VISOKA ŠKOLA STRUKOVNIH STUDIJA ZA INFORMACIONE I

KOMUNIKACIONE TEHNOLOGIJE BEOGRAD

Predmet: STATISTIKA

Materijal za studente - 2 . deo

Predavač : mr Zorica Malović

1
4. TEORIJSKE RASPODELE
4.1. Binomni zakon raspodele
(Bernulijeva raspodela) Jakob Bernoulli (1654-1705)
U eksperimentu, koji se ponavlja n puta, posmatra se realizacija događaja A ili njemu suprotnog

događaja A .

P( A) = p ; P( A) = 1 − p = q
Tako se dobija složeni eksperiment koji se može prikazati tzv. Bernulijevom šemom. Nad ishodima
ovog složenog eksperimenta uvodi se slučajna promenljiva S n .

 0 1 2 3 ... n  n
Sn :   ; ∑p i =1
 p0 p1 p2 p3 ... pn  i =0

Verovatnoća da će se u n nezavisnih eksperimenata događaj A realizovati tačno k puta iznosi:

n n!
pk = P {S n = k } = Pn (k ) =   p k q n− k = p k q n− k
k k !( n − k ) !

Binomna rapodela se može okarakterisati sa dva parametra n i p , gde je n ∈ N broj ponavljanja,

a p ∈ (0,1) verovatća realizacije eksperimenta koji se ponavlja. Zbog toga se binomna raspodela

obeležava sa B ( n, p ) .

Za slučajnu promenljivu S n važi:

Matematičko očekivanje E ( Sn ) = np

Disperzija ( varijansa) σ 2 ( S n ) = np (1 − p )

Standardno odstupanje σ ( Sn ) = σ 2 ( Sn ) = np (1 − p )

1− 2 p
α 3 ( Sn ) =
np (1 − p )
Koeficijent simetrije

6 1
α 4 ( Sn ) = 3 − +
n np (1 − p )
Koeficijent spljoštenosti

Primer 4.1 1.
Kockica se baca 7 puta. Odrediti raspodelu slučajne promenljive a zatim izračunati verovatnoće
događaja :
a) B- Broj manji od 3 je pao tačno 4 puta.
b) C- Broj manji od 3 je pao bar 5 puta.

2
 Događaj A čiju realizaciju u svakom od n = 7 bacanju kockice posmatramo je
A- pao je broj manji od 3
Verovatnoća da će prilikom jednog bacanja pasti broj manji od 3 iznosi:

P ( A) = p =
2 1
=
6 3
Verovatnoća da će prilikom jednog bacanja neće pasti broj manji od 3 iznosi:

()
P A = q = 1−
1 2  1
= . U pitanju je binomna raspodela B  7,  .
3 3  3

0 1 2 3 4 5 6 7 
S7 :  
 p0 p1 p2 p3 p4 p5 p6 p7 
gde je
7− k 7 −k
7 1  2 
k k
7! 1  2
pk = P {S7 = k } = P7 (k ) =   p     =
k   3  3  k !( 7 − k ) !  3   3 

k = 0,1, 2,3, 4,5, 6, 7

Napomena: Ovakva izračunavanja su dosta zamorna. Postoje specijalizovane tablice za izračunavanje
binomnih verovatnoća kao i različiti programi koji se time bave.
U EXCELU postoji funkcija BINOMDIST pomoću koje se izračunavaju tražene verovatnoće.
0 1 2 3 4 5 6 7
0,0585277 0,2048468 0,3072702 0,2560585 0,1280293 0,0384088 0,0064015 0,0004572

a) B- Broj manji od 3 je pao tačno 4 puta.

7 1   2 
4 3 4 3
7!  1   2  23
P( B) = p4 =      =     = 35 = 0,128029
 4   3   3  4!3!  3   3  37

b) C- Broj manji od 3 je pao bar 5 puta.

Da bi se realizovao događaj C povoljno je da broj manji od 3 padne 5 ili 6 ili 7 puta.

P(C ) = p5 + p6 + p7 = 0,0384088+0,0064015+0,0004572= 0,0452675

3
 Binomna raspodela B(7;1/3)

0,3500000
0,3000000
0,2500000
0,2000000
0,1500000
0,1000000
0,0500000
0,0000000
0 1 2 3 4 5 6 7 8

Primer 4.1 2.
 1
Za slučajnu promenljivu S7 iz primera 4.1 1. , kojoj odgovara binomna raspodela B  7,  odrediti
 3
matematičko očekivanje, disperziju ( varijansu), standardno odstupanje, koeficijent simetrije i
koeficijent spljoštenosti.

Za ovu slučajnu promenljivu parametri su:

1
Matematičko očekivanje E ( S7 ) = 7 ⋅
3
7 2 14
Disperzija ( varijansa) σ 2 ( S7 ) = ⋅ =
3 3 9
14 14
σ ( S7 ) = =
Standardno odstupanje 9 3
2
1−
α 3 ( S7 ) = 3 = 1
Koeficijent simetrije
14 14
3
6 9 39
Koeficijent spljoštenosti α 4 ( S7 ) = 3 − + = = 2.79
7 14 14
∆

4
4.2. Puasonova raspodela

Ako se u binomnoj raspodeli uzme veliki broj ponavljana, izračunavanje je relativno komplikovano
pa ima potrebe aproksimirati izraze za izračunavanje verovatnoća. Aproksimacije se uvode u
slučajevima kada je n > 50 .
Najviše su u upotrebi dve vrste aproksimacija. Jedna je Puasonova (Poisson) a druga je Normalna
aproksimacija .
Puasonova se uzima kada je np ≤ 10 .

Normalna se uzima kada je np > 10 .

Ako se uvede oznaka np = λ ; λ > 0 onda je

 n λk
pk =   p k q n − k e −λ
Puasonova aproksimacija
k  k!
Primer 4.2 1.
Verovatnoća da će košarkaš promašiti koš prilikom izvođenja slobodnog bacanja je je
p = 0,05 .Gađanje se izvodi 100 puta.
Izračunati verovatnoće događaja :
a) A- Koš je promašen tačno 6 puta
b) B- Koš je promašen manje od 10 puta
n = 100 ; p = 0,05 ; np = 5
Ovde se može primeniti Puasonova aproksimacija jer je ( np ≤ 10 ).

λ = np = 100 ⋅ 0.05 = 5 ;

100  56
a) k=6 ; P ( A ) = p6 = P ( S100 = 6 ) =   0.05 ⋅ 0.95
6 94
e −5 = 0,146222808
 6  6!
Postoje tablice sa izračunatim vrednostima za različite vrednosti λ i k .
U EXCELU postoji funkcija POISSON pomoću koje je izračunata tražena verovatnoća.

b) P ( B ) = p0 + p1 + L + p9 = P ( S100 < 10 ) = 0,968171943

Postoje posebne tablice u kojima su date kumulativne verovatnoće za različite vrednosti λ , k i m .

Ovde je m = 9 . Funkcija POISSON ima i tu mogućnost. ∆

Puasonova raspodela se primenjuje na veliki broj praktičnih problema koji vezani za pojavu
određenog događaja u vremenskom intervalu [ 0,t ) . Takvi su na primer događaji: registrovanje broja

telefonskih poziva, protok automobila ,emisija radioaktivnih čestica ...Ovakvi događaji imaju osobinu
da su nezavisni jedan od drugog i da su im verovatnoće proporcionalne dužini vremenskog intervala.

5
Primer 4.2 2.
U telefonskoj centrali u toku jednog sata bilo je 360 poziva. Na osnovu Poasonovog zakona
izračunati verovatnoću :
a) A- da u toku jednog minuta neće biti poziva
b) B- da će u toku jednog minuta biti 3 poziva
c) C- da će u toku jednog minuta biti 10 poziva.
d) D- da će u toku jednog minuta biti manje od 10 poziva.

n = 360
Vremenski interval od jednog sata se deli na 60 jer se računa realizacija događaja u toku jednog
1
minuta. p=
60
1
λ = np = 360 ⋅ =6
60
60
a) P ( A ) = po = P ( S360 = 0 ) e −6 = 0,002478752
0!
63
b) P ( B ) = p3 = P ( S360 = 3) e −6 = 0,089235078
3!
610
c) P ( C ) = p10 = P ( S360 = 10 ) e −6 = 0,041303093
10!
d) P ( D ) = p0 + p1 + L + p9 = P ( S360 < 10 ) = 0,916075983 ∆

6
4.3. Normalna raspodela
Muavr (A.Moivrei ) i Laplas (P.S. Laplace) su aproksimirali binomnu raspodelu sledećom
formulom:
( k −np )2
 n 1 −
pk =   p k q n −k e 2 npq

k  2π npq
Normalna aproksimacija binomne raspodele se uzima kada je np > 10 .

Neprekidna slučajna promenljiva ima normalnu ili Gausovu raspodelu N µ , σ 2 ( )

ako je njena gustina raspodele verovatnoća funkcija :

−
( x−µ )2
1
f ( x) = e 2σ 2

σ 2π
gde je µ = np - matematičko očekivanje a σ 2 = npq - disperzija.
Grafici gustina raspodele su sličnog zvonastog oblika , simetrični u odnosu na pravu x = µ . To znači

da je medijana M e = µ .

Funkcija gustine ima maksimum za x = µ pa je mod M o = µ .

Važi, takođe da je lim f ( x ) = 0

x →±∞

Promena parametra µ dovodi do translacije krive duž x-ose. Parametar σ utiče na raširenost

 1 
krive, odnosno, ako je σ veće vrh krive je manji jer je tačka maksimuma  µ , .
 σ 2π 

µ = Me = Mo

Za slučajnu promenljivu koja ima normalnu raspodelu N ( 0,1) važi da je

koeficijent simetrije α 3 = 0 a koeficijent spljoštenosti α 4 = 3 .

7
 b
−
( x − µ )2
1
Verovatnoća P ( a < X < b ) = ∫e 2σ 2
dx
σ 2π a

se može se interpretirati kao površina ograničena x-osom , krivom gustine raspodele i pravim x = a i
x=b,

P (a < X < b)

a b

( )
Verovatnoća da slučajna promenljiva X = N µ , σ 2 uzme vrednosti iz intervala

- ( −σ , σ ) iznosi 68.3%

- ( −2σ , 2σ ) iznosi 95.5%

- ( −3σ ,3σ ) iznosi 99.7% .

Ove činjenice se formulišu i kao “pravilo tri σ ” za normalnu raspodelu.

8
 σ
Pravilo tri σ

2σ 3σ
68.3%
95.5%
99.7%

( )
Postoje tablice koje se odnose na N µ , σ 2 za vrednosti N ( 0,1) .

Slučajna promenljiva N ( 0,1) još se obeležava sa Z i naziva se standardizovanom slučajnom

promenljivom.

(
Ako je X = N µ , σ
2
) ona se može standardizovati. To se postiže uvođenjem smene
X −µ
Z= .
σ
b
−
( x − µ )2
1
P (a < X < b) = ∫e 2σ 2
dx =
σ 2π a

  z2
.
a−µ X −µ b−µ 
z2
1 −
= P < <  = ∫e 2
dz = F ( z 2 ) − F ( z1 )
σ σ3 {σ 2π
{ 12  z1
 1
z Z z2 
Funkcija koja se javlja posle izračunavanja integrala, F ( z ) je Laplasova funkcija čije vrednosti se

daju u pominjanim tablicama.

9
 U EXCELU postoje funkcije NORMSDIST i NORMDIST koje daju vrednosti integrala
x

∫ f ( z )dz = F ( x ) .
−∞

NORMSDIST se odnosi na standardizovanu slučajnu promenljivu N ( 0,1) a

NORMDIST se odnosi slučajnu promenljivu N µ , σ 2 . ( )

b b a

∫ f ( z )dz = ∫ f ( z )dz − ∫ f ( z )dz = F ( b ) − F ( a )

a −∞ −∞

Napomena Kod upotrebe funkcije NORMDIST treba paziti na granice integrala,

( F ( b + µ ) − F ( a + µ ) ) , pa je zato preporučljivo standardizovati promenljivu i koristiti

NORMSDIST.

Primer 4.3. 1.

Ako je slučajna promenljiva X podleže zakonu raspodele N 20, 2 ( 2

) izračunati:
a) P (18 < X < 24 ) (
b) P X − 20 < 3 ) c) P ( X < 25 )

a) P (18 < X < 24 )

µ = 20 - matematičko očekivanje
X − 20
σ 2 = 22 - disperzija ;σ = 2 ; Z=
2
 18 − 20 24 − 20 
P (18 < X < 24 ) = P  <Z< = P ( −1 < Z < 2 ) =
 2 2 
= F ( 2 ) − F ( −1) = 0.97725 − 0.15866 = 0.81859
b)

 −3 X − 20 3 
P ( X − 20 < 3) = P ( −3 < ( X − 20 ) < 3) = P  < < =
 2 2 2
 X − 20 
= P  −1.5 < < 1.5  = F (1.5 ) − F ( −1.5 ) =
 2 
= 0.9333193 − 0.066807 = 0.8665123

 X − 20 25 − 20 
c) P ( X < 25) = P  <  = F ( 2.5) = 0.99379 ∆
 2 2 

10
Primer 4.3.2. (Pravilo tri σ )

(
Ako je slučajna promenljiva X podleže zakonu raspodele N 6,32 izračunati: )
(
a) P X − 6 < 3 ; ) (
b) P X − 6 < 6 ; ) (
c) P X − 6 < 9 )
µ = 6 - matematičko očekivanje
X −6
σ 2 = 32 - disperzija ;σ = 3 ; Z=
3

(
a) P X − 6 < 3 ; ) σ =3

 −3 X − 6 3 
P ( X − 6 < 3 ) = P ( −3 < ( X − 6 ) < 3 ) = P  < < =
 3 3 3
 X −6 
= P  −1 < < 1 = F (1) − F ( −1) = 0.84134 − 0.15866 =
 3 
= 0.68268 ≈ 68.268 %
b) ; 2σ = 6
 −6 X − 6 6 
P ( X − 6 < 6 ) = P ( −6 < ( X − 6 ) < 6 ) = P  < < =
 3 3 3
 X −6 
= P  −2 < < 2  = F ( 2 ) − F ( −2 ) = 0.97725 − 0.02275 = ;
 3 
= 0.95450 ≈ 95.5 %

c) 3σ = 9

 −9 X − 6 9 
P ( X − 6 < 9 ) = P ( −9 < ( X − 6 ) < 9 ) = P  < < =
 3 3 3
 X −6 
= P  −3 < < 3  = F ( 3) − F ( −3) = 0.99865 − 0.00135 =
 3 
= 0.99730 ≈ 99.7 %

Primer 4.3. 3.
Ako slučajna promenljiva X aproksimira binomnu raspodelu B (100, 0.1) naći približno verovatnoću

P ( 7 < X < 16 ) .

µ = np = 100 ⋅ 0.1 = 10 - matematičko očekivanje

σ 2 = npq = 10 ⋅ 0.9 = 9 - disperzija

(
Binomna raspodela se može aproksimirati normalnom raspodelom sa parametrima N 10,32 . )

11
  7 − 10 16 − 10 
P ( 7 < X < 16 ) = P  <Z< = F ( 2 ) − F ( −1) =
 3 3 
= 0.97725 − 0,15866 = 0.81859

Primer 4.3.4.
Anketirana je grupa motorista o broju kilometara koji pređu mesečmo. Prosečni broj kilometara
iznosi 1200km sa srandardnom devijacijom 150km. Broj pređenih kilometara se može predstaviti

(
slučajnom promenljivom koja ima normalnu raspodelu N 1200,1502 ) . .

Izračunati procenat motorista koji:

a) Prelaze 1200-1600 km mesečno.
b) Prelaze 1000-1500 km mesečno.
a) µ = 1200 ; σ = 150

 1200 − 1200 1600 − 1200 

P (1200 < X < 1600 ) = P  <Z<  = F ( 2.76 ) − F ( 0 ) =
 150 150 
= 0.99711 − 0,5 = 0.49711 = 49.71%

b)

 1000 − 1200 1500 − 1200 

P (1000 < X < 1500 ) = P  <Z<  = F ( 2 ) − F ( −1.33) =
 150 150 
= 0.99725 − 0,09176 = 0.88549 = 88.55%

Primer 4.3.5.
Ako je slučajna promenljiva X B ( 50, 0.2 ) naći verovatnoću događaja A da je P ( 5 ≤ X ≤ 15 ) .

a) Koristeći binomnu raspodelu

b) Binomnu raspodelu aproksimirati Poasonovom raspodelom
c) Binomnu raspodelu aproksimirati normalnom raspodelom
a) Binomnoj raspodeli B ( 50, 0.2 ) odgovara slučajna promenljiva S50

 0 1 2 . .. 49 50 
S50 :  
 p0 p1 p2 . . . p49 p50 
P( A) = p5 + p6 + L + p14 + p15 Pomoću funkcije BINOMDIST izračunava se:
5 6 7 8 9 10 11 12 13 14 15
0,0295310,0553710,087012 0,1169220,1364090,139819 0,1271080,1032750,07547 0,0498640,029919

P( A) = p5 + p6 + L + p14 + p15 = 0,950700562

12
b) Binomna raspodela se može aproksimirati Poasonovom raspodelom sa parametrom
λ = np = 50 ⋅ 0.2 = 10 ;
P ( A ) = p5 + p6 + L + p15 = P ( S50 = 5 ) + P ( S50 = 6 ) + ... + P ( S50 = 15 ) =
105 106 1015
= e −10 + e −10 + L + e −10 = 0,92201
5! 6! 15!

5 6 7 8 9 10 11 12 13 14 15
0,03783 0,063060,09008 0,112600,12511 0,125110,11374 0,094780,07291 0,052080,03472

Navedene vraedosti su izračunate pomoću funkcije POISSON.

Binomna B(50,0.2) i odgovarajuća Poasonova raspodela

0,16000

0,14000

0,12000

0,10000

0,08000

0,06000

0,04000

0,02000

0,00000
0 10 20 30 40 50
-0,02000

c) Binomna raspodela se može aproksimirati normalnom raspodelom sa parametrima N (10,8 ) .

µ = np = 50 ⋅ 0.2 = 10 - matematičko očekivanje

σ 2 = npq = 10 ⋅ 0.8 = 8 - disperzija

 5 − 10 15 − 10   5   −5 
P ( 5 ≤ X ≤ 15 ) = P  <Z< =F −F =
 8 8   8  8
= F (1.76776 ) − F ( −1.76776 ) = 0,96145-0,03855= 0,92290

13
Vežbanje 4. 4:

(
1. Ako je slučajna promenljiva X podleže zakonu raspodele N 20,10
2
) izračunati verovatnoću
P ( 5 < X < 28 ) .

2. Ako je slučajna promenljiva X B (100, 0.1) , koja aproksimira binomnu raspodelu normalnom,

naći približno verovatnoću P ( 4 < X < 22 ) .

3. Ako je slučajna promenljiva X B ( 20, 0.3) naći verovatnoću P ( 3 < X < 7 ) .

a) Binomnu raspodelu aproksimirati Poasonovom raspodelom

b) Binomnu raspodelu aproksimirati normalnom raspodelom

( )
4. Ako je slučajna promenljiva X podleže zakonu raspodele N 20, 2 2 izračunati:

P ( X − 20 < 4 ) .

14
Rešenja 4.4

1. Ako je slučajna promenljiva X podleže zakonu raspodele N 20,10 ( 2

) izračunati verovatnoću
P ( 5 < X < 28 ) .

µ = 20 - matematičko očekivanje
σ = 10 - disperzija
X −µ
Z=
σ
 5 − 20 28 − 20 
P ( 5 < X < 28 ) = P  <Z< = P ( −1.5 < Z < 0.8) =
 10 10 
= F ( 0.8 ) − F ( −1.5) − = 0,78814 − 0,06681 = 0.72133

2. Ako je slučajna promenljiva X B (100, 0.1) , koja aproksimira binomnu raspodelu normalnom,

naći približno verovatnoću P ( 4 < X < 22 ) .

µ = np = 100 ⋅ 0.1 = 10 - matematičko očekivanje

σ 2 = npq = 10 ⋅ 0.9 = 9 - disperzija

Binomna raspodela se može aproksimirati normalnom raspodelom sa parametrima N 10,32 . ( )

 4 − 10 22 − 10 
P ( 4 < X < 22 ) = P  <Z< = F ( 4 ) − F ( −2 ) =
 3 3 
= 0.99997 − 0.02275 = 0.97722

3. Ako je slučajna promenljiva X B ( 20, 0.3) naći verovatnoću P ( 3 < X < 7 ) .

a) Binomnu raspodelu aproksimirati Poasonovom raspodelom

b) Binomnu raspodelu aproksimirati normalnom raspodelom
a) Binomna raspodela se može aproksimirati Poasonovom raspodelom sa parametrom
λ = np = 20 ⋅ 0.3 = 6 ;

P ( A ) = p4 + p5 + p6 = P ( S20 = 4 ) + P ( S 20 = 5 ) + P ( S20 = 6 ) =
64 65 66
e −6 + e −6 + e −6 = 0,133853 + 0,160623 + 0,160623 = 0, 455099
4! 5! 6!

b) Binomna raspodela se može aproksimirati normalnom raspodelom sa parametrima N ( 6, 4.2 ) .

µ = np = 20 ⋅ 0.3 = 6 - matematičko očekivanje

σ 2 = npq = 6 ⋅ 0.7 = 4.2 - disperzija

15
  3−6 7−6   1   −3 
P (3 < X < 7) = P  <Z< =F − F =
 4.2 4.2   4.2   4.2 
F ( 0.488 ) − F ( −1.464 ) = 0.68723 − 0.07160 = 0.61563
Napomena: U primeru je velika razlika u verovatnoćama koje su dobijene primenom navedenih
aproksimacija.
Primenom funkcije BINOMDIST dobila bi se vrednost 0.500923 koja je najtačnija.
4 5 6 zbir
0,133853 0,160623 0,160623 0,455099 POISSON
0,130421 0,178863 0,191639 0,500923 BINOMDIST

Aproksimacije koje su rađene nisu bile umesne ,(naročito normalna ), jer je n = 20 i np = 6 .

Navedene su zbog uvežbavanja određenih proračuna.

( )
4. Ako je slučajna promenljiva X podleže zakonu raspodele N 20, 2 2 izračunati:

P ( X − 20 < 4 )

 −4 X − 20 4 
P ( X − 20 < 4 ) = P ( −4 < ( X − 20 ) < 4 ) = P  < < =
 2 2 2
 X − 20 
= P  −2 < < 2  = F ( 2 ) − F ( −2 ) =
 2 
= 0.97725 − 0.02275 = 0.95450 ≈ 95.5 %

16
II STATISTIKA
5. STATISTIČKI SKUP
5.1. Osnovni pojmovi
Statistika je deo matematike koji se bavi sistematizacijom, predstavljanjem i obradom podataka
koji karakterišu elemente pojedinih skupova a izražavaju se pomoću brojeva. Takvi podaci se nazivaju
statističkim podacima. Statistika razvija postupke na osnovu kojih se donose odgovarajući tačni
zaključci koji su od značaja u skoro svim naukama kako u teorijskom tako i u praktičnom smislu.
Statistički skup (populacija) je skup svih elemenata na kojima se neka pojava statistički
obrađuje.Populacija može biti konačna ili beskonačna ali će se ovde razmatratni samo konačne
Ω = {ω1 , ω2 ,L , ωn } .
Obeležje je osobina po kojoj se elementi statističkog skupa razlikuju i koja je u osnovi statističke
obrade.
Isti statistički skup može imati više obeležja. Obeležja mogu biti numerička i atributivna.
Numerička obeležja pomoću brojeva izražavaju kvantitativne razlike među elementima statističkog
skupa. Prema vrsti brojeva pomoću kojih se izražavaju razlikuju se neprekidna i prekidna obeležja.
Neprekidna obeležja se izražavaju realnim vrednostima unutar nekog intervala dok se prekidna
obeležja izražavaju celim brojevima jer se dobijaju prebrojavanjem.
Atributovna obeležja izražavaju kvalitativne razlike pomoću modaliteta.

Primer 5.1.1.
Statistički skup (populacija) je skup svih studenata Visoke ICT upisanih 2008. godine.
Za svakog studenta se mogu posmatrati razna obeležja.
-Jedno neprekidno numeričko obeležje je : visina studenta (teorijski bilo koji broj iz intervala

[ v,V ] gde je v visina najnižeg a V visina najvišeg studenta

-Drugo neprekidno numeričko obeležje je : broj bodova za uspeh iz srednje škole (bilo koji broj iz
intervala [16, 40] )

-Primer za prekidno numeričko obeležje: broj tačno urađenik zadataka na prijemnom ispitu ( ceo
broj od 0 do 10).
-Primer za atributivno obeležje je : pol studenta (koji se ižražava preko dva modaliteta ženski i
muški).

17
5.2. Prikazivanje podataka ; Raspodela obeležja
Najjednostavniji način prikazivanja podataka je njihovo nabrajanje.To je često nepregledno pa se
pribegava različitim postupcima njihove sistematizacije.
Statistika se bavi i grafičkom interpretacijom podataka. Taj deo se naziva deskriptivnom
statistikom. Podaci se, zbog jasnosti i preglednosti mogu predstaviti pomoću tabela, grafikona,
dijagrama i tako dalje.
Neka je Ω = {ω1 , ω2 ,L , ωn } populacija, X : Ω → R obeležje i x1 , x2 ,K , xm vrednosti koje

može uzeti obeležje. Označimo sa f ( xi ) broj elemenata populacije Ω na kojima obeležje X uzima

vrednosti xi , za svako i ∈ {1, 2,3,..., m} .

DEF Frekvencija fi je broj pojavljivanja nekog podatka u okviru skupa podataka.

fi
DEF Relativna frekvencija je broj pojavljivanja nekog podatka podeljen brojem elemenata
n
skupa.

Primer 5.2.1. (prekidno numeričko obeležje)

∇ Anketirano je 30 studenata. Jedno pitanje se odnosilo na broj položenih ispita u toku jedne

godine. Dobijeni su sledeći podaci:

3,2,2,3,5,1,6,2,3,3, 4,5,2,3,4,4,5,3,3,4 4,3,5,4,3,5,4,2,3,5 – nabrajanje podataka
Prvi korak u uvođenju reda prilikom obrade nekih podataka je njihovo uređivanje po nekom
principu. U zavisnosti od vrste podataka ti postupci se razlikuju. Ako su u pitanju brojni podaci
korisno je njihovo sređivanje po veličini (sortiranje).
Sortirani podaci bi izgledali ovako:
1, 2, 2, 2, 2, 2,3,3,3,3,3, 3,3,3,3,3, 4, 4, 4, 4, 4, 4, 4, 5,5,5,5,5, 5, 6
Ako se u skupu podataka neki podaci pojavljuju više puta, onda broj ponavljanja predstavlja
frekvenciju fi , i-tog elementa.

1 , 2,
{ 14 2,24
2, 2,32, 3,3,3,3,3,3,3,
14442444 3,3,3,
3 4, 4,4
14 4, 4, 4,34,5,
4,244 14 5,5,5,5,5,
243 { 6
1 5 10 7 6 1

Na primer, f3 = 10 a f5 = 6 .

Da bi se pratile pozicije elemenata poređanih po veličini u okviru skupa, može se dati i kumulativna
frekvencija.
Kumulativna frekvencija nekog elementa se dobija sabiranjem frekvencija svih elemenata koji mu
prethode. Na primer: 3 i manje položenih ispita ima 16 sudenata a 4 i manje ima 23 studenta.
Kolika je zastupljenost pojedinih elemenata unutar posmatranog skupa podataka pokazuje relativna
fi 5
frekvencija . Ona može biti iskazana i procentualno.Na primer : 2 položena ispita ima = 16, 67%
n 30

studenata.

18
Navedene veličine se pregledno mogu prikazati pomoću tabele.

Element skupa Relativna

Frekvencija
Broj položenih Kumulativna frekvencija
Broj studenata
ispita frekvencija fi
fi
xi n
1
1 1 1 = 3, 33%
30

5
2 5 6 = 16, 67%
30

10
3 10 16 = 33,33%
30
7
4 7 23 = 23, 33%
30
6
5 6 29 = 20%
30
1
6 1 30 = 3,33%
30
6
n = ∑ fi =30
i =1

Osnovni podaci (iz osenčenog dela tabele) mogu se predstaviti pomoću histograma. Histogram se
sastoji od niza pravougaonika kojima je jedna dimenzija vrednost klase (1,2,3,4,5,6) a druga,
odgovarajuće vrednosti frekvencija.

f
12

10

8
6

1 2 3 4 5 6

Histogram: Broj položenih ispita

19
Zastupljenost pojedinih elemenata se može predstaviti pomoću poligona frekvencije . Poligon
frekvencije se dobija spajanjem tačaka (i, f i ) . U navedenom primeru spajanjem tačaka:

(1,1) ; (2, 5) ; (3,10) ; (4, 7) ; (5, 6) ; (6,1) .

12

10
frekvencija

6
4

2
0
1 2 3 4 5 6
vrednost

Poligon frekvencije: Broj položenih ispita

f
12

10

8
6

1 2 3 4 5 6

Odnos histograma i poligona frekvencije

Histogram i bar dijagram su sastavljeni od istih pravougaonika koji su u drugom slučaju
razdvojeni.

12
10
frekvencija

8
6
4
2
0
1 2 3 4 5 6
vre d n o s t

Bar chart 2 D: Broj položenih ispita

20
 Frekvencija i relativna frekvencija

3; 10
10

8 4; 7
5; 6
6 2; 5

2 1; 1 6; 1

0
1 2 3 4 5 6

Bar chart 3 D: Broj položenih ispita

Brojni podaci iz navedene tabele mogu se predstavljati i na druge načine pomoću različitih oblika
dijagrama. Najčešće se koriste dijagrami u obliku stubova (bar chart) ili krugova- pita ( pie chart).
Možda bi za ove druge, umesto pite, bolja asocijacija u duhu našeg jezika, bio burek ili torta. Za oba
tipa postoje dvodimenzione i trodimenzione varijante.

Frekvencija i relativna frekvencija

6; 1; 3% 1; 1; 3%
5; 6; 20% 2; 5; 17%

4; 7; 23%
3; 10; 34%

Pie chart 2 D: Broj položenih ispita

Frekvencija i relativna frekvencija

6, 1, 3%
1, 1, 3%
5, 6, 20% 2, 5, 17%

4, 7, 23% 3, 10, 34%

Pie chart 3 D: Broj položenih ispita ∆

21
 U prethodnom primeru je na različite načine prikazana raspodela za jedno prekidno numeričko
obeležje.
Kod neprekidnih obeležja vrednosti se grupišu u intervale i tako se dobijaju intervalne serije
distribucije frekvencije. Intervali odgovaraju klasama u koje je podeljen statistički skup kod prekidnih
obeležja.
Intervali se koriste i kada je preveliki broj klasa kod prekidnih obeležja.
Intervali imaju donju i gornju granicu. Radi lakšeg predstavljanja i matematičke obrade intervalnih
dgi + ggi
serija uvodi se razredna sredina. Ona je aritmetička sredina krajeva intrvala ( dgi -donja
2
granica intervala ; ggi -donja granica intervala ) Geometrijski, to je srednja tačka nekog intervala.
Određivanje broja intervala ( k ) i širine intervala ( i ) nije sasvim proizvoljno . U statističkoj
literaturi često se koristi Stuges-ova formula:

xmax − xmin
k = 1 + 3,3log n ; i=
k
Ponekada, se vrednost kojom počinje donja granica prvog grupnog intervala ( x0 ) dobija po formuli :

i
x0 = xmin −
2
*Napomena:
Broj intervala treba da bude, zbog preglednosti , između 5 i 12.
Često je i sam skup snabdeven nekom unutrašnjom, logičnom, podelom na disjunktne klase, pa se
toga treba pridržavati.

Primer 5.2.2. (prekidno numeričko obeležje )

Anketirano je 30 studenata. Pitanje se odnosilo na broj bodova koji su osvojili na testu iz
matematike, na prijemnom ispitu.. Dobijeni su sledeći podaci:

30 0 2 10 48 14 14 54 6 28
30 40 18 30 44 38 10 4 10 34
14 6 48 0 0 8 26 60 54 52

a) Grupisati podatke u obliku intervalne numeričke serije

b) Dati histogram frekvencije (ili bar dijagram ako se radi u Excelu)
c) Dati poligon frekvencije.
a) U ovom slučaju je n = 30 xmin = 0 ; xmax = 60
Određivanje broja intervala ( k ) :
k = 1 + 3, 3log n = 1 + 3,3log 30 = 1 + 3,3 ⋅1, 477 = 1 + 4,875 ≈ 6

22
 xmax − xmin 60 − 0
Određivanje širine intervala ( i ). ; i= = = 10
k 6
Vrednost kojom počinje donja granica prvog grupnog intervala ( x0 ) dobija se :

i 10
x0 = xmin − = 0 − = −5 . Zbog prirode podataka, koji ne mogu biti negativni, u ovom slučaju će
2 2
ona biti 0.

Tabela grupisanja kandidata prema broju bodova:

fi
Broj bodova xi Broj studenata fi Relativna frekvencija
n
11
0-10 11 = 36, 67%
30

4
11-20 4 = 13,33%
30
5
21-30 5 = 16, 67%
30

3
31-40 3 = 10%
30
3
41-50 3 = 10%
30
4
51-60 4 = 13, 33%
30

∗
Ako se prethodna napomena uzme u obzir, i bez ikakve (komplikovane) računice, došlo bi se do

istog broja intervala i do njihove dužine.

b) Bar dijagram :

Prijemni ispit
Broj studenata

15

10
Broj studenata
5

0
0-10 11- 21- 31- 41- 51-
20 30 40 50 60
Osvojeni bodovi

Histogram bi izgledao slično, samo bi pravougaonici bili spojeni. Imali bi širinu 10 a visina bi im bila
ista.

23
c) Poligon frekvencije

Prijemni ispit

Broj studenata
12
10
8
6 Broj studenata
4
2
0
0-10 11- 21- 31- 41- 51-
20 30 40 50 60
Osvojeni bodovi

Oznake na x- osi su mogle biti 5,15,25, 35, 45, 55 odnosno, umesto intervala mogle su biti navedene
razredne sredine (srednje vrednosti intervala).

24
5.3. Prikaz rezultata ”Stablo-list” metodom
Prilikom sređivanja podataka i njihove klasifikacije u odr eđene klase neka da je korisno poslužiti se
metodom ”Stablo-list”( ”Stea m-and-Leaf”).
Prikazaćemo ovu metodu na primeru dvoocifrenih podataka
Prikaz podataka ovom metodom se izvodi na sledeći način:
- Formira se tabela sa dve kolone i sa onoliko vrsta koliko ima klasa u koje će biti raspoređeni podaci.
- U prvoj koloni su prve cifre brojnih podataka ( 0-9 )
- U drugoj koloni su druge cifre brojnih podataka ( 0-9 ) navedene onoliko puta u koliko podataka su
zastupljene. Ukupan broj „listova je jednak broju podataka koji se predstavljaju.
Primer 5.3.1.
Anketirano je 40 potrošača. Pitanje se odnosilo na broj artikala koji su kupili u toku jedne nedelje.
Dobijeni su sledeći podaci:
23 20 32 10 41 14 14 54 61 28
30 40 18 30 44 68 10 42 10 34
12 43 70 24 56 33 72 54 71 79
14 26 48 20 30 28 26 60 54 52

”Stablo-list” prikaz ovih podataka se daje se tabelom:

Stablo List
1 04480024
2 308460862
3 200430
4 104238
5 4644
6 180
7 0219

Prva kolona je „stablo“ (1,2,...,7)

Druga kolona predstavlja „listove“ (0,1,..., 9).

Iz ovog prikaza se vidi da se podaci mogu podeliti u seda m klasa. 10,19] ;  20, 29] ;K  70, 79] .

Na taj način se daju detaljnije infor macije o podacima unutar svake klase.

Na primer, u stablu 1 su podaci iz intervala 10,19] .

1 04480024

Ima ih ukupno 8 i to su : 10,14, 14,18, 10,10, 12 i 14.

U stablu 6 ima 3 vrednosti a to su: 61,68 i 60.

25
 6 180

Na sličan način se mogu prikazati i brojni podaci drogačijeg tipa. Listovi mogu biti dvocifr eni brojevi.
Na primer :

1,2 01 15 32 10

predstavlja podatke 1,201; 1,215; 1,232; 1,210

Ako je broj podataka veliki (>100) ovakav prikaz nije pogodan već se koriste drugi načini.

5.4 Vežbanje:
1.Anketirano je 40 potrošača. Pitanje se odnosilo na broj artikala koji su kupili u toku jedne
nedelje. Dobijeni su sledeći podaci:

23 20 2 10 41 14 14 54 6 28
30 40 18 30 44 68 10 4 10 34
12 43 7 24 56 33 7 54 71 79
14 6 48 0 0 8 26 60 54 52

a) Grupisati podatke u obliku intervalne numeričke serije

b) Dati histogram frekvencije
c) Dati poligon frekvencije
d) Dati ”Stablo-list” prikaz podataka.

2.Dat je ”Stablo-list” prikaz podataka:

Stablo List
1 204480024
2 308460862
3 200430
4 104238
5 5604644
6 180

a) Grupisati podatke u obliku intervalne numeričke serije

b) Dati histogram frekvencije.
c) Dati poligon frekvencije.

26
ANALIZA PODATAKA
Da bi se izvršila analiza statističkog skupa ili nekog obeležja izračunavaju se nove veličine,
pokazatelji određenih osobina. Pokazatelji (parametri) koji se najčešće koriste su:

POKAZATELJI
osobina skupa

MERE MERE
SREDNJE VARIJABILITETA ASIMETRIJE I
VREDNOSTI (POKAZATELJI SPLJOŠTENOSTI
DISPERZIJE)

Pregled najčešće korišćenih parametara statističkog skupa

6. SREDNJE VREDNOSTI
Srednje vrednosti su važni pokazatelji osobina statističkog skupa. To su prosečne vrednosti na
osnovu kojih se dobijaju važne informacije o celoj populaciji. Srednje vrednosti reprezentuju čitav
skup pa su značajne prilikom upoređivanja različitih skupova.
Postoje dve osnovne grupe srednjih vrednosti :
IZRAČUNATE ( aritmetička sredina, geometrijska sredina, harmonijska sredina,...)
POZICIONE (mod, medijana, kvartil...)
Postoje i drugi, slični, parametri ali su ovi najviše korišćeni.

SREDNJE
VREDNOSTI

IZRAČUNATE POZICIONE

Aritmetička Mod
sredina

Geometrijska Medijana
sredina

Harmonijska Kvartili
sredina

27
6.1. Aritmetička sredina ( X )
DEF Za x1 , x2 ,K , xn aritmetička sredina je

x1 + x2 + L + xn 1 n
X= = ∑ xi
n n i =1
Prosta aritmetička sredina se dobija u onim serijama gde se svaki od n podataka x1 , x2 ,K , xn ,

javlja samo po jednom.

Primer 6.1 1.

∇ Izračunati aritmetičku sredinu za brojeve : 1,3,7,11,15,20.

1 + 3 + 7 + 11 + 15 + 20 57
X= = = 9, 5 ∇
6 6

Primer 6.1 2.

∇ Izračunati prosečni promet (u hiljadama dinara) u toku nedelje, na jednom šalteru pošte :

xi
1. Ponedeljak 98
2. Utorak 76
3. Sreda 79
4. Četvrtak 56
5. Petak 81
6. Subota 51
Prosečni promet 73,5

Prosečni promet:
1 6 1
X = ∑
6 i =1
xi = ( x1 + x2 + x3 + x4 + x5 + x6 ) = 73,5
6
∆

Ponderisana aritmetička sredina (ponderatio-odmeravanje lat) se koristi ukoliko postoje vrednosti

koje se ponavljaju više puta. Aritmetička sredina se tada dobija po formuli:
n

x ⋅ f + x ⋅ f + L + xn ⋅ f ∑x ⋅ f i i
X= 1 1 2 2 = i =1

f1 + f 2 + L + f n n

∑f i =1
i

28
Primer 6.1 3.

∇ Izračunati prosečnu ocenu na ispitu ako su postignuti rezultati dati tabelom:

Ocena ( xi ) Broj studenata ( f i )

5 7
6 14
7 11
8 8
9 6
10 4

Prosečna ocena je :
x1 ⋅ f1 + x2 ⋅ f 2 + L + xn ⋅ f 5 ⋅ 7 + 6 ⋅14 + 7 ⋅11 + 8 ⋅ 8 + 9 ⋅ 6 + 10 ⋅ 4
X= = =
f1 + f 2 + L + f n 7 + 14 + 11 + 8 + 6 + 4
∆
354
= = 7, 08
50
Primer 6.1 4.

∇ Izračunati prosečan broj bodova na prijemnom ispitu ako su postignuti rezultati dati tabelom:

U slučaju intervalnih serija potrebno je izračunati srednje vrednosti intervala.

dgi + ggi
Da se podsetimo, to su aritmetičke sredine krajeva intrvala
2
( dgi -donja granica intervala ; ggi -donja granica intervala ).
Prilikom izračunavanja korisno je sližiti se tabelom sa međurezultatima.

Broj bodova Broj studenata fi Razredna sredina xi fi ⋅ xi

0-10 11 5 55,00
11-20 4 15,5 62,00
21-30 5 25,5 127,50
31-40 3 35,5 106,50
41-50 3 45,5 136,50
51-60 4 55,5 222,00
30 709,50

Prosečan broj bodova je:

x1 ⋅ f1 + x2 ⋅ f 2 + L + xn ⋅ f 5 ⋅11 + 15,5 ⋅ 4 + 25,5 ⋅ 5 + 35,5 ⋅ 3 + 45,5 ⋅ 3 + 55,5 ⋅ 4
X= = =
f1 + f 2 + L + f n 11 + 4 + 5 + 3 + 3 + 4
55 + 62 + 127,5 + 106,5 + 136,5 + 222 709,5
= = 23, 65
30 30

29
6.2. Geometrijska sredina (G)

DEF Za x1 , x2 ,K , xn > 0 geometrijska sredina je G = n x1 x2 L xn .

Geometrijska sredina se koristi u ekonomskoj statistiici u praćenju dinamike određenih procesa.
Njeno izračunavanje je vezano za logaritme. Zbog definisanosti n-tog korena i logaritma , ona se
izračunava samo ako su sve vrednosti sa kojima se radi strogo pozitivne.

Logaritmovanjem leve i desne strane ( može za proizvoljnu osnovu ali uzećemo osnovu 10) dobija
se:

G = n x1 x2 L xn log
1
log G = log ( x1 x2 L xn ) n
1
log G = log ( x1 x2 L xn ) ili
n
log x1 + log x2 + L + log xn
log G =
n
Antilogaritmovanjem se dobija geometrijska sredina.
log ( x1x2 L xn ) log x1 + log x2 +L+ log xn
G = 10 n
ili G = 10 n

Primer 6.2 1.

∇ Izračunati geometrijsku sredinu za brojeve : 1,3,7,11,15,20.

G = 6 1⋅ 3 ⋅ 7 ⋅11 ⋅15 ⋅ 20 log

1
1 4,84073
log G = log 69300 6 = log 69300 = = 0,80679
6 6
G = 100.80679 = 6.409 ∆

Za slučaj grupisanih podataka x1 , x2 ,K , xk koji imaju frekvencije

f1 , f 2 ,K , f k formula za geometrijsku sredinu glasi:

G = n x1 f1 x2 f2 L xk fk ; n = f1 + f 2 + L + f k

30
6.3. Harmonijska sredina (H)
DEF Za x1 , x2 ,K , xn harmonijska sredina je :

n n
H= = n
1 1 1 1
+ +L +
x1 x2 xn ∑x
i =1 i

Prosta harmonijska sredina se dobija u onim serijama gde se svaki od n podataka x1 , x2 ,K , xn ,

javlja samo po jednom.

Primer 6.3 1.

∇ Izračunati harmonijsku sredinu za brojeve : 1,3,7,11,15,20.

6 6
H= = =
1 1 1 1 1 1 4620 1540 660 420 308 331
+ + + + + + + + + +
1 3 7 11 15 20 4620 4620 4620 4620 4620 4620
6 ⋅ 4620 27720
= = = 3,52
7879 7879
Da bi se pravila manja računska greška razlomci u imeniocu su dovedeni na
NZS (1,3, 7,11,15, 20) = 3 ⋅ 4 ⋅ 5 ⋅ 7 ⋅ 11 = 4620 .
Moglo se raditi i ovako:
6 6 6
H= = = =
1 1 1 1 1 1 1 + 0,33 + 0,14 + 0, 09 + 0, 07 + 0, 05 1, 68
+ + + + +
1 3 7 11 15 20
= 3,57

Harmonijska sredina se koristi u slučajevima višestruke obrnute proporcionalnosti

Primer 6.3 1. je mogao biti formulisan i na drugi način:

∇ Šest mašina, različite starosti, proizvodi isti artikal i potrebno im je vreme navedeno u tabeli:

R.b. mašine: Vreme u s ( xi )

1. 1
2. 3
3. 7
4. 11
5. 15
6. 20

Izračunati prosečno radno vreme za izradu artikla.

Izračunata harmonijska sredina 3,57s predstavlja traženo prosečno vreme. ∆

31
 Ponderisana harmonijska sredina se koristi ukoliko postoje vrednosti koje se ponavljaju. Za slučaj
grupisanih podataka x1 , x2 ,K , xk koji imaju frekvencije f1 , f 2 ,K , f k formula za harmonijsku

sredinu glasi:
n n
H= = n
gde je n = f1 + f 2 + L + f n .
f1 f 2 f 1
+ +L + n
x1 x2 xn ∑
i =1 xi

Upoređivanjem aritmetičke , geometrijske i harmonijske sredine dobija se:

X ≥G ≥ H
U predhodnim primerima, za brojeve 1,3,7,11,15,20 , izračunate su:

X = 9,5 G = 6, 409 H = 3,57

U EXCEL-u postoje statističke funkcije AVERAGE, GEOMEAN i HARMEAN pomoću kojih se

izračunavaju navedene sredine . Njihovom primenim se dobija:

1
3
7
11
15
20
Aritmetička sredina (AVERAGE) 9,5

Geometrijska sredina (GEOMEAN) 6,408979

Harmonijska sredina (HARMEAN) 3,56344

32
6.4. Pozicione srednje vrednosti; Mod ( Mo) ; Medijana ( Me) ; Kvartili ( Qi )

Prilikom posmatranja statističkog skupa ili nekog obeležja podaci se daju u sređenom nizu, to jest
poređani po veličini. Moguće je posmatrati srednje vrednosti koje su definisane svojim mestom,
odnosno pozicijom, u navedenoj seriji.

DEF Mod ( Mo) je vrednost obeležja koja u navedenom nizu podataka ima najveću frekvenciju.
To je vrednost koja se najčešće javlja. U upotrebi su i termini modus ili modalna vrednost.
Primer 6.4.1
Među podacima: 1,1, 3, 5,5,5,5,5,5,5, 7, 9,9, 11,11,11, 13,13, 15,15,15 postoji mod i on iznosi 5.
Mo = 5
Primer 6.4.2
U nizu podataka ne mora da postojati mod.
To je slučaj u nizu: 2,4,6,8,10,12,14,16

Primer 6.4.3
Može se desiti da postoji više modova.
Među podacima: 1,1,1, 3,3, 5,5, 7, 9,9, 11,11,11, 13,13, 15,15,15, 17, 19, 21,21 postoje tri moda i to
su 1, 11 i 15.

Za neprekidne vrednosti obeležja, one koje su grupisane po intervalima, mod se ne vidi direktno
nego se izračunava. Uočavaju se intervali sa najvećim frekvencijama (modalni intervali) i koristi se
formula:
f 2 − f1
Mo = a1 + d
( f 2 − f1 ) + ( f 2 − f 3 )
a1 - donja granica modalnog intervala
d - veličina grupnog intervala
f1 , f 2 , f3 - frekvencije premodalnog, modalnog i poslemodalnog intervala

Primer 6.4.4
Za 40 telefonskih razgovora merena je dužina trajanja.Izračunati mod za podatke date tabelom.

Dužina razgovora 0-2 2-4 4-6 6-8 8-10 10-12 12-14

u minutama
Broj razgovora 7 6 14 8 2 2 1

Napomena: Intervali su navedeni u obliku [ ai , ai+1 )

Modalni interval je [ 4, 6 )

33
a1 = 4 - donja granica modalnog intervala

d =2 - veličina grupnog intervala

f1 = 6 , f 2 = 14 , f3 = 8 - frekvencije premodalnog, modalnog i poslemodalnog intervala
14 − 6 8 4
Mo = 4 + ⋅2 = 4+ = 4 + = 4, 57 ∆
(14 − 6 ) + (14 − 8 ) 8+6 7

DEF Medijana ( Me ) je vrednost obeležja koja u navedenom nizu podataka, uređenom po

veličini, zauzima srednju poziciju.

Pri određivanju medijane treba imati u vidu da li je broj elemenata skupa koji čine obeležje, neparan ili
paran.
U slučaju neparnog broja elemenata, medijana je srednji član.
Primer 6.4.5
U nizu podataka 1,1, 3, 5,5,5,5,5,5,5, 7, 9,9, 11,11,11, 13,13, 15,15,15 kojih ima 21, srednji je

jedanaesti po redu a to je 7. Me = 7

U slučaju parnog broja elemenata, postoje dva srednja člana i medijana se dobija kao aritmetička
sredina srednjih članova..
Primer 6.4.6
U nizu: 2,4,6,8,10,12,14,16 kojih ima 8, postoje dva srednja člana a to su 8 i 10.
8 + 10
Me = = 9
2
Za neprekidne vrednosti obeležja, one koje su grupisane po intervalima, određuje se medijalni
interval u kome se nalazi središnji član . Za nalaženje pozicije medijane koriste se obrasci:
n n

∑i =1
fi ∑f
i =1
i +1
sa neparanim ili sa paranim brojem podataka u seriji.
2 2
Za izračunavanje medijane se koristi formula :

d  N k −1 
Me = a1 + − ∑ f i ako je neparan broj podataka u seriji ili
f k  2 i =1 

d  N + 1 k −1 
Me = a1 + − ∑ fi  ako je paran broj podataka u seriji
f k  2 i =1 
a1 - donja granica medijalnog intervala
d - veličina grupnog intervala
N - broj članova skupa

34
 k −1

∑f
i =1
i -zbir svih frekvencija predmedijalnih intervala

f k - frekvencije medijalnog intervala

Primer 6.4.7.

∇ Za 55 telefonskih razgovora merena je dužina trajanja.Izračunati medijanu za podatke date

tabelom.
Dužina razgovora 0-2 2-4 4-6 6-8 8-10 10-12 12-14
u minutama
Broj razgovora 16 13 10 5 4 3 4

∑f i
55
Pozicija srednjeg člana, i =1
= = 27,5
2 2
Medijalni interval je [ 2, 4 )

a1 = 2 - donja granica medijalnog intervala

d = 2 - veličina grupnog intervala
N = 55 - broj članova skupa
f1 = 16 - postoji samo jedan predmedijalni interval

f 2 = 13 - frekvencije medijalnog intervala

d  N k −1  2  55  2 23
Me = a1 +  − ∑ fi  = 2 +  − 16  = 2 + = 3, 769
f k  2 i =1  13  2  13 2

Može se zaključiti da polovina razgovora traje manje od 3,769 minuta. ∆

Primer 6.4.8.

∇ Za 40 telefonskih razgovora merena je dužina trajanja.Izračunati medijanu za podatke date

tabelom.
Dužina razgovora 0-2 2-4 4-6 6-8 8-10 10-12 12-14
u minutama
Broj razgovora 7 6 14 8 2 2 1

∑f i +1
40 + 1
Pozicija srednjeg člana, i =1
= = 20,5
2 2
Medijalni interval je [ 4, 6 )

a1 = 4 - donja granica medijalnog intervala

d = 2 - veličina grupnog intervala

35
N = 40 - broj članova skupa
3

∑f
i =1
i = 7 + 6 = 13 -zbir svih frekvencija predmedijalnih intervala

f3 = 14 - frekvencije medijalnog intervala

d  N + 1 k −1  2  41  1  15 
Me = a1 +  − ∑ f i  = 4 +  − 13  = 4 +   = 5, 07 ∆
fk  2 i =1  14  2  7 2 

DEF Kvartili ( Qi ; i = 1, 2,3 ) su vrednosti koje dele obeležje (navedeni niz podataka,
uređen po veličini) na četiri jednaka dela.

Q1 Q2 Q3 Q4

Prvi kvartil ( Q1 ) je vrednost obeležja od koje 25% elemenata skupa, uređenih po veličini, ima manju

ili jednaku vrednost.

Drugi kvartil ( Q2 ) je medijana Me .

Treći kvartil ( Q3 ) je vrednost obeležja od koje 75% elemenata skupa, uređenih po veličini, ima

manju ili jednaku vrednost.

Kod intervalnih serija kvartili se izračunavaju slično kao medijana:

d  N k −1  d  3N k −1 
Q1 = a1 + − ∑ fi Q3 = a1 + − ∑ fi 
fQ1  4 i =1  fQ3  4
;
i =1 
a1 - donja granica kvartilnog intervala
d - veličina grupnog intervala
N - broj članova skupa
k −1

∑f
i =1
i -zbir svih frekvencija predkvartilnih intervala

fQi - frekvencije kvartilnog intervala

Primer 6.4.9.
Dati su podatci: 1,1,1,1, 2,2,2,2,2,2,3,3,3,4,4,4,4,4,5,6,6,7,7
Odrediti prvi kvartil ( Q1 ), drugi kvartil ( Q2 ) i treći kvartil ( Q3 ).

36
Kvartili se najbolje vide iz tabele u kojoj se kumulativna frekvencija izrazi u procentima. Tada je jasno
koje su to vrednosti od kojih 25% (50%,75%) elemenata skupa, uređenih po veličini, ima manju ili
jednaku vrednost.

Element skupa Frekvencija Kumulativna Kumulativna

xi fi frekvencija frekvencija u %

1 4 4 16, 67%

2 6 10 41, 67% 1. kvartil

3 3 13 51,17% 2. kvartil (Me)
4 6 19 79,17% 3. kvartil
5 1 20 83, 33%

6 2 22 91, 67%

7 2 24 100%
7
n = ∑ fi = 24
i =1

Prvi kvartil ( Q1 ): Q1 = 2

Drugi kvartil ( Q2 ) ili medijana: Me = 3 .

Treći kvartil ( Q3 ): Q3 = 4 ∆

37
6.5. Vežbanje
1) U trci na 2400m mereno je vreme i dobijeni su rezultati koji su prikazani tabelom:

Vreme na kraju Vreme na kraju

Krug
i. tog kruga u s i. tog kruga
1. 115 1' 55"
2. 222 3' 42"
3. 337 5' 37"
4. 453 7' 33"
5. 570 9' 30"
6. 685 11' 25"

a) Formirati tabelu u kojoj će biti (ti ) -vreme u i- tom krugu i (vi ) brzine ostvarene u svakom krugu.

b) Izračunati prosečno vreme po krugu t i prosečnu brzinu po krugu v .

c) Grafički predstaviti vremena (ti ) postignuta u pojedinim krugovima.

s 400
a) (v= ) (ti ) -vreme u i- tom krugu u s ; vi = (vi ) - brzina u m
t ti s

Trka na 2400 metara

Krug
(ti ) Vreme u
(vi )
i- tom krugu
1 115 1' 55" 3,478261
2 107 1' 47" 3,738318
3 115 1' 55" 3,478261
4 116 1' 56" 3,448276
5 117 1' 57" 3,418803
6 115 1' 55" 3,478261
t t v
Prosek:
114,16667 1' 54" 3,506697

b) Prosečno vreme po krugu t = 114,16667 s

Prosečna brzina po krugu v = 3,506697 m / s .

c)

Trka na 2400m

120
Vreme u s

115
110 Series1
105
100
1 2 3 4 5 6
KRUG

38
2) Izračunati aritmetičku, geometrijsku i harmonijsku sredinu za brojeve : 1,3,4,5,6,7,10,11.

Odgovor:
Aritmetička sredina (AVERAGE) 5.875

Geometrijska sredina (GEOMEAN) 4.79015

Harmonijska sredina (HARMEAN) 3.502985

3) Za podatke date tabelom

xi 1 2 3 4 5 6 7
fi 4 6 3 5 2 2 3

odrediti mod, medijanu, prvi kvartil ( Q1 ),i treći kvartil ( Q3 ).

Odgovor:
Mo = 2 ; Me = Q2 = 3 ; Q1 = 2 ; Q3 = 5

39
7. MERE VARIJABILITETA (POKAZATELJI DISPERZIJE)
Mere varijabiliteta za obeležje X jednog statističkog skupa vezane su za unutrašnji raspored
podataka u odnosu na reprezentativne podatke serije a to su razne sredine. Najčešće se analiziraju
odstupanja u odnosu na aritmetičku sredinu.
Postoje različiti parametri koji mere odstupanja i rasipanje elemenata neke statističke serije.
Najznačajniji su:
- Raspon varijacije ( R )

- Srednja devijacija ( SD)

- Disperzija (σ 2 ) i standardna devijacija (σ )

- Koeficijent varijacije ( KV )

MERE
VARIJABILITETA

Disperzija i Koeficijent
Raspon varijacije Srednja devijacija stand. devijacija varijacije

7.1. Raspon varijacije

DEF Raspon varijacije ( R ) je razlika između najveće i najmanje vrednosti obeležja nekog
statističkog skupa.
R = xmax − xmin
Ovaj najjednostavniji parametar pokazuje razmak između maksimalne i minimalne vrednosti i
često se koristi jer daje korisne informacije o podacima koji se obrađuju. Na primer, raspon plata,
raspon temperatura u toku dana ,...

Primer 7.1.1.

∇ U toku jedne sedmice izmerene su dnevne prosečne temperature u Celzijusovim stepenima. Koliki

je raspon dnevnih temperatura u toku te nedelje ?

Nedelja 18,3 °C

Ponedeljak 19,8 °C

Utorak 17,6 °C

Sreda 17,9 °C

Četvrtak 15,6 °C

Petak 18,1 °C

Subota 15,1 °C

40
xmax = 19.8 ; xmin = 15.1

Raspon dnevnih temperatura u toku posmatrane nedelje je:

R = xmax − xmin = 19,8° − 15,1° = 4, 7° ∆

7.2. Srednja devijacija

Za obeležje X jednog statističkog skupa čije su vrednosti x1 , x2 ,K , xn i čija je aritmetička sredina

X , razlike x1 − X , x2 − X ,K , xn − X predstavljaju odstupanja (devijacije) vrednosti od njihove

atitmetičke sredine.

DEF Srednja devijacija (SD) je aritmetička sredina apsolutnih vrednosti odstupanja vrednosti
obeležja od njihove aritmetičke sredine..
Ako je srednje apsolutno odstupanje manje to znači da aritmatička sredina X bolje reprezentuje
podatke iz posmatranog niza.
Za prostu seriju podataka izračunava se po formuli:
n

x1 − X + x2 − X + L + xn − X ∑ x −X i
SD = = i =1
n n
Primer 7.2.1.

∇ U toku jednog dana izmerene su podnevne temperature koje su date tabelom. Koliko je srednje

odstupanje (srednja devijacija) temperatura ?

Beograd 10 °C
Kragujevac 11 °C
Valjevo 9 °C

Loznica 12 °C

Kopaonik -1 °C
Novi Sad 13 °C

Potrebno je prvo izračunati aritmetičku sredinu X .

10 + 11 + 9 + 12 − 1 + 13
X= =9
6

10 − 9 + 11 − 9 + 9 − 9 + 12 − 9 + −1 − 9 + 13 − 9 1 + 2 + 0 + 3 + 10 + 4 20
SD = = = = 3.33
6 6 6

Srednje odstupanje temperatura iznosi 3.33 °C . ∆

41
Za grupisane podatke srednja devijacija se izračunava slično:
n

f1 x1 − X + f 2 x2 − X + L + f n xn − X ∑f i xi − X
SD = = i =1
f1 + f 2 + L + f n n

∑f
i =1
i

U EXCEL-u postoji funkcija AVEDEV koja izračunava srednju devijaciju.

Primer 7.2.2.

∇ Izračunati srednju devijaciju ako su na ispitu postignuti rezultati dati tabelom:

Ocena ( xi ) Broj studenata ( f i )

5 7
6 14
7 11
8 8
9 6
10 4

Navedena tabela je iz primera 6.1.3. u kom je izračunata prosečna ocena, odnosno aritmetička sredina
x1 ⋅ f1 + x2 ⋅ f 2 + L + xn ⋅ f 5 ⋅ 7 + 6 ⋅14 + 7 ⋅11 + 8 ⋅ 8 + 9 ⋅ 6 + 10 ⋅ 4
X= = =
f1 + f 2 + L + f n 7 + 14 + 11 + 8 + 6 + 4
:
354
= = 7, 08
50
Da bi izračunavanje bilo preglednije i da bi se smanjila mogućnost pravljenja računskih grešaka,
korisno je sve međurezultate prikazati u pomoćnoj tabeli.

Ocena ( xi ) Broj studenata ( f i ) xi − X xi − X fi xi − X

5 7 -2.08 2.08 14.56
6 14 -1.08 1.08 15.12
7 11 -0.08 0.08 0.88
8 8 0.92 0.92 7.36
9 6 1.92 1.92 11.52
10 4 2.92 2.92 11.68
6 6

n=6
∑
i =1
fi = 50 ∑f
i =1
i xi − X = 61.12

∑f i xi − X
61.12
SD == i =1
6
= = 1.22 ∆
∑f
50
i
i =1

42
7.3. Disperzija, standardna devijacija

Najviše je u upotrebi parametar koji predstavlja srednje kvadratno odstupanje svakog podatka iz
serije od aritmetičke sredine.
DEF Disperzija (varijansa) (σ 2 ) je aritmetička sredina kvadrata odstupanja vrednosti obeležja od
njihove aritmetičke sredine.

(x − X )
2
+ L + ( xn − X )
2
∑ (x − X )
i
2

σ2 = = i =1
1
(1)
n n

Za izračunavanje disperzije može se koristiti i jednostavnija formula koja se izvodi na sledeći

način:
n

∑ (x − X )
i
2
1 n 2 1 n X2
σ2 = i =1

n
= ∑i
n i =1
x − 2 X
n
∑
i =1
xi +
n
n=
1424 3
X

1 n 1 n
= ∑
n i =1
f i xi 2 − 2 XX + X 2 = ∑ xi 2 − X 2
n i =1

1 n 2
(2) σ2 = ∑ xi − X 2
n i =1

Prilikom korišćenja formule (2) nije potrebno izračunavanje odstupanja pojedinih vrednosti od
aritmetičke sredine već se disperzija računa iz vrednosti obeležja.
Primer 7.3.1.

∇ U toku jednog dana izmerene su podnevne temperature koje su date tabelom. Koliko je disperzija,

odnosno srednje kvardatno odstupanje temperatura ?

Beograd 10 °C

Kragujevac 11 °C

Valjevo 9 °C
Loznica 12 °C

Kopaonik -1 °C
Novi Sad 13 °C

U primeru 7.2.1. gde je izračunata je srednja devijacija, prvo je izračunata aritmetička sredina

10 + 11 + 9 + 12 − 1 + 13
X= =9.
6

43
Za izračunavanje disperzije biće korišćena pomoćna tabela i formula (1):

xi − X (x − X )
2
xi i

Beograd 10 1 1
Kragujevac 11 2 4
Valjevo 9 0 0
Loznica 12 3 9
Kopaonik -1 -10 100
Novi Sad 13 4 16
6
n=6 ∑ (x − X )
i =1
i
2
= 130
6

∑(x − X ) i
2

130
σ2 = i =1
= = 21.67
6 6

Ako se upotrebi formula (2) pomoćna tabela je malo drugačija:

xi xi 2
Beograd 10 100
Kragujevac 11 121
Valjevo 9 81
Loznica 12 144
Kopaonik -1 1
Novi Sad 13 169
6
n=6 ∑xi =1
i
2
= 616

1 n 2 1
σ2 = ∑
n i =1
xi − X 2 = 616 − 81 = 102.67 − 81 = 21.67
6
∆

Za grupisane podatke disperzija se izračunava po formuli:

n n

f1 ( x1 − X ) + L + f n ( xn − X )
2 2
∑ fi ( xi − X ) 2 ∑ f (x − X ) i i
2

(1′ ) σ 2 = = i =1
= i =1
f1 + f 2 + L + f n n

∑f
N
i
i =1
n
gde je ∑f
i =1
i =N

Za izračunavanje disperzije može se koristiti i jednostavnija formula:

n

∑ f (x − X ) i i
2
1 n
1 n X2 n
σ2 = i =1

N
=
N
∑fx
i =1
i i
2
− 2X
N
∑
i =1
fi xi +
N
∑i =1
fi =
14243 {
X N

n n
1 1
=
N
∑fxi =1
i i
2
− 2 XX + X 2 =
N
∑fx
i =1
i i
2
− X2

44
 n
1
( 2′) σ2 =
N
∑fx
i =1
i i
2
−X2

Primer 7.3.2.

∇ Na ispitu su postignuti rezultati dati tabelom. Izračunati disperziju.

Ocena ( xi ) Broj studenata ( f i )

5 7
6 14
7 11
8 8
9 6
10 4

Navedena tabela je iz primera 6.1.3. u kome je izračunata prosečna ocena, odnosno aritmetička
sredina : X = 7, 08

Za određivanje disperzije ako se koristi formula (1′ ) međurezultati se mogu prikazati u pomoćnoj

tabeli.

xi − X (x − X ) fi ( xi − X )
2 2
Ocena ( xi ) Broj studenata ( f i ) i

5 7 -2,08 4,3264 30,2848

6 14 -1,08 1,1664 16,3296
7 11 -0,08 0,0064 0,0704
8 8 0,92 0,8464 6,7712
9 6 1,92 3,6864 22,1184
10 4 2,92 8,5264 34,1056
6 6
N = ∑ fi = 50 ∑ f (x − X )
i i
2
= 109, 68
n=6 i =1 i =1

∑ f (x − X )
i i
2
109, 68
σ2 = i =1
= = 2,1936
N 50

Izračunavanje pomoću formule ( 2′ ) je jednostavnije.

Za određivanje disperzije pomoću formule ( 2′ ) tabela sa međurezultatima je:

45
 Broj xi
2
fi xi 2
Ocena ( xi ) studenata ( f i )
5 7 25 175
6 14 36 504
7 11 49 539
8 8 64 512
9 6 81 486
10 4 100 400
6 6
n=6 N = ∑ fi = 50 ∑fx i i
2
= 2616
i =1 i =1

n
1 2616
( 2′) σ2 =
N
∑fx
i =1
i i
2
−X2 =
50
− 7, 082 = 52, 32 − 50,1264 = 2,1936 ∆

Za procenu podataka iz posmatrane serije veoma je važan pozitivni koren iz disperzije (σ 2 ) . Ta

veličina pokazuje koliko aritmetička sredina u proseku odstupa od pojedinih vrednosti obeležja.

DEF Standardna devijacija (standardno odstupanje) (σ ) je pozitivna vrednost korena disperzije

σ 2 odnosno σ = σ 2 .

U primeru 7.3.1. standardna devijacija iznosi σ = σ 2 = 21.67 = 4.656

U primeru 7.3.2. standardna devijacija iznosi σ = σ 2 = 2.1936 = 1.48

U EXCEL-u postoji funkcija STVEDEVP koja izračunava standardnu devijaciju. Pomoću nje je
kvadriranjem moguće izračunati disperziju.

7.4. Koeficijent varijacije

DEF Koeficijent varijacije ( KV ) je količnik između standardne devijacije i aritmetičke sredine nekog

obeležja.
σ
KV =
X
Ovaj koeficijent je relativna mera koja pokazuje odstupanje obeležja u odnosu na aritmetičku sredinu.

U primeru 7.3.1. standardna devijacija iznosi σ = σ 2 = 21, 67 = 4, 66

a aritmetička sredina X = 9 . Koeficijent varijacije iznosi
σ 4, 656
KV = = = 0,52
X 9
U primeru 7.3.2. standardna devijacija iznosi σ = σ 2 = 2,1936 = 1, 48
a aritmetička sredina X = 7.08 . Koeficijent varijacije iznosi
σ 1, 48
KV = = = 0, 21
X 7, 08

46
7.5. Vežbanje

1. U toku jednog dana izmerene su podnevne temperature koje su date tabelom.

Beograd 21 °C

Kragujevac 20 °C
Valjevo 19 °C
Loznica 22 °C

Kopaonik 8 °C
Novi Sad 18 °C

Kraljevo 23 °C

Odrediti
- Raspon varijacije ( R )

- Srednju devijaciju ( SD)

- Disperziju (σ 2 ) i standardnu devijaciju (σ )

- Koeficijent varijacije ( KV )

2. Grupi sportista merene su visine i rezultati su dati tabelom:

Visina Broj sportista fi

160-169 5
170-179 8
180-189 14
190-199 7
200-209 4
210-219 2

Odrediti
- Raspon varijacije ( R )

- Srednju devijaciju ( SD)

- Disperziju (σ 2 ) i standardnu devijaciju (σ )

- Koeficijent varijacije ( KV )

160 + 169 170 + 179

Uputstvo: Prvo treba odrediti intervalne sredine = 164.5 , = 174.5 ... pa
2 2
pomoću njih izvoditi dalja izračunavanja

47
8. MOMENTI I POKAZATELJI VIŠEG REDA
Vrednosti iz nekog obeležja mogu na različite načine biti grupisane oko srednjih vrednosti. Za
određivanje načina njihovog rasporeda koriste se tzv. centralni momenti.
DEF Centralni moment reda r je aritmetička sredina devijacija na r-ti stepen.

∑ (x − X ) i
r

Za negrupisane podatke to je : Mr = i =1
n
n

∑ f (x − X )i i
r

Za grupisane podatke to je : Mr = i =1
n

∑f i =1
i

Centralni moment reda 2, M 2 je disperzija σ 2 .

Od posebnog značaja su momenti reda 3 i 4.

Za merenje asimetrije koristi se M 3 a za merenje spljoštenosti M 4 .

8.1. Koeficijent asimetrije

Ako se posmatra položaj aritmetičke sredine X , medijane M e i modusa M o , može se govoriti o
simetričnom ili asimeričnom rasporedu elemenata nekog obeležja.Raspored je simetričan kad su
frekvencije vrednosti obeležja ravnomerno raspoređene sa obe strane u odnosu na aritmetičku sredinu
a asimetričan kad se elementi skupa grupišu iznad ili ispod aritmetičke sredine.
DEF Koeficijent asimetrije (α 3 ) je količnik centralnog momenta reda tri i trećeg stepena standardne

devijacije.
M3
α3 =
σ3
Ovaj parameter pokazuje asimetriju nekog obeležja. Pomoću njega se mogu upoređivati asimetrije
različitih distribucija. Ako je:

α3 = 0 serija je simetrična

α3 > 0 serija ima levu (pozitivnu) asimetriju

α3 < 0 serija ima desnu (negativnu) asimetriju

M o je ona vrednost koja ima najveću učestanost o na krivoj raspodele predstavlja apscisu vrha
krive.
M e je ona vrednost obeležja koja deli skup na dva jednaka dela.

48
Interpretacijom na krivoj raspodele dobijaju se slučajevi:
a) Kod simetričnog rasporeda je X = Me = Mo .
b) Kod pozitivne asimetrije Mo < Me < X .
c) Kod negativne asimetrije X < Me < Mo .

Grafički se to može predstaviti na sledeći način:

α3 = 0 α3 > 0

X = Me = Mo Mo < Me < X

α3 < 0

X < Me < Mo

α3 = 0
α3 > 0 α3 < 0
Objedinjeno:

8.2. Koeficijent spljoštenosti

DEF Koeficijent spljoštenosti (α 4 ) je količnik centralnog momenta reda četiri i četvrtog stepena

standardne devijacije.
M4
α4 =
σ4
Ovaj parametar je uvek pozitivan. On pokazuje homogenost vrednosti u odnosu na aritmetičku
sredinu.

α4 = 3 serija je normalne visine

49
Ako je: α4 > 3 serija je izdužena

α4 < 3 serija je spljoštena

Grafički se to može predstaviti na sledeći način:

α4 > 3

α4 = 3

α4 < 3

Primer 8.1.1. ( prosta serija)

∇ Na zimskim olimpijskim igrama 2002. godine šest zemalja koje su osvojile najviše medalja su bile:

Država Broj medalja

Nemačka 35
USA 34
Norveška 24
Kanada 19
Rusija 18
Austrija 14

Izračunati disperziju, standardnu devijaciju, koeficijent asimetrije i koeficijent spljoštenosti za broj

osvojenih medalja.

Broj medalja xi − X (x − X ) (x − X ) (x − X )
2 3 4
Država i i i
xi
Nemačka 35 11 121 1331 14641
USA 34 10 100 1000 10000
Norveška 24 0 0 0 0
Kanada 19 -5 25 -125 625
Rusija 18 -6 36 -216 1296
Austrija 14 -10 100 -1000 10000
n=6 144 382 990 36562

144
X= = 24
6

50
 n

∑ (x − X )
i
2

382
Disperzija : σ 2 = i =1
= = 63, 67
n 6
Standardna devijacija; σ = σ 2 = 63, 67 = 7,98
990
M 6 = 165 = 0.325
Koeficijent asimetrije: α 3 = 33 =
σ 507,98 507,98
36562
M4 6
Koeficijent spljoštrnosti: α 4 = 4 = = 1, 503
σ 4053, 44

Primer 8.1 2. (intervalna serija)

∇ Na prijemnom ispitu su postignuti rezultati dati tabelom:

Broj bodova Broj studenata fi

0-10 11
11-20 4
21-30 5
31-40 3
41-50 3
51-60 4

Izračunati aritmetičku sredinu, disperziju, standardnu devijaciju, koeficijent asimetrije i koeficijent

spljoštenosti
Prilikom izračunavanja traženih veličina korisno je formirati tabelu (1) sa međurezultatima.

U primeru 6.1.4. izračunata je aritmetička sredina za ovu intervalnu seriju.

Prosečan broj bodova je:
x1 ⋅ f1 + x2 ⋅ f 2 + L + xn ⋅ f 5 ⋅11 + 15.5 ⋅ 4 + 25.5 ⋅ 5 + 35.5 ⋅ 3 + 45.5 ⋅ 3 + 55.5 ⋅ 4
X= = =
f1 + f 2 + L + f n 11 + 4 + 5 + 3 + 3 + 4
55 + 62 + 127.5 + 106.5 + 136.5 + 222 709.5
= = 23.65
30 30

Pomoću dobijenuh podataka popunjava se tabela (1):

51
 Raz. sr.
(x − X )
Broj
fi ⋅ xi xi − X (x − X ) (x − X )
2 3 4
fi i i i
bodova xi

0-10 11 5 55.00 -18.65 347.82 -6486.89 120980.49

11-20 4 15.5 62.00 -8.15 66.42 -541.34 4411.95
21-30 5 25.5 127.50 1.85 3.42 6.33 11.71
31-40 3 35.5 106.50 11.85 140.42 1664.01 19718.48
41-50 3 45.5 136.50 21.85 477.42 10431.68 227932.24
51-60 4 55.5 222.00 31.85 1014.42 32309.36 1029053.01
30 709.50

Korišćenjem dobijenih međurezultata formira se niva tabela iz koje se dobijaju vrednosti za nalaženje
traženih parametara.

(2):

fi ( xi − X )
Broj
f i ( xi − X ) fi ( xi − X )
2 3 4
fi
bodova
0-10 11 3826,05 -71355,79 1330785,41
11-20 4 265,69 -2165,37 17647,79
21-30 5 17,11 31,66 58,57
31-40 3 421,27 4992,02 59155,44
41-50 3 1432,27 31295,04 683796,73
51-60 4 4057,69 129237,43 4116212,03
30 10020,08 92034,99 6207655,97

∑ f (x − X )i i
2
10020
Disperzija : σ 2 = i =1
n
= = 334
∑f
30
i
i =1

Standardna devijacija; σ = σ 2 = 334.33 = 18.28

92034.99
M3 30
Koeficijent asimetrije: α 3 = 3 = = 0.502
σ 6113.12
6207655.97
M4 30
Koeficijent spljoštrnosti: α 4 = 4 = = 1.851
σ 111776.55
∆

52
8.3. Vežbanje

1. Tabelom je prikazan broj nagrada koje su na nekom takmičenju osvojili predstavnici gradova :

Grad Broj nagrada

Beograd 12
Niš 11
Novi Sad 10
Kragujevac 9
Valjevo 6
Subotica 5

Izračunati disperziju, standardnu devijaciju, koeficijent asimetrije i koeficijent spljoštenosti za broj

osvojenih nagrada.

2. Grupi sportista merene su visine i rezultati su dati tabelom:

Visina Broj sportista fi

160-169 5
170-179 8
180-189 14
190-199 7
200-209 4
210-219 2

Izračunati aritmetičku sredinu, disperziju, standardnu devijaciju, koeficijent asimetrije i koeficijent

spljoštenosti.

53
9. STATISTIČKO OCENJIVANJE NA OSNOVU UZORKA

9.1. Osnovni skup i slučajni uzorak

Statistički skup ima različite parametre koji ga karakterišu. Ispitivanja se mogu izvoditi na celom
skupu ali je to često nepodesno zbog njegove veličine.U takvim situacijama se, sa određenom
tačnošću, izračunavanja parametara izvode na nekom njegovom delu koji predstavlja uzorak.

Statistički skup

Uzorak

Ukratko, ako je statistički skup veliki onda se pribegava ispitivanju uzoraka. Jedan od najvažnijih
zadataka statistike je da se na osnovu uzorka utvrde zakonitosti i izvuku zaključci koje važe u celoj
populaciji.
Postavlja se pitanje reprezentativnosti posmatranog uzorka. Sam postupak izbora slučajnog uzorka
u statistici je detaljno razrađen .U nekim se koriste tablica slučajnih brojeva ali se time nećemo baviti.
Jasno je, takođe i da veličina uzorka utiče na verodostojnost naših zaključaka o celoj populaciji.
Ako statistički skup ima N elemenata, onda se pod prostim slučajnim uzorkom veličine n
(n < N ) podrazumeva svaki od uzoraka od n elemenata čije su verovatnoće izbora međusobno
jednake. Ukupan broj uzoraka veličine n koji se mogu formirati na skupu od N elemenata iznosi:

 N  VnN N ( N − 1)L ( N − n + 1)
C = =
N
n =
 n  n! n!

Statistički skup ima različite parametre koji ga karakterišu a jedan od najvažnijih je aritmetička
sredina.Postupak ocenjivanja nekog parametra osnovnog skupa na osnovu uzorka biće prikazan na
njoj.

54
9.2.Ocena aritmetičke sredine osnovnog skupa

Ako bi se na nekom statističkom skupu koji ima N elemenata formirali svi mogući uzorci ( njih
N
( )
  ) i izračunale njihove aritmetičke sredine xi one bi predstavljale jedan raspored aritmetičkih
n
sredina uzoraka. Za dovoljno veliko n ( n > 30 ) taj raspored ima približno oblik normalne raspodele.

Raspored sredina
σx uzoraka

µ 1.96σ x 2.58σ x
68.3%
95%
99%

Ako se pogleda raspored sredina uzoraka primećuju se da se u intervalu µ ± σ x nalazi 68.3%

svih uzoraka. To znači da je verovatnoća da se aritmetička sredina uzorka nađe u ovom intervalu 0,68.
Slično, verovatnoća da će se naći u intervalu µ ± 1,96σ x iznosi 0,95 a u intervalu µ ± 2,58σ x iznosi

0,99. Nivoi značajnosti u tim slučajevima izmose 0,32 , 0,05 i 0,01. Najčešće se ocene parametara
računaju sa nivoom značajnosti 0,05 i 0,01.

U konkretnim situacijama postupak ocenjivanja aritmetičke sredine skupa izgleda ovako:

()
-Odabere se dovoljno veliki uzorak ( n > 30 ) i izračuna se njegova aritmetička sredina x koja će

predstavljati ocenu aritmetičke sredine celog skupa ( µ ) .

-Utvrđuje se vrednost standardne greške ocene aritmetičke sredine ( σ x ) :

σ
σx =
n

()
Standardna greška ocene pokazuje prosečno odstupanje aritmetičke sredine uzorka x od

aritmetičke sredine skupa ( µ ) .

55
 Standardna devijacija skupa (σ ) se izračunava iz uzorka. Dokazano je da je standardna devijacija

izračunata na celom skupu uvek nešto veća od standardne devijacije izračunate na uzorku. Zbog toga
se vrši ispravka pa se za izračunavanje koristi formula:

∑ ( ) ()
n n

∑fx
2 2
f i xi − x 2
i i −n x
σ= i =1
= i =1
(1)
n −1 n −1
Ona je poznata pod nazivom Popravljena formula za standardnu devijaciju skupa na osnovu
podataka iz uzorka. Formula za za izračunavanje standardne greške uz korišćenje formule (1) glasi:

∑ ( )
n 2
fi xi − x
∑ f ( x − x) ()
n n

∑fx
2 2
i =1 2
−n x
σ n −1
i i i i
σx = = = i =1
= i =1

n n n ( n − 1) n ( n − 1)

(2)

Primer 9.1.1.

∇ Zadatak je da se odredi prosečan broj bodova na prijemnom ispitu koje su imali studenti ICT na

osnovu uzorka koji ima 50 elemenata.

Bodovi Broj kandidata

fi
0-10 8
10-20 6
20-30 10
30-40 9
40-50 12
50-60 5
50

Vrednost prosečnog broja bodova treba odrediti sa nivoom značajnosti 0,05 i sa nivoom značajnosti
0.01.

Međurezultati za izračunavanje x i σ x se prikazuju u tabeli:

Bodovi Broj kandidata sredina fi ⋅ xi fi ⋅ xi 2

fi intervala xi
0-10 8 5 40 200
10-20 6 15 90 1350
20-30 10 25 250 6250
30-40 9 35 315 11025
40-50 12 45 540 24300
50-60 5 55 275 15125
zbir 50 1510 58250

56
 1510
Prvo se izračunava aritmetička sredina uzorka x = = 30, 2 ; n = 50 .
50
Standardna greška ocene iznosi:

()
n

∑fx
2
2
−n x
σ i i
58250 − 45602
σx = = i =1
= = 5,162449 = 2,27
n n ( n − 1) 50 ⋅ 49

Sa nivoom značajnosti 0,05 prosečan broj bodova je u intervalu :

µ = x ± 1, 96σ x = 30, 2 ± 1, 96 ⋅ 2, 27 = 30, 2 ± 4, 49

Prosečan broj bodova celog skupa, na osnovu ovog uzorka, sa verovatnoćom 0,95 je:
25, 71 ≤ µ ≤ 34, 69 ; µ ∈ [ 25, 71, 34, 69]
Sa nivoom značajnosti 0.01 prosečan broj bodova je u intervalu :

µ = x ± 2,58σ x = 30, 2 ± 2,58 ⋅ 2, 27 = 30, 2 ± 5,86

Prosečan broj bodova celog skupa, na osnovu ovog uzorka, sa verovatnoćom 0,99 je:

24,34 ≤ µ ≤ 36, 06 ; µ ∈ [ 24,34 , 36, 06] ∆

Napomena:
Primećuje se da veći koeficijent pouzdanosti, na istom uzorku, daje širi interval. Što je interval uži
ocena parametra je preciznija ali je manje pouzdana. U praksi se najčešće radi sa koeficijentom

pouzdanosti 0,95 to jest sa sa nivoom značajnosti 0,05. Tada je µ ∈  x − 1,96σ x , x + 1, 96σ x  .

Primer 9.1.2.

∇ Rezultati ispitivanja na uzorku od 500 turista o dnevnoj potrošnji za jednu vrstu turističke usluge

dati su tabelom:
Broj turista
Dnevna
potrošnja fi
35-45 8
45-55 100
55-65 302
65-75 85
75-85 5
zbir 500

Treba oceniti prosečnu dnevnu potrošnju celog skupa ( µ ) pomoću navedenog uzorka sa

koeficijentom pouzdanosti 0,95.

57
 Broj turista prosečna
Dnevna
fi potrošnja xi
fi ⋅ xi fi ⋅ xi 2
potrošnja
35-45 8 40 320 12800
45-55 100 50 5000 250000
55-65 302 60 18120 1087200
65-75 85 70 5950 416500
75-85 5 80 400 32000
zbir 500 29790 1798500

29790
Prvo se izračunava aritmetička sredina uzorka x = = 59,58 ; n = 500
500
Standardna greška ocene iznosi:

()
n

∑fx
2
2
−n x
σ i i
1798500 − 1774888
σx = = i =1
= = 0, 0946 = 0,31
n n ( n − 1) 500 ⋅ 499

Sa koeficijentom pouzdanosti 0,95 ili sa nivoom značajnosti 0,05 prosečan broj bodova je u intervalu
:

µ = x ± 1,96σ x = 59,58 ± 1,96 ⋅ 0,3 = 59,58 ± 0, 61

Dnevna potrošnja celog skupa, na osnovu ovog uzorka, sa verovatnoćom 0,95 je:
58, 97 ≤ µ ≤ 60,19

58
12. LINEARNA REGRESIJA I KORELACIJA

Važan deo stastistike je regresiona analiza koja se bavi zavisnošću pojedinih obeležja u nekom
statističkom skupu.Najjednostavnije je ispitivati zavisnost između dva obeležja. Time se bavi prosta
regresiona analiza. Osnovne ideje regresione analize mogu se prikazati pomoću linearne regresije i
korelacije.

12.1. Linearna regresija

Prilikom analize zavisnosti dva obeležja prvo je potrebno je odrediti koje je nezavisno a koje
zavisno. Nezavisno obeležje ćemo obeležiti sa X a zavisno sa Y .
Ako se radi sa uzorkom veličine n , dobija se n uređenih parova

( x1 , y1 ) , ( x2 , y2 ) ,K , ( xn , yn ) .
Predstavljanjem ovih tačaka u Dekartovom pravouglom koordinatnom sistemu xOy dobija se
dijagram raspršenosti (rasturanja). Pomoću dijagrama nekada je moguće uočiti oblik funkcionalne
zavisnosti između posmatranih obeležja.
Prema obliku krive kojom se funkcionalna zavisnost može aproksimirati postoje različiti oblici
zavisnosti (linearna, kvadratna, logaritamska...)
Ako se zavisnost među navedenim podacima iz posmatranog uzorka, sa odgovarajućom tačnošću,
izrazi linearnom funkcijom y = ax + b , koeficijenti a i b se dobijaju iz formula:
n n n n n
n∑ xi yi − ∑ xi ⋅ ∑ yi ∑ yi − a∑ xi
a= i =1 i =1 i =1
2
i b= i =1 i =1
(*)

n
 n n
n∑ x −  ∑ xi  2
i
i =1  i =1 

Koeficijenti a i b se mogu odrediti ina drugi način, korišćenjem metode najmanjih kvadrata.
Vrednosti konstanti se u tom slučaju dobijaju preko formula:

k xy
a= ; b = Y − aX (**)
σ x2

x1 + L + xn y1 + L + yn
gde je X = ; Y =
n n

∑(x − X )
n 2
i
σ x2 = i =1
n

∑ ( x − X )( y − Y )
n

i i
k xy = i =1
uzorački koeficijent kovarijacije ili kovarijacija.
n
U EXCELU postoji funkcija COVAR za njegovo izračunavanje.

59
Primer 12.1.1.
Za deset ljudi je tablicom dat broj godina i prihod koji su ostvarili u određenom periodu. Potrebno
je nacrtati dijagram raspršenosti i odrediti regresionu pravu kojom se može aproksimirati linearna
zavisnost.

godine X prihod Y
A 19 2150
B 23 2550
C 27 3250
D 31 3150
E 36 4250
F 40 4200
G 44 4350
H 49 5000
I 52 4950
J 54 5650

Dijagram raspršenosti

6000

5000

4000
prihod

3000

2000

1000

0
0 10 20 30 40 50 60
godine

Za izračunavanje je regresione prave iz navedenih formula korisno je poslužiti se radnom tabelom.

Godine xi Prihod yi xi yi xi2

A 19 2150 40850 361
B 23 2550 58650 529
C 27 3250 87750 729
D 31 3150 97650 961
E 36 4250 153000 1296
F 40 4200 168000 1600
G 44 4350 191400 1936
H 49 5000 245000 2401
I 52 4950 257400 2704
J 54 5650 305100 2916
zbir ∑ 375 39500 1604800 15433

60
U ovom primeru je:
10 10 10
n = 10 ∑ xi yi = 1604800
i =1
; ∑ xi = 375 ;
i =1
∑y i =1
i = 39500

2
10
 10 
∑
i =1
x =
2
i 15433 ;  ∑ xi  = 375 = 140625
 i =1 
2

n n n
n∑ xi yi − ∑ xi ⋅ ∑ yi
10 ⋅1604800 − 375 ⋅ 39500
a= i =1 i =1 i =1
= = 90,15
n
 n 
2
10 ⋅15433 − 140625
n∑ xi2 −  ∑ xi 
i =1  i =1 
n n

∑ yi − a∑ xi 39500 − 90,15 ⋅ 375

b= i =1 i =1
= = 569, 4
n 10
Prema tome regresiona prava glasi: y = 90 x + 569 ∆

Dobijena prava nam omogućava da odredimo vrednosti i za one x -ove koji nisu sadržani u
uzorku.Na primer:
x = 20 ; y = 90 ⋅ 20 + 569 = 2369
x = 50 ; y = 90 ⋅ 50 + 569 = 5069 ...

Dijagram raspršenosti

y = 90 x + 569
6000
5000

4000
prihod

3000
2000

1000

0
0 10 20 30 40 50 60
godine

II način (metoda najmanjih kvadrata)

Koeficijenti a i b se mogu odrediti ina drugi način, korišćenjem metode najmanjih kvadrata.
Vrednosti konstanti se u tom slučaju dobijaju preko formula:
k xy 12355
a= = = 90.15 ;
σ 2
x 137.05
b = Y − aX = 3950 − 90.15 ⋅ 37.5 = 3950 − 3380 = 570

61
 x1 + L + xn y + L + yn
gde je X = = 37.5 ; Y = 1 = 3950
n n

∑(x − X )
n 2
i
σ x2 = i =1
= 137.05
n

∑ ( x − X )( y − Y )
n

i i
k xy = i =1
= 12355
n
Na ovaj način je dobijena regresiona prava : y = 9015 x + 570

Pomoćna tabela koja je korišćena za navedena izračunavanja:

(x − X )
2
xi yi xi − X yi − Y i

A 19 2150 -18,5 -1800 342,25

B 23 2550 -14,5 -1400 210,25
C 27 3250 -10,5 -700 110,25
D 31 3150 -6,5 -800 42,25
E 36 4250 -1,5 300 2,25
F 40 4200 2,5 250 6,25
G 44 4350 6,5 400 42,25
H 49 5000 11,5 1050 132,25
I 52 4950 14,5 1000 210,25
J 54 5650 16,5 1700 272,25
X = 37,5 Y = 3950 σ x =137,05
2

k xy =12355
COVAR

Koeficijent kovarijacije k xy je izračunat pomoću funkcije COVAR . ∆

62
12.2. Korelacija
Stepen povezanosti dva obeležja može se predstaviti brojnom vrednošću koja se naziva koeficijent
korelacije. Ovaj parametar pokazuje jačinu i smer povezanosti posmatranih obeležja.Izračunava se po
formuli:
n n n
n∑ xi yi − ∑ xi ⋅ ∑ yi
r= i =1 i =1 i =1
(*)
2 2
n
 n
   n n
n∑ xi2 −  ∑ xi  ⋅ n∑ yi2 −  ∑ yi 
i =1  i =1  i =1  i =1 
Koeficijent korelacije se naziva i Pirsonov koeficijent.
Koeficijent korelacije može se izračunati i na drugi način:

∑ ( x − X )( y − Y )
n

i i
r=± i =1
(**)
∑(x − X ) ⋅∑( y −Y )
n 2 n 2
i i
i =1 i =1

, gde su odgovarajuće X i Y aritmetičke sredine posmatranih obeležja uzorka veličine n .

Koeficijent r može biti pozitivan i negativan broj koji je po apsolutnoj vrednosti manji ili jednak 1.
−1 ≤ r ≤ 1
Ako je r > 0 korelacija je direktna (povećanim vrednosti iz jednog obeležja odgovaraju
povećavane se vrednosti iz drugog).
Ako je r < 0 korelacija je inverzna (povećanm vrednosti iz jednog obeležja odgovaraju smanjene
se vrednosti iz drugog).
Što se jačine veze tiče smatra se da ako je :

r ≤ 0, 25 postoji slab stepen uzajamne povezanosti koji se zanemaruje

0, 25 ≤ r ≤ 0, 5 postoji stepen uzajamne povezanosti koji se ne zanemaruje

0,5 ≤ r ≤ 0, 75 postoji visok stepen uzajamne povezanosti

0, 75 ≤ r < 1 postoji veoma visok stepen uzajamne povezanosti

r = 1 postoji savršena povezanost i uzajamnost

U Excelu postoji funkcija CORREL pomoću koje se izračunava koeficijent korelacije.

63
Primer 12.2.1.

Za deset ljudi je tablicom dat prihod koji su ostvarili u određenom periodu i potrošnja mesa .
Potrebno je izračunati koeficijent korelacije.

prihod X meso Y
A 5 11
B 6 14
C 11 19
D 14 26
E 16 30
F 21 43
G 25 49
H 27 50
I 32 65
J 38 72

Pomoćna tabela za izračunavanje koeficijenta korelacije pomoću formule (*):

prihod X meso Y xi yi xi2 yi2

A 5 11 55 25 121
B 6 14 84 36 196
C 11 19 209 121 361
D 14 26 364 196 676
E 16 30 480 256 900
F 21 43 903 441 1849
G 25 49 1225 625 2401
H 27 50 1350 729 2500
I 32 65 2080 1024 4225
J 38 72 2736 1444 5184
zbir 195 379 9486 4897 18413

U ovom primeru je:

10 10 10
n = 10 ∑ xi yi = 9486
i =1
; ∑ xi = 195 ;
i =1
∑y
i =1
i = 379

2
10
 10 
∑
i =1
x =
2
i 4897 ;  ∑ xi  = 195 = 38025
 i =1 
2

2
10
 10 
∑
i =1
y =
2
i 18413 ;  ∑ yi  = 379 = 143641
 i =1 
2

10 ⋅ 9486 − 195 ⋅ 379

r= =
10 ⋅ 4897 − 38025 ⋅ 10 ⋅18413 − 143641
20955 20955 20955
= = = = 0,99541
10945 40489 104,62 ⋅ 201, 22 21051, 64

64
Korišćenjem funkcije CORREL iz Excela dobija se vrednost 0,995431.
Koeficijent korelacije može se izračunati i na drugi način:

∑ ( x − X )( y − Y )
n

i i
r=± i =1
(**)
∑(x − X ) ⋅∑( y −Y )
n 2 n 2
i i
i =1 i =1

, gde su odgovarajuće X i Y aritmetičke sredine posmatranih obeležja uzorka veličine n .

12.3. Vežbanje
Godine Mleko 1) Za deset ljudi je tablicom dat broj godina i količina mleka koju su
A 4 96 konzumirali u određenom periodu. Potrebno je odrediti
B 8 93
a) dijagram raspršenosti
C 11 91
D 22 80 b) regresionu pravu kojom se može aproksimirati linearna zavisnost.
E 26 74
c) koeficijent korelacije
F 35 67
G 44 51
H 49 50
I 61 43
J 72 26

a) i b)
Godine Mleko xi yi xi2
A 4 96 384 16
B 8 93 744 64
C 11 91 1001 121
D 22 80 1760 484
E 26 74 1924 676
F 35 67 2345 1225
G 44 51 2244 1936
H 49 50 2450 2401
I 61 43 2623 3721
J 72 26 1872 5184
zbir 332 671 17347 15828

U ovom primeru je:

10 10 10
n = 10 ∑x y
i =1
i i = 17347 ; ∑x
i =1
i = 332 ; ∑y
i =1
i = 671

2
10
 10 
∑
i =1
x = 15828 ;  ∑ xi  = 3322 = 110224
2
i
 i =1 

65
 n n n
n ∑ xi yi − ∑ xi ⋅ ∑ yi
10 ⋅17347 − 332 ⋅ 671 −49302
a= i =1 i =1 i =1
= = = −1, 03
n
  n 2
10 ⋅15828 − 110224 48056
n∑ xi2 −  ∑ xi 
i =1  i =1 
n n

∑y i − a ∑ xi
671 − ( −1, 03) ⋅ 332 671 + 341,96 1012,96
b= i =1 i =1
= = = = 101,3
n 10 10 10
Prema tome regresiona prava glasi: y = − x + 101

120

100

80
Potrošnja mleka

60

40

20

0
0 20 40 60 80
Godine

c)

Korišćenjem funkcije CORREL iz Excela dobija se vrednost -0,99462. ∆

2) U tabeli su date vrednosti za dva obeležja jednog uzorka. Odrediti jednačinu regresione prave.
xi yi
A 0.5 2.53
B 1 2.05
C 1.5 1.67
D 2 1.37
E 2.5 0.92
F 3 0.47
G 3.5 -0.11
H 4 -0.50

Rešenje: y = −0.86 x + 1.05

66
LITERATURA :

1. Z. Ivković, Teorija verovatnoća sa matematičkom statistikom, Građevinska knjiga , Beograd,

1976
2. Z. Ivković, D. Banjević Verovatnoća i matematička statistika, Naučna knjiga , Beograd, 1979
3. M. Merkle, Verovatnoća i statistika za inženjere i studente tehnike, Akademska. misao,
Beograd, 2006.
4. S. Vukadinović, J. Popović, Matematicka statistika, Zavod za udžbenike i nastavna sredstva,
Beograd, 1982
5. S.vukadinović, Verovatnoća i statistika, Zavod za udžbenike i nastavna sredstva, Beograd,
2006.
6. McClave J.T., Sincich T., A First Course in Statistics, Pearson, Prentice-Hill, New Jersey,
2006.
7. E. Stipanić, Teorija verovatnoće i matematička statistika, Naučna knjiga , Beograd, 1985
8. Pavle Mladenović, Elemantaran uvod u verovatnoću i statistiku, Društvo matematičara Srbije
, Beograd, 1990
9. S.ognjanović,Ž.Ivanović, Matematika 4, Krug, Beograd 1999
10. Jovan Kečkić, Matematika za 4 razred gimnazije, Kečkić, Beograd, 2004
11. M.Žižić,M.Lovrić,D.Pavličić, Metodi statističke analize, Ekonomski fakultet, Beograd, 2000
12. Vladislav Đolević, Primenjena statistika, Naučna knjiga, Beograd 1993

67