22 − x0 …  x2 j − x0 …  x2n2 − x0   S2   . . .Табела 53.  .  . ..  .. .   Si = ( xi1 − x0 ) + ( xi 2 − x0 ) + . + ( xmnm − x0 ). . .  ..  .  .  . S 2 = ( x21 − x0 ) + ( x22 − x0 ) + . + ( x1n1 − x0 ). .. i = 1.. .... .  .   Општи просек  х израчунава се на основу формуле:  х= m ni i =1 j =1 ∑ ∑x m ∑n i =1       234    i ij     . + ( xij − x0 ) + .  . .. .  ...

2.m ‐ поједниачан број јединица у узроцима  Ѕr ‐ резидуална дисперсија.r2 .r1 ) /    S A ‐ дисперзија по фактору А.Аритметичка средина узрока(редова) израчунава се:  ni xi = ∑x j =1 ni ij . i = 1..r1 ..следи  табела:    Табела 54.. Анализа варијансе једног фактора варијабилитета  Сума квадрата одступања m SA = ∑ i =1 Si 2 S 2 −   ni n S R = ST − S A   m ST = ∑ i =1 ni ∑ ( xij )2 − j =1 S2 n Број степени  слободе  Оцена  варијације  SA   m −1 r1 = m − 1   VA = r2 = n − m   S VR = R   n−m VT = r = n −1   Однос  варианси  F0 = VA VR или F0 = ST   n −1 F(α .  израчунава се по формули:  m ST = ∑ i =1 ni ∑ (x j =1 ij i =1       235    m − x) = ∑ 2 ni S2 ( xij ) −   ∑ n j =1 2 .израчунава се по формули:  m n = ∑ ni n  i =1 n i . назива се тотална дисперзија.. m   2..i = 1..r2 )   VR VA /  Таблична  вредност  или   F(α ..израчунава се по формули:  ni m S R = ∑∑ ( xij − xi ) 2 = ST − S A   i =1 j =1 Ѕт  ‐  сума  квадрата  одступања  свих  посамтраних  елемената  x ij од  општег  просека x или од произвољног почетка Х 0 . Следећи поступак је израчунавање суме вредности квадрата одступања. 2.израчунава се по формули:  2 m m S A = ∑ ni ( xi − x ) = ∑ i =1 i =1 Si 2 S 2   − ni n n‐ укупан број посматрања.

  Одлука  о  прихватању  или  одбацивању  нулте  хипотезе  Н0.  Ако  се  у  бројилац  стави  варијанса  VA  онда  је  број  степени  слободе  r1=m‐1  а  r2=n‐m.r1.r2) очитава се из таблице IX у прилогу ове књиге.r1.r1)  Нулта хипотеза Н0 се одбацује уз ризик грешке α ако је:  F0>F(α.  за  ризик  грешке  α  и  број  степени  слободе  r1.r2) или F0≤F(α.r1.  ко  се  у  бројилац  стави варијанса VR онда је степен слободе r1=n‐m а r2=m‐1.r2.  r2.r2. Табличина вредност F(α.r1)  Графички приказ о прихватању или одбацивању Н0    236    .Нулта  хипотеза  се  прихвата уз вероватноћу поузданости (1‐α) ако је:  F0≥F(α.Оцена факторијалне варијансе VA израчунава се:  VA = SA   m −1 Оцена резидуалне варијансе VR израчунава се:  SR   n−m VR = Оцена укупне варијансе VT израчунава се:  VT = ST   n −1 Однос варијанси F0 израчунава се на основу релације:  F0 = VA >1 VR V F0 = R > 1 VA   У однос варијанси Fo увек треба ставити варијансу која има већу вредност VA  или VR.r2) или F0<F(α.

r2 .r1 ) Подручије прихватања и одбацивања нулте хипотезе H0          Тестирање и анализа варијансе једног фактора варијабилитета    Када  се  нулта  хипотеза  Н0  одбаци.r1 . m.  n−m Узроци имају исти број јединица  n1 = n 2 = ..  i=1.   2.f (F ) α 1−α F0 F0 F F0 > F(α ..r1 ) F0 ≤ F(α .m.r1 .. = n m   VR ‐ резидуална варијанса : VR =     237    ..r2 ) F(α . 2.   Тестирање  разлике  између  појединих  аритметичких  средина  узорака  применом  "t"  теста.. F0 ≤ F(α .  код  којих  су  разлике  између  аритметичких  средина  узорка  случајне. Такијев тест.....r2 .  Тестирање  разлике  између  појединих  аритметичких  средина  узорака  применом "t" теста. на основу обрасца:    Узроци имају исти број јединица  n1 = n 2 = .    1...   ni SR .   3.. i = 1....r2 ) .r1 ) F(α .r2 .. = n m   S ( xi − xi +1 ) = 2VR .прво  се  израчуна  стандардна  грешка  разлике  између  две аритметичке средина.  За  тестирање у анализи варијансе користе се три теста:    1.r1 . F0 > F(α .издвајају  се  групе  података  Ai.2. = n i = . Тестирање најмање значајне разлике NZR.r2 ) . = n i = .

.r ) .   Тест  најмање  значајне  разлике  NZR  израчунава  се  најмања  значајна  разлика на основу формуле:    NZR = t(α . m.  Доношење  одлуке  да  ли  је  разлика  између  аритметичких  средина  | xi − xi +1 | значајна или није значајна.    2... 2.   (k ) 2  Разлика између аритметичких средина  | xi − xi +1 | .2. k = 1.. i = 1. k=1. r1 =1. m     S( xi − xi+1 ) k = 1.....  k=1.доноси се на основу услова:   Разлика између аритметичких средина  | xi − xi +1 | .. 2.s израчунава се на основу формуле:  (k ) t0 ( k ) = | xi − xi +1 | i = 1. је значајна.. 2. r2 ) ⋅ S ( xi − xi+1 ) .. i = 1.2.Узроци са неједнаким јединицама. 2.. s. i = 1.. уз ризик грешке α и број степени  слободе  r2=n‐m. r2 = m ( ni −1)) .r2 ) ..  Уколико  се  тестирање  врши  уз  ризик  грешке  од  1%.   ⎝ ni ni +1 ⎠ Вредност променљиве t 0  ... m   ni   238    .  тада  је  разлика  између  аритметичких  средина  | xi − xi +1 |  високо статистички значајна и обележава се са (**).....     Ако  се  тестирање  врши  уз  ризик  грешке  5%  тада  је  разлика  између  аритметичких  средина  | xi − xi +1 | .није значајна ако је:  t 0 < t (α ...s  упоређује  се  са  табличином  вредношћу  t(α‐r2). сигурно да ће бити  одбачена и уз ризик грешке од 5%.. 2... s. 2.....  Ако се нулта хипотеза Н0 одбаци уз ризик грешке од 1%...  (k) очитава се из таблице VII у прилогу ове књиге. m     NZR  ‐  најмања  значајна  разлика  може  се  израчунати  и  на  основу  Фишерове  најмање значајне разлике NZR. s   Вредност  t 0   .значајна  и  обележава  се  са  (*).ако је испуњен  услов:  t 0 ( k ) ≥ t (α ... 3..користи се израз:  ⎛1 1 ⎞ S ( xi − xi +1 ) = VR ⎜ + ⎟ . 3... 2. k = 1.на основу релације:     NZR = 2VR ⋅ F(α ..

.  Ако су број јединица у узорцима неједнаки..за  посматрани  број  аритметичких  средина  xi . r2 ) ⋅ VR .. m   које се међусобом упоређују.... 2.израчунава се критеријум Т.. 2..r2 ) ⋅ VR ⎜ + ⎟ . m .... 2. i = 1.. i = 1. r1 = 1.да  ли  је  разлика  између  аритметичких  средина  узорака  | xi − xi +1 |   значајна или није значајна. m   ni услов је да се број јединица у узорцима исти n1=n2=. r2 = m ( n i − 1) ) ‐  табличина  вредност  која  се  очитава  у  прилогу  ове књиге из таблице IX  Разлика  између  аритметичких  средина  из  два  узорка  | xi − xi +1 |   је  значајна  ако је испуњен услов:  | xi − xi +1 |≥ NZR ...користи се релација:  ⎛1 1 ⎞ T = Q(α .доноси се ако су испуњени услови:   Разлика између аритметичких средина  | xi − xi +1 |  је значајна. m   није значајна уз услов:  | xi − xi +1 |< NZR ... Такиојев тест. 2.. i = 1.. i = 1... m    Разлика имеђу аритметичких средина  | xi − xi +1 |  није значајна ако је:  | xi − xi +1 |< T ..  појединачан  број  посматрања  )појединачан  број  јединица у узроцима)  F (α . m     3. 2.. m   ⎝ ni ni +1 ⎠ Q(α... 2... i = 1... m   239    . уз број степени слободе r2=n‐m и ризик грешке α. 2. 2... i = 1..на основу релација:  T = Q(α .  Одлука. i = 1. i = 1..r2) ‐ симбол који је табличина вредност које се очитава из таблице XVII у  прилогу  ове  књиге.n i .=nm.....ако је:  | xi − xi +1 |≥ Т .=ni=.

1 0.5 1.7 0.8 1.1 0. n1 = n2 = n3 = n4 = n5 = 6.2  2. 4.5 j=5 0.4 0. по сортама   ПРИНОС КУКУРУЗА У по парцелама и сортама  Сорта кукуруза Аi .    Решење:    а) потребни подаци за анализу варијансе једног фактора варијабилитеа су:  m = 5. 0   Сорта кукуруза Ai .2 1.95 и 0.3 1.5   I хектар  А1  А2  А3  А4  А5  II хектар  III хектар  IV хектар  V хектар  VI хектар  1. 3.2 0.2 0.  Земњиште  је  истог  квалитета.9     240    j=4 0.3 0.2 ‐0.3 1. Радна табела  xij − x0 = xij − 1.Пример:     На  једном  пољопривредном  добру  засејано  је  5  сорти  кукуруза  на  по  6  па‐ рцела  величине  једног  хектара.4 1.4 0.  Табела 55.0 1. 2.1 Si  1.7 1.8 1.7 0.2 0.случајне или статистичке  значаје.9  . 4.6 1.8  5.3 0.1  1. 2. 3. 4. n = 5 ⋅ 6 = 30 x0 = 1t / ha     Израчунава се  xij − x0 . 4.2 0.7  0.4 1.2 1.0 0.0  S=9.3 0. 6     Табела 56.2 0.3 1. i = 1.6 1.1 0.5 0.2  0.0 0.4  2.3 0.99 проверити да ли су разлике у  приносу кукуруза.4 0.3 ‐0. j = 1. с обзиром на сорту кукуруза.4 1.1  1.5 A1  A2  A3  A4  A5  j=1 0.9 1.8 j=6 0.5 1. i = 1.0 1.3. 2.3 ‐0.0 j=3 0.6 0.3.3 2.1 1. Након жетве кукуруза оства‐ рен је принос t/ha.исти  су  услови  обраде и употребљено је ђубриво истог квалитета.  б) Извршити тестирање разлике између аритметичких средина узорака.2 0.1 1.7   а) Уз вероватноћу појединости од 0.7 j=2 0.3 1. 5. Принос кукуруза у t/ha. 2. 5.0 1.2  1.2  1. i = 1.

82 + 1.33   30 i   Одговор:     Просечан принос свих пет сорти сукуруза на 30 хектара износи 1.1369  0.3969  0.0009  0.12 ) − 9.0729  0. тоталну дисперзију.5929    0..12 + 0.92 = 6.0529  0. 3. 0 9.6845  ∑ (x j =1 ij 2 − x)   0.0009  0.3525  0. 267 = 2. 267 = 3.8016 − 3.1885  0.3005  0.5329  0. 2 + 2. 2.5346 6 30 2 2 2 2 2 241    2   .0289  0.0289  0.5445  0.1089  0.4489  0.0049  0.израчунава се по формули:  2 m m S A = ∑ ni ( x − x ) = ∑ i =1 SA = i =1 Si 2 S 2 − ni n 1. 683   j =1     Добијени је исти резултат за ЅT = 3.33)   2 ij 2 ni ј=1 ј=2 ј=3 ј=4  ј=5 ј=6 А1  А2  А3  А4  А5  0.9 − = 5.. 5   (x − x ) = ( xij − 1.Тотална дисперзија Ѕт израчунава се по формули:  m n S ST = ∑ ∑ ( xij ) 2 − n i =1 j =1 ST = (0. 2 + 0.0049  0.0049  0. Радна табела  Сорта кукуруза Аi .    Дисперзија  по  фактору  А. 683 30   Општи просек  x  израчунава се по формули:  x= m n i =1 j =1 ∑ ∑x n ∑n i =1 ij = 39.  Израчунава се сума квадрата одступања. i = 1.52 + 0.2454  1.1089  0. 4.0009  0.0009  0. 683 .8 + 5.0529  0.95 − 3.5814  0.0169  0.0169  0.између  разних  сорти  семена  кукуруза.0169  0.33 t/ha. 22 + 0.2209  0. 42 + .2014  0.0529  0.0169  0.0009  0.9 = 1.9014  0.3249  0. + 0.    Табела 57.односно  између редова.32 + 0.2809  0.7534  m ∑ i =1 ni 2 ∑ ( xij − x ) = 3.1369  0. 7 + 0.0169  0.6125  1.

6 − 1. 2 − 1. 9 − 1. и зрачунава се на основу првог дела формуле:     m SR = ∑ i =1 2 ni ∑ (x j =1 ij − xj ) S R = (1.833 − 1.по сортама. 2.израчунавају се на основу формуле:  ni xi = ∑x ij j =1 ni . 2 ) + (1.833) + 2 2 2 2 + (1.  Резидуална  дисперзија  SR. 4 − 1. 0 − 1.466 t/ha. 2 ) + (1.1 − 1.ЅA може се израчунати и на основу првог  дела формуле. 2 − 1.33) + (1..8 − 1.3 − 1. 4 − 1. 033 − 1.1 − 1.116 ) + (1.2 t/ha . 2 − 1. 6 − 1.833 ) = 1. 2 − 1. 2 6.33) + (1. 466 ) + 2 2 2 2 2 2 + (1.5 − 1.3 − 1. 466 ) + (1.  Просечни приноси кукуруза.3 − 1. 033. ЅA има исту вредност на оба начина рачунања. четврте 1. 7 − 1.116 ) + ( 0.    Дисперзија по фактору А може се израчунати и на основу формуле:  n1 S A = ∑ ni ( x − x ) 2 i =1 S A = 6 ⎡(1. i = 1.833) + ( 2. 2 ) + 2 2 2 2 2 2 2 + (1.1 − 1. 2 ) + (1. друге 1. 0 − 1. 466. 5 − 1. 466 ) + (1.3 − 1. x5 = = 1. 2 ) + (1.8 11 = 1. m 7. пете 1. x4 = = 1.833 t/ha.5346 За дисперзију по фактору А.033 t/ha. 2 − 1. 033 ) + 2 2 2 2 2 2 2 + ( 0. 7   = 1. 033) + (1. 7 − 1. 033) + (1.116 ) + ( 0. 2 − 1. 2 − 1..33) ⎤   ⎦ S A = 6 ⋅ 0.33) + (1.116 − 1.833) + (1. 2.116 ) + (1.116 ) + (1.3 − 1. 033) + (1.33) + ⎣ 2 2 2 2 2 + (1. 7 − 1.116 t/ha. 42241 S A = 2. x2 = = 1.. 033) + (1. 466 ) + (1.833) + (1. 2 ) + (1.116. 2 8.Исто тако дисперзија по фактору А. 466 ) + (1.дисперзија  унутар  сорти  кукуруза  или  сума  квадрата унутар сорти кукуруза.8 − 1. 2 ) + (1. 6 6 6. 4 − 1. 466 − 1. треће  1.833) + ( 2..1 − 1. 466 ) + (1.1484 2 2 2 2     242    2 2 . 033 ) + (1.83 x3 = 6 6 6 x1 =   Одговор:     Просечан принос прве сорте кукуруза износи 1.

7 + 2. 32 + 1...    SA=2. 3 + .SR.9 + 1. 2 2 + 1. 0 + 1.1484  r2=30‐5=25 VR = F(0.1484 = 0.92 − = − = 55.1 = 39. 6 + 1. 4) 2 + + (1.r1.1) 2 +   + (0. + 1. и α=0.4.01 и r1=4.5346 = 0.81   F(0.25)=4.1 + .На основу другог дела формуле.1484 ni 6   Израчунате  вредности  ST.SA.3 + . + 1.. + 1. + 1.8 + 2. Радна табела  сума  квадрата  одступања  број  степени  слободе  оцена   варијације  Однос   Варијанси (F0)  Таблична  вредност F(α.01.очитавају се из таблице IX  у прилогу ове књиге. 2 + 1.4.SA.18 25 ST=3...3 + 1.05.. 6016 = 1.8 + 1. 0459   SR=1. 0 + .. 634   0.1 + 1. 6016 − 53. 067 = 2.4.r2)  2.05.8 + 2. + 1.1 + 1. + 1. 683 n 30 ni m j =1 i =1 ∑ ( xij )2 − ∑   Si 2 333. 634 4 F0 = ≈ 13..4.683  r3=30‐1=29 / /   Табличине вредности F(0. 2) 2 + (1. + 1. 75 − = 56. 75 − 53.25) = 2.  Табела 58.05. 0 + ..SR  могу  имати  вредност  нулу  и  позитивну  вредност.5346 ni n 6 6 ni 2 ∑ ( xij ) − j =1 S2 39.25)=2.9 2 + 1.9 = Si = 1.76 и F(0. 75 − = 56.18. 76 0.12 = = (1. 4 + 1. 683 − 2.резидуална дисперзија износи:    SR =ST -SA = 3.3 + 1.52 + 1.1) 2 = 333. 22 + ..82 + 2. 0459   1. 75 − 55. 2 + .3 + 1.5346  r1=5‐1=4  VA = 243    . за α=0.. 61 = 56. 61 = Si 2   На основу формула може се израчунати:   m SA = ∑ i =1 m ST = ∑ i =1 m SR = ∑ i =1 Si 2 S 2 333..25) = 4. 2) 2 + (1. r2=25. могу се израчунати и на овај начин:   5 6 i =1 j =1 5 6 ∑ ∑x ij ∑ ∑x i =1 j =1 5 6 ij ∑ ∑x i =1 ij j =1 = 1.01.92 = 56.1484     Вредност за ST.5 + 1.. 5346 = 1. 067 = 3.. 61 39.

Тестирање  разлике  између  аритметичких  средина  узорака  на  основу  t  теста:  у  овом  примеру  сви  узорци  имају  исти  број  јединица  ni=6  .може се сматрати да  постоји  високо  статистички  значајне  разлике  (разлике  у  приносу  кукуруза  су  високо  статистички  значајне  зато  што  је  нулта  хипотеза  Х0  одбачена  уз  ризик  грешке α=5% и уз ризик грешке α=1%) у приносу кукутуза по хектару.  i=1.81 = 2.  уколико  је  разлика  између  вредности  аритметичких  средина узорака значајна уз ризик грешке α=1%.05. биће значајна и уз ризика  грешке α=5%.4.с обзиром  на  разне  сорте  кукуруза.3. Извршиће се тестирање само за  ризик  грешке  α=1%.25)  =4.25) F0 = 13.5.05.4.25) = 4.       244    .01.  То  значи  да  на  принос  значајно  утиче  сорта  семена  кукуруза. 76 F(0.6.81>F0(0.  нулта  хипотеза  Н0 се одбацује уз ризик грешке α=5% и ризика грешке α=1%.05.18.2.4. на основу три врсте теста.81>F(0.     Графички приказ одлуке о одбацивању нулте хипотезе Н0  f (F ) α = 1% α = 5% 99% 95% F F(0.18 Подручије прихватања и одбацивања   H0 :μ1 = μ2 = μ3 = μ4 = μ5     б)  Нулта  хипотеза  Но  је  одбачена  уз  ризик  грешке  α=1%  и  α=5%  зато  је  потребно  извршити  тестирање  разлике  појединих  вредности  аритме‐ тичких средина.Одговор:     Како  је  F0≈13.76  и  F0≈13.4.4.25)  =2.    1.

i = 1..01.01. 787 ** 0.  очитава се из таблице VII.1176 > t(0. 787 0. s   S( x − x ) k i t 0(1) = t 0( 2) = t 0(3) = t 0( 4) = t 0(5) = t 0(6) = t 0(7) = t 0(8) = t 0(9) = t 0(10) = x1 − x2 S( xi − xi+1 ) x1 − x3 S( xi − xi+1 ) x1 − x4 S( xi − xi+1 ) x1 − x5 S( xi − xi+1 ) x2 − x3 S( xi − xi+1 ) i +1 = |1..01. 466 − 1.. 4677 > t(0.01..израчунава се на основу формуле:   x −x t 0( ) = i i + a .833 | = 5..25) = 2.25) = 2.. 2.8296 > t(0.12369 = |1.25) = 2. 466 | = = 2.350 < t(0. 787 ** 0. 787 0. 787 0.9671 > t(0. 787 ** 0.12369 =   |1..01. 2. 0459 = 0. k=1. 466 | = 3. 787 0. .116 | = 0.787. 033 − 1.Стандардна грешка разлике између вредности две аритметичке средине  израчунава се на основу формуле:  S( xi − xi+1 ) = 2VR .12369 = |1.25) =2.. 2 − 1.  за  10  комбинација  разлика  (k ) између вредности аритметичких средина.12369 x2 − x4 |1. 3. i = 1. m ni S( xi − xi+1 ) = 2 ⋅ 0.      245    .12369     Таблична вредност t(α.833 | = 2.12369 = |1.116 − 1.. 2.25) = 2.. i=1.25) = 2.r2)=t(0. 2 − 1.12369 |1.25) = 2.01. 6791 < t(0. 033 | = 1.01.25) = 2. 033 − 1.12369 6   Вредности  променљиве  t 0 .25) = 2.. .01.01.1505 < t(0.10 .116 − 1.116 − 1.12369 = |1.01.25) = 2.25) = 2. 466 | = 2. 787 ** 0.. 6710 < t(0. 2.12369 S( xi − xi+1 ) x2 − x5 S( xi − xi+1 ) x3 − x4 S( xi − xi+1 ) x3 − x5 S( xi − xi+1 ) x4 − x5 S( xi − xi+1 ) = | 1. 033 | = 0.01. 2 − 1.. 787 ** 0.12369 = |1.833 | = = 6. 787 ** 0. m.. 7967 > t(0.833 | = 5. 2 − 1.5007 > t(0.

633 > 0.0153 ⋅ 7. 2 − 1. А2 и А4 .  246    .833 |= 0.77 6   Табличина  вредност  F(0..2. А2. А2  и А5 . 083 < 0. 717 > 0..833 |= 0.  NZR=0.r1 =1.3447 | x1 − x4 |=|1.116 − 1. 266 < 0.10 :  | x1 − x2 |=|1..r2 ) ⋅ S ( x − xi +1 ) NZR = 2..3447 ** | x3 − x5 |=|1.3447 **   | x2 − x5 |=|1. А4 и А5. i=1. 466 |= 0.3447 | x1 − x5 |=|1.8 > 0.01.r2 =m ( ni −1)) ni   2 ⋅ 0.3447 | x2 − x4 |=|1. 033 − 1..3447 | x1 − x3 |=|1. зато  што оне дају најмањи принос кукуруза по хектару.Одговор:   Израчунате вредности t 0 .прочитано  из  таблице  XI  у  рпилогу  ове  књиге.0459 ⋅ F(0.3447 **   На  основу  овог  тетса  добијене  су  исте  високо  статистички  значајне  разлике. 033 − 1. А3.116 − 1. i = 1. 2 − 1.3447 ** | x4 − x5 |=|1.167 < 0. за 10 показују да постоје шест висо‐ (k ) ко статистичких значајних разлика и то између сорти кукуруза А1 и А5 . А4.116 − 1..833 |= 0.3447 ** | x3 − x4 |=|1.833 t/ha .116 |= 0.25)=7. 084 < 0.10 . 466 |= 0.3447  Апсолутне разлике између вредности аритметичких средина узорака  | xi − xi +1 |. 466 − 1. 033 |= 0.12369 = 0.35 > 0. 433 > 0. 2 − 1. 2. 3.367 > 0. Препорука је да се сеје сорта  кукуруза А5.01.4.  одговор је исти.. 033 |= 0. 2 − 1.77..25) = 0.3447     или на основу формуле:  NZR = NZR = 2VR ⋅ F(α .833 |= 0. Тестирање најмање значајне разлике NZR на основу формуле:    NZR = t(α .3447 ** | x2 − x3 |=|1. 466 |= 0. 787 ⋅ 0. То значи да уопште не треба сејати сорте А1. А3 и А5. зато што даје просечно највећи принос по хектару 1.     2.

17 за број аритметичких средина које се упоређују m=5. 433 < 0. 466 |= 0. 4. 45219   | x2 − x5 |=|1.833 1.r2) очитава се вредност из таблице XVIII у прилогу ове књиге  Q(0. 45219 6     | x1 − x2 |=|1.833 |= 0.116 − 1. 2 − 1.367 < 0. 2. i = 1.116 1.8 > 0.167 < 0. r2 ) VR .17 ⋅ 0. 633 > 0.033 0. Радна табела  Сорта кукуруза Аi .    Т = 5. 45219 | x1 − x4 |=|1.833 |= 0. 45219 | x1 − x3 |=|1. 717 > 0.833 |= 0. 2 − 1.266 0. 2 − 1.2 1. 2 − 1.0 ‐ 0. 084 < 0.367**  ‐  ‐  ‐  ‐     3. 033 − 1. 45219 | x2 − x4 |=|1.Може  се  формирати  табела  разлика  вредности  аритметичких  средина  узо‐ рака за тестирање најмање значајне разлике NZR.0459 = 0. m   ni Q(α.0 0.3.5   А5  А4  А1  А2  А3  аритметичка  средина  Разлика аритметичких средина узорка  узорка  ( xi )   xi − 1. 266 < 0.25)=5..  није статистички значајна.  247    .083 0.35 < 0. 033 − 1. 466   1.8** 0. 033   xi − 1.833 |= 0. 2   xi − 1. 466 |= 0. 45219** | x2 − x3 |=|1. 45219 | x1 − x5 |=|1. 466 − 1.46 1.116   xi − 1. 033 |= 0.па  се може закључити да се може сејати и сорта кукуруза А4 јер разлика  | x4 − x5 | .    Табела 59. 45219   По Такијевом тесту добијено је три високо статистички значајних разлика.167 0. 45219 | x3 − x5 |=|1.. 083 < 0. Код Такијевог теста израчунава се вредност критеријума Т на основу фор‐ муле:  Т = Q(α . 45219** | x3 − x4 |=|1.717** 0.433** 0.0 ‐ ‐ 0.. 033 |= 0.084 0. 45219** | x4 − x5 |=|1.35** 0.116 |= 0.01..116 − 1.116 − 1. i = 1. 2.633** 0. 466 |= 0.

2. i = 1. 2. n4=5  n = n1 + n 2 + n 3 + n 4 = 5 + 6 + 6 + 5 = 22   За  произвољан  прочетак  усваја  се  х0 = 35 килограма.дан 38 32 33 35 6. 6   Табела 61. 2. дан 32 31 39 42 2. 2.  Израчунава  се  ( xij − x0 ). i = 1. 4.3.  на  случајан  начин  изабрано  је  четири  продавнице и пратила узастопно 6 дана продају хлеба. 4     А1  А2  А3  А4  1.  б) Извршити тестирање разлике између аритметичких средина узорака. 4.3. i = 1.дан 28 36 41 45 3. 4   А1  А2  А3  А4      ј=1 ‐3 ‐4 4 7 j=2 ‐7 1 6 10 j=3 ‐6 ‐5 ‐7 1   248    j=4 ‐2 2 5 2 Si   j=5 3 ‐3 ‐2 0 j=6 ‐ ‐8 0 ‐ ‐15  ‐17  6  20  S=‐6  .    Решење:    а) у овом примеру број јединица (број дана посматрања) је различит: n1=5 .продавнице  мешовите  робе.робне  куће). n3=6 .3.случајне или статистички значајне.дан 33 37 40 37 5. j = 1. Пример:     Фабрика  за  производњу  хлеба. 3.у  циљу  провере  да  ли  се  продаја  хлеба  значајно  разликује  од  врсте  продавница  (маркети.    Табела 60.супермаркети. 5.дан 29 30 28 36 4.дан  ‐  27  35  ‐    а)  Уз  ниво  поузданости  99%  проверити  да  ли  су  разлике  у  продају  хлеба.  n2=6 . Радна табела  Врста  продавнице xij − x0 = xij − 35   Аi .   обзиром на врсту продавнице. Радна табела  Врста продавнице Аi .

 То значи да на продају хлеба не утиче врста продавнице.5297 = 330.18) = 5.3637 ⎣ ⎦ 22 m S 2 S2   SA = ∑ i − n n i =1 i ⎡ (−15) 2 (−17) 2 62 202 ⎤ (−6) 2 SA = ⎢ + + + − = 179.834 VR = ≈ 18.3637 − 177.1765   330.834   r2 = 22 − 8 = 18 ST = 508. r1 .5297 6 6 5 ⎥⎦ 22 ⎣ 5 S R = ST − S A S R = 508.1765 3 59..09 18 VA =     Одговор:     Како  је  F0 ≈ 3.                            249    ..3796 ≈ 3.m ST = ∑ i =1 ni ∑ ( xij )2 − j =1 S2 n (−6)2 2 2 2 ST = ⎡( −3) + ( −7 ) + ( −6 ) + . с обзиром на врсте  продавница случајне.01. 219 F(0.834   Табела 62. 09 нулта  хипотеза  H0  се  прихвата  уз  ризик  грешке 1%.01.18 ) = 5.3796   F0 = 18.166 − 1.5297 ≈ 59.3. 3637   r3 = 22 − 1 = 21 Оцена   варијанса  однос  варијанси  ( F0 )   таблична  вредност F(α . r2 )   177. + 12 + 22 + 02 ⎤ − = 510 − 1. 5297   r1 = 4 − 1 = 3   S R = 330. може се сматрати да су разлике у продаји хлеба.3. 6363 = 508. 219 < F( 0. 6363 = 177.  Анализа варијансе једног фактора варијабилитета  сума квадрата  одступања  број степени  слободе  S A = 177.

2... = μ ( Bs ) = 0   Н1 : бар две аритметичке средине се међусобно разликују    250    .. i = 1..  j=1.s... s ‐ случајна грешка    Хипотезе се формирају на следћи начин:  H 0 : μ ( A1 ) = μ ( A 2 ) = .m  и  Bj  .2..2. m ...3.5..s... s ...... Анализа варијансе два фактора варијабилитета    Анализа  варијансе  два  фактора  варијаблилитета  је  случај..01.2..18) = 5...  j  =1.5. i=1. = μ ( A m ) = 0   Н1 : бар две аритметичке средине се међусобно разликују  H 0 : μ ( B1 ) = μ ( B2 ) = .. j = 1.. m је број фактора Аi . = μ ( A i ) = .. Bj).  тада  је  сваки  елемент.i = 1...    Одлука о прихатању нулте хипотезе Но графички:    f (F ) α = 1% 99% F F0 ≈ 3.2..m  ... Само једном је заступљена свака од могућих комбинација (Аi. 2. = μ ( B j ) = ... 2. 09   Подручије прихватања и одбацивања   H0 :μ1 = μ2 = μ3 = μn      6..  ε ij . 2.  μ ‐ заједничка аритметичка средина  α i .  Теоријски модел анализе варијансе два фактора варијабилитета је:  х ij = μ + α i + β j + ε ij ..s..  i=1... 2.2.2..2...  б) Како је нулта хипотеза Но прихваћена не врши се тестирање. j = 1. 2. m ‐ ефекат i‐тог модалитета фактора А.  β j . j =1..ако  се  врши  испи‐ тивање утицаја два фактора варијабилитета А и В. s ‐ ефекат j‐тог модалитета фактора В..... i = 1.. 219 F(0... а ѕ је број  фактора Bj .  Укупан број посматрања је n = m ⋅ s ... j = 1.. Ако се истовремено посматра  утицај  две  групе  фактора  Ai  .. m .m.  i=1....опсервација  xij  ..  под  истовременим  утицајем  оба  фактора А и В..

. .  ..... .  В2  .  .  . m   …  Вs    A1  x11 − x0   x12 − x0 В1  …  x1 ј − x0 …  x1n1 − x0   S1   A2  x21 − x0 x22 − x0 …  x2 j − x0 …  x2 n2 − x0   S2   ... . . j=1.  .... s   фактор Si   xij − x0   Аi .  . . ..  ..Табела 63. + ( xmј − x0 ). s / елемент  xij   фактор Аi ..  ...  . . j = 1. Елементи код анализе два фактора варијабилитета   фактор  B j .  Am  S⋅ j   ..следи табела:  Табела 64.  . + Ѕiј + .  .. + ( xiј − x0 ) + .. + Ѕ mј = ( xiј − x0 ) + ( x 2ј − x0 ) + .  . . 2.  .. . 2. . ..  .  .  ..  …  xij − x0 …  xini − x0   Si   .  .  . . i = 1.  .  .  ...  .  Am  xm1  xm2  …  xmj  …  xms    Одстпуања сваког елемента xij ..  . 2...  .  ..2.  . Одступања  xij − x0   фактор  B j .  xi1 − x0   xi 2 − x0 .  .  ..  . i = 1.  . + Ѕi3 = ( xi1 − x0 ) + ( xi2 − x0 ) + .  . + ( xi3 − x0 )   251      ..  ...  ..  .. i=1. . .  .  . .  xm1 − x0 xm 2 − x0 S⋅1   S⋅2   …  В j  m i =1   Код симбола  S ⋅ j .  ..  …  xmj − x0 …  xmnm − x0 Sm   …  S⋅ ј   …  S⋅ s   S = ∑ Si   ..  .  .  . .  Aj  xi1  xi2  …  xij  …  xis  .  . . . .тачка означава било који индекс:  Ѕ⋅ ј = Ѕ1ј + Ѕ 2ј + .  .. .  .2. + ( xiј − x0 ) + ..  .  .. j = 1.  ..  .  .  .  .  .  .  ..  Aj  . 2.  .  .  ..  .s од произвољног почетка  x0 . Важи и за симбол Ѕi⋅ = Ѕi1 + Ѕi2 + . m   В1 В2 … Вj … Вs  A1  x11  x12  …  x1j  …  x1s  A2  x21  x22  …  x2j  …  x2s  .  .  .m . + Ѕiј + . .  .

i = 1...r2 ..израчунава се на основу  формуле:  m 2 m S A = ∑ S ( xi⋅ − x ) = i =1   252    ∑S i =1 s i⋅ 2 − S2   n .r1 ) F(α .  x j ...r1 ... s   Табела 65.на основу израза:  s xј = ∑x ij и =1 m ..r3 ) или   F(α . m   s   а по фактору В. 2. 2. i = 1.r3 . xi  израчунавају се на основу израза:  s xi = ∑x ij j =1 .r3 ) или   F(α . r2 ) ‐  ‐  ‐  ‐    Факоријелна дисперзија у односу на групу фактора А.r3 .Општа аритметичка средина  x израчунава се по формули:  m s i =1 j =1 ∑ ∑x x= ij   n Аритметичке средине по фактору А. Анализа варијансе два фактора варијабилитета   сума квадрата  одступања  број степени  слободе  SA = i =1 s − S2   n r1 = m − 1   S VA = A   m −1 SB = j =1 m − S2 n r2 = s − 1   S VB = B   s −1 S R = ST − S A − S B   r3 = ( m − 1)( s − 1) VR = m ST = ∑ i =1 s 2 ∑ ( xij ) − j =1 S2 n r4 = n − 1   F0( A) = VR VА F0( B ) = VB VR или F0( В ) SR (m − 1)( s − 1) VT = VA VR или s ∑ S⋅ j 2 однос  варијанси  ( F0 )   F0( A) = m ∑ Si ⋅ 2 оцена варијансе  ST   n −1 V = R VА     таблична  вредност  (F )   F(α .

  израчунава  се  на  основу формуле:  s s S B = ∑ m( x⋅ j − x ) = ∑S j =1 m j =1 2 ⋅j − S2   n   Тотална дисперзија ЅT израчунава се:  m ST = ∑ i =1 2 s m ∑ ( xij − x ) = ∑ j =1 i =1 s 2 ∑ ( xij ) − j =1 S2   n   Резидуална дисперзија ЅR израчунава се:    S R = ST − S A − S B     Оцене варијанси израчунавају се на основу формуле:  SA . оцена факторијалне варијансе  S −1 SR VR = .Факоријелна  дисперзија  у  односу  на  групу  фактора  В. зато што је најмања табличина вредност из таблице IX  у прилогу ове књиге један. оцена факторијалне варијансе  m −1 S VВ = В .    Релације  на  основу  којих  се  доноси  одлука  о  прихватању  или  одбацивању  нулте хипотезе Но:    253    . оцена резидуалне варијансе  (m − 1)( s − 1) S VТ = T . оцена тоталне(укупне) варијансе  n −1 VA =   Однос варијанси израчунава се:  VA V  или  F0( A ) = R   VR VA V V = B или F0( B ) = R   VR VB F0( A ) = F0( B )   Када  се  израчунава  однос  варијанси  F0(A)  и  F0(B)    у  бројилац  се  увек  ставља  већа варијанса VА  или VB.

r3 ) или F0( В ) ≤ F (α . r3 .r2 . r3 .                      254      . r2 . r1 .r1 .r2 .r1 .r1 .r3 ) F(α .r3 ) F0( А)≤ F(α . r1 ) ⇒ H 0 се одбацује F0( В ) < F (α . r1 . r2 ) ⇒ H 0 се прихвата   Графички приказ прихватање или одбацивање нулте хипотезе Но    f (F ) α 1−α F0( А) F0( A) F F0( А) > F(α . r2 .r2 .r3 )       f (F ) α 1−α F0( В ) F0( В ) F F0( А) > F(α . r3 ) или F0( A) ≤ F (α . r3 .r3 ) F0( B )≤ F(α .F0( A) ≤ F (α .r3 ) F(α . r3 . r3 ) или F0( A) > F (α . r1 ) ⇒ H 0 се прихвата F0( A) > F (α . r3 ) или F0( A) > F (α . r2 ) ⇒ H 0 се прихвата F0( В ) > F (α . r3 )        Подручије прихватања и одбацивања H0 за фактор Аи B.

   2.r =( m −1)( s −1))   S 1 255    3 ..2. m     k = 1.2.2.r =1.r2 ) Разлика између аритметичких средина  xi − xi +1 ..  На  основу  ''t''  распореда  тестирају  се  разлике  између  појединих  аритметичких средина узорака А и фактора В израчунавањем стандардне  грешке  између  две  артиметичке  средине  за  фактор  А  (за  редове)  на  основу формуле:  2 ⋅ VR S S( x − x ) = i +1 i   За фактор В (за колоне).  је  значајна  уз  ризик  грешке α и број степени слободе r3=(m‐1)(s‐1)...   3.ако  се  нулта  хипотеза  Но  одбаци. Такијев тест.. k = 1.... тестирање најмање значајне разлике NZR.    2.. Одлука да ли је нека разлика између аритметичких  средина узорака статистички значајна доноси се на основу релација:  t0 < t . није значајна   t 0( ) ≥ t (α ..Тестирање и анализа варијансе два фактора варијабилитета    Приликом  тестирања.s   k 2 Разлика  између  аритметичких  средина  xi − xi +1 .. k = 1.на основу формуле:  2 ⋅ VR   m S( x − x ) = i +1 i   Вредност променљиве  t0  израчунава се по формули:  (k ) t0 = (k ) xi − xi +1   S( x − x ) i i = 1.r ) .  Тестирање  најмање  значајне  разлике  NZR  израчунава  се  на  основу  Фишерове NZR а фактор А:    NZR = 2 ⋅ VR ⋅ F(α . s i +1   За фактор А и за фактор В.  Применом  ''t''  распореда  тестирају  се  разлике  између  појединих  ари‐ тметичих средина фактора А и фактора В..2.тада  су  разлике  између аритметичких средина случајне и користе се три врсте теста:   1...s   (k) (α ...    1.

на основу формуле:  RA = S A − ( m − 1) ⋅ VR ST − VR S − ( s − 1) ⋅ VR RB = B ST − VR 256      .. 2..  Код  Такијевог  теста  за  фактор  А  израчунава  се  критеријум  Т  на  основу  формуле:  T = Q(α ...доноси се ако је испуњен услов  xi − xi +1 ≥ T ....r ) ⋅ VR   . i = 1. m     није значајна ако је испуњен услов  xi − xi +1 < T . m   разлика  између  аритеметичких  средина  из  два  узорака  xi − xi +1   је  значајна. S T = Q(α . m     Исто  тако  у  анализи  варијансе  два  фактора  варијабилитета  оцењује  се  и  релативан значајан утицај фактора А и фактора В.2. 2.. m 3 а за фактор В:  3   Одлука  о  томе  да  ли  је  разлика  између  аритметиччких  средина  узорака  xi − xi +1 значајна.r ) ⋅ VR   ..    Није значајна ако је испуњен услов  xi − xi +1 < NZR.r = ( m −1)( s −1))   m 1 3 Одлука  да  ли  је  разлика  између  аритметичких  средина  узорака  статистички  значајна. i = 1.. i = 1....а за фактор В:  NZR = 2 ⋅ VR ⋅ F(α .  xi − xi +1 ≥ NZR. m     3.доноси се на основу релација:    Ако је испуњен услов.2.. i = 1..r =1..

ј = 1. s = 3.  д) Израчунати релативан утицај појединих фактора на квалитет фрижидера    Решење:   Потребни подаци:  m = 4.3   B1   68  158 110 125 A1 A2 A3 A4 B2 135 162 158 205 B3 75 175 85 115     Уз вероватноћу поузданости од 0.случајне или статистички значајне  ц) Извршити тестирање разлика између аритметичких средина узорака. n = 12. 2.случајне или статистички значајне  б) Да ли се може прихавтити нулта хипотеза Н0 да су разлике у квалитету фри‐ жидера с обзиром на тип фрижидера. 4. Радна табела  Произведени фрижидери   Ai = 1.3   xij − 120   A1 A2 A3 A4 B1(j=1) ‐52 38 ‐10 5 B2(j=2) 15 42 38 85 B3(j=3) ‐45 55 ‐35 ‐5 ‐82  135  ‐7 85  Si j   ‐19  180  ‐30  S=131    257    Si i   . 2.    Табела 67. 2. j = 1. 2. 3.    Табела 66. Резултати испитивања су следећи. 2. 3 . 4   ТИП ФРИЖИДЕРА  B j . 2. 4   ТИП ФРИЖИДЕРА  B j . 3. ј = 1.95 проверити:  а) Да ли се може прихватити нулта хипотеза Н0 да су разлике у квалитету фри‐ жидера у зависности од произвођача. Радна табела  Произведени фрижидери   Ai = 1. х 0 = 1204   Израчунавање разлике x ij − x0 = xij − 120 . 3. i = 1.Пример:     Трговинско  предузеће  жели  да  у  својим  продавницама  продаје  фрижидере  па је на случајан начин изабрано четири приозвођача фрижидера и од сваког на  случајан  начин  изабрало  је  по  један  фрижидер  од  три  типа  који  се  производе.  Трговинско  предузеће  је  приступило  испитивању  фрижидера  бројем  часова  рада без квара.

Тотална дисперзија ЅT израчунава се по формули: 
m
s
2
S2
ST = ∑ ∑ ( xij ) −
n
i =1
j =1

 
2
131
= 21213 − 1430, 0883 = 19782,917
ST = ( 522 + 152 + 452 + ... + 52 + 852 + 52 ) −
12
Дисперзија у односу на групу фактора А, ЅA израчунава се на основу формуле: 
m

∑S

2

S2
 
S
n
2
2
2
2
2
82 + 135 + 7 + 85 131

= 10741 − 1430, 0883 = 9310,9167
SA =
3
12
SA =

i =1

ii

Дисперзоја у односу на групу фактора В, ЅВ израчунава се на основу формуле: 
s

∑S

2

S2
 
m
n
2
2
2
2
19 + 180 + 30 131

= 8415, 25 − 1430, 0883 = 6985,167
SB =
4
12
SB =

i =1

ij

Резидуална дисперзија ЅR израчунава се на основу релације: 

Ѕ R = Ѕ T − Ѕ A − Ѕ В = 19782,971 − 9370,9167 − 6985,167 = 3486,833  
 
Табела 68. Радна табела 
Сума квадрата  Број степени 
одступања 
слободе 

SA = 9310,9167  

r1 = 4 − 1 = 3   VA =

Однос варијанси 
( F0 )  

3103,63
9310,9167
≈ 5,34
= 3103, 63 F0( A) =
581,138
3

3492,58
6985,167
≈ 6, 01
= 3492, 58 F0( B ) =
581,138
2
3486,833
r3 = (4 −1)(3 −1) = 6 VR =
= 581,138
‐ 
6

SB = 6985,167   r2 = 3 − 1 = 2
SR = 3486,833 

Оцена варијансе 

VB =

Таблица 
вредности 
(F )  

F(0,05;3,6) = 4,76  

F(0,05;2,6) = 5,14  
‐ 

ST =19782,917  r = 12 − 1 = 11
‐ 
‐ 
‐ 
 
Одговор:  
 
Како  је  F0 A ≈ 5,34 > F( 0,05;3,6) = 4,76 нулта  хипотеза  Н0  се  одбације  уз  веро‐
( )

ватноћу 95% и ризик грешке 5%, може се сматрати да су разлике у броју часова 
непрекидног рада фрижидера, с обзиром на произвођача статистички значајне и 
да квалитет фрижидера зависи од произвођача. 
258 

 

 
Графички приказ одбацивања нулте хипотезе Но 
f (F )

α = 5%
95%

F
F0( A ) ≈ 5,34

F(0,05;3,6) = 4, 76

 
Области прихватања и одбацивања Н0 за фактор А 
 
Одговор: 
 
 Како  је F0 В ≈ 6, 01 > F( 0,05;2,5) = 5,14 ,  нулта  хипитеза  Н0  се  одбацује  уз  ризик 
( )

грешке α=5%, може се сматрати да су разлике у броју часова непрекидног рада 
фрижидера,  с  обзиром  на  тип  фрижидера  статистички  значајне,на  квалитет 
фрижидера значајно утиче тип фрижидера. 
 
 
Графички приказ о одбацивању нулте хипотезе Но 
f (F )

α = 5%
95%
F
F0( A ) ≈ 6, 01
F(0,05;2,6) = 5,14

 
Области прихватања и одбацивања Н0 за фактор В 
 
ц) С обзиром да су Но хипотезе одбачене за фактор А и за фактор В, а у циљу 
доношења  одлуке  од  ког  произвођача  и  који  тип  фрижидера  узети  за 
продају,потребно  је  извшити  тестирање  разлике  између  појединих 
аритметичких  средина  за  фактор  А(произвођач)  и  за  фактор  В(тип 
фрижидера). 
 
 
259 

 

 1.  Стандардна  грешка  разлике  између  две  аритметичке  средине  за  фактор 
А,за редове,израчунава се по формули: 

S ( x1 − x2 ) =

2VR
S

S ( x1 − x2 ) =

2 ⋅ 581,138
= 19, 683
3

 

А за фактор В,за колоне,на основу формуле: 

S ( x1 − x2 ) =

2VR
m

S ( x1 − x2 ) =

2 ⋅ 581,138
= 17, 046
4

 

Аритметичке средине фактора А,по редовима: 

278
= 92, 66(часова )
3
495
x2( A2 ) =
= 165(часова )
3
 
353
x3( A3 ) =
= 117, 66(часова )
3
445
x4( A4 ) =
= 148, 33(часова )
3
x1( A1 ) =

Аритметичке средине фактора В,по колонама: 

461
= 115, 25(часова )
4
660
x2( В2 )2 =
= 165(часова )  
4
450
x3( В3 )3 =
= 112,5(часова )
4
, k = 1, 2,3, 4,5, 6 за  фактор  А  израчунава  се  на  основу 
x1( В1 )1 =

Вредности  t 0 k

( )

формуле, за све комбинације разлике аритметичких средина: 

t0( k ) =
t0( k ) =
Вредност  t ( 0,05;6 )

x − xi +1
S( x − xi+1 )

 

92, 66 − 165

= 3, 6752 > t( 0,05;6) = 2, 447 *
19, 683
= 2, 447 очитава се из таблице VII у прилогу ове књиге. 

260 

 

t 0( 2 ) =

92, 66 − 117, 66
= 1, 2701 < t( 0,05;6) = 2, 447
19, 683

t0( 3) =

92, 66 − 148,33
= 2,828 > t( 0,05;6) = 2, 447 **
19, 683

t 0( 4 ) =

165 − 117, 66
= 2, 405 < t( 0,05;6) = 2, 447
19, 683

t0( 5) =

165 − 148,33
= 0,846 < t( 0,05;6) = 2, 447
19, 683

t0( 6) =

117, 66 − 148,33
= 1,558 < t( 0,05;6) = 2, 447
19, 683

 

 
Одговор:  
 
Постоје статистички значајне разлике и то између произвођача фрижидера А1 
и А2 и А2 и А4. Значи да трговинско предузеће може узети у продају фрижидере 
од А2 и А4 јер они производе квалитетније фрижидере (А2 и А4 имају већи број 
часова рада). 
Вредности  t 0 k , k = 1, 2,3 , за фактор В,за све комбинације разлике аритме‐
( )

тичких средина. 

t0(1) =
t 0( 2 ) =
t0( 3) =

115, 25 − 165
17, 046

= 2,918 > t( 0,05;6) = 2, 447 *

115, 25 − 112,5
= 0,161 < t( 0,05;6) = 2, 447  
17, 046
165 − 112,5
17, 046

= 3, 079 > t( 0,05;6) = 2, 447 *

Одговор:  
 
Израчунате су две статистички значајне разлике између типова фрижидера В1 
и В2 и В2  и В3. То значи да трговинско предузеће треба да набавља тип В2 (има 
најдуже време рада без квара) од произвођача А2 и А4. 
 
 
 
 
 
 
 
 
 
261 

 

 2.  Најмања  значајна  разлика  NZR  за  фактор  А  (за  редове)  израчунава  се  по 
формули: 
NZR = t(α , r2 ) ⋅ S( xi ⋅ xi+1 )
NZT = 2, 447 ⋅19, 683 = 48,1643

 

 
Апсолутне разлике између аритметичких средина за фактор А (за редове). 
x1( A1 ) − x2( A2 ) = 92, 66 − 165 = 72,34 > 48,1643*

x1( A1 ) − x3( A3 ) = 92, 66 − 117, 66 = 25 > 48,1643
x1( A1 ) − x4( A4 ) = 92, 66 − 148,35 = 55, 69 > 48,1643*  
x1( A2 ) − x3( A3 ) = 165 − 117, 66 = 47,34 > 48,1643
x1( A2 ) − x4( A4 ) = 165 − 148,35 = 16, 65 > 48,1643
x1( A3 ) − x4( A4 ) = 117, 66 − 148,35 = 30, 69 > 48,1643
 
Одговор:  
Израчунате су исте статистики значајне разлике,па су и закључци исти. 
Најмања значајна разлика NZR за фактор В (за колоне). 

NZR = 2, 447 ⋅17,046 = 41,711  
Апсолутне разлике између аритметичких средина фактора В(за колоне) 
x( В1 )1 − x( В2 )2 = 115, 25 − 165 = 49, 75 > 41, 711*
x( В1 )1 − x( В3 )3 = 115, 25 − 112,5 = 2, 75 > 41, 711  
x( В2 )2 − x( В3 )3 = 165 − 112,5 = 52,5 > 41, 711*

Одговор:  
Закључак је исти,зато што су израчунате статистички значајне разлике исте. 
Тестирање најмање значајне разлике NZR помоћу табеле: 
 
Табела 68. Разлике  xi − xi +1  за фактор А, за редове 
Произведени 
фрижидери 

Аритметичка 
средина узорака 

Разлике између аритметичких средина 
узорака за фактор А 

Ai , i = 1, 2, 3, 4  

( xi i )  

xi i − 92, 66

xi i − 117, 66

xi i − 148, 33  

A1 
A2 
A3 
A4 

165
148,33
117,66
92,66

72,34*
52,67*
24,34
0

47,34
30,67
0

16,67 

‐ 
‐ 

 
262 

 

Табела 69. Разлике  xi − xi +1  за фактор В, за колоне 
Произведени фрижидери 
B j , j = 1, 2,3  
В1  
В2  
В3  

Аритметичка 
средина 

(x ) 
ij

Разлике између аритметичких средина 
узорака за фактор А 
xi j − 112, 5  
x j i − 115, 25  

165
115,25
112,5

52,5*
2,75
0

49,75* 

‐ 

 
 
Одговор:  
Из табела се види да су израчунате исте статистички значајне разлике, закљу‐
чак је исти. 
 
 
 3. Критеријум Т по Такијевом тесту, за фактор А за редове,израчунава се по 
формули: 

T = Q(α , r3 ) ⋅

VR
 
s

Вредност  Q ( 0,05;6 ) = 4, 90 проочита се из Таблице XVIII у прилогу ове књиге, за 
број аритметичких средина које се упоређује m=4 и број степени слободе r3=6. 

T = 4,90 ⋅

581,138
= 68,1985  
3

Разлике између аритметичких средина за фактор А,за редове: 

x1( A1 ) − x2( A2 ) = 92, 66 − 165 = 72,34 > 68,1985*
x1( A1 ) − x3( A3 ) = 92, 66 − 117, 66 = 25 > 68,1985
x1( A1 ) − x4( A4 ) = 92, 66 − 148,35 = 55, 69 > 68,1985
x2( A2 ) − x3( A3 ) = 165 − 117, 66 = 47,34 > 68,1985

 

x2( A2 ) − x4( A4 ) = 165 − 148,35 = 16, 65 > 68,1985
x3( A3 ) − x4 ( A4 ) = 117, 66 − 148,35 = 30, 69 > 68,1985
 
Одговор: 
 
Постоји  једна  статистички  значајна  разлика  и  то  између  произвођача  фри‐
жидера А1 и А2. Треба изабрати А2 јер има већи број часова непрекидног рада. 
 
 
263 

 

     г) Релативан значај утицаја фактора А.32% RB = 19782.односно произвођача на квалитет фри‐ жидера. за колоне. 41% RA = 19782.5 = 2.138 T = 4.3117 4 = 4. 25 − 165 = 49.5 = 52.3117   x( В2 )2 − x( В3 )3 = 165 − 112.односи се на тип фрижидера.3117 x( В1 )2 − x( В3 )3 = 115.138 = 0. 34 очитано  из  Таблице  XVIII  у  прилогу  ове  књиге. 75 < 52.05. 25 − 112.израчунава  се по формули:  T = Q(α .917 − 581.    264    .  а  30.917 − 581.5 > 52.  Закључак  је  да  приозвођачи  фрижидера  морају  побољшати  своју  технологију да би производили квалитетније фрижидере.138   За фактор В.израчунава се по формули:  RВ = S В − ( s − 1)VR ST − VR 6985.138   Одговор:     На  квалитет  фрижидера  39. израчунава се на основу релације:  RA = S A − (m − 1)VR ST − VR 9310.167 − (3 − 1) ⋅ 581.41%  утиче  произвођач  фрижидера. зато што он има дуже време непрекидног рада без квара.9167 − (4 − 1) ⋅ 581.6 ) VR m   581.  То  значи  да  ће  трговинско  прдузеће  изабрати  тип  В2  фрижидера.  x( В1 )1 − x( В2 )2 = 115.3032 или 30.34 ⋅ = 52. за фактор В.  за  број аритметичких средина које се упоређује m=3 и број степени слободе r3=6.138 = 0. r3 ) ⋅ Вредност  Q ( 0. 75 < 52.3941 или 39.3117 *   Одговор:     Према  Такијевом  тесту  има  једна  статистички  значајна  разлика  између  ти‐ пова  фрижидера  В2  и  В3.Критеријум Т по Такијевом тесту.    Разлике између аритметичких средина за фактор В.односно за колоне.32%  тип  фрижидера.

.    Графички  се  може  донети  одлука  о  прихватању  или  одбацивању  нулте  хипотезе Н0.5.  265    .... i = 1.. i = 1. 2. у прилогу  ове  књиге. Тест хомогености скупа  4.6.r )   Нулта хипотеза Н0 се прихвата уз вероватноћу поузданости (1‐α)  Ако је:  χ 0 2 > χ 2(α ..i = 1. r )     ...  за  ризик  грешке  α  и  број  степени  слободе  r=m‐1. Тест прилагођености емпиријског распореда теросијском распореду.. Тест значајности пропорције  2. m ‐ оригиналне фреквенције    f i ( t ) ....r )   Нулта хипотеза Но се одбацује уз ризик грешке α.    Поступак примене  χ 2 теста:    Израчунавање  χ 0 2 је на основу формуле:  2 ⎡⎣ fi − fi (t ) ⎤⎦   χ0 = ∑ fi ( z ) i =1 2 m где је:   f i . 2. i = 1. 2. 2.6.. Статистички тестови на основу  χ 2  (хиквадрат)  распореда    χ и  квадрат  ( χ 2 )  тест  користи  се  у  оном  случају  када  се  жели  да  провери  значајност  разлике  између  ставарних  f i . Тест независности обележја  3.  Затим  се  врши  упоређивање израчунате вредности  χ 0 2 са табличином вредношћу  χ 2 (α . m   и  теоријских  фреквенција  f i ( t ) . m   Користи се:  1. r )  из таблице VIII .... m  ‐ теоријске фреквенције   m ‐ број група у емпиријском рапореду    Након тога се очитава табличина вредност  χ 2 (α . Услови  на  основу  којих  се  доноси  одлука  о  прихватању  или  одбацивању  нулте хипотезе Но су:  Ако је:  χ 0 2 ≤ χ 2(α .

..  Да ли се уз ниво поузданости 99% може прихватити нулта хипотеза Но да је у  фабрици  заступљена  пропорција  радника  према  висини  месечне  плате  15%  ..  при  чему  се  број  грпупа  у  емпиријском  распореду  мора  бити m>2  и  притом  се  формулишу хипотезе:    H 0 :f1=f 2 =. m .5.    Пример:     У  једној  фабрици  за  прераду  дрвета  на  случајан  начин  изабрано  је  150  радника.=f m     Но: бар две фреквенције нису једнаке уз број степени слободе r=m‐1 и ризик  грешке α. 40% респективно?      266    .. 2.. m   и  теоријскиј  фреквенција f i ( t ) .  45% . 2. i = 1. i = 1..r ) χ2 F0 χ02 χ 2 (α .100 радника имали  су просечну плату а 20 радника је имало плату изнад просека. r ) χ 0 2 > χ 2 (α ..  f (χ 2 ) α 1−α χ 0 2 ≤ χ 2 (α ...од којих су 30 радника имали плату испод просека.=f i =.1. Тест значајности пропорција    Овај  тест  се  састоји  у  томе  да  се  оцени  значајност  разлике  између  оригина‐ лних  фреквенција  f i ....6. r )     Област прихватању и одбацивању нулте хипотезе Н0      6.

    Графички приказ о одлуци одбацивања Но  f (χ 2 ) α 99% χ2 F0 χ 0 2 = 44.814  резултати f i (t ) (t ) (t )   Одговор:   За број степени слободе r=m‐1=3‐1=2 и ризик грешке α=1%  из таблице  VIII у  2 прилогу  ове  књиге.Решење:   Израчунава се χ 0 2  по формули:  χ0 Табела 70.0  26. 40 = 60   ‐40. 210 Област прихватању и одбацивању нулте хипотезе Н0    267      .666  150 150.5   32. Разлике између оригиналних и теоријских фре‐ квенција  није  случајна  већ  високо  статистички  значајна.0  1600.2) = 9.15 = 22.очитава  се  вредност χ ( 0.648  200  150 ⋅ 0. 210 .01.25  15. Радна табела  плате  испод  просека  просечне  плате  изнад  просека  Укупно  резултати у  основном скупу 2 ⎡⎣ f i − f i ( t ) ⎤⎦ =∑ fi (t ) i =1   m 2 2 очекивани  ⎡⎣ fi − fi ⎡ f − f (t ) ⎤ ⎤⎦ χ 0 = ⎣ i i ⎦   fi (t ) 2   fi − fi 30  150⋅ 0.0 0 ‐ 44.2) = 9.  нулта  хипотеза  Н0  се  одбацује да је заступљена прпорцији радника према висини месечне плате 15%.25  2.5  1056.05.45 = 67.5  100  150⋅ 0. 40% уз ризик грешке α=1%.  45%.5  56.  а  то  значи  да  се  може  тврдити да ће структура плата бити другачија од претпостављене.814 χ 2 (0.5   7.

Пример:    Фабрика за производњу кекса производи пет врста кекса.  Разлике  између  оригиналних  и  теоријских  фреквенција  могу  се  сматрати статистички значајним.4166  45. 488 .4) = 9. 20 ⋅ 300 = 60 0.05. 488 .666  ‐20  400  6. 20 ⋅ 300 = 60 0.    Одговор:     Како  је χ 0 2 = 45.  Да ли се уз ризик грешке α=5% може прихватити нулта ипотеза Но да купци  подједнако купују свих пет врсте кекса?    Решење:     У  овом  примеру  ради  се  о  тесту  значајности  пропорцији  јер  се  очекује  пропорција од 20% за сваку врсту кекса. очитава се вредност  χ ( 0. Радна табела  врса   резултати у Очекивани  (t ) кекса   узорку f i  резултати f i Р1  55  Р2  70  Р3  40  Р4  100  Р5  Укупно  35  300  0. 20 ⋅ 300 = 60 300 2 fi − fi (t ) ‐5  ⎡⎣ fi − fi ⎤⎦ (t ) 25  2 ⎡ fi − fi (t ) ⎤⎦   χ0 = ⎣ fi (t ) 0.8312 > χ 2( 0.666  ‐25  0 625  ‐ 10. на случајан начин изабрала је 300 купаца и поделила  им по једну врсту кекса.4) = 9.за  четврту  врсту  Р4  100  купаца  и  за  пету  врсту  Р5  определило се 35 купаца.666  40  1600  26. Након извесног времена анкетирала је купце о томе за  коју вртсу кекса би се определили.  за  трећу  врсту  Р3  определило  се  40  купаца.8312    За број степени слободе r=m‐1=5‐1=4 и ризик грешке α=5%  из таблице  VIII у  2 прилогу ове књиге. 20 ⋅ 300 = 60 0.05.4166  10  100  1.    Табела 71.  за  другу  врсту  Р2  70  купаца. 20 ⋅ 300 = 60 0. У циљу одлуке коју  врсту кекса да производи.        268    . Резултати су били следећи: За прву врсту Р1  определили  су  се  55  купаца.  нулта  хипотеза  Но  се  одбацује  уз  ризик грешке α=5% па се може закључити да се не купују свих пет типова кекса  подједнако.

m . i = 1.6... k .. ...... 2 . 2.. Тест независности обележја    Код овог теста врши се тестирање модалитета два обележја једног основног  скупа из кога се формира случајан узорак....5.  Ако  је  нулта  хипотеза  Н0  истинита. i = 1. j = 1.  Емпиријске  фреквенције  се  упоређујју  се  са  очекиваним  (теоријске фреквенције) f ij(t) .2.4) = 9.. 2.m .а  тест се спроводи на основу  χ 2 распореда.онда  очекиване  фреквенције  f ij(t) ..05. или по редовима  ∑ f j   Хипотезе се дефинишу:   Н0 : модалитети обележја су независни   Н1 : модалитети обележја су зависни      269    .. 488       Област прихватању и одбацивању нулте хипотезе Н0          6. k  за сваку комбинацију модалитета обележја биће сраз‐ m m i =1 i =1 мерне маргиналним фреквенцијама по колонама  ∑ f i .. . j = 1. 2.Графички приказ    f (χ 2 ) α = 5% 95% χ2 F0 χ 0 2 = 45.8312 χ 2 (0. Модалитети обележја су независни. 2 .  Оригиналне  (емиријске)  фреквенције  f ij .m . i = 1. 2.... j = 1. k уносе  се  у  табеле  контигенције.

односно јача.  то  значи  да  су  модалитети  обележја  зависни.  што  је  вредност  ближа јединици веза између модалитета обележја је чвршћа.    Ако  је  m=к.Очекиване фреквенције се израчунавају на основу формуле:  m k ∑ f ij ( t ) = fi ⋅ ∑ f j i =1 m i =1   k ∑ ∑f i =1 j =1 ij   Вредност  χ 0 2  израчунава се на основу формуле:    m χ0 = ∑ 2 i =1 2 ⎡⎣ fij − fij (t ) ⎤⎦   ∑ fij (t ) j =1 k   m  је  број  редова  а  к  је  број  колона  у  табели  контигенције. на  основу формуле:  χ02   C= m n ∑ ∑f i =1 j =1 ij + χ02   Коефицијент  контигенције  налази  се  у  интервалу  0≤C≤1.r ) нулта хипотеза Н0 се прихвата уз вероватноћу  • поузданости (1‐α)  ако  је:  χ0 2 > χ 2(α .  за  број  степени  слободе  r=(m‐1)(k‐1).r ) за  ризик  грешке  α.  из  табеле  VIII  у  прилогу  ове  књиге  очитава  се  вредност  χ 2 (α .  Одлука  о  прихаватању  или  одбацивању  нулте  хипотезе Н0 доноси се на основу услова:  • ако је:  χ 02 ≤ χ 2(α .па  израчуната  вредност  χ 0 2   не  даје  информацију  о  јачини  међу‐ зависности.r ) нулта  хипотеза  Н0  се  одбацује  уз  ризик  грешке α    Уколико  се  нулта  хипотеза  Но  одбаци.  Зато  се  израчунава  коефицијент  контигенције  (Пирсонов  коефи‐ цијент) који показује интезитет међузависности између модалитета обележја.  максимална  вредност  коефицијента  контигенције  израчунава  се  по формули:   C= m −1   m   270    .

0  15.0  5. Количина шкарта и године радног стажа  шкарт  материјала у  кг.односно  да  количина  шкарта  не зависи од година радног стажа радника. 2.0  20. 2.1‐10.      Табела 72. Уз вероватноћу поузданости 0.односно  да  ли  су  шкарт и године радног стажа независна обележја.99.1‐20. i = 1.3.  0.1‐25.радници  су  разврстани према годинама радног стажа.5 израчунавају  се  по    фор‐мули  m f ij ( t ) = k ∑ fi ∑ f j i =1 m j =1 k ∑∑ f i =1 j =1           271    ij   . 4. j = 1.1‐15.0  15  5  10  5  10  30  60  23  10  10  15  25  20  80  38  10  20  10  10  20  70  52  15  10  20  15  30  90  Укупно  40  50  50  60  100  300  Године радног стажа  Укупно    Теоријске  фреквенције  f ij ( t ) .Пример:     У једној фабрици за производњу грађевинског материјала на случајан начин  изабрано  је  300  радника  који  су  током  производње  правили  шкарт. 4.  а)  проверити  да  лу  су  модалитети  обележја  независно.  б) израчунати јачину између обележја    Решење:    а) у овом примеру нулта јипотеза Н0 гласи да су обележја количина шкарта и  године  радног  стажа  међусобно  независна.1‐5.0  10.3.

33 1.83187  0.75  1.01.67 300   50 ⋅ 80 = = 13.5  0  χ 0 2 = 29.7889 16 11.67 0.12 ) = 26.217 .67 9.4489 11.33 300 40 ⋅ 90 = 12   300 50 ⋅ 90 = = 15 300 50 ⋅ 90 = = 15 300 60 ⋅ 90 = = 18 300 100 ⋅ 90 = = 30 300 f 31( t ) = f 41( t ) = f 32 ( t ) f 42 ( t ) f 33( t ) f 34 ( t ) f 35 ( t ) f 43( t ) f 44 ( t ) f 45 ( t )   Табела 73.0625  1.33 3 ‐5 5 ‐3 0 0  2 ⎡ fij − fij (t ) ⎤⎦   χ0 = ⎣ fij (t ) 2 ⎡⎣ fij − fij ⎤⎦   (t ) 2 9 0 25 4 100 0.666  0.f11 (t ) f12 ( t ) f13 ( t ) f14 ( t ) f15 ( t )   40 ⋅ 60 = =8 300   50 ⋅ 60 = = 10 300 50 ⋅ 60 = = 10 300 60 ⋅ 60 = = 12 300 100 ⋅ 60 = = 20 300 f 21 (t ) f 22 ( t ) f 23 ( t ) f 24 ( t ) f 25 ( t ) 40 ⋅ 80 = = 10.67 14 23.66812  0.33 ‐1.4889 0.67 300 60 ⋅ 70 = = 14 300 100 ⋅ 70 = = 23.125  0  2. Радна табела  оригиналне  фреквенције  f   ( ) ij теоријске  фреквенције  f (t )   5  10  5  10  30  10  10  15  25  20  10  20  10  10  20  15  10  20  15  30  300  8 10 10 12 20 10.67 9 ‐6.4489 69.33 11.666  1.04811  5.5  0.67 8.4753  0.33 13.7889 81 44. 20484       За број степени слободе r=(m‐1)(k‐1)=(4‐1)(5‐1)=12 и уз ризик грешке α=1% из  таблице VIII у прилогу ове књиге очитава се вредност χ 2   272    ( 0.67 13.3889 2.33 300 60 ⋅ 80 = = 16 300 100 ⋅ 80 = = 26.67 300 40 ⋅ 70 = 9.67 ‐3.67 300 50 ⋅ 70 = = 11.67 ‐4 ‐3.67 11.9459  0.20922  5.  .333  5  0.0889 2.04207  0.33 300 50 ⋅ 80 = = 13.33 300 50 ⋅ 70 = = 11.33 12 15 15 18 30 300  ( ij ) f ij − f ij ( t )   ‐3 0 ‐5 ‐2 10 ‐0.33 16 26.2389  1.0889 9 25 25 9 0 /  1.14285  0.

 То значи да количина шкарта  зависи од дужине радног стажа радника.297847     Одговор:     Како  је  C=0. 20484 χ 2 (0.    Графички приказ о одбацивању нулте хипотезе Н0    f (χ 2 ) α = 1% 99% x2 F0 χ 0 2 = 29.01.0887133   300 + 29. нулта хипотеза Но се одбацује уз ризик  грешке α=1% и може се сматрати да су модалитети обележја направљен шкарт и  године радног стажа међусобно зависна обележја.217. 217    Подручије прихватања и одбацивања Н0      б)   C= χ02 m k ∑ ∑ f +χ i =1 j =1 ij 2 0 = 29.20484 = 0.297847  ближе  нули  између  године  радног  стажа  радника  и  количине шкарта не постоји значајна повезаност.20484> χ 2 (0. 20484 C = 0.12) = 26.        273    .01.12)=26.Одговор:     Како је  χ 0 2 =29.

  онда  то  чинимо  због  тога  да  тим  егзактним  путем  у  кванти‐тативном  изразу прикажемо ону централну нит око које се дешавају различите варијације  у  оквиру  истовремено  посматраних  појава.  На сонову овога можемо да се под појмом регресије у статистичкој анализи  подразумева  једначина  регресије  којом  се  у  облику  статистичке  функције  повезују  варијације  двеју  појава  преко  њиховог  просечног  односа. РЕГРЕСИЈА И КОРЕЛАЦИОНА АНАЛИЗА    7.  које  при  томе  испољавају  одређен  систем  узајамне  повезаности  која  се  креће  око  функционалних  односа.  У  статистици под појмом регресије продразумева се:  1.  дакле  да  се  може  изражавати  смер  функционалне  повезаности  у  облику  аналитичке  функције  y=f(x) а исто тако и у облику x=f(y).  Да би се добиле довољне претходне информације о распореду ових парова  података  о  посматраним  појавама.  Регресија се израчунава као метод статистичке анализе када имам одве ста‐ тистичке  серије  које  изражавају  податке  о  неком  истородном  обележју  раз‐ личитих појава или о различитим обележјима једне исте појаве.  274    . чије се вредности изводе  из величина незавосно променљиве. Просечан закономеран квантитативни однос између две посматране појаве.  изведен на основу распореда и величине парова њихових података.  Овај  про‐ сечни  однос  изражава  се  једначином  математичке  функкције  која  се  одго‐ варајућим  рачунским  поступцима  израчунава  из  парова  података  задатих  се‐ рија.  овде  проближава  функцио‐ налноj повезаности.7.  2.1 ПОЈАМ РЕГРЕСИОНЕ АНАЛИЗЕ    Прелазећи на посматрање и истаживање међусобних односа и веза двеју или  више  истовремено  постојећих  појава.  односно  да  се  стохастичка  повезаност  која  је  општа  карактеристична  појава  у  друштву  и  привреди. Математичка функција (права или крива линија) која израчунава тај просе‐ чан закономеран однос двеју појава.  као  и  да  би  се  уочило  да  ли  и  у  којој  мери  постоји нека карактеристична законитост њиховог распореда по смеру и облику.  статистичку  анализу  проширујемо  на  посматрање и истраживње дводимензионарних и вишедимензионих појава чије  се  истовремене  варијације  обележја  међусобно  повезују  односом  јачег  или  слабијег  интезитета.  У анализи дводимензионих распореда одмах на почетку се опредњљујемо за  одређивање која од посматраних појава или обележја је независно порменљива  величина а која је зависно променљива или функција. Када у статистици примењујемо и користимо појам и метод  функције.  На  овај  начин  у  постављењу  ове  статистичке  анализе  полазимо  од  претпоставке  да  између  тих  појава  постоји  неки  облик  функ‐ ционалне  повезаности. Циљ истраживња и анализе најчешће нас  опредељује  у  том  избору  али  притом  мора  водити  рачуна  о  томе  да  сличан  функционални  однос  треба  да  постоји  и  у  обрнутом  смеру.

  али  је  степен  њихове  сагла‐ сности  у  овом  случају  много  слабији  што  се  показује  већим  расипањем  тачака.  И  у  овом  случају  степен  сагласности  односно  распоред  на  дијаграму  растурања  може бити јачи или слабији. пример  –  запажа  се  висок  степен  сагласности  истосмерног  право‐ линијског  кретања  варијација  обележја  посматраних  појава.  4.  позитиван  смер кретања.    275    . а затим процену смра и степена повезаности међу појавама  у облику степена корелације. Оба ова метода претходнох установљавања облика и смера рас‐ пореда  парова  података.  3.    Шема растурања парова података        Из овог дијаграма растурања:  1.служимо се методом графичког приказа (дијаграм растурања) из koга уочавамо  облик. пример  –  приказује  такав  распоред  тачака(парова  података)  који  не  показује могућности за примену било које врсте функције.  2. пример  –  показује  доста  висок  степен  сагласноси  варијације  и  дистри‐ буције  парова  података  у  облику  криве  линије  (параболе).  смер  па  и  степен  међусобне  сагласности  података  и  варијација  посма‐ траних појава.  послужиће  нам  прво  за  оријентацију  и  избор  облика  регресије функције. па кажемо да  се ту ради одсуству сагласноси и закономерне повезаности посматраних  појава. пример  ‐    запажа  се  истосмерно  али  негативно  праволинијско  кретање  варијација  обележја  посматраних  појава.

 koja уједно представља функцију независно преоменљиве величине х. Задатак  се  састоји  у  томе  да  као  резултат  добијемо  процењену  вредност  функције  у  за  сваку промену независне величине х. Код  регресије  међутим. Поступак израчунавања лине‐ арне регресије одвија се следећим редоследом:    276    .1.1.  Што  се  тиче  параметара  а  и  b  којим  се  јављају  у  аналитичком  изразу  линеарне функције израчунавамо их из система нормалних једначина:    I ∑ y = n⋅a + b⋅∑ x II ∑ xy = a ⋅ ∑ x + b ⋅ ∑ x 2   Ирачунавањем  параметара  а  и  b  добијау  се  елементи  за  интерполацију  ли‐ није регресије између датих тачака на графикону. нелинеарну или криволинијску    7. То  ће  бити  она  средња  линија  која  пролази  између  парова  података  посмараних  серија као нека врста резултанте укупних узајамних варијација обе посматране  појаве.  које  изражавају  величине  посматраних  облежја  двеју  појава  или  величине  два  различита  обележја  код  једне  исте  појаве. као и екстраполацију за вели‐ чине изван серије приказане основним графиком.Регресије се дели на:  1.  определићемо  се  за  избор  линеарне функције коју ћемо користити за изражавање линеарне регресије.  2.  Једну  од  тих  појава  (серија)  узимамо  и  одређујемо  као  независно  променљиву  величину  х. Линеарна функција ове регресије гласи:    yc = a + b ⋅ x     Разлика  између  овог  метода  израчунавања  линеарне  регресије  и  линеарног  тренда  је  у  томе  што  смо  код  тренда  имали  једну  серију  података  (временска  серија) чије смо кретање пратили кроз независно променљиву величину х. Линерна регресија    Под  претпоставком  да  смо  из  дијаграма  растурања  и  табеле  са  двоструким  улазом закључили да се расипање и распоред парова података о посматраним  појавама  крећу  у  праволинијском  смеру  и  облику. линеарну.  дате  су  на  две  серије  података.  а  другу  као зависно  променљиву  величину  y.

Најзад  цртамо  прецизан  графикон  појава  и  линије  регресије.  јер  само  тако  можемо  да  посматрамо  жељни  степен  научности  анализе. односно коју математичку функцију  би требало применити да би се што реалније израчунала линија регресије.          277    .  Интер‐ полацију и екстаполацију функције регресије.1.  Једначина  регресије  изражава  просечну  меру  варијација  зависно  проме‐ нљиве  велилине  у  као  функције  промена  које  су  се  дешавале  у  оквиру  неза‐ висно променљиве величине х.  потрено  је  израчунати  све  врсте  регресије  (линеарна  или  криволинијска)    за  које  сматрамо  да  би  могле  да  се  примене  у  конкретном  примеру. Израчунавамо елементе и аналитички израз функције регресије.1. Та једначина одређује не само варирања за дате  вредности серија.  4.  3. него и непознате вредности.  2.2 Стандардна грешла регресије    Она представља степен прилагођености линије регресије оригиналним пода‐ цима функције у. Одређујемо која ће од  две серије бити означена као функција а која као  независно променљива.  тј.  То  је  случај  када  нам  према  дијаграму  растурања  оригиналних  података  није  потпуно  јасно  какав  облик  кретања  би  најбоље одговарао том растурању података. Израчунава се по обрасцу:    Sy = ∑( y − y ) i n 2 c     Стандардна  грешка  регресије  служи  као  метод  тестирања  при  избору  врсте  функције  којом  изражавамо  регресију. Ако  постоји  дилема. односно изналажење регресије уопште. што значи да на основу те једна‐ чине можемо да процењујемо величину функције у за ма које вредности неза‐ висно  променљиве  х.  Ово  је  једна  од  најзначајнијих  особина  једначине  регре‐ сије. односно  све њене елементе. односно да бисмо се одлучили коју врсту  матаматичке функције ћемо одабрати за изражавање регресије. Цртамо дијаграм растурања да бисмо сагледали или проценили о ком се  облику веза међу појавама ради.      7.  па  између  њих  треба  одабрати  ону  чија  је  стандарнда  грешка  регре‐ сије  најмања.

1.      278    . закључци и судови морају се тако и схватити. бојем који ће исказивати не само квантитативно  степен  и  јачину  те  везе. Код истраживања корелације. без узимања у обзир и  таквог посматрања у обрнутом смеру. узорка и последица у њиховом  пуном повезивању и  узајамности. када посматрамо зависност једне појаве од друге. Као и у многим другим аналитичким методама.2.  Корелациона  анализа  везана  је  за  област  стохасистичких  процеса  па сви њени резултати.7. и овде се одмах поста‐ вља  задатак  да  се  ти  односи  и  међусобна  повезаност  изрази  неким  подесним  квантитативним показатељем. КОРЕЛАЦИЈА – ПОЈАМ И ЗНАЧЕЊЕ    Корелација  је  део  регресионе  анализе. посматране појаве су једнако  значајне па због тога не говоримо о томе колико је међу тим појавама изражена  њихова међусобна зависности у смислу изражавања те зависности у једном сме‐ ру.  него  се  корелацијом  указује  да  има  међу  посматраним појавама исоиљавања узрочне повезаности.  јер  се  и  код  многих  наука  јавља  неопходна  потреба  да  се  разни  аспекти  научног  истраживања  уопште  одвијају  и  снивају  на  изналажењу  и  дефинисању  сложених  међусобних  веза  и  утицаја различитих појава.2.  научна  анализа  се  најчешће  усмерава  на  изналажење  и  изражавање  степена (јачине)  и  смера  њихове  међусобне  везе  и  односа. Коефицијент корелације    Бројчани  статистички  показатељи  којим  се  израчунава  корелација  у  стати‐ стичкој  анализи  назива  се  КОЕФИЦИЈЕНТ  КОРЕЛАЦИЈЕ.  Статистичко  дефинисање  појма  корелације  не  своди  се  на  изражавање  узрочне  повезаности  међу  појавама.      7.  Израчунава  се  по  обра‐ сцу:  n r=± ∑( x − x )⋅( y − y ) i i =1 n i ∑( x − x ) ⋅∑( y − y ) i =1 2 i   2 i   Овај коефицијент се креће у зони позитивних (истосмерна веза) и негативних  (супротносерна веза) варијација обележја.  Истраживањем  корелације  баве  се  многе  науке. тј.  него  који  ће  израчунавати  и  садржински  квалитативну  страну тих односа.  У  посматрању  узајамних  односа  и  повезаности  две  или  више  појава.

  г) Одредити очекивану потрошњу за 38∙105 дин.  д) Израчунати коефицијент корелације    Израда    Табела 74. За вреднсти r од ±0.9409  51  198  383  5652  1461  /  /  4.25  до  ±0.97  0.2809  8  29  64  841  232  7. За  вреднсти  r  =  ±1  кажемо  да  постоји  пуна  повезаност  и  узајамност  између  посматраних  појава  и  обележја  коју  тумачимо  функционалном  везом.47  ‐1.97  ‐0. утврдити да ли постоји ко‐ релацина  веза  и  каква  је  по  јачини  и  смеру.  3.  4.47  0. Радна табела за израчунавање линеарне регресије  Потрошња  Примања  xi2  yi∙xi  yc  (yi‐yc)  (yi‐yc)2  yi2  (xi)  (yi)  5  25  36  625  150  6.Скала јачине корелационих веза:  1.  Вредности коефицијената корелације може се израчунавати и у процентима  множећи са 100.    Пример:   Примања по члану домаћинства и потрошња поврћа по домаћинству била је:    Примања (у 105 дин.11  ‐ 0.25 постоји известан слаб степен узајамноси.75 до ±1 постоји веома висок степен узајамности.18  0.46  0.82  0.8413    279    .25  0.54  0.50 до ±0.11  0. За вреднсти r од ±0.  б) Израчунати једначину јинеарне регресије.50  постоји  узајамност  са  којом  треба  рачунати.  в) Израчунати стандардну грешку.75  0.47  2.1609  8  28  64  784  224  7.  2.53  0. а за независно про‐ менљиву (xi) примања по члану домаћинства.  при  чему  за  зависно  про‐ менљиву (уi) узети потрошњу поврћа по домаћинству.) (xi) 25  26  28 26  29  31 33  Потрошња поврћа (уi)  6  5  8  7  8  9  8    а) Приказати ове податке у дијаграму растурања.5625  8  33  64  1089  264  8.2116  9  31  81  961  279  8.6724  7  26  49  676  182  6. За  вреднсти  r  од  ±0. али  то обично занемарујемо.  5.75 постоји висок степен узајамности.0121  6  26  25  676  130  6. За вреднсти r од 0 до ±0.

                      280    . што значи да са порастом примања у просеку се повећава  потрошња поврћа. Што се тиче јачине корелационе везе може се рећи да је она  јака  јер  се  тачке  групишу  око  замишљене  праве  линије  интерполиране  између  тачака на дијаграму растурања.а) Дијаграм растурања    Потрошња поврћа и примања по члану домаћинства    Из  дијаграма  растурања  уочавамо  да  између  потрошње  поврћа  и  примања  постоји  позитивна  корелациона  веза(тако  се  групишу  од  доњег  левог  угла  ка  горњем десном углу).

358   7 ⋅ a = 51 − 70. 358 ⋅ xi   yc1 = −2.840 + 0.358 ⋅ (31) = 8.358 ⋅ (25) = 6.840 + 0.840   Једначина линеарне регресије гласи:  yc = −2. 47 yc3 = −2.358 ⋅ (26) = 6.358 ⋅ (26) = 6.884   a= −19.884   7 a = −2.840 + 0.358 ⋅ (33) = 8.54 yc6 = −2.358 ⋅ (29) = 7.840 + 0. 47   yc5 = −2.840 + 0.884   7 ⋅ a = −19.840 + 0.11 yc2 = −2.840 + 0.358 ⋅ (27) = 7.840 + 0.97   281    .358   51 = 7 ⋅ a + 198 ⋅ 0.18 yc4 = −2.  б)  yc = a + b ⋅ x   I ∑ y = n⋅a + b⋅∑ x II ∑ xy = a ⋅ ∑ x + b ⋅ ∑ x 2   I 51 = 7 ⋅ a + 198 ⋅ b / ⋅(198) II1461 = 198 ⋅ a + 5652 ⋅ b / ⋅( −7) 10098 = 1386 ⋅ a + 39204 ⋅ b   −10227 = −1386 ⋅ a − 39564 ⋅ b −129 = −360 ⋅ b   −129 b= −360 b = 0. 25 yc7 = −2.

1984  0.4288 22.28  ‐2.28  5.764 кг.2784 3.3984  4.4288 /  51.6184  9  31 1.72  7. је 10.72  0.28  10.1984  0.832   Средња  мера  одступања  потрошње  поврћа  од  линеарне  регресије  износи  0.8413 7   S y = 0.3984  51  198 /  11.5184  4.1984  8  7  8  28 26 29 0.0784  0.28  0.28  1. 764   Очекивана потрошња повћа за примање од 38∙105 дин.1984  5.72  2.9888        282      .840 + 0.6784  8  33 0.72  22.2016  5.  г)  yc = −2.в) Стандардна грешка регресије је:  Sy = Sy = ∑( y − y ) i 2 c n 4.28  0.840 + 0.6384  ‐3.72  ‐0.5184  ‐0.7584 4.358 ⋅ (38)   yc = 10. Радна табела за израчунавање коефицијента корелације  yi  xi 6  25 ‐1.5184  ‐0.28  5.0784  5.9584  2.72  0.1984  ‐2.1984  5  26 ‐2.5184  0.358 ⋅ x yc = −2.72  0.  д) Коефицијент корелације  n r=± ∑( x − x )⋅( y − y ) i i =1 i n ∑( x − x ) ⋅∑( y − y ) i =1 2 i 2 i     Табела 75.832 кг.

х2  и  х3  и  да  су  њихови  међусобни  односи у тој мери да ниједну не можемо да одвојимо од прве (х1 и х2) а да при  томе елеминишемо њихову повезаност са појавом х3 применићемо метод пар‐ цијалне корелације првог реда по обрасцу:  r12⋅3 = r12 − r13 ⋅ r23 (1 − r ) ⋅ (1 − r ) 2 13 r13⋅2 = (1 − r ) ⋅ (1 − r ) 2 283    23 r13 − r12 ⋅ r32 12   2 2 32 .  Претпоставимо  да  имамо  три  појаве:  х1.9888 r= = 51.2 Коефицијент парцијалне корелације    Метод парцијалне корелације примењује се у оном случају када истражујемо  корелациону  везу  између  две  појаве  које  стоје  у  некој  јакој  корелационој  вези  са још једном или више појава. У пракси се углавном користи метод линеарне парцијалне ко‐ релације. Парцијалан корелација по садржини је сложена. То значи да истражујемо корелациони однос две  посматране појаве.82%     Корелациона веза између потрошње поврћа и примања у 7 домаћинстава је  94.28 kg  7 198 = 28.82% (позитивна је и јака)    7. а у зависности од  облика кретања и међусобних односа посматраних појава може бити линеарна  и криволинијска. 4288 ⋅11.  другог  или  вишег  реда. а притом се утицај  и везе са осталим појавама и факторима  елеминишу.yi = ∑y n ∑ xi i = 51 = 7. 28   просечна примања су 28.2. 4288 24.  .  Од  броја  појава  (фактора)  працијална  корелација  може  бити  првог. 2439 xi = = r = 0. 28   просечна потрошња поврћа је 7.9888 22.28∙105 динара  7 n 22.9482 ⋅100   r = 94.  Тако  парцијална  корелација  првог  реда  изражава  међусобне  односе и повезаност две појаве а притом се елеминише утицај треће појаве.

  За  променљиве  х1. r23⋅12     Овај  коефицијент  показује  колико  процената  једна  независна  променљива  утиче  на  вредност  зависно  променљве. r13⋅2 2 . r13 = .    Вредност  ових  коефицијената  се  налази  у  интервалу  од  ‐1  до  +1. х2. х2 и х3 израчунавају се на основу формула:  C13 C23 C12   .r23⋅1 = r23 − r21 ⋅ r31 (1 − r ) ⋅ (1 − r ) 2   2 21 31   Коефицијенти  уз  r  показују  које  се  две  појаве  посматрају  а  коефицијент  иза  тачке показује која појава је елеминисана.  Ако  се  коефицијенти  парцијалне  корелације  квадрирају  добиће  се  КОЕФИЦИЈЕНТИ  ПАРЦИЈАЛНЕ ДЕТЕРМИНАЦИЈЕ:    r12⋅3 2 .σ 2 = 2 2 ∑x 2 i =1 n       284    n 2 − x2 .    КОЕФИЦИЈЕНТИ ПРОСТЕ ЛИНЕАРНЕ КОРЕЛАЦИЈЕ за комбинацију парова про‐ менљивих х1.  х2. C13 = n ∑x ⋅x 1 i =1 3 n − x1 ⋅ x3 .σ 3 = 2 2 ∑x 3 i =1 n 2 − x3 2   − x2 ⋅ x3   .    КОВАРИЈАНСА  Коваријанса  изражава  просечан  степен  варијација  обележја  посматраних  појава.  То  је  нека  врста  централне  вредности  која  карактерише  укупност  свих  варијација  у  оквиру  посматраних  појава.  х3  варијанса  се  израчунава помоћу израза:  n C12 = ∑x ⋅x i =1 1 2 n n − x1 ⋅ x2 . C23 = ∑x ⋅x i =1 2 3 n   ВАРИЈАНСА  За променљиве х1. r23 = σ1 ⋅σ 2 σ1 ⋅σ 3 σ 2 ⋅σ 3 r12 =   Вредност ових коефицијената се налази у интервалу између  ‐1 и +1.  ако  се  искључи  утицај  осталих  промен‐ љивих. х3 варијанса се израчунава помоћу израза:  n σ1 = 2 ∑x i =1 n 1 n 2 − x1 .

  ц)   Израчунати парцијални коефицијент за везу између приноса сунцокрета  и утрошеног минералног ђубрива.  n x2 = ∑x i =1 n 2 = 138 . ако се искључи утицај количине воде‐ ног талога.6 [cm] 5   285    2436 558 3545 6872 9090 22501 (x2∙x3)  14616  5580  13471  31783  34542  99992  . и  израчунати коефицијент детерминације.Пример:     На  пет  парцела  истог  квалитета  принос  сунцокрета  у  t/ha. x1 = 5.  утрошено  ми‐ нерално ђубриво и количине воденог далога у cm.8[t ] 5    просечан принос сунцокрета на пет парцела је 5. ако се искључи  принос сунцокрета  и израчунати коефицијент детерминације. Радна табела    Принос  Талог (x1)  (x2)  4  24 2  20 5  19 8  37 10  38 29  138   a) ђубриво (x3)  609 279 709 859 909 3365 (x1)2  (x2)2  (x3)2  16 4 25 64 100 209 576 400 361 1369 1444 4150 370881 77841 502681 737881 826281 2515565 (x1∙x2)  (x1∙x3)  96 40 95 296 380 907   n x1 = ∑x 1 i =1 n = 29 . израчунати коефицијент детерминације.  д)   Израчунати  парцијални  коефицијент  корелације  за  везу  између  уто‐ ршеног минералног ђубрива и количине воденог талога. ако се искључи утицај утрошено минерално ђубриво. били су:    принос сунцокрета (x1): 4  2  5  8  10  количина ђубрива (x2): 609  279 709 859 909 водени талог (x3): 24  20  19  37  38    а)   Израчунати коефицијенте просте линеарне корелације  б)   Израчунати парцијални коефицијент за везу између приноса сунцокрета  и воденог талога.    Решење:    Табела 76. x2 = 27.8 тона.

x3 = 673 [kg ]   5 просечна количина утрошеног минералног ђубрива је 673kg.54     r12 = 0.24 σ 12 = 50184 σ 12 = 8.    Коваријансе:    n C12 = ∑x x 1 2 n n C13 = i =1 C23 = ∑x x 2 3 − x2 x3 n n n   977 99992 22501 − 27.  286    .64 σ 2 = 830 − 761. просечна количина воденог талога на пет парцела је 27.6 C13 = C12 = − 5.56%    Корелациона веза између приноса суцокрета и воденог талога је позитивна и  веома јака. 4 − 18574.62 5 5 2 2 σ 1 = 41. 4 C12 = 19998.2 − 3903.8 ⋅ 27.9056 или 90.76 ∑x i =1 2 3 − x3 2 n 2515565 σ 12 = − 6732   5 2 σ 1 = 503113 − 452929 σ 12 = 8.16 σ = 2. 26 23.08 C13 = 4500.85 ⋅ 8.8 i =1 − x1 x2 ∑ x1 x3 − x1 x3          Варијанса и стандардна девијација:  n σ1 = 2 ∑ x12 i =1      n − x1 2 σ2 = 2 ∑x i =1 i =1 2 2 − x2 n 2 σ 32 = n n 209 4150 σ 12 = − 5.8 C12 = 21.26      2 σ 12 = 50184 σ = 224.8 − 33.8 ⋅ 673 C12 = 5 5 5 C12 = 181.32 21.9056 σ 1 ⋅ σ 2 2.24 σ = 8.82 σ 22 = − 27.32 C12 = 1423.85   1 σ 2 2 = 68.16 σ 2 2 = 68.6 ⋅ 673 − 5.32 = = = 0.6 C13 = 596.4 − 160.6 cm  n x3 = ∑x i =1 3 = n 3365 .01       1   Коефицијент просте линеарне корелације  r12 = C12 21.

    r23 = C 23 1423.7191 0.8 = = = 0.93482 )(1 − 0.9056 − 0.              287    .7693 23 (1 − 0. 26 ⋅ 224. 6 = = = 0.    ПАРЦИЈАЛНИ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ И   КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ    б) Парцијални коефицијент корелације за везу између сунцокрета и количине  воденог талога.76932 ) 0. 7693   σ 2 ⋅ σ 3 8.85 ⋅ 224.8223   Парцијални  коефицијент  корелације  r12∙3=0.1865 = (0.9056 − 0.1261 ⋅ 0. је:    r12⋅3 = r12 − r13 ⋅ r23 (1 − r )(1 − r ) 2 13 r12⋅3 = 2 = 0.9348 или 93.9348 ⋅ 0. 6 1423.9348   σ 1 ⋅ σ 3 2.8223  показује  да  је  веза  између  приноса сунцокрета и количине воденог талога ако се искључи утицај количине  минералног ђубрива позитивна и јака.40817) 0.93 %    Корелациона веза између воденог талога и количине утрошеног минералног  ђубрива је позитивна и јака.48 %    Корелациона веза између приноса сунцокрета и количине утрошеног ђубри‐ ва је позитивна и врло јака. 01 1850.7693 или 76. 42   r13 = 0.2268   r12⋅3 = 0. ако се искључи утицај утрошеног минералног ђубрива. 01 638.8 596.32   r23 = 0.  r13 = C13 596.

 позитивна и јака.9056 ⋅ 0. 4081) 0. израчунава  се на основу израза:  r13⋅2 = r13 − r12 ⋅ r32 (1 − r )(1 − r ) 2 12 r13⋅2 = 2 = 32 0.6762 r12⋅3 2 = 0.90562 )(1 − 0.7736 ⋅ 100   r132⋅2 = 77.76932 ) 0.62%  утиче  водени  талог  а  32.            288    .9348 − 0.9348 − 0.1798 ⋅ 0.8223) 2 = 0.64% је утицај осталих фактора и случајноси.62%   То значи ако се искључи утицај количине минералног ђубрива.36%   Ако се искључи количина воденог талога.    ц) Парцијални коефицијент корелације за везу између приноса сунцокрета и  количине минеаралног ђубрива ако се искључи водени талог.38%  је  утицај  осталих  фактора  и  случајности.2382 = (0. 2708   r13⋅2 = 0.    Коефицијент детерминације    r132⋅2 = (0.8796  показује  да  је  веза  између  приноса  сунцокрета  и  утрошеног  минералног  ђубрива. да на принос  сунцокрета  67.6966 0.8796) 2 = 0.  ако  се  искључи  утицај  количине  воденог талога.7736 r132⋅2 = 0.8796   Парцијални  коефицијент  r13∙2=0.  КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ    r12⋅3 2 = (0.6762 ⋅ 100   r12⋅3 2 = 67.7693 (1 − 0.36% утиче  утрошено минерално ђубриво а 22. на принос сунцокрета 77.

  Корелација  између  серија  података  који  показују  ранг  величина. ако се искључи утицај приноса сунцо‐ крета.  и  тако  редом. 2631 ⋅ 100   r232⋅1 = 26.  да  је  веза  између  количине  воденог  талога  и  количине ђубрива.  назива  се  корелација  ранга.5129) 2 = 0.31% утиче  количина минералног ђубрива а 73.2.69% је утицај осталих фактора и сличајности. 2631 r232⋅1 = 0. ако се искључи принос сунцокрета.9056 2 )(1 − 0. добија се на основу израза:    r23⋅1 = r23 − r21 ⋅ r31 (1 − r )(1 − r ) 2 21 r23⋅1 = 2 = 31 0.7693 − 0.9056 ⋅ 0.д) Парцијални коефицијент корелације за везу између количине минералног  ђубрива и количине воденог талога.5 за обе јединице.0772 = 0. негативна и значајна    КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ    r232⋅1 = ( −0.      7. Не постоје вредности обележја већ ранг  листа  обележја.  Ако  два  или  више  јединица  скупа  заузимају  исти  ранг  приписује  им  се  средина  бројчаних  ознака  места у рангу која би заузели у непосредном редоследу.155 (0.93482 ) 0.8465 −0.5129   Овај  коефицијент  показује.1261)   r23⋅1 = −0. и формула је:    289    .  Ранг  јединица  скупа  у  ранг  листи  формира  се  по  принципу  растућег  низа:  најмања  вредност  има  ранг  1.31%   Ако се искључи утицај приноса сунцокрета на количину талога 26. Тако ако две јединице  заузимају 3 и 4 место приписује се ранг ( )=3.7693 − 0.1798 ⋅ 0.3 Корелација ранга    Корелација  ранга  се  користи  у  анализи  појава  која  се  не  могу  нумерички  исказати јер зависе од разних фактора.9348 (1 − 0.  Најчешће  у  пракси  се  користи  Spearman‐ов  коефицијент  корелације ранга.

2.5  290    ..  то  је  јачи  степен  повезансоти  између обелећја х1 и х2.    Пример:     Вредност  опреме  и  број  израђених  комада  једног  производа  на  час  у  7  погона била је:  погони  I  II  III  IV  V  VI  VII вредност опрема 21 32 31 20 31 28 20  вредност комада  11 15 15 18 16 17 18    Израчунати коефицијент ранга.  Уколико  су  добијене  вредности  ближе  овим  екстремима  (‐1  и  +1).25  III  15  31  2.5 1. и то: растућа ако је Rs>0(директна веза рангова: ако се х1 увећа и  х2  се  увећава  и  обрнуто)  или  опадајућа  ако  је  Rs<0  (инцерзна  веза  између  рангова: х1 се уећава а х2 се смањује и обрнуто).25  VI  17  28  5  4  1  1  VII  18  20  5.n  – разлика вредности између парова рангова  n – број оригиналних парова вредности обележја    Овај  коефицијент  показује  да  ли  између  две  случајне  величине  постоји  монотона веза.5 5  25  n=7  /  /  28  28  0  86.5 5  25  V  16  31  4  5..5  2.5  20. Радна табела  РАНГ  di  di2  погони  број комада (x1) вредност опреме (x2) x1  x2  I  11  21  1  3  ‐2  4  II  15  32  2...5 ‐3  9  IV  18  20  6.5 7  ‐4..5 ‐1.5 5.5 1. i=1.n RS = 1 − 6 ⋅ ∑ di2 i =1 n ⋅ (n − 1)   2   di.    Решење:    Табела 77.  Вредности  које  се  могу  добити  су  између  ‐1  и  +1.

. који се израчунава на основу формуле:  n W = 12 ⋅ m2 ⋅ n n n ⋅ ∑ S i2 − ( ∑ S i ) 2 i =1 i =1 n −n   3 где је:  m ‐ број нумеричких серија  n ‐ број података у свакој серији  Si . број радника је:            291    .5446   Kорелациона  веза  изеђу  рангова  вредности  опреме  и  броја  израђених  комада једног производа је негативна и значајна.  Ако се посматрају три или више серија..  користи  се  непараметарски  Kendall‐oв  коефицијент  корелације  ранга. чије су вредности обележја замењена  ранговима.  онда  се  користи  формула  за  израчунавање коефицијената корелације ранга:  n W= n n ⋅ ∑ Si2 − (∑ Si ) 2 12   i =1 ⋅ i =1 n 2 3 m ⋅ n ( n − n) − ∑ T i =1 Т – корективни фактор.5446 RS = 1 − 7 ⋅ (7 2 − 1) 336 RS = −0. i=1. израчунава се по формули:  n ∑T = i =1 1 k 3 ⋅ ∑ (k − k )   12 i =1 к – број обележја која имају заједничке рангове    Пример:     У  10  предузећа  за  производњу  обуће.  вредност  опреме по раднику у 105.2...n ‐ збир рангова о редовима    Ако  се  код  рангова  појаве  заједнички  рангови.5 519 = 1 − = 1 − 1.  профит  по  раднику  у  103.n RS = 1 − 6 ⋅ ∑ d i2 i =1 n ⋅ ( n 2 − 1)   6 ⋅ 86.

  вредности  опреме  и  броја  радника.5 − 1652 W= 2 ⋅ = 0.25  576  729  900  3428.        292    .5  24  27  30  165  16  36  110. Радна табела  предузеће  профит  1  2  3  4  5  6  7  8  9  10  укупно  5  5  7  5  8  10  13  15  18  19  /  ранг  2 2 4 2 5 6 7 8 9 10 55 вредност  опреме  2 5 6 8 7 8 11 13 15 17 / ранг  1  2  3  5.5 7  8  9  10 55 број  радника 250 400 500 500 750 800 800 950 1000 1050 / ранг  Si  Si2  1 2 3.5   Кendell‐ов  коефицијент  корелације  ранга  W=0.5    Прво се израчунава корекција Т    n ∑T = i =1 1 ⋅ ⎡⎣( 33 − 3) + ( 23 − 2) + ( 23 − 2) + ( 23 − 2) ⎤⎦ = 3.5 6.5 4  5.5 5 6.5   12   12 10 ⋅ 3428.5  11  14  18  20.  постоји  врло  јака  и  пози‐ тивна корелацијона веза.95397   3 3 ⋅10 (10 − 10) − 3.5 8 9 10 55 4 6 10.95397  показује  да  између  ра‐ нгова  профита.предузеће (х) 1  2  3  4  5  6  7  8  9  10  профит (х1) 5  5  7  5  8  10  13  15  18  19  вредност опреме (х2) 2  5  6  8  7  8  11  13  15  17  број радника (х3) 250 400 500 500 750 800 800 950 1000  1050    Израчунати Kendell‐ oв коефицијент корелације ранга    Табела 77.25  121  196  324  420.5 3.

                СТАТИСТИЧКЕ ТАБЛИЦЕ 293    .

.

  295    .

  296    .

  297    .

  298    .

  299    .

  300    .

  301    .

  302    .

  303    .

  304    .

  305    .

  306    .

  307    .

  308    .

  309    .

  310    .

  311    .

  312    .

  313    .

  314    .

  315    .

  316    .

  317    .

  318    .

  319    .

  320    .

  321    .

  322    .

  323    .

  324    .

  325    .

. D.. . М. М. 2000.... . 1987. . 2000. H.. В.В. 2003..R. В. . 1997.Л..М. Ш. В...В.. . . D.В.В. В.. . ..ЛИТЕРАТУРА 1983. Т 1998... 1979.. Т. 1998. 1998. I... 9. 1976..Е. . J. М. М.В. 1993.. Л. .. Н. М.Н.. 1971. 1987. . .. В.... 1980..R. 1998. .. М..А.. П.. М. T. ... Н.М.. 326 . М. Г. . Г. . Ю. 2000.. 1994. Н. Д. М. 1990. С.. 1987.В. N... Н. Б. . Н. М. 1991. 2000. 1996.W. . . 1995. М. . . .Н. . Р. З. 1998. А. В..

. Б. И. С. - 1997. 1995.. .C. W. R. 2007. В. 1970.. J.. А.. 1971.. .. 1971.B. 1996. 1981.М. - C. W. . 1988.. 327 .T. 1999. . R. 1979.... Љ.И. М.. й 1983... М.V. И.. . 1971. . 1997. . M..В. Ц. .J. В.В. .. 1991. . Џ. A.. 1999. В....Л. X. А. USA. 1978... С.З. 1998. 1988... Њ. .. И.. .G. . 1999.. И. R.

293-325. табеле . CIP .Статистичке таблице: стр.VIII. прикази. broj 636/08 od 12. Sva prava zadržana. Beogrаd. . 2010 (Лозница : Младост груп). . 326-327. ovaj udžbenik je odobren kao osnovno nastavno sredstvo na studijskim programima koji se realizuju na integrisanim studijama Univerziteta “Singidunum”.Библиографија: стр.Каталогизација у публикацији Народна библиотека Србије. .Odlukom Senata Univerziteta “Singidunum”. u delovima ili celini bez prethodne pismene saglasnosti izdavača. 25 cm Тираж 1150.SR-ID 172842508 © 2010. Београд : Универзитет Сингидунум. Мирјана. .2008. Београд 311 ШЕКАРИЋ. 1952Статистичке методе / Мирјана Шекарић. Ni jedan deo ove publikacije ne može biti reprodukovan u bilo kom vidu i putem bilo kog medija.06. ISBN 978-86-7912-241-4 a) Статистика COBISS. 327 стр : граф.