Professional Documents
Culture Documents
Poslovna Statistika
Poslovna Statistika
godine
u Beogradu.
Diplomirao je na Elektrotehnikom fakultetu u
Beogradu 1991. godine.
Na istom fakultetu je magistrirao 1995. godine i
doktorirao 2001. godine.
Uesnik je vie domaih i inostranih kongresa i
konferencija i ima preko trideset objavljenih radova u domaim i meunarodnim strunim publikacijama.
Nauni je saradnik Instituta za fiziku i vanredni profesor na Fakultetu za poslovne studije Megatrend univerziteta primenjenih nauka za
predmete Poslovna matematika i Poslovna statistika.
ISBN 86-7747-205-3
POSLOVNA
STATISTIKA
POSLOVNA
STATISTIKA
SADRAJ ............................................................................................................str.
UVOD .................................................................................................................................7
1. DESKRIPTIVNA STATISTIKA ANALIZA..........................................................10
1.1. Ureivanje i prikazivanje podataka .....................................................................10
1.2. Izraunavanje parametara raspodele obeleja ....................................................20
1.2.1. Parametri srednje vrednosti (mere srednje vrednosti) ................................20
1.2.2. Parametri varijabiliteta (mere disperzije) ......................................................32
1.2.3. Parametri oblika rasporeda (mere oblika rasporeda)...................................53
2. OSNOVNI POJMOVI TEORIJE VEROVATNOE ..............................................56
2.1. Algebra dogaaja. ...................................................................................................58
2.2. Verovatnoa ............................................................................................................61
2.2.1. Definicija verovatnoe ......................................................................................61
2.2.2. Osobine verovatnoe ........................................................................................64
2.2.3. Elementi kombinatorike ...................................................................................68
2.2.3.1. Varijacije od n elemenata k-te klase.........................................................69
2.2.3.2. Permutacije od n elemenata......................................................................71
2.2.3.3. Kombinacije od n elemenata k-te klase ...................................................73
3. RASPODELE SLUAJNIH PROMENLJIVIH .......................................................77
3.1. Raspodele diskretnih sluajnih promenljivih .....................................................79
3.1.1. Parametri diskretnih sluajnih promenljivih ................................................85
3.1.1.1. Parametri centralne tendencije diskretne
sluajne promenljive..................................................................................86
3.1.1.2. Parametri varijabiliteta diskretne
sluajne promenljive..................................................................................90
3.1.1.3. Parametri oblika rasporeda diskretne
sluajne promenljive..................................................................................93
3.1.2. Primeri nekih raspodela diskretnih
sluajnih promenljivih ......................................................................................95
3.1.2.1. Binomna raspodela, B(n,p) .......................................................................95
3.1.2.2. Hipergeometrijska raspodela, H(N,N1,n)................................................97
3.1.2.3. Puasonova raspodela. P() ................................................................... 100
3.2. Raspodele neprekidnih sluajnih promenljivih ...............................................104
3.2.1. Parametri neprekidnih sluajnih promenljivih ...........................................109
3.2.1.1. Parametri centralne tendencije neprekidne
sluajne promenljive................................................................................109
3.2.1.2. Parametri varijabiliteta neprekidne
sluajne promenljive.................................................................................111
3.2.1.3. Parametri oblika rasporeda neprekidne sluajne
promenljive................................................................................................113
Poslovna statistika
UVOD
- Kratak istorijat statistike analize. Poeci statistike analize datiraju
nekoliko vekova pre nae ere. Prva poznata prebrojavanja sprovedena su u Kini
oko 4000 godina pre nove ere i u Egiptu oko 3000 godina pre nove ere, dok su
prvi organizovani popisi vreni u starom veku u Rimskoj republici. U srednjem
veku vreni su uglavnom popisi zemljita i stoke i u nekim evropskim
zemljama registri roenih, umrlih i venanih lica. Prvi sistematski organizovani
popisi stanovnitva vreni su krajem XVIII veka. Sama re statistika prvi put
je upotrebljena u prvoj polovini XVIII veka u radovima Gotfrida Aenvala
(Gottfried Achenwal), profesora univerziteta u Getingenu.
Poeci statistike kao naune discipline skoro istovremeno datiraju od XVII
veka u Nemakoj i Engleskoj.
Poetkom XIX veka dolazi do naglog razvoja statistikih teorija, najvie
zahvaljujui razvoju teorije verovatnoe i sloenijih matematikih analiza.
Naravno, vrtoglavi razvoj sistema elektronskih raunara u drugoj polovini XX
veka, inicirao je ogroman skok u aspektu primene statistikih metoda u, sada
ve, gotovo svim analizama bilo kojih masovnih pojava.
U dananje vreme statistika predstavlja simbiozu sledeih komponenti:
-
Poslovna statistika
- Statistiki skup (populacija, osnovni skup). Skup svih elemenata na kojima
se odreena pojava statistiki posmatra zove se statistiki skup (populacija,
osnovni skup). Pojedinani elementi iz kojih se statistiki skup sastoji zovu se
elementi statistikog skupa (statistike jedinice). Definisanje statistikog
skupa u svakom konkretnom sluaju zavisi od prirode pojave koja se eli
statistiki analizirati, od cilja istraivanja i od raspoloivih mogunosti
posmatranja, ali se uvek mora voditi rauna o tome da statistiki skup bude
relativno homogen, odnosno da elementi statistikog skupa imaju bar jednu
zajedniku osobinu. to elementi skupa imaju vie zajednikih osobina, to je
statistiki skup homogeniji. Takoe, prilikom definisanja statistikog skupa,
mora se voditi rauna o tome da elementi skupa budu istovrsni, ali, naravno, ne
i istovetni. U ovom odbeniku emo broj lanova populacije (broj elemenata
statistikog skupa) obeleavati sa N.
- Uzorak. Uglavnom je nemogue, a mahom uvek ekonomski i prostornovremenski neopravdano, vriti statistiku analizu na itavom statistikom
skupu. Zbog toga se vrlo esto iz itavog statistikog skupa vri odabir nekih
elemenata skupa (vri se uzorkovanje skupa) na kojima se sprovodi dalja
statistika analiza, koja rezultira odreenim kvantitativnim zakljucima koji
vae za itav statistiki skup. Naini na koji se vri uzorkovanje skupa nisu
proizvoljni, ve moraju ispuniti odreene zahteve, koji e biti analizirani u
ovom udbeniku. Podskup statistikog skupa dobijen uzorkovanjem njegovih
elemenata zove se uzorak. Broj lanova uzorka (broj elemata uzorka) u ovom
udbeniku emo obeleavati sa n.
- Obeleje. Osobine po kojima se jedinice statistikog skupa ili uzorka
razlikuju, a koje su predmet statistike analize, zovu se obeleja i obino se
dele na atributna (opisna) i numerika.
- Atributna obeleja su obeleja koja se izraavaju opisno (zanimanje,
boja kose, pol, itd.).
- Numerika obeleja su obeleja koja se izraavaju brojano i mogu
biti prekidna (diskretna) i neprekidna (kontinualna).
- Prekidna numerika obeleja su ona obeleja koja mogu
imati samo izolovane vrednosti (broj prodatih automobila, broj
roenih, broj lanova porodice, itd.).
8
Poslovna statistika
- Neprekidna numerika obeleja su ona obeleja koja mogu
imati bilo koju vrednost unutar nekog intervala (visina, teina,
potronja goriva, itd.).
U ovom udbeniku emo objasniti neke od statistikih metoda koje se koriste u
analizi numerikih obeleja, dok se analizom atributnih obeleja neemo
baviti.
Poslovna statistika
Poslovna statistika
Broj klasa nadalje emo obeleavati sa K.
Ne postoji jasno definisano pravilo po kome bi se trebalo rukovoditi prilikom
odreivanja broja intervalnih klasa, ve odreeni broj preporuka.
Neke od njih su:
a)
b)
N >40,60 K >6,8
N >60,100 K >7,10
N >100,200 K >9,12
N >200,500 K >12,17
N 500 K 21
c)
za bilo koje N vai K >5,15@ .
Predstavnik i-te klase (obeleavaemo ga sa xi, ) kod diskretnih klasa
predstavlja vrednost obeleja koje odreuje i-tu klasu, dok kod
neprekidnih klasa predstavlja sredinu i-tog klasnog intervala.
irina i-tog klasnog intervala (obeleavaemo je sa 'i) predstavlja razliku
izmeu poetka (i+1)-og i poetka i-tog klasnog intervala. U analizama
koje e biti sprovedene u ovom udbeniku, intervalne klase moraju biti
izabrane tako da su im irine meusobno iste, pa emo irinu klasnog
intervala obeleavati sa '.
11
Poslovna statistika
-
Oigledno je da vai
N.
i 1
Oigledno je da vai
1.
i 1
Oigledno je da vai K K
N.
12
Poslovna statistika
obeleja veu od vrednosti donje granice i-te intervalne klase ija je
donja granica otvorena (i = 1, 2, ..., K).
Oigledno je da vai W1
N.
7
11
9
10
4
4
6
8
11
12
12
7
6
11
6
3
8
8
12
7
7
6
7
6
8
8
9
6
7
9
13
6
4
8
7
5
5
9
8
9
5
6
4
9
7
7
10
10
3
4
11
Poslovna statistika
b) teina (u kg):
57
71
89
104
64
84
68
78
110
62
112
72
67
91
65
83
78
68
92
73
77
76
74
68
81
68
89
69
75
91
96
74
80
77
105
55
79
82
90
85
66
64
69
87
67
101
102
73
64
91
Reenje:
a)
Tabelarni prikaz dat je u Tabeli 1.1.1.a.
Broj
poloenih
ispita
3
4
5
6
7
8
9
10
11
12
Apsolutna
frekvencija
fi
2
5
3
8
9
7
6
3
4
3
fi=50
Relativna
frekvencija
pi
2/50
5/50
3/50
8/50
9/50
7/50
6/50
3/50
4/50
3/50
pi=1
Kumulativna
frekvencija d
Ki
2
7
10
18
27
34
40
43
47
50
Tabela 1.1.1.a.
14
Kumulativna
frekvencija t
Wi
50
48
43
40
32
23
16
10
7
3
Poslovna statistika
Apsolutna frekvencija
10
9
8
7
6
5
4
3
2
1
0
0
10 11 12 13 14 15
Relativna frekvencija
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0
10 11 12 13 14 15
15
Kumulativna frekvencija
<=
Poslovna statistika
50
45
40
35
30
25
20
15
10
5
0
0
10 11 12 13 14 15
Kumulativna frekvencija
>=
50
45
40
35
30
25
20
15
10
5
0
0
10 11 12 13 14 15
16
Poslovna statistika
b)
Imajui u vidu preporuke date u ovom udbeniku o grupisanju neprekidnih
vrednosti obeleja u intervalne klase i injenicu da je najmanja teina u
populaciji 55 kg, a najvea 112 kg, podatke o teini iz ove populacije emo
grupisati u sedam klasa irine 10 kg, poev od 50 kg.
Interval
teine (kg)
>50 -60
>60 -70
>70 -80
>80 -90
>90 -100
>100 -110
>110 -120
Apsolutna
frekvencija
fi
2
14
13
9
6
4
2
fi=50
Relativna
frekvencija
pi
2/50
14/50
13/50
9/50
6/50
4/50
2/50
pi=1
Kumulativna
frekvencija <
Ki
2
16
29
38
44
48
50
Kumulativna
frekvencija t
Wi
50
48
34
21
12
6
2
Tabela 1.1.1.b.
17
Poslovna statistika
Apsolutna frekvencija
14
12
10
8
6
4
2
0
50
60
70
80
90
100
110
120
(kg)
Teina
Slika 1.1.1.e. Grafiki prikaz apsolutne frekvencije
0.28
Relativna frekvencija
0.24
0.2
0.16
0.12
0.08
0.04
0
50
60
70
80
90
100
110 120
Teina
18
(kg)
Poslovna statistika
50
Kumulativna frekvencija
<
45
40
35
30
25
20
15
10
5
0
50
60
70
80
90
100
110
120
(kg)
Teina
50
Kumulativna frekvencija
>=
45
40
35
30
25
20
15
10
5
0
50
60
70
80
90
100
110
120
(kg)
Teina
19
Poslovna statistika
1.2.
1.2.1.
Pozicioni su:
20
Poslovna statistika
- modus,
- medijana.
Zavisnost prirode promene ispitivanog obeleja nam diktira koji emo od gore
pomenuta tri izraunata parametra srednje vrednosti da koristimo kao
relevantnu meru srednje vrednosti datog obeleja u posmatranoj populaciji
(uzorku).
Kada je priroda promene posmatranog obeleja linearno zavisna, koristiemo
aritmetiku sredinu kao meru srednje vrednosti. Linearna zavisnost promene
ogleda se u tome da je ukupna grupna vrednost obeleja jednaka aritmetikom
zbiru obeleja svakog lana grupe ponaosob (visina, teina, broj prodatih
automobila, broj poena na ispitu...). Ovakva priroda promene je
najzastupljenija u svakodnevnom ivotu.
Kada je priroda promene posmatranog obeleja direktno proporcionalna,
koristiemo geometrijsku sredinu kao meru srednje vrednosti. Direktna
proporcionalnost promene ogleda se u tome da je ukupna grupna vrednost
obeleja jednaka proizvodu obeleja svakog lana grupe ponaosob
(procenat...).
Kada je priroda promene posmatranog obeleja obrnuto proporcionalna,
koristiemo harmonijsku sredinu kao meru srednje vrednosti. Obrnuta
proporcionalnost promene ogleda se u tome da se grupna vrednost obeleja
smanjuje kada se poveava broj lanova grupe i obrnuto (vreme zavretka
nekog posla u odnosu na broj ljudi koji ga istovremeno rade i sl.).
- Aritmetika sredina. Aritmetiku sredinu bilo kojih N brojeva x1, x2, ..., xN
___
x1 x 2 ... x N
.
N
21
Poslovna statistika
N
i 1
___
i 1
f i xi,
i 1
___
i 1
xi,
.
i)
Ako ne grupiemo podatke, za aritmetiku sredinu broja poloenih
ispita dobijamo:
50
i 1
7.44
50
a za aritmetiku sredinu teine studenata dobijamo:
22
Poslovna statistika
50
i 1
79.26 kg.
50
ii)
Ako grupiemo podatke, za aritmetiku sredinu broja poloenih ispita
dobijamo:
10
xi,
i 1
N
2 3 5 4 3 5 8 6 9 7 7 8 6 9 3 10 4 11 3 12
7.44
50
naravno, istu vrednost kao i kada nismo grupisali podatke, jer je obeleje
diskretnog tipa.
xi,
i 1
N
2 55 14 65 13 75 9 85 6 95 4 105 2 115
79.6 kg.
50
Kao to smo i oekivali, aritmetika sredina grupisanih podataka se razlikuje
od aritmetike sredine negrupisanih jer je teina obeleje neprekidnog tipa.
x
mk
i 1
k
i
za negrupisane podatke,
23
Poslovna statistika
k
f i xi,
i 1
mk
za grupisane podatke.
Pi (odnosno X i ), tada je, ako sve ove populacije (uzorke) spojimo u jednu,
aritmetika sredina novodobijene populacije (uzorka) jednaka:
m
__
N i Pi
___
i 1
___
ni X i
i 1
i 1
i 1
Primer 1.2.1.2. Prosena visina svih 220 devojaka na prvoj godini studija je
168 cm, a prosena visina svih180 mukaraca na prvoj godini je 182 cm.
Kolika je prosena visina studenta prve godine?
Reenje:
Pi
i 1
174.3 cm.
i 1
- Geometrijska sredina. Geometrijsku sredinu bilo kojih N brojeva x1, x2, ...,
xN obeleavamo sa G i izraunavamo po formuli:
x1 x 2 ... x N .
24
Poslovna statistika
Kada elimo da iskaemo geometrijsku sredinu kao meru srednje vrednosti
odreenog obeleja u populaciji (ili uzorku), onda vai:
za negrupisane podatke
x1 x 2 ... x N ,
za grupisane podatke
x1, 1 x 2, 2 ... x K,
fK
gde je:
G - reprezent geometrijske sredine koji pravilno predstavlja direktno
proporcionalnu prirodu promene datog obeleja;
xi - reprezent vrednosti obeleja koje pravilno predstavlja direktno
proporcionalnu prirodu promene datog obeleja (i = 1, 2, ..., N);
0,99278 .
25
Poslovna statistika
Zakljuujemo da se u ovom etvorogodinjem periodu ovakvim promenama
cena robe proseno godinje smanjivala 0,722%.
- Harmonijska sredina. Harmonijsku sredinu bilo kojih N brojeva x1, x2, ...,
xN obeleavamo sa H i izraunavamo po formuli:
H
N
1
1
1
...
x1 x 2
xN
N
N
x
i 1
za grupisane podatke:
N
K
fi
,
i 1 xi
Reenje:
26
Poslovna statistika
3
asova=10,19 asova.
1
1 1
10 12 9
H dGd X .
LM 0
f M 0 f M 0 1
f M 0 f M 0 1 f M 0 f M 0 1
' ,
gde je:
LM 0 - poetak modalne klase,
f M 0 - apsolutna frekvencija modalne klase,
f M 0 1 - apsolutna frekvencija klase pre modalne,
f M 0 1 - apsolutna frekvencija klase posle modalne,
M0
(Slika 1.2.1).
', f
M 0 1
27
Poslovna statistika
fi
fMo
fMo+1
fMo-1
LMo Mo LMo+'
xi
Slika 1.2.1.
28
Poslovna statistika
Reenje:
a)
Kako je najfrekventnija klasa klasa u kojoj se nalaze lanovi populacije koji
imaju sedam poloenih ispita, to je modus ove unimodalne raspodele
Mo=7.
b)
Najfrekventnija klasa, odnosno modalna klasa, je klasa >60 -700 kg, pa je
modus
Mo
LM o
f M o f M o 1
f M o f M o 1 f M o f M o 1
'
60
14 2
10 | 69,23kg.
14 2 14 13
2
2
Odnosno, za negrupisane podatke vai:
N
2 k 1
Me
x N 1
2
x N x N
N
2k
Me
2 1
29
Poslovna statistika
Za grupisane podatke diskretnog tipa, Me takoe predstavlja vrednost obeleja
koje se nalazi u sredini ureene statistike serije. Izraunavanje vrednosti Me je
N 1
u ovom sluaju isto kao i za negrupisane podatke, samo se vrednosti
2
N
N
og lana (ukoliko je N 2 k 1 ), odnosno -og i 1 -og lana
2
2
(ukoliko je N 2 k ), nalaze iz tabelarne predstave ureene serije.
fi d
i 1
N e , kl
fi .
2 i1
Me
LM e , kl
1
e , kl
N
fi
2
i 1
' ,
f M e , kl
gde je:
LM e , kl - poetak medijalne klase,
f M 0 , kl - apsolutna frekvencija medijalne klase,
30
Poslovna statistika
Primer 1.2.1.6. Za podatke iz Primera 1.1.1. izraunati medijanu:
Reenje:
a)
Populacija sadri paran broj lanova, N=50, pa medijanu nalazimo kao
aritmetiku sredinu 25. i 26. lana serije ureene u rastui poredak.
Analizirajui kumulativnu frekvenciju Ki , vidimo da se i 25. i 26. lan serije
ureene u rastui poredak nalaze u klasi u kojoj se nalaze lanovi populacije
koji su poloili sedam ispitai, pa je medijana ove raspodele
Me
X 25 X 26
2
77
2
7.
b)
Kako je
N
2
50
2
Me
LM e , kl
1
e , kl
N
fi
2
i 1
'
f M e , kl
70
25 16
10 | 76,92 kg.
13
31
Poslovna statistika
1.2.2. Parametri varijabiliteta (mere disperzije)
interval varijacije,
interkvartilna razlika,
srednje apsolutno odstupanje,
srednje kvadratno odstupanje (varijansa),
standardna devijacija.
Relativni su:
-
koeficijent varijacije,
normalizovano standardno odstupanje.
Reenje:
a)
Interval varijacije je I v
x max x min
32
12 3
9 poloenih ispita.
Poslovna statistika
b)
Interval varijacije je I v
x max x min
120 50
70 kg.
N 1
i 4 1
N 1 N 1
1 x N 1 x N 1
i
1 i
4
4
i 4 1
i 4 2
i 1,...,3
gde je sa >D @ oznaen ceo deo broja D .
U sutini, ova formula znai sledee:
N 1
ukoliko je i
1 ceo broj, tada je vrednost i-tog kvartila jednaka
4
N 1
1 -og lana ureene statistike serije.
vrednosti i
4
N
1
N 1
N 1
1 -og i i
2 -og lana
linearnom interpolacijom vrednosti i
4
4
33
Poslovna statistika
Da bismo odredili vrednost i-tog kvartila (Qi) za grupisane podatke
neprekidnog tipa, neophodno je prvo odrediti klasu i-tog kvartila Qi ,kl , iz
sledeeg uslova:
Qi , kl 1
fi d i
i 1
N i , kl
fi
4 i1
i=1,...,3.
Qi
LQi , kl
1
i , kl
N
i fi
4
i 1
'
f Qi , kl
gde je:
LQi , kl - poetak klase i-tog kvartila,
f Qi , kl - apsolutna frekvencija klase i-tog kvartila,
N 1
i 10 1
N 1 N 1
1 x N 1 x N 1
i
1 i
10
i 10 1
i 10 2
10
i 1,...,9
34
Poslovna statistika
gde je sa >D @ oznaen ceo deo broja D .
U sutini, ova formula znai sledee:
N 1
ukoliko je i
1 ceo broj, tada je vrednost i-tog decila jednaka
10
N 1
1 -og lana ureene statistike serije.
vrednosti i
10
N
1
N 1
N 1
1 -og i i
2 -og lana
linearnom interpolacijom vrednosti i
10
10
fi d i
i 1
N i , kl
fi
10 i 1
i=1,...,9.
Di
LDi , kl
1
i , kl
N
i fi
10 i 1
' ,
f Di , kl
gde je:
LDi , kl - poetak klase i-tog decila,
f Di , kl - apsolutna frekvencija klase i-tog decila,
Poslovna statistika
- Percentili su brojevi, koje emo obeleavati sa Pi
(i 1,...,99) ,
sa osobinom da i-ti percentil (Pi) deli interval varijacije u odnosu i : 100 i.
To znai da Pi predstavlja vrednost obeleja od koje i 1% elemenata
populacije (uzorka) ima vrednost manju ili jednaku od Pi. Oigledno da je
P50 M e .
N 1
i 100 1
N 1 N 1
1 x N 1 x N 1
i
1 i
i 100 1
i 100 2
100
100
i 1,...,99
gde je sa >D @ oznaen ceo deo broja D .
100
N 1
1 -og lana ureene statistike serije.
vrednosti i
100
N 1
1 nije ceo broj, tada se vrednost i-tog percentila dobija
A ukoliko i
100
N 1
N 1
1 -og i i
2 -og lana
linearnom interpolacijom vrednosti i
100
100
ureene statistike serije.
i 1
fi d i
N i , kl
f i
100 i 1
i=1,...,99.
Poslovna statistika
Pi
LPi , kl
1
i , kl
N
i
fi
100 i 1
' ,
f Pi , kl
gde je:
LPi , kl - poetak klase i-tog percentila,
f Pi , kl - apsolutna frekvencija klase i-tog percentila,
Iq
Q3 Q1
P75 P25 .
Iq
2
Poslovna statistika
a)
50 1 50 1
1
1 1
1 x 501 x 501
4
4
1 4 1
1 4 2
Q1
Q1
Q1
Q3
Q3
Q3
50 1
1 4 1
50 1
3 4 1
50 1 50 1
3
1 3
1 x 501 x 501
4
4
3 4 1
3 4 2
pa je interkvartilna razlika I q
Q3 Q1
96
3 poloena ispita.
50 1 50 1
1 x 501 x 501
3
1 3
10
10
3 10 1
3 10 2
D3
D3
50 1
3 10 1
50 1
50 1
1 x 501 x 501
35
1 35
100
100
35 100 1
35 100 2
P35
P35
50 1
35 100 1
38
Poslovna statistika
b)
N
4
Kako je
50
4
kvartil Q1
Q
Q1
LQ1, kl
1
N 1, kl
fi
4
i 1
'
f Q1, kl
3 N
4
je trei kvartil Q3
3 50
4
Kako je
Q3
LQ, kl 3
60
1
80
37,5 29
10 | 89.44 kg .
9
Q3 Q1
Interkvartilna razlika je I q
3 N
10
67.5 kg .
3 , kl
3 N
fi
4
i 1
'
f Q3, kl
Kako je
12,5 2
10
14
3 50
10
89.44 67.5
21.94 kg.
trei decil D3
D
D3
LD3, kl
1
3 , kl
3 N
fi
10
i 1
'
f D3, kl
60
15 2
10 | 69.29 kg.
14
35 N 35 50
17.5 to je klasa trideset petog percentila
100
100
>70 -80 kg, pa je trideset peti percentil P35
Kako je
35
P35
LPi , kl
N
100
f Pi , kl
Pi , kl 1
f
i 1
'
70
17.5 16
| 70.12 kg.
13
39
Poslovna statistika
- Srednje apsolutno odstupanje
AD( P )
P
i 1
za populaciju,
N
n
__
AD( x )
__
i
x
i 1
za uzorak,
AD( P )
xi, P
i 1
za populaciju,
N
K
__
AD( x )
__
f i xi, x
i 1
za uzorak.
x
AD( M o )
Mo
i 1
40
Poslovna statistika
K
f
AD( M o )
xi, M o
i 1
x
AD( M e )
Me
i 1
f
AD( M o )
xi, M e
i 1
A
i 1
41
Poslovna statistika
Reenje:
a)
Srednje apsolutno odstupanje broja poloenih ispita od aritmetike
sredine je
10
ADP
xi, P
i 1
N
2 3 7.44 5 4 7.44 3 5 7.44 8 6 7.44 9 7 7.44
50
7 8 7.44 6 9 7.44 3 10 7.44 4 11 7.44 3 12 7.44
50
2 4.44 5 3.44 3 2.44 8 1.44 9 0.44 7 0.56 6 1.56
50
3 2.56 4 3.56 3 4.56
1,9552
50
b)
Srednje apsolutno odstupanje teine od aritmetike sredine je
ADP
xi, P
i 1
N
2 55 79.6 14 65 79.6 13 75 79.6 9 85 79.6 6 95 79.6
50
12.536 kg.
Poslovna statistika
- Srednje kvadratno odstupanje (varijansa)
- Varijansa populacije
V2
P
i 1
za negrupisane podatke,
N
K
f x
i
V2
,
i
P
i 1
za grupisane podatke.
2
xi P
i 1
2
i
2 xi P P 2
i 1
N
i 1
i 1
x
N
2
i
2P P P2
x
i 1
2
i
P2
43
2
i
2P
xi
i 1
P
i 1
Poslovna statistika
K
f x
i
,
i
P
xi, 2 xi, P P 2
f i xi,
2P
N
K
i 1
i 1
i 1
xi,
f i xi,
i 1
2P P P2
P2
i 1
i 1
xi,
i 1
P2
V2
2
i
P2
i 1
N
K
V2
xi,
i 1
za negrupisane podatke,
P2
za grupisane podatke.
-Varijansa uzorka
s2
x i P 2
i 1
i 1
2
i
P2
za negrupisane podatke,
44
Poslovna statistika
K
f x
i
s2
,
i
P
xi,
P2
i 1
i 1
za grupisane podatke.
__
x
i x
i 1
n 1
s c2
2
c
i 1
za negrupisane podatke,
__
f i xi, x
n 1
za grupisane podatke,
__
__
xi x
i 1
n 1
__ __ 2
2
x
x
2
i x x
i
i 1
n 1
__
__ 2
n x n x
2 x
n 1
n 1 n 1
i 1
__
2
i
n 1
n x
i 1
n 1
45
n __ 2
2
i
i 1
__ 2
2
i
__
2 x
x x
i
i 1
n 1
i 1
n 1
Poslovna statistika
K
i 1
__
f i xi, x
n 1
K
i 1
,2
i
i 1
n 1
__ __ 2
2
f i xi, 2 xi, x x
n 1
__
2 x
n 1
i
,2
i
i 1
__ 2
i 1
n 1
,
i
i 1
n 1
K
__
__ 2
n x n x
2 x
n 1 n 1
__
,2
i
__ 2
x n x
i 1
n 1
2
c
2
i
za negrupisane podatke,
n 1
K
2
c
n x
i 1
,2
i
__ 2
x n x
i 1
n 1
za grupisane podatke.
46
Poslovna statistika
Reenje:
a)
Varijansa broja poloenih ispita je
10
f x
i
V2
,
i
P
i 1
N
2
2
2
2
2
2 3 7.44 5 4 7.44 3 5 7.44 8 6 7.44 9 7 7.44
50
2
2
2
2
2
7 8 7.44 6 9 7.44 3 10 7.44 4 11 7.44 3 12 7.44
50
2
2
2
2
2
2 4.44 5 3.44 3 2.44 8 1.44 9 0.44
50
7 0.56 2 6 1.56 2 3 2.56 2 4 3.56 2 3 4.56 2
5.6864
50
b)
Varijansa teine je
7
f x
i
V2
,
i
P
i 1
N
2
2
2
2
2 55 79.6 14 65 79.6 13 75 79.6 9 85 79.6
50
2
2
2
6 95 79.6 4 105 79.6 2 115 79.6
50
2
2
2
2 24.6 14 14.6 13 4.6 9 5.4 2
50
6 15.4 2 4 25.4 2 2 35.4 2
224,84.
50
47
Poslovna statistika
- Standardna devijacija
V
-
V2
s2
s c2 .
V2
5.6864 | 2.38
b)
standardna devijacija teine studenata iznosi
V2
Poslovna statistika
Aritmetika sredina i standardna devijacija u nekoj meri odreuju raspored
vrednosti obeleja analiziranih podataka u populaciji (uzorku). Naime, na
osnovu ebievljeve teoreme, koju ovde neemo prezentovati, definisano je
sledee pravilo, poznato kao ebievljevo pravilo:
u r k standardnih devijacija oko aritmetike sredine nalazi se bar
1
- Koeficijent varijacije
V
P
49
Poslovna statistika
Cv
s
__
x
koeficijent varijacije uzorka kada P nije poznato
Cv
sc
__
Cv %
C v 100%.
a)
Koeficijent varijacije broja poloenih ispita iznosi
Cv
Cv %
V
P
2.38
| 0.32
7.44
32%
50
Poslovna statistika
b)
Koeficijent varijacije teine iznosi
V
P
14.99
| 0.188
79.6
C v % 18.8%
Cv
xi P
Zi
-
xi x
,
s
Zi
xi x
.
sc
51
Poslovna statistika
Primer 1.2.2.7. Student koji pripada populaciji iz Primera 1.1.1. ima 75 kg. i
poloio je 7 ispita. Nai normalizovano odstupanje:
Reenje:
a)
Normalizovano odstupanje broja poloenih ispita ovog studenta iznosi
Zi
xi P
7 7.44
| 0.185 .
2.38
b)
Normalizovano odstupanje teine ovog studenta iznosi
Zi
xi P
75 79.6
| 0.307 .
14.99
52
Poslovna statistika
1.2.3. Parametri oblika rasporeda (mere oblika rasporeda)
x
Mk
P
i 1
za negrupisane podatke,
N
k
f x
i
Mk
i 1
,
i
P
za grupisane podatke.
D3
M3
V3
Ukoliko je:
D3=0
53
Poslovna statistika
D3!0
D30
fi
D3=0
P=Me=M0
D3!0
P!Me!M0
a)
b)
c)
D30
PMeM0
Simetrian raspored
Pozitivno asimetrian raspored
Negativno asimetrian raspored
D 3 0.1
0.1 d D 3 0.25
mala asimetrija,
0.25 d D 3 0.5
srednja asimetrija,
0.5 d D 3
jaka asimetrija.
54
xi
Poslovna statistika
- Koeficijent spljotenosti oznaavamo sa D4 i izraunavamo po formuli:
D4
M4
V4
Ukoliko je:
D4=3
D3!3
D30
55
Poslovna statistika
Poslovna statistika
teoriju, a do tada se koriste zakonitostima jednog ili drugog pristupa u
zavisnosti od prirode analiziranih pojava.
Bez obzira kako tretiramo sluajnost, ona ima svoje zakonitosti i upravo je
teorija verovatnoe matematika teorija koja analizira te zakonitosti na
modelima stvarnih pojava, dok je statistika teorija, pogotovu njen metod
uzorkovanja, uspostavljavanje veze izmeu stvarnih pojava i matematikih
modela.
Uopteno, svi matematiki modeli stvarnih pojava koje analiziramo metodama
verovatnoe, svrstavaju se u kategoriju statistikog eksperimenta, a to je
eksperiment koji zadovoljava sledee uslove:
3. moe se ponavljati (realno ili misaono) proizvoljan broj puta
pod istim uslovima;
4. unapred je definisano ta se registruje u eksperimentu i
poznati su svi mogui ishodi, kojih moe biti konano mnogo,
i prebrojivo ili neprebrojivo beskonano mnogo;
5. ishod svakog budueg pojedinanog eksperimenta nije
unapred poznat.
Nad ishodima ovakvog eksperimenta, statistikog eksperimenta, definiemo
sledee pojmove:
-
Poslovna statistika
A1
A2
A6
Recimo, dogaaj da padne paran broj vei od 3 je skup koji emo obeleiti sa B
i iji su elementi
B
^4,6` i svakako da je
B S.
A B.
U tom sluaju kaemo da dogaaj A implicira dogaaj B, da je dogaaj A deo
dogaaja B ...
- Jednakost (ekvivalentnost) dogaaja. Dogaaji A i B su jednaki ukoliko je
A B B A i tada zapisujemo A
B.
58
Poslovna statistika
se sa A i vai
__
Uopte, zbir konano mnogo dogaaja A1, A2, ..., An, u oznaci
i 1
Ai je skup
i 1
A.
i
i 1
Dogaaji A1, A2, ..., An, ine potpun sistem dogaaja ukoliko se bar jedan od
n
S.
i 1
Uopte, proizvod konano mnogo dogaaja A1, A2, ..., An, u oznaci
A ,
i
i 1
Ai , je skup
i 1
A.
i
i 1
i , j=1,2,..., izj.
59
za svako
Poslovna statistika
Ukoliko dogaaji A1, A2, ..., An, ine potpun sistem dogaaja i meusobno su
iskljuivi, onda dogaaji A1, A2, ..., An, ine potpun sistem hipoteza pri
realizaciji eksperimenta.
- Razlika dogaaja. Razlika dogaaja A i B , u oznaci A-B, predstavlja
dogaaj koji se realizuje kada se realizuje dogaaj A i ne realizuje dogaaj B.
Skup koji predstavlja dogaaj A-B, jeste skup A \ B.
__
A B .
Nai A+B, A, A B, A B, B A.
Reenje:
^4,6` , a
^4,5,6`
__
A ^1,2,3,5`
A B ^4,6`
A B
B A ^5`.
60
^4,5,6`, to je
Poslovna statistika
2.2. Verovatnoa
Aksioma 1.
Aksioma 2.
Aksioma 3.
61
Poslovna statistika
- Klasina definicija verovatnoe. Neka skup S sadri nv
jednakoverovatnih elementarnih dogaaja. Ako skup A sadri m elementarnih
m
dogaaja, tada je verovatnoa dogaaja A, u oznaci P(A), jednaka P A
.
n
Elementarne dogaaje koji odreuju dogaaj A nazivamo povoljnim ishodima
za dogaaj A.
Poslovna statistika
dobro oceniti relativnom frekvencijom pojavljivanja dogaaja A u velikoj seriji
statistikih eksperimenata.
Dakle, ako je m broj pojavljivanja dogaaja A u seriji od n statistikih
eksperimenata, onda je statistika verovatnoa, P(A), priblino jednaka
m
P( A) | ,
n
m
H ! 0
lim nov P P( A) H 1 .
i vai sledee:
n
63
Poslovna statistika
2.2.2. Osobine verovatnoe
0 d P( A) d 1
2.
P()=0
3.
P ( A) P ( A) 1
4.
P ( A B) P( A) P( B) P( A B)
(Verovatnoa zbira dva
dogaaja jednaka je zbiru verovatnoa tih dogaaja umanjenom za
verovatnou proizvoda tih dogaaja.)
__
5.
P( A) P( B ) P( A B)
0.5
P ( A B) P( A) P( A B)
(Verovatnoa dogaaja A
razlika B jednaka je razlici verovatnoe dogaaja A i dogaaja
A B .)
64
Poslovna statistika
Primer 2.2.2.2. Neka su A i B dogaaji kod kojih je verovatnoa P(A)
= 0.45, P(B) = 0.30, a P(AB) = 0.25. Nai verovatnou da se dogodi
dogaaj A a ne dogodi dogaaj B.
Reenje:
6.
P( A) P( A B)
0.45 0.25
0.20 .
P(A_B)=
P( A B)
.
P( B)
P(A_B)=
7.
P( A B)
P( B)
0.25
| 0.83.
0.30
65
Poslovna statistika
P( A B)
P( B)
P(A_B)=
P( A) P( B)
P( B)
P ( A) .
Kako je
P( A) P( B) 0.45 0.30
P ( A B) 0.25
0.135
to je
P ( A B) z P ( A) P( B) ,
pa ovi dogaaji nisu nezavisni.
8.
Formula totalne verovatnoe. Ako H1, H2, ..., Hn ine potpun sistem
hipoteza u odnosu na dogaaj A, tada je
n
P ( A)
P(A_Hi)P(Hi).
i 1
Oznaimo sa
A dogaaj ugraeni deo je od kooperanta A;
B dogaaj ugraeni deo je od kooperanta B;
66
Poslovna statistika
P(N_A)=0.1
P(N_B)=0.15
P(N_C)=0.05
P(N_D)=0.08
pa je
P(N)= P(A)P(N_A)+ P(B)P(N_B)+ P(C)P(N_C)+ P(D)P(N_D)=
0.30.1+0.20.15+0.250.05+0.250.08=0.0925.
Verovatnoa da je ugraeni deo neispravan je 0.0925.
9.
Bajesova formula. Ako H1, H2, ..., Hn ine potpun sistem hipoteza u
odnosu na dogaaj A, i neka je P(A)z0, tada za i=1, 2, ..., n vai
P(Hi~A)=
P( H i ) P(A _ H i )
P ( A)
P( H i ) P(A _ H i )
n
P( H
) P(A _ H j )
j 1
P( B) P(N _ B)
P( N )
0.2 0.15
| 0.32.
0.0925
67
Poslovna statistika
2.2.3. Elementi kombinatorike
68
Poslovna statistika
Vnk
n n 1 n 2 n k 1 .
__ k
Poslovna statistika
Jedna njegova varijacija 4-te klase sa ponavljanjem je, na primer,
a1,a1,a3,a4, druga a2,a1,a3,a1, trea a1,a2,a3,an , itd.
__ k
Vn
n
n
...
n
nk .
a)
Kako jedna osoba moe da obavlja vie od jedne funkcije, to u ovom
sluaju iz skupa od 30 elemenata biramo 3, ali sa ponavljanjem, pa je
broj naina
__ 3
V 30
30 3 .
b)
Kako jedna osoba ne moe da obavlja vie od jedne funkcije, to u ovom
sluaju iz skupa od 30 elemenata biramo 3, ali bez ponavljanja, pa je
broj naina
V303
30 29 28 .
70
Poslovna statistika
2.2.3.2. Permutacije od n elemenata
- Permutacije od n elemenata bez ponavljanja, Pn
71
Poslovna statistika
Neka je, na primer, osnovni skup od n elemenata skup koji se sastoji od
dve vrste elemenata, i a-ova i n i b-ova,
a
,
a
,...,
a
,
b
,
b
,...,
b
.
i
n i
,...
a,b
, b
,...,
, a
,...,
, b
,...,
b , druga a
a, b
b, a , itd.
i
n i
i 1
n i
n!
.
n1!n2 ! nk !
72
12!
.
5!4!3!
Poslovna statistika
2.2.3.3. Kombinacije od n elemenata k-te klase
C nk k! Vnk , pa je
C nk
Vnk
k!
n n 1 n 2 n k 1
k!
73
n
.
k
Poslovna statistika
n
Izraz se naziva binomni koeficijent i vai:
k
n
k
n
0
n!
;
k!n k !
n
1;
n
n
k
;
n k
n
k ! n 0.
k
30
3
30 29 28
moguih razliitih
3!
__ k
__ k
74
Poslovna statistika
Jedna njegova kombinacija 4-te klase sa ponavljanjem je, na primer,
skup ^a1 , a 2 , a3 , a 4 `, druga skup ^a1 , a1 , a3 , a 4 ` , trea ^a1 , a1 , a1 , a1 ` ,
itd.
__ k
a1
a2
an-1
n-2
an
n-1
pregrada
Slika 2.2.3.3.
Tih n 1 pregrada odreuju n nezavisnih prostora, koje smo obeleili
slovima a1, a2, ..., an. Zamislimo da u tako pregraenu kutiju ubacujemo
k kuglica. Tih k kuglica e se nekako rasporediti u ovih n prostora.
Zabeleimo te rasporede na sledei nain: ako su na primer 4 kuglice
pale u prostor a1 a preostalih k 4 kuglica u prostor an-2 , onda takav
raspored obeleimo sledeim podskupom od k elemenata
a
,
a
,
a
,
a
,
a
,
a
,...,
a
1 1 1 1 n
2
2
2 .
n
k 4
75
Poslovna statistika
Ovo upravo i jeste jedan podskup od k elemenat izabran iz osnovnog
skupa od n elemenata sa ponavljanjem. Ukupan broj svih rasporeda
ubaenih k kuglica u ovako pregraenu kutiju i ovako zabeleenih,
predstavlja ukupan broj svih podskupova od k elemenata izabranih iz
osnovnog skupa ^a1 , a 2 ,..., a n ` , dakle predstavlja broj kombinacija od n
elemenata k-te klase sa ponavljanjem.
Sa druge strane, ukupan broj svih rasporeda ubaenih k kuglica u ovako
pregraenu kutiju, jednak je broju razliitih rasporeda k kuglica i n 1
pregrade, odnosno jednak je broju permutacija sa ponavljanjem skupa
koji sadri k+n-1 element od kojih su k iste vrste (kuglice) i n 1 iste
vrste (pregrade), a to je, kao to smo ranije pokazali:
Pkk,nn11
n k 1!
k!n 1!
n k 1
.
k
Dakle, vai
__ k
Cn
Pkk,nn11
n k 1!
k!n 1!
n k 1
.
k
Primer 2.2.3.3.2. Osmoro ljudi ulazi u zgradu koja ima etiri ulaza. Na
koliko razliitih naina oni mogu ui u zgradu u smislu broja ljudi koji
ulaze na razliitim ulazima?
Reenje:
76
Poslovna statistika
3. RASPODELE SLUAJNIH PROMENLJIVIH
pisma
^G, G , (G, P), ( P, G ), ( P, P)` broj
o X ^0,1, 2`
i vai:
1
4
P( X
0)
P(^(G, G )`)
P( X
1)
P( X
2)
P(^P, P`
1
.
4
77
1 1
4 4
1
2
Poslovna statistika
Upravo se jedno ovakvo preslikavanje skupa svih elementarnih dodaaja zove
sluajna promenljiva.
-
Sluajna promenljiva
Skup svih realnih brojeva na koji se slika skup svih elementarnih dogaaja (S)
obeleavamo velikim slovima X , Y , Z , ..., i vrlo esto se sam taj skup svih
slika sluajne promenljive naziva, takoe, sluajna promenljiva. Ovaj naziv je
veoma odomaen u naoj i stranoj literaturi, tako da emo ga i mi koristiti.
Konkretne realizacije sluajne promenljive obeleavaemo malim slovima x, y,
z, ..., tako da kad napiemo X = x, to znai da je sluajna promenljiva X uzela
vrednost x.
U naem primeru sluajna promenljiva je X
realizacije su x1 0, x 2 1, x3 2.
78
Poslovna statistika
3.1. Raspodele diskretnih sluajnih promenljivih
i 1
^xi , pi
X
x1
p1
P( X
x2
...
p2
...
xn
,
p n
1.
i 1
..., xn, ... sa verovatnoama p1, p2, ..., pn, ..., gde je
i 1
brojeva ^xi , pi
X
x1
p1
P( X
x2
...
xn
p2
...
pn
,
1,
i 1
79
Poslovna statistika
pi
p2
pn-1
p1
pn
x1
x2
....
xn-1
xn
xi
pi
p2
pn-1
p1
pn
x1
x2
....
xn-1
xn
80
xi
Poslovna statistika
Primer 3.1.1. Nai raspodelu verovatnoa sluajne promenljive broj
pojavljivanja pisma u bacanju dva novia i predstaviti poligon i dijagram
raspodele.
Reenje:
1
1
2
1.
pi
0.5
0.25
81
xi
Poslovna statistika
pi
0.5
0.25
xi
i 1
x, ..., xn, ..., sa verovatnoama p1, p2, ..., pn, ... , gde je
1 , onda
i 1
F ( x)
P( X x),
v x v .
Poslovna statistika
F ( x)
x xi
odnosno
F ( x)
p1
p p
2
1
p1 p 2 p n 1
1
x d x1
x1 x d x 2
x 2 x d x3
.
x n 1 x d x n
xn x
i 1
p1+p2
p1
x1
x2
x3
xn-1
xn
83
Poslovna statistika
takama prekida, ovako definisana funkcija raspodele verovatnoa je
neprekidna sa leve strane, a prekidna sa desne.
Osobina 2. Oblast definisanosti ove funkcije je itav skup R i vai:
lim F ( x)
x o v
lim F ( x) 1
xov
x R
0 d F ( x) d 1
(a, b R)
a b F (a ) d F (b) .
F ( x)
1
4
3
4
1
xd0
0 x d 1
.
1 x d 2
2 x
84
Poslovna statistika
0.75
0.25
Poslovna statistika
Parametri prve grupe reprezentuju centar rasturanja vrednosti sluajne
promenljive, parametri druge grupe mere vrednost tog rasturanja oko centra
rasturanja, a parametri tree grupe ukazuju na oblik rasturanja posmatrane
raspodele.
3.1.1.1. Parametri centralne tendencije diskretne sluajne
promenljive
1 , onda njeno
i 1
E( X )
pi .
i 1
x1, x, ..., xn, ... sa verovatnoama p1, p2, ..., pn, ..., , gde je
1,
i 1
onda
v
i)
ukoliko red
i 1
pi ;
i 1
ii)
ukoliko red
i 1
86
Poslovna statistika
Matematiko oekivanje se jo naziva i moment prvog reda diskretne
sluajne promenljive. U optem sluaju moment k-tog reda diskretne
sluajne promenljive X oznaavamo sa mk(X) i nalazimo po formuli
n
mk ( X )
k
i
pi
i 1
odnosno
v
mk ( X )
xik pi
ukoliko red
i 1
k
i
pi
konvergira.
i 1
P ( X M e ( X )) d 0.5 P( X d M e ( X )) t 0.5.
1
1
2
1 ,
4
87
Poslovna statistika
pa je:
matematiko oekivanje
3
E( X )
pi
i 1
1
1
1
1 2
4
2
4
1.
Modus iznosi
Mo(X) = 1
jer samo za X=1 raspodela verovatnoa ima maksimum P ( X
1)
1
.
2
Medijana iznosi
Me(X) = 1
jer samo za X = 1 vai sledee:
1
d 0.5
4
P ( X 1)
P( X
0)
P ( X d 1)
P( X
0) P( X
1)
1 1
4 2
3
t 0.5.
4
verovatnoa X
1
1
4
2
1
4
1 .
Reenje:
88
Poslovna statistika
1
d 0.5
4
P ( X 1)
P( X
0)
P ( X d 1)
P( X
0) P( X
1 1
4 4
1)
1
t 0.5.
2
Za Me(X)(1,2) vai:
P( X M e )
P( X
0) P ( X
1)
P( X d M e )
P( X
0) P( X
1)
1 1
4 4
1 1
4 4
1
d 0.5
2
1
t 0.5.
2
Za Me(X)=2 vai:
1 1
4 4
P ( X 2)
P( X
0) P( X
1)
P ( X d 2)
P( X
0) P( X
1) P ( X
89
1
d 0.5
2
1 1 1
2)
4 4 4
3
t 0.5.
4
Poslovna statistika
3.1.1.2. Parametri varijabiliteta diskretne sluajne promenljive
1 , onda njena
i 1
>x
V 2 (X )
E ( X )@ p i .
2
i 1
x1, x, ..., xn, ... sa verovatnoama p1, p2, ..., pn, ..., gde je
1 , onda
i 1
i)
ukoliko red
>x
E ( X )@ pi konvergira, varijansa te
2
i 1
>x
V 2 (X )
E ( X )@ p i ;
2
i 1
ii)
ukoliko red
>x
i 1
promenljive ne postoji.
Varijansa diskretne sluajne promenljive jo se naziva i centralni
moment drugog reda. U optem sluaju, centralni moment k-tog reda
diskretne sluajne promenljive X oznaavamo sa Mk(X) i nalazimo po
formuli
n
M k (X )
>x
E ( X )@ pi ,
k
i 1
90
Poslovna statistika
odnosno
v
M k (X )
>x
E ( X )@ pi
k
i 1
ukoliko red
>x
E ( X )@ pi konvergira.
k
i 1
V 2 (X )
2
2
>xi E ( X )@ pi xi2 pi 2 E ( X ) xi pi >E ( X )@ pi
i 1
i 1
i 1
E ( X ) 2 E ( X ) E ( X ) >E ( X )@
i 1
E ( X ) >E ( X )@
m2 m12
V 2 (X )
E ( X 2 ) >E ( X )@
m2 ( X ) >m1 ( X )@ .
2
var( X ) odnosno V ( X )
91
V 2 ( X ).
Poslovna statistika
- Koeficijent varijacije. Koeficijent varijacije diskretne sluajne
promenljive X obeleavamo sa Cv(X) i izraunavamo po formuli
Cv ( X )
V (X )
E( X )
C v ( X )%
V (X )
E( X )
100%.
92
Poslovna statistika
3.1.1.3. Parametri oblika rasporeda diskretne sluajne promenljive
M3(X )
D3 (X )
>V ( X )@3
Ukoliko je:
D3(X)=0
D3(X)!0
D3(X)0
93
Poslovna statistika
M 4 (X )
D4 (X )
>V ( X )@4
Ukoliko je:
D4(X)=3
D4(X)!3
D4(X)3
94
Poslovna statistika
3.1.2. Primeri nekih raspodela diskretnih sluajnih promenljivih
3.1.2.1. Binomna raspodela, B(n,p)
i,
i 0,1,2,..., n , gde je sa
i oznaeno da se dogaaj A realizovao tano i puta u n pokuaja.
p i 1 p
n 1
n 1
n
Postoji razliitih elementarnih realizacija kod kojih se dogaaj A
i
realizovao tano i puta u n pokuaja i svaka od njih ima istu verovatnou
n i
jednaku p i 1 p .
Varovatnoa da se dogaaj A realizovao tano i puta u n pokuaja jednaka je
zbiru verovatnoa svih ovih elementarnih realizacija, odnosno
95
Poslovna statistika
P( X
i)
n i
p (1 p) n i ,
i
0,1,2..., n.
i)
n i
p (1 p ) n i ,
i
0,1,2..., n.
E( X ) n p ;
V 2 ( X ) n p 1 p ;
- standardna devijacija
V (X )
- koeficijent simetrije
D3 (X )
- koeficijent spljotenosti
D4 (X )
n p 1 p ;
1 2 p
;
n p 1 p
6
1
3
.
n n p 1 p
96
Poslovna statistika
Reenje:
Poslovna statistika
N N1
razliitih naina, to je po pravilu proizvoda na
ponavljanja na
n i
N N N1
elementarnih dogaaja.
dogaaj od interesa odreen sa
i n i
P( X
i)
N N N1
i
n
i
,
N
n
E( X )
- varijansa:
V 2 (X )
- standardna devijacija
V (X )
N1
;
N
N N N n
n 1 1 1
;
N
N N 1
98
N1 N1 N n
1
.
N
N N 1
Poslovna statistika
Primer 3.1.2.2. Iz odeljenja koje ima 30 uenika od kojih su 18 deaka, na
sluajan nain biramo 10 uenika. Nai verovatnou da meu tih deset
izabranih uenika bude 7 deaka.
Reenje:
99
Poslovna statistika
3.1.2.3. Puasonova raspodela, P(O)
i)
O
Oi
i!
const ! 0, i
0,1,2,.....
n ov
n p O const ! 0
B ( n, p )
n i
p 1 p n i
n ov
i
O const ! 0
lim
n p
n n 1 n i 1 Oi O
i 1
lim
n ov
i!
n n
n i
O
1
i
O
i 1 n
1 2
lim 1 1 1 1
n ov i!
n O i
n n
1
n
jer je
1 2
i 1
lim1 1 1
1;
n ov
n
n n
O
lim1
n ov
n
Oi
i!
O
lim1
n ov
n
e O
P (O )
e O .
100
Poslovna statistika
vremenu. Ovi dogaaji nisu dogaaji definisani kao podskup nekog statistikog
eksperimenta, ve dogaaji koji zadovoljavaju sledee uslove:
- broj javljanja dogaaja je nezavisan od jedne do druge jedinice
vremena ili take prostora;
- verovatnoa istovremenog javljanja dva ili vie dogaaja u sasvim
malom vremenskom ili prostornom intervalu je zanemarljivo mala;
- verovatnoa javljanja dogaaja je proporcionalna duini odreenog
vremenskog ili prostornog intervala.
, O=const.!0,
n
gde parametar O na neki nain karakterie intenzitet protoka dogaaja.
Poslovna statistika
P( Ai )
const. ! 0
i 1,2,..., n.
O
n
o 0 , ali p n
lim
n ov
n p O const .! 0
B(n, p )
P(O ).
E( X ) O ;
V 2 (X ) O ;
- standardna devijacija
V (X )
- koeficijent simetrije
D3 (X )
- koeficijent spljotenosti
D4 (X ) 3
O ;
1
102
;
1
Poslovna statistika
Primer 3.1.2.3.1. Verovatnoa pogotka u cilj pri svakom gaanju je 0,05. Nai
verovatnou tano jednog pogotka, ako je broj gaanja 60.
Reenje:
1)
31
e
1!
3
3 e 3 .
Reenje:
0)
e 2
20
0!
e 2 .
103
Poslovna statistika
3.2.
a)
P( X
b)
0,
to vai
P ( a X b)
P ( a d X b)
P (a X d b)
P ( a d X d b) .
104
Poslovna statistika
- Funkcija raspodele verovatnoa neprekidne sluajne promenljive
F ( x)
P ( X x),
v x v .
1.
x R
0 d F ( x) d 1
2.
a, b R
a b F ( a ) d F (b )
3.
lim F ( x)
x o v
4.
P ( a X b)
5.
P( X ! a)
lim F ( x) 1
x ov
P ( a d X b)
P ( a X d b)
P ( a d X d b)
F (b ) F ( a )
P( X t a) 1 P( X a) 1 P( X d a) 1 F ( a)
105
Poslovna statistika
F(x)
F(a)
106
Poslovna statistika
F ( x)
f (t ) dt ,
v
1.
x R
f ( x) t 0
2.
P ( a X b)
f ( x) dx
F (b) F (a )
3.
P( X a)
f ( x) dx
P( X ! a)
v
f ( x) dx
a
4.
f ( x) dx
v
107
Poslovna statistika
f(x)
P(a<X<b)
P(x>b)
P(X<a)
108
Poslovna statistika
E( X )
x f ( x) dx.
v
109
Poslovna statistika
Matematiko oekivanje jo se naziva i moment prvog reda neprekidne
sluajne promenljive. U optem sluaju, moment k-tog reda neprekidne
sluajne promenljive X oznaavamo sa mk(X) i nalazimo po formuli
v
mk ( X )
f ( x) dx
v
P( X M e )
F (M e )
f ( x) dx
0.5 .
v
f ( x)
2 x
x >0,1@
.
x >0,1@
Reenje:
Matematiko oekivanje je
E( X )
x f ( x) dx.
x 2 xdx
v
110
x3 1
|
3 0
2
.
3
Poslovna statistika
Modus iznosi
Mo(X) = 1
jer samo za X=1 funkcija gustine verovatnoa ima maksimum
f (1) 2.
Medijanu nalazimo iz uslova:
Me
P( X M e )
f ( x) dx
F (M e )
0.5
v
Me
2 x dx
0
x 2 Me
2
|
2 0
M e2
0.5 M e
0.5
V (X )
>x E ( X @
f ( x) dx.
v
111
Poslovna statistika
v
>x E ( X @
M k (X )
f ( x) dx.
v
V 2 (X )
>x E ( X @
f ( x) dx
v
2
x f ( x) dx 2 E ( X ) x f ( x) dx >E ( X )@
2
v
v
E ( X ) 2 E ( X ) E ( X ) >E ( X )@
f ( x) dx
v
E ( X ) >E ( X )@
m2 m12
V 2 (X )
E ( X 2 ) >E ( X )@
m2 ( X ) >m1 ( X )@ .
2
var( X ) odnosno V ( X )
V 2 ( X ).
Cv ( X )
V (X )
E( X )
112
Poslovna statistika
C v ( X )%
V (X)
E( X )
100% C v X 100% .
M3(X )
D3 (X )
>V ( X )@3
Ukoliko je:
D3(X)=0
D3(X)!0
D3(X)0
Poslovna statistika
M 4 (X )
D4 (X )
>V ( X )@4
Ukoliko je:
D4(X)=3
D4(X)!3
D4(X)3
f ( x)
2 x
x >0,1@
.
x >0,1@
114
Poslovna statistika
3.2.2. Primeri nekih raspodela neprekidnih sluajnih promenljivih
3.2.2.1. Normalna (Gausova) raspodela, N(P,V2)
V 2S
( xP )2
x v, v .
2V 2
lim f ( x)
xorv
V 2S
0;
115
) , pa je i moda Mo=P ;
Poslovna statistika
-
0.25
N(2,42)
dnormx
( 2 2)
dnormy
( 2 4)
0.13
2 0
8 10 12
0.25
dnorm( x 2 2)
dnorm( y 6 2)
0.13
10 12 14
x y
Poslovna statistika
ako je X 1 ~ N ( P1 , V 1 ) i X 2 ~ N ( P 2 , V 2 ) , tada
X 1 X 2 ~ N ( P1 P 2 , V 1 2 V 2 2 )
X 1 X 2 ~ N ( P1 P 2 , V 1 2 V 2 2 )
0.5
dnorm( x 0 1) 0.25
117
Poslovna statistika
Pod brojem zD sluajne promenljive Z tipa, podrazumevaemo broj zD za koji
zD
vai F ( zD )
1 D (Slika 3.2.6).
f ( x) dx
P ( Z zD )
v
0.5
1-D
D
dnorm( x 0 1) 0.25
x
zD
Oigledno da je P ( Z ! zD )
f ( x) dx
D.
zD
obliku F ( zD )
P ( Z zD )
f ( x) dx
1D .
v
U koloni oznaenoj sa zD nalaze se cifra jedinica i prva decimala broja zD, dok
se u vrsti oznaenoj sa zD nalazi druga decimala broja zD.
U preseku vrste odreene cifrom jedinicom i prvom decimalom broja zD i
kolone odreene drugom decimalom broja zD, nalazi se vrednost 1-D koja
odgovara tom zD.
Tako, na primer, u preseku vrste odreene sa 0.7 i kolone odreene sa 0.04,
nalazi se broj 0.7704, to znai da je
P ( Z 0.74)
0.7704 ,
odnosno da je
118
0.74
z 0.2296 .
Poslovna statistika
Bez dokaza emo navesti jednu veoma vanu injenicu, koja nam omoguava
da tablicu vrednosti N(0,1) raspodele moemo koristiti za odreivanje
vrednosti bilo koje N(P,V2) raspodele. Ta injenica je sledea:
ako sluajna promenljiva X ima N(P,V2) raspodelu, onda sluajna promenljiva
X P
ima N(0,1) raspodelu, odnosno vai
X ~ N (P ,V 2 )
X P
~ N (0,1) to jest Z
X P
20 i V
10 , to vai
X P
~ N (0,1) , pa je
V
5 20 X P 28 20
P(
)
V
10
10
F (0.8) F (1.5)
0.7881 0.0668
0.7213
119
Poslovna statistika
Reenje:
n p
20 0.3
n p 1 p 20 0.3 0.7
6 a V2
4.2 ,
pa je
P (3 d X d 7) | P(
2.5 6
Z
7.5 6
)
.
4.2
4.2
F (0.73) F (1.71) 0.7673 0.0436 0.7237
E( X )
V 2 (X )
V (X )
D3 (X )
D4 (X )
P ;
V2 ;
V ;
0 ;
3.
120
Poslovna statistika
3.2.2.2. Studentova raspodela (t-raspodela), tQ
121
Poslovna statistika
Na slici 3.2.7. dat je oblik funkcije gustine raspodele t1, t3 i t50.
t50
t3
0.4
t1
dt ( x 1 )
dt ( y 3 )
dt ( z 50 )
0.2
x y z
0.05 ,
odnosno da je 1.8946
122
Poslovna statistika
t7
0.4
dt ( x 7 )
D=0.05
0.2
0
x
t7,0.05=1.8946
E( X )
- varijansa:
V 2 (X )
- standardna devijacija
V (X )
- koeficijent simetrije
D3 (X )
- koeficijent spljotenosti
D4 (X ) 3
0;
Q 2
Q
;
Q 2
Q ! 2;
Q ! 2;
0;
123
6
;
Q 4
Q ! 4.
Poslovna statistika
3.2.2.3. Hi-kvadrat raspodela, FQ2
124
Poslovna statistika
F 12
dchisq
( x 1 )
dchisq
( x 2 )
dchisq
( x 3 )
dchisq
( x 4 )
dchisq
( x 7 )
0.4
F 22
F 32
F 42
0.2
F 72
0 1
7 8
9 10 11 12 13 14 15
0.05 ,
odnosno da je 14.067
125
Poslovna statistika
0.15
dchisq
( x 7 )
0.1
D=0.05
0.05
10
x
12
14
- matematiko oekivanje:
- varijansa:
E( X ) Q ;
V 2 ( X ) 2Q ;
- standardna devijacija
V (X )
- koeficijent simetrije
D3 (X )
- koeficijent spljotenosti
D4 (X ) 3
2Q ;
8
126
;
12
18
F27,0.05=14.067
16
20
Poslovna statistika
3.3. Neke osobine matematikog oekivanja E(X) i varijanse Var(X)
sluajne promenljive X
E (c ) c
Var (c) 0
E (aX b)
4.
5.
6.
H ! 0
aE ( X ) b
P( X E ( X ) t H ) d
Var ( X )
H2
127
Poslovna statistika
4. UZORAK I STATISTIKE UZORKA
Svi ostali metodi izbora uzorka su nesluajni i tako izabrani uzorci su namerni.
Postoji vie razliitih naina dobijanja sluajnog uzorka iz populacije.
Najznaajniji meu nima je prost sluajni uzorak i on je predmet analize ovog,
4. poglavlja.
Pomenuemo da u sluajne uzorke spadaju jo i stratifikovani uzorak, uzorak
skupina, vieetapni uzorak, sistematski uzorak, ali njih neemo analizirati u
ovom udbeniku.
128
Poslovna statistika
4.1. Prost sluajni uzorak
1,1
2,1
3,1
4,1
5,1
(1,2)
(1,3)
(1,4)
(1,5)
(2,2)
(2,3)
(2,4)
(2,5)
(3,2)
(3,3)
(3,4)
(3,5)
(4,2)
(4,3)
(4,4)
(4,5)
(5,2)
(5,3)
(5,4)
(5,5)
129
Poslovna statistika
Prilikom uzimanja prostog sluajnog uzorka bez ponavljanja, element koji smo
izabrali u uzorak ne vraamo u populaciju pre izbora sledeeg elementa i on ne
uestvuje u sledeem izvlaenju, odnosno isti element ne moe biti izabran u
uzorak vie puta. Takoe, neemo uzimati u obzir i redosled izvlaenja, to
znai da uzorke sa istim elementima smatramo istim i ukoliko je redosled
N
izbora elemenata razliit. Imajui ovo u vidu, jasno je da postoji razliitih
n
prostih sluajnih uzorka bez ponavljanja od n elemenata uzetih iz populacije
od N elemenata.
Izbori elemenata u uzorku bez ponavljanja su statistiki zavisni dogaaji jer su
verovatnoe izbora elemenata u razliitim izvlaenjima meusobno razliite.
1
Naime, u prvom izvlaenju verovatnoa izbora nekog elementa u uzorak je
,
N
1
1
, u treem
, itd.
u drugom
N 1
N 2
5
Kako je N=5 i n=2, postoji
2
veliine dva. To su:
(1,2)
(1,3)
(2,3)
(1,4)
(2,4)
(3,4)
5 4
2 1
(1,5)
(2,5)
(3,5)
(4,5)
130
Poslovna statistika
U teorijskom sluaju kada je veliina populacije beskonana (Nov), iz nje
moemo izabrati beskonano mnogo uzorka veliine n. Tada pod prostim
sluajnim uzorkom podrazumevamo uzorak kod koga su izbori elemenata
populacije u uzorak meusobno statistiki nezavisni dogaaji. Zbog toga emo
smatrati da je prost sluajni uzorak uzet iz beskonane populacije ekvivalentan
prostom sluajnom uzorku sa ponavljanjem uzetom iz konane populacije.
U sluajevima kad je uzorak dovoljno mali u odnosu na populaciju, n N (u
n
praksi nd0.05N, odnosno
d 0.05 ), uzorak bez ponavljanja je
N
aproksimativno evivalentan uzorku sa ponavljanjem, jer se tada verovatnoe
izbora elemenata u uzorak bez ponavljanja neznatno razlikuju meusobno, pa
ih moemo smatrati statistiki nezavisnim dogaajima.
Neka je, na primer, N=1000 a n=50, tada je verovatnoa izbora prvog elementa
1
u uzorak bez ponavljanja jednaka
0.001 , a verovatnoa izbora
1000
1
| 0.001051 .
poslednjeg, pedesetog elementa u uzorak jednaka
951
Verovatnoe izbora svih ostalih elemenata nalaze se izmeu ovih dveju
verovatnoa i oigledno je da se sve meusobno neznatno razlikuju.
Dakle, analize i zakljuci koje emo izvesti za prost sluajni uzorak sa
ponavljanjem uzet iz konane populacije, vaie za prost sluajni uzorak uzet
iz beskonane populacije, i aproksimativno e vaiti za prost sluajni uzorak
n
bez ponavljanja uzet iz konane populacije u sluajevima kada je
d 0.05 .
N
Izbor elemenata iz populacije u prost sluajni uzorak sa i bez ponavljanja u
praksi se najee sprovodi pomou Tablice sluajnih brojeva, koja je data u
Prilogu ovog udbenika.
Ova tablica formirana je od cifara 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, koje su radi vee
preglednosti svrstane u grupe od po pet redova i pet kolona, koje
zanemarujemo prilikom korienja tablice. U sluaju koji je ovde dat u Prilogu,
Tablica sluajnih brojeva ima ukupno 40 kolona i 100 vrsta. Algoritam po
131
Poslovna statistika
kome je Tablica sluajnih brojeva konstruisana obezbeuje da su verovatnoe
pojavljivanja bilo koje od ovih cifara iste i meusobno nezavisne.
U sluaju kada biramo sluajni uzorak veliine n iz populacije veliine N,
Tablicu sluajnih brojeva koristimo na sledei nain:
-
Primer 4.1.3. Iz populacije koja ima N=50 elemenata izabrati prost sluajni
uzorak veliine n=8
a) bez ponavljanja,
b) sa ponavljanjem.
Reenje:
Poslovna statistika
4.2. Raspodele parametara uzoraka
x
i 1
a varijansa V 2
(x
P)2
i 1
P , i var( X ) V 2 .
Poslovna statistika
n
__
i 1
s i2
(x
P)2
i 1
s c2,i
(x
__
x i )2
i 1
n 1
m
.
n
__
x1
p
1
__
__
__
x2
xi
p2
pi
gde je
134
xr ,
p r
Poslovna statistika
__
__
s12
p
1
s 22
si2
p2
pi
s k2
,
p k
gde je
pi
pi
135
Poslovna statistika
S c2 - ukoliko je aritmetika sredina populacije P nepoznata
S
2
c
s c2,1
p
1
s c2, 2
s c2,i
p2
pi
s c2,l
,
pl
gde je
pi
pi
(uzorci sa ponavljanjem);
p1
q1
p2
pi
q2
qi
ps
,
q s
gde je
qi
qi
136
Poslovna statistika
Primer 4.2.1. Za datu populaciju 1, 2, 3, 4, odrediti sve uzorke
a) sa ponavljanjem,
b) bez ponavljanja,
veliine n=2 i prikazati raspodelu sluajne promenljive aritmetika sredina
__
uzorka X .
Reenje:
Uzorak
Srednja
vrednost
Redni broj
uzorka (i)
Uzorak
uzorka ( x i )
Srednja
vrednost
uzorka
_
(xi )
1
2
3
4
5
6
7
8
(1,1)
(1,2)
(1,3)
(1,4)
(2,1)
(2,2)
(2,3)
(2,4)
1
1,5
2
2,5
1,5
2
2,5
3
9
10
11
12
13
14
15
16
(3,1)
(3,2)
(3,3)
(3,4)
(4,1)
(4,2)
(4,3)
(4,4)
2
2,5
3
3,5
2,5
3
3,5
4
Tabela 4.2.1.a.
X : 1
16
1,5
2
16
2
3
16
2,5
4
16
3
3
16
3,5
2
16
1,
16
Poslovna statistika
b) Broj uzoraka bez ponavljanja veliine n dobijenih iz populacije veliine N
N
iznosi . U naem sluaju je n=2, N=4, pa je broj svih uzoraka sa
n
4
ponavljanjem jednak
2
Tabeli 4.2.1.b.
Redni broj
uzorka (i)
Uzorak
Srednja
vrednost
Redni broj
uzorka (i)
Uzorak
uzorka ( x i )
1
2
3
(1,2)
(1,3)
(1,4)
Srednja
vrednost
uzorka
_
1,5
2
2,5
4
5
6
(2,3)
(2,4)
(3,4)
(xi )
2,5
3
3,5
Tabela 4.2.1.b.
X : 1
6
2
1
6
2,5
2
6
3
1
6
3,5
1 ,
6
138
Poslovna statistika
__
__
__
__
__
x1
p
1
__
__
__
x2
xi
p2
pi
xr
p r
__
E( X )
__
x p
i
i 1
i 1
Nn
P
Nn
__
var( X )
i 1
__
( x i P ) 2 pi
__
( x i P)2
V2
Nn
i 1
139
n
! 0.05
N
Poslovna statistika
N
n
__
__
E( X )
__
x p
i
i 1
i 1
N
n
N
n
__
r
__
(x
__
( x i P ) 2 pi
var( X )
P)2
V2 N n
i 1
N
n
i 1
N 1
a) da je E X
P i var X V 2
b) da je E X
P i var X V 2
V2
n
V2 N n
n
N 1
P
V2
1 2 3 4
2,5
4
1 2,52 2 2,52 3 2,52 4 2,52
4
140
5
,
4
Poslovna statistika
a)
7
xi pi
E( X )
i 1
1
2
3
4
3
2
1
1,5 2 2,5 3 3,5 4
16
16
16
16
16
16
16
dakle
P.
E( X )
2
V
var( X ) E X E X
X
1
2
3
4
1,5 2
22
2 ,5 2
12
16
16
16
16
3
2
1
5
32
3 ,5 2
42
2 ,5 2
16
16
16
8
Kako je
V2
2
5
4
5
4
2
2 to je
V2
n
141
2,5
Poslovna statistika
b)
E( X )
xi pi
i 1
1
1
2
1
1
1,5 2 2,5 3 3,5
6
6
6
6
6
2,5
dakle
E( X )
P.
2
2
V var( X ) E X E X
X
1
1
2
1
1
1,5 2 2 2 2,5 2 3 2 3,5 2 2,5 2
6
6
6
6
6
odnosno
5
42 V2 N n
.
V 2 4
X
2 4 1
n N 1
5
12
__
X ~ N (P ,
V2
n
),
142
Poslovna statistika
- ako su uzorci bez ponavljanja kod kojih je
n
! 0.05 ,
N
onda
__
X ~ N (P ,
V2 N n
n
N 1
);
XP
~ tn ;
S
n
- ako su uzorci bez ponavljanja kod kojih je
n
! 0.05 ,
N
onda
__
XP
N n
N 1
n
~ tn ;
- ako je P nepoznato,
- ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez
n
d 0.05 ) ,
ponavljanja kod kojih je
N
onda
143
Poslovna statistika
__
XP
~ t n 1 ;
Sc
n
- ako su uzorci bez ponavljanja kod kojih je
n
! 0.05 ,
N
onda
__
XP
N n
N 1
n
Sc
ii)
~ t n 1 ;
Poslovna statistika
Primer 4.2.1.2.
a)
b)
Reenje:
a)
V2
N P ,
n
raspodelu, pa vai:
X P 49.95 50
P X 49.95 P
V
0.5
250
n
P( Z 1,58) 1 F (1,58) 1 0,9429
_
0,0571
b)
N P ,
1
n
N
145
Poslovna statistika
P X 49.95
49.95 50
XP
P
0.5
1000 250
V N n
N 1
1000 1
250
n
0,0344
__
__
__
__
__
parametre E ( X 1 X 2 )
__
P1 P 2 i var( X 1 X 2 )
V 12
n1
V 22
n2
Takoe vai:
-
ako X 1 ~ N ( P1 , V 12 ) i X 2 ~ N ( P 2 , V 22 ) ,
onda
__
__
V2 V2
X 1 X 2 ~ N P1 P 2 , 1 2
n1
n2
n1 t 30 i n2 t 30 , tada:
__
__
V2 V2
X 1 X 2 ~ N P1 P 2 , 1 2 .
n1
n2
146
Poslovna statistika
Zadatak 4.2.2. Baterije iz fabrike A imaju srednje vreme trajanja
200 asova i standardno odstupanje 30 asova, dok iz fabrike B
srednje vreme trajanja 180 asova i standardno odstupanje 20
asova. Ako izaberemo 250 baterija iz fabrike A i 200 baterija iz
fabrike B, kolika je verovatnoa da e srednje vreme trajanja
baterija iz fabrike A biti due bar 25 asova od srednjeg vremena
trajanja baterija iz fabrike B?
Pr
p1
q1
p2
pi
q2
qi
ps
,
q s
E ( Pr )
pi qi
i 1
i 1
Nn
S
Nn
var( Pr )
( p
i 1
S ) 2 qi
(p
S )2
i 1
147
S 1 S
n
Poslovna statistika
n
! 0.05 :
N
N
n
s
E ( Pr )
qi
i 1
i 1
N
n
N
n
s
var( Pr )
( p
S ) 2 qi
( p
S )2
S 1 S N n
i 1
N
n
i 1
N 1
S 1 S
n
);
Pr ~ N (S ,
S 1 S N n
n
148
N 1
).
n
! 0.05 onda
N
Poslovna statistika
Primer 4.2.3.1.
a) Poznato je da je u zdravstvu 65% zaposlenih enskog pola. Na
sluajan nain je izabrano 50 osoba koje su zaposlene u zdravstvu.
Kolika je verovatnoa da je meu njima vie od 35 ena?
b) U grupi od 800 osoba zaposlenih u zdravstvu 520 su enskog pola. Iz
te grupe na sluajan nain je izabrano 50 osoba. Kolika je verovatnoa
da je meu njima vie od 35 ena?
Reenje:
35
0,65
Pr S
35
! 50
P Pr ! P
50
0,65 0,35
S 1 S
n
50
raspodelu, pa vai
n
N 1
149
Poslovna statistika
35
0,65
P
S
35
50
r
P Pr ! P
!
S 1 S N n
50
0,65 0,35 800 50
n
N 1
50
800 1
- P poznato
~ F n2 ;
ako je nt30 i n
nS2
V2
N
, tada
2
~ F n2 ;
150
n
! 0.05 , onda
N
Poslovna statistika
- P nepoznato
~ F n21 ;
n
! 0.05 , onda
N
aproksimativno vai:
ako je nt30 i n
(n 1) S c2
N
, tada
2
~ F n21 .
Zadatak 4.2.4.
a) Iz populacije iji su parametri P 150 i V 2 5 , uzet je prost
sluajni uzorak veliine n=11. Kolika je verovatnoa da je varijansa
tog uzorka manja od 9?
b) Iz populacije iji je parametar V 2 50 , uzet je prost sluajni
uzorak veliine n=11. Kolika je verovatnoa da je varijansa tog
uzorka manja od 20?
151
Poslovna statistika
5. STATISTIKO OCENJIVANJE
152
Poslovna statistika
5.1 Takaste ocene
n ov
Poslovna statistika
drugih. Oigledno je da je ocena utoliko bolja ukoliko za manje vrednosti
konstante C zadovoljava jednakost lim PU Q C 1 .
no N
n ov
lim P( U Q H ) 1 .
no N
n ov
E (U )
Q ,
154
Poslovna statistika
saglasna ili centrirana), onda za ocenu U koja je saglasna i centrirana kaemo
da je asimptotski najefikasnija ukoliko vai:
var(U 0 )
n o N var(U )
n ov
1.
lim
__
i 1
Ooc
O
i 1
155
(x
P)2
i 1
Poslovna statistika
5. Asimptotski najefikasnija ocena za varijansu populacije V2, ija je
aritmetika sredina P-nepoznata, je varijansa uzorka Sc2, ija je
n
156
__
( xi x ) 2
i 1
n 1
Poslovna statistika
5.2. Intervalne ocene
Taj interval vrednosti predstavlja interval oko neke fiksne vrednosti izraunate
iz konkretnog uzorka. Ta fiksna vrednost je obino takasta ocena parametra
iju intervalnu ocenu traimo, odnosno parametra Q.
Verovatnoa da se parametar Q nalazi u tom intervalu iznosi 1-D i zovemo je
koeficijent pouzdanosti intervalne ocene. Dakle, ako interval (a,b) predstavlja
intervalnu ocenu za parametar Q sa koeficijentom pouzdanosti 1-D, to znai da
vai sledee:
P ( a Q b) 1 D
P (Q a )
P(Q ! b)
D
2
157
Poslovna statistika
5.2.1. Intervalna ocena aritmetike sredine populacije, P
j)
X ~ N (P ,
V2
n
__
) odnosno
XP
~ N (0,1) ,
n
pa vai videti Sliku 5.2.1.1.
0.5
1-D
dnorm( x 0 1) 0.25
zD
2
zD
2
158
Poslovna statistika
__
x P
P ( z D
zD ) 1 D
__
P( x z D
__
P x zD
V
n
) 1D
__
P ( x zD
__
, x zD
).
zD
zD
V 2
L2
X ~ N (P ,
V2 N n
n
N 1
__
) odnosno
159
XP
N n
N 1
n
~ N (0,1) ,
Poslovna statistika
__
P( z D
2
__
P( x z D
x P
zD ) 1 D
N n
N 1
n
V
n
__
V
N n
N n
P x zD
) 1D
N 1
N 1
n
2
P ( x zD
2
V
n
V
N n __
N n
, x zD
).
1
N 1
N
n
2
XP
~ t n 1 , pa vai videti Sliku 5.2.1.2.
Sc
n
160
Poslovna statistika
0.5
1-D
dnorm( x 0 1) 0.25
t n 1, D
n 1,
D
2
P ( t
n 1,
x P
t D ) 1D
n 1,
sc
2
D
2
n
__
P( x t
n 1,
__
sc
P x t
n 1,
sc
n
) 1D
P (x t
n 1,
D
2
sc
n
__
, x t
n 1,
D
2
sc
n
).
161
Poslovna statistika
__
XP
N n
N 1
n
Sc
__
P ( t
n 1,
x P
N n
N 1
n
sc
__
P( x t
n 1,
D
2
sc
n
t
n 1,
) 1D
__
s
N n
N n
P x t D c
) 1D
n 1,
1
N 1
N
n
2
iii)
Poslovna statistika
N
, i za njega vae svi
2
rezultati kao i usluaju kada obeleje u populaciji ima
N(P,V2) raspodelu.
D
Studentove t-tablice za n-1 stepeni slobode kao P t n 1 ! t D
. U ovom
n 1,
2
2
0,99
10
20
D
2
P 70 2,86
10
odnosno
63.605 P 76.395 .
163
20
2,86 , pa je
,
Poslovna statistika
5.2.2. Intervalna ocena razlike aritmetikih sredina populacija, P1 P 2
onda:
__
__
V2 V2
X 1 X 2 ~ N P1 P 2 , 1 2 , odnosno
n1
n2
__
__
X 1 X 2 ( P1 P 2 )
V 12
n1
__
P ( z D
n2
__
x 1 x 2 ( P1 P 2 )
V 12
n1
__
~ N (0,1) ,
V 22
__
P( x 1 x 2 z D
2
V 12
n1
V 22
zD ) 1 D
2
n2
V 22
n2
__
__
P1 P 2 x 1 x 2 z D
2
V 12
n1
V 22
n2
) 1D
__
P1 P 2 ( x 1 x 2 z D
2
V 12
n1
V 22
n2
__
__
, x 1 x 2 zD
164
V 12
n1
V 22
n2
).
Poslovna statistika
ako je
V 12 V 22
__
__
__
P1 P 2 ( x 1 x 2 z D
2
V 12
n1
V 22
n2
__
__
, x 1 x 2 zD
165
V 12
n1
V 22
n2
).
Poslovna statistika
Primer 5.2.2. Testira se uinak novih lekova za spavanje pomou dve grupe
bolesnika slinih karakteristika, tako to prva grupa od 50 bolesnika uzima ove
lekove, dok ih druga grupa od 60 bolesnika ne uzima. Duina spavanja
bolesnika iz prve grupe je proseno 8.2 asova, a u drugoj 7.3 asova. Zna se
da standardna devijacija duine spavanja prve grupe bolesnika iznosi
V 1 0,30 asova, dok je standardna devijacija druge grupe bolesnika
V 2 0,40 asova. Odrediti interval poverenja za razliku srednjih vrednosti
duina spavanja koju prouzrokuje uzimanje ispitivanih lekova, ako je
koeficijent pouzdanosti 1-D jednak 0,95.
Reenje:
P1 P 2 x 1 x 2 Z D
1D
P x1 x 2 Z D
n1
n2
n1
n2
2
2
D
1 .
0,95
D
2
0,025 Z D
F (0,975) 1,96 pa je
0,30 2 0,40 2
0,30 2 0,40 2
P1 P 2 8.2 7.37 1,96
50
60
50
60
odnosno
0.833 P1 P 2 0.967 ,
tj. sa verovatnoom 0,95 smatramo da je novi lek produio spavanje u proseku
za 0.833 do 0.967 asova.
166
Poslovna statistika
p r 1 p r
)
n
odnosno
Pr S
p r 1 p r
n
~ N (0,1) ,
P ( z D
p r 1 p r
n
P( p r z D
2
zD ) 1 D
2
p r 1 p r
S pr z D
n
2
p r 1 p r
) 1D
n
S ( pr z D
2
p r 1 p r
, pr z D
n
2
p r 1 p r
).
n
167
Poslovna statistika
p r 1 p r
n
n
zD
zD
p r (1 p r )
L2
, a kako je
p r 1 p r d
1
,
4
to je
zD
2 .
4 L2
n
! 0.05 , onda:
N
p r 1 p r N n
) ,
odnosno
n
N 1
Pr S
~ N (0,1) ,
p r 1 p r N n
n
N 1
Pr ~ N (S ,
pr S
P( z D
p r 1 p r N n
n
N 1
zD ) 1 D
2
p r 1 p r N n
S pr z D
n
N 1
2
P( p r z D
2
p r 1 p r N n
) 1D
n
N 1
S ( pr z D
2
p r 1 p r N n
, pr z D
n
N 1
2
168
p r 1 p r N n
).
n
N 1
Poslovna statistika
169
Poslovna statistika
5.2.4. Intervalna ocena varijanse populacije, V 2
0.15
dchisq
( x D
7 )
0.1
1D
0.05
n ,1
D
2
10
x
12
14
16
n,
D
2
18
20
Poslovna statistika
P( F 2
n ,1
P(
nS
nS2
V2
n,
V2
F 2D ) 1D
n,
nS
F2
n ,1
) 1D
D
2
nS2 nS2
V 2 , 2
F n ,D F n ,1 D
2
2
n
! 0.05 , onda
N
aproksimativno vai:
ako je nt30 i n
N
, tada
2
nS2
V2
~ F n2 , pa i tada vai da je
nS2 nS2
V 2 2 , 2
F n ,D F n ,1 D
2
2
171
Poslovna statistika
- P nepoznato
P( F 2
n 1,1
P(
D
2
(n 1) S
F2
n 1,
2
c
(n 1) S c2
V
F2
n 1,
F2
) 1D
(n 1) S c2
n 1,1
) 1D
D
2
(n 1) S 2 (n 1) S 2
c
c
V
,
2
2
F
F n 1,D
D
n 1,1
2
2
ako je nt30 i n
(n 1) S c2
V2
N
, tada
2
n
! 0.05 , onda
N
Poslovna statistika
(n 1) S 2 (n 1) S 2
c
c
V
,
2
2
F
F
D
D
n 1,
n 1,1
2
2
x
x
173
Poslovna statistika
6. TESTIRANJE PARAMETARSKIH STATISTIKIH HIPOTEZA
174
Poslovna statistika
1. Dvosmerna hipoteza. Nulta hipoteza pretpostavlja da je parametar Q
jednak nekoj hipotetikoj (od ranije poznatoj) vrednosti Q0, a
alternativna da je parametar Q razliit od te hipotetike (od ranije
poznate) vrednosti Q0.
H1:QzQ0
H0: Q=Q0
H1:Q!Q0
H1:QQ0
Proces testiranja hipoteza, koji emo kasnije objasniti, u svakom od ovih oblika
e nas navesti da odluimo da: ili prihvatimo alternativnu hipotezu H1, ili ne
prihvatimo alternativnu hipotezu H1.
Prilikom donoenja te odluke, moemo napraviti dve vrste greaka.
Greku I vrste emo napraviti ako nas test navede da zakljuimo da je hipoteza
H1 istinita, a da je u stvarnosti hipoteza H1 neistinita.
Greku II vrste emo napraviti ako nas test navede da zakljuimo da je
hipoteza H1 neistinita, a da je u stvarnosti hipoteza H1 istinita.
175
Poslovna statistika
P( H 1 prihvatimo | H 1 neistinita ) .
P( H 1 ne prihvatimo | H 1 istinita ) .
K 1 E
1 P( H 1 ne prihvatimo | H 1 istinita ) .
H0: P=P0
H1:P=P1
Poslovna statistika
__
V2
N ( P1 ,
V2
dnorm
(nx 2 3 )
dnorm
( x2 10 3 )
N (P 0 ,
0.1
)
0
10
0 P
0
10
P
20
__
i 1
.
__
ako je X ~ N ( P 0 ,
V2
n
__
__
) onda P ( X ! x kr ) D .
177
Poslovna statistika
n
__
i 1
__
vea od kritine
__
vrednosti x kr , x ! x kr ,
odbacujemo nultu hipotezu H0:P=P0 i prihvatamo alternativnu hipotezu
H1 :P=P1 ,
i pri tome smo moda pogreili sa istom onom verovatnoom sa kojom je
mogue izvui uzorak veliine n te aritmetike sredine iz populacije koja se
raspodeljuje po zakonu N(P0 ,V2), a ta je verovatnoa, kao to smo videli,
__
__
__
__
x
i 1
manja do jednaka od
__
ako je X ~ N ( P1 ,
V2
n
__
__
) onda P ( X x kr )
__
178
Poslovna statistika
N ( P1 ,
V2
dnormn
E
)
(x 2 3)
dnorm 2 ( x 10 3 )
N (P 0 ,
0.1
)
0
10
__
P0
10
20
x kr P1
__
V2
n
, smanjivanje
179
Poslovna statistika
Takoe, kada su nulta i alternativna hipoteza meu sobom disjunktne, a
njihova unija predstavlja skup svih moguih vrednosti testiranog parametra Q,
moemo na osnovu uzorka odrediti nivo znaajnosti sa kojim moemo
prihvatiti alternativnu hipotezu H1.
Naime, neka je, na primer, u pitanju desni jednosmerni test aritmetike sredine
populacije P,obeleja ija se aritmetika sredina u uzorku veliine n
__
rasporedjuje po zakonu X ~ N ( P ,
H0:PdP0
V2
n
):
H1:P!P0.
__
i 1
ako je X ~ N ( P 0 ,
V2
n
__
__
) onda P ( X ! x )
G,
po nepoznatom parametru G,
moemo da konstatujemo da sa nivoom znaajnosti G moemo prihvatiti
alternativnu hipotezu H1:P!P0.
U daljoj analizi koristiemo zakone raspodele parametara uzoraka, analizirane
u 4. poglavlju ovog udbenika, odnosno zakone raspodele takastih ocena,
analizirane u 5. poglavlju ovog udbenika.
180
Poslovna statistika
6.1. Testiranje aritmetike sredine populacije, P
__
x
i 1
X ~ N (P ,
V2
n
__
) odnosno
XP
V
n
pa vai za:
181
~ N (0,1) ,
Poslovna statistika
1. dvosmerni test:
H0:P=P0
H1:PzP0
__
x P0
n
znaajnosti D (Slika 6.1.1);
__
x P0
n
znaajnosti D (Slika 6.1.1);
0.5
D
2
dnorm( x 0 1) 0.25
D
2
zD
2
zD
2
182
Poslovna statistika
2. desni jednosmerni test:
H0:PdP0
H1:P!P0
__
x P0
n
znaajnosti D (Slika 6.1.2);
__
x P0
n
znaajnosti D (Slika 6.1.2);
0.5
dnorm( x 0 1) 0.25
zD
H0:Pt P0
H1:PP0
__
x P0
n
znaajnosti D (Slika 6.1.3);
183
Poslovna statistika
__
x P0
n
znaajnosti D (Slika 6.1.3);
0.5
D
dnorm( x 0 1) 0.25
zD
Slika 6.1.3.Funkcija raspodele N(0,1)
X ~ N (P ,
V2 N n
n
N 1
) , odnosno
__
XP
N n
N 1
n
~ N (0,1) ,
pa vai za:
184
n
! 0.05
N
Poslovna statistika
1. dvosmerni test :
H0:P=P0
H1:PzP0
__
x P0
N
1
n
znaajnosti D (Slika 6.1.1);
__
x P0
d z D ne prihvatamo H1:PzP0 sa
N n
2
N 1
n
nivoom znaajnosti D (Slika 6.1.1);
H0:PdP0
H1:P!P0
__
x P0
N 1
n
znaajnosti D (Slika 6.1.2);
__
x P0
d zD ne prihvatamo H1:P! P0 sa
N n
N 1
n
nivoom znaajnosti D (Slika 6.1.2);
185
Poslovna statistika
3. levi jednosmerni test:
H0:Pt P0
H1:PP0
__
x P0
zD prihvatamo H1:P P0 sa
N n
N 1
n
nivoom znaajnosti D (Slika 6.1.3);
__
x P0
t zD ne prihvatamo H1:P P0 sa
N n
N 1
n
nivoom znaajnosti D (Slika 6.1.3);
XP
~ t n 1 , pa vai za:
Sc
n
186
Poslovna statistika
1. dvosmerni test:
H0:P=P0
H1:PzP0
__
x P0
! t D prihvatamo H1:PzP0 sa nivoom
n 1,
sc
2
n
znaajnosti D (Slika 6.1.4);
__
x P0
d t D ne prihvatamo H1:PzP0 sa nivoom
n 1,
sc
2
n
znaajnosti D (Slika 6.1.4);
0.5
dnorm( x 0 1) 0.25
2
t n 1, D
2
n 1,
187
D
2
Poslovna statistika
2. desni jednosmerni test:
H0:PdP0
H1:P!P0
__
x P0
! t n 1,D prihvatamo H1:P! P0 sa nivoom
sc
n
znaajnosti D (Slika 6.1.5);
__
x P0
d t n 1,D ne prihvatamo H1:P! P0 sa nivoom
sc
n
znaajnosti D (Slika 6.1.5);
0.5
dnorm( x 0 1) 0.25
t n 1,D
188
Poslovna statistika
3. levi jednosmerni test:
H0:Pt P0
H1:PP0
__
x P0
t n 1,D prihvatamo H1:P P0 sa nivoom
sc
n
znaajnosti D (Slika 6.1.6);
__
x P0
t t n 1,D ne prihvatamo H1:P P0 sa nivoom
sc
n
znaajnosti D (Slika 6.1.6);
0.5
dnorm( x 0 1) 0.25D
t n 1, D
189
Poslovna statistika
- ako je uzorak bez ponavljanja kod koga je
n
! 0.05 , onda:
N
__
XP
N n
N 1
n
Sc
~ t n 1 , pa vai za:
1. dvosmerni test:
H0:P=P0
H1:PzP0
__
x P0
! t D prihvatamo H1:PzP0 sa
n 1,
N n
2
N
1
n
nivoom znaajnosti D (Slika 6.1.4);
sc
__
x P0
d t D ne prihvatamo H1:PzP0 sa
n 1,
N n
2
N
1
n
nivoom znaajnosti D (Slika 6.1.4);
sc
H0:PdP0
H1:P!P0
__
x P0
N 1
n
nivoom znaajnosti D (Slika 6.1.5);
sc
190
Poslovna statistika
__
x P0
N 1
n
nivoom znaajnosti D (Slika 6.1.5);
sc
H0:Pt P0
H1:PP0
__
x P0
N 1
n
nivoom znaajnosti D (Slika 6.1.6);
sc
__
x P0
N 1
n
nivoom znaajnosti D (Slika 6.1.6);
sc
iv)
191
Poslovna statistika
- ako je uzorak bez ponavljanja,
uzimamo dovoljno veliki uzorak iz dovoljne velike
populacije, pod kojim podrazumevamo uzorak veliine
N
nt30 i populaciju za koju je n
, i za njega vae svi
2
rezultati kao i usluaju kad obeleje u populaciji ima
N(P,V2) raspodelu.
Primer 6.1.1. Prosean broj dnevnih posetilaca u beogradskim restoranima je
150 posetilaca po restoranu, sa standardnom varijansom V = 30. Posle
smanjenja cena mesa u restoranima od 10%, uzorkovano je 40 sluajno
odabranih restorana, i na njima je izraunat srednji broj dnevnih posetilaca
160 posetilaca po rastoranu.
i) Da li, sa nivoom znaajnosti
a)
b)
D=0,05
D=0,01
Reenje:
0,05 Z D
vai:
192
1,64
Poslovna statistika
x P 0
160 150
30
V
n
2,11 ! 1,64
40
0,01 Z D
2,33
vai:
_
x P 0
V
n
160 150
30
2,11 2,33
40
x P 0
Z D 2,11 Z D
n
koristei N(0,1) tablicu, dobijamo 1 D 0,9826 , odakle je
D=0,0174.
Dakle, iz ovog uzorka moemo sa nivoom znaajnosti D=0,0174
konstatovati da se srednji broj posetilaca poveao.
193
Poslovna statistika
__
xi
i 1
n2
__
i x2
n1
i 1
n2
onda:
__
__
V2 V2
X 1 X 2 ~ N P1 P 2 , 1 2 ,odnosno
n1
n2
__
__
X 1 X 2 ( P1 P 2 )
V 12
n1
V 22
pa vai:
n2
1. dvosmerni test:
__
~ N (0,1) ,
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
n2
194
Poslovna statistika
__
__
x 1 x 2 ( P10 P 20 )
2
1
n1
2
2
n2
__
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
n2
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
n2
__
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
n2
195
Poslovna statistika
__
__
x 1 x 2 ( P10 P 20 )
2
1
n1
2
2
n2
V 12 V 22
,
X 1 X 2 ~ N P1 P 2 ,
n
n
1
2
__
__
D=0,05
D=0,01
196
Poslovna statistika
Reenje:
0,05 Z D
1,64 ,
x A x B P A P B
V A2
nA
2590 2500 80
V B2
20 2 30 2
50
60
nB
2,08 ! 1,64 .
b)
Za nivo znaajnosti D
pa je
_
0,01 Z D
2,33 ,
x A x B P A P B
V A2
nA
2590 2500 80
V B2
20 2 30 2
50
60
nB
2,08 2,33 .
197
Poslovna statistika
ii)
Iz uslova:
x A x B P A P B
V A2
nA
V B2
Z D 2,08
ZD ,
nB
0,9812 , odakle je
D=0,0188.
Dakle, iz ovih uzoraka moemo sa nivoom znaajnosti
D=0,0188 konstatovati da je proizvoa A u pravu.
198
Poslovna statistika
odnosno
1. dvosmerni test:
H0:S =S0
Pr ~ N (S ,
Pr S
p r 1 p r
n
~ N (0,1) ,
pa vai za:
H1:S zS0
pr S 0
! z D prihvatamo H1:S zS0
pr 1 pr
2
n
sa nivoom znaajnosti D (Slika 6.1.1);
pr S 0
199
Poslovna statistika
H0:S dS0
H1:S! S0
pr S 0
H0:S tS0
H1:S S0
pr S 0
n
N 1
Pr S
~ N (0,1) ,
p r 1 p r N n
n
N 1
Pr ~ N (S ,
200
n
! 0.05 , onda
N
Poslovna statistika
pa vai za:
1. dvosmerni test:
H0:S =S0
H1:S zS0
pr S 0
n
N 1
sa nivoom znaajnosti D (Slika 6.1.1);
pr S 0
n
N 1
nivoom znaajnosti D (Slika 6.1.1);
H0:S dS0
H1:S! S0
pr S 0
n
N 1
sa nivoom znaajnosti D (Slika 6.1.2);
pr S 0
n
N 1
nivoom znaajnosti D (Slika 6.1.2);
pr S 0
p r 1 p r N n
n
N 1
H0:S tS0
H1:S S0
201
Poslovna statistika
sa nivoom znaajnosti D (Slika 6.1.3),
pr S 0
n
N 1
nivoom znaajnosti D (Slika 6.1.3).
D=0,05
D=0,01
202
Poslovna statistika
s2
(x
P)2
i 1
s c2
__
( xi x ) 2
i 1
n 1
Tada vai:
- P poznato
~ F n2 , pa vai za:
1. dvosmerni test:
H 0 : V 2 =V 2 0
203
H1: V2 zV20
Poslovna statistika
n s2
n s2
2 ! F 2 D 2 F 2 D prihvatamo H1: V2 zV20
V
V
n,
n ,1
2
2
0
0
sa nivoom znaajnosti D (Slika 6.4.1);
2
n ,1
n s2
2
0
0.15
dchisq
( x D
7 )
0.1
2
0.05
2
n ,1
10
x
12
14
16
18
2
n,
D
2
204
H0: V2 dV20
H1: V2 !V20
20
Poslovna statistika
n s2
n s2
2
0
0.15
dchisq
( x 7 )
0.1
D
0.05
10
F n2,D x
12
14
16
18
n s2
V 02
H0: V2 tV20
H1: V2 V20
205
20
Poslovna statistika
n s2
V 02
0.15
dchisq
( x 7 )
0.1
D
0.05
F n2,1D
10
12
14
16
18
20
n
! 0.05 , onda
N
aproksimativno vai:
- ako je nt30 i n
tada
nS2
N
,
2
~ F n2 ,
206
Poslovna statistika
-P nepoznato
1. dvosmerni test:
H 0 : V 2 =V 2 0
H1: V2 zV20
(n 1) s c2
(n 1) s c2
2
2
prihvatamo
F
F
!
D
D
2
2
V
V
n 1,
n 1,1
0
0
2
2
2
2
H1: V zV 0 sa nivoom znaajnosti D (Slika 6.4.1);
F2
n 1,1
(n 1) s c2
2
0
d F2
n 1,
(n 1) s c2
V 02
H0: V2 dV20
H1: V2 !V20
(n 1) s c2
2
0
207
Poslovna statistika
(n 1) s c2
2
0
H0: V2 tV20
H1: V2 V20
(n 1) s c2
2
0
n
! 0.05 , onda
N
aproksimativno vai:
- ako je nt30 i n
tada
(n 1) S c2
N
,
2
~ F n21 ,
208
Poslovna statistika
nepoznata, a smatra se da varijansa obeleja iznosi V 02
standardna devijacija ovog uzorka iznosi s c 33 .
Da li, sa nivoom znaajnosti
a)
b)
780. Centralizovana
D=0,05
D=0,01
209
Poslovna statistika
7. REGRESIJA I KORELACIJA
Poslovna statistika
je da meseni prihod bude nezavisna promenljiva, a koliina utroenog mesa
zavisna.
211
Poslovna statistika
Y
X
a)
X
b)
c)
d)
Slika 7.1. Dijagrami rasprenosti
Poslovna statistika
Generalno, dijagramom rasprenosti moemo sagledati da li izmeu dva
obeleja postoji stohastika veza ako postoji koji je oblik te veze (linearni,
kvadratni, eksponecijalni, logaritamski...), i ako je oblik slaganja linearni, da li
je direktni ili inverzni.
213
Poslovna statistika
7.1. Prosta linearna regresija i korelacija
y3
x3
Slika 7.1.1. Dijagram rasprenosti uzorka
214
Poslovna statistika
Radi lakeg objanjenja, zamislimo da je dijagram rasprenosti itave
populacije, take (xi,yi), i = 1, 2, ..., N, dat na slici 7.1.2.
Y
X
Slika 7.1.2. Dijagram rasprenosti populacije
Oigledno da bi, i kada bi smo znali koeficijente D i E, zbog stohastinosti
zavisnosti obeleja X i Y vailo:
yi
D E xi H i ,
i = 1, 2, ..., N,
Poslovna statistika
Dalja analiza koju emo sprovesti, a pomou koje emo iz uzorakih podataka
(xi,yi), i = 1, 2, ..., n oceniti parametre D i E, podrazumevae da za stohastiki
lan Hi u itavoj populaciji (i = 1, 2, ..., N) vai sledee:
- E (H i )
y , jednaka:
^
a b x ,
a b xi H i
yi
a b xi .
216
Poslovna statistika
a b x
yi
yi
xi
X
Slika 7.1.3. Uzoraka regresiona kriva
Koeficijente a i b, kao to smo rekli, dobiemo minimiziranjem sledeeg
izraza:
n
H i2
i 1
( yi y i ) 2
i 1
(y
(a b xi )) 2 .
i 1
217
Poslovna statistika
n
w ( y i (a b xi )) 2
i 1
0
wa
,
n
w ( y i (a b xi )) 2
i 1
0
wb
odakle dobijamo sledei sistem jednaina:
n
yi
i 1
n a b xi
i 1
a xi b x
yi
i 1
i 1
2
i
i 1
n
n n
n x i y i xi y i
i 1
i1 i1
n
n xi2 xi
i 1
i1
n
yi
a
i 1
b
x
i 1
218
Poslovna statistika
n
s e2
2
i
i 1
(y
yi )2
i 1
n2
y
1 1
2
i
1 1
1 1
a y i b xi y i
n2
n2
se
1 1
1 1
1 1
H i2
( yi y i ) 2
yi2 a yi b xi yi
n2
n2
n2
i 1
i 1
se
sb
xi
xi2 i 1
n
i 1
Poslovna statistika
nikakve veze sa parametrom D iz regresione jednaine populacije
Y D E X ), ukoliko je
b
!t D .
n 2,
sb
2
r2
n
n n
n
x
y
xi y i
i
i
i 1
i1 i1
2
2
n
n
n
n
n xi2 xi n y i2 y i
i 1
i 1
i1
i1
0.92 ,
220
Poslovna statistika
7.1.5. Koeficijent proste linearne korelacije u uzorku, r
n
n n
n xi y i xi y i
i 1
i1 i1
r
n
n xi2 xi n y i2 y i
i 1
i 1
i1
i1
r
, odnosno
r r2 .
221
Poslovna statistika
7.1.6. Standardna greka ocene koeficijenta proste linearne korelacije, sr
sr
1 r2
.
n2
222
Poslovna statistika
7.1.7. Korienje linearnog regresionog modela za predvianje vrednosti
zavisnog obeleja
D E xi H i ,
E (D E xi H i )
E (D E xi ) E (H i ) D E xi ,
D E xp H p
E (Y p ) D E x p
223
Poslovna statistika
Samim tim e odgovarajui interval predvianja individualne vrednosti biti iri
od intervala predvianja prosene vrednosti zavisnog obeleja, za datu
vrednost nezavisnog obeleja.
yp
a b xp .
^
s_
yp
xi
x i 1
p
n
,
se
2
n
n
xi
n
i 1
2
xi
n
i 1
ypt
n2 ,
D
2
s _ d E Y p d y p t
yp
n2 ,
224
D
2
s_ .
yp
Poslovna statistika
D E xp H p ,
yp
a b xp .
s yp
xi
x i 1
p
n
.
se 1
2
n
n
xi
n
i 1
2
xi
n
i 1
ypt
n2 ,
D
2
s yp d Yp d y p t
n2 ,
s yp .
225
Poslovna statistika
Evidentno je da je za datu verovatnou 1-D, irina intervala i prosene i
individualne vrednosti direktno srazmerna standardnoj greki ocene s _ ,
yp
226
Poslovna statistika
7.2. Kvadratna regresija i korelacija
y3
x3
X
Slika 7.2.1. Dijagram rasprenosti uzorka
Slino kao i kod linearne regresije, ukoliko bismo poznavali parametre D, E i J,
zbog stohastinosti zavisnosti obeleja X i Y vailo bi:
yi
D E xi J xi2 H i ,
i = 1, 2, ..., N,
227
Poslovna statistika
Ovaj stohastiki lan Hi je, isto kao i kod linearne regresije, posledica fenomena
koje ne opisuje kvadratna regresiona zavisnost obeleja X i Y.
U sluajevima kada taj lan ima osobine navedene prilikom analize linearnog
regresionog modela, oceniemo parametre D, E i J iz uzorakih podataka (xi,yi),
i = 1, 2, ..., n, metodom minimiziranja sume svih kvadrata stohastikog lana
Hi, izraunate na uzorakim podacima u odnosu na ocenjene vrednosti za D, E i
J.
Naime, neka je, recimo, ocena parametra D koeficijent a, ocena parametra E
koeficijent b, a ocena parametra J koeficijent c. Tada je uzoraka kvadratna
^
a b x c x2 ,
yi
a b xi c xi2 H i
a b xi c xi2 .
H i2
i 1
( yi y i ) 2
i 1
(y
(a b xi c xi2 )) 2 .
i 1
228
Poslovna statistika
n
w ( yi (a b xi c xi2 )) 2
i 1
0
wa
n
w ( y i (a b xi c xi2 )) 2
i 1
0
wb
n
w ( y i (a b xi c xi2 )) 2
i 1
0
wc
odakle dobijamo sledei sistem jednaina:
n
yi
i 1
i 1
xi y i
i 1
n
2
i
n a b xi c xi2
yi
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a xi b xi2 c xi3
a xi2 b xi3 c xi4
229
Poslovna statistika
s e2
2
i
i 1
n3
(y
yi )2
i 1
y
1 1
2
i
1 1
1 1
a yi b xi yi c xi2 y i
1 1
n3
n3
se
1 1
1 1
1 1
1 1
H i2
( yi y i ) 2
yi2 a yi b xi yi c xi2 yi
n3
n3
n3
i 1
i 1
r2
n
yi
n
n
n
2
a y i b xi y i c x i y i n i 1
n
i 1
i 1
i 1
n
yi
n
2
yi n i 1
n
i 1
230
Poslovna statistika
y3
x3
X
Slika 7.3.1. Dijagram rasprenosti uzorka
231
Poslovna statistika
Uvoenjem smene X * ln X , logaritamska regresija Y D E ln X svodi
se na linearnu regresiju Y D E X * , pa se ocena parametara D i E, kao i
itava regresiona analiza sprovodi kao za linearnu regresiju, s tim to se umesto
uzorakih vrednosti za nezavisnu promenljivu xi, koriste njihovi logaritmi lnxi.
To jest, sve formule i zakljuci iz linearne regresije vae, samo to vrednosti za
xi (i = 1, 2, ..., n) zamenjujemo vrednostima lnxi (i = 1, 2, ..., n).
y3
x3
Slika 7.4.1. Dijagram rasprenosti uzorka
232
Poslovna statistika
Uvoenjem smena Y * ln Y , D * ln D , eksponencijalna regresija
Y D e E X se svodi na linearnu regresiju Y * D * E X , pa se ocena
parametara D* i E, kao i itava regresiona analiza sprovodi kao za linearnu
regresiju, s tim to se umesto uzorakih vrednosti za nezavisnu promenljivu yi,
koriste njihovi logaritmi lnyi.
Na ovaj nain dobijamo ocenu parametra D*, recimo a*, dok ocenu parametra
*
D, koju obeleavamo sa a, dobijamo kao a e a .
Sve formule i zakljuci iz linearne regresije vae, samo to vrednosti za
yi (i = 1, 2, ..., n) zamenjujemo vrednostima lnyi (i = 1, 2, ..., n).
Primer 7.1. U Tabeli 7.1. prikazani su podaci o cenama i prodatoj koliini
(tranji) jedne vrste proizvoda.
Cena po
1 kg u dinarima
(x)
5
10
12
15
16
Tranja u tonama
(y)
42
30
22
14
6
Tabela 7.1.
a)
Odrediti parametre linearne regresije i predstaviti je grafiki.
b)
Odrediti standardnu greku regresije se.
c)
Odrediti standardnu greku ocene nagiba sb.
d)
Odrediti koeficijent proste linearne korelacije r, i koeficijent
determinacije r2.
e)
Odrediti standardnu greku ocene koeficijenta proste linearne
korelacije sr.
f)
Testirati postojanje linearne zavisnosti tranje ovog proizvoda
od njegove cene pomou Studentovog t-testa sa nivoom znaajnosti D = 0,05
za:
1)
ocenu nagiba,
2)
ocenu proste linearne korelacije.
233
Poslovna statistika
g)
Odrediti standardnu greku ocene prosene vrednosti zavisne
promenljive (u ovom sluaju tranje) s _ , pri ceni xp=11 din./kg.
yp
h)
Odrediti standardnu greku ocene individualne vrednosti
zavisne promenljive (u ovom sluaju tranje) s y p , pri ceni xp=11 din./kg.
i)
Oceniti interval prosene vrednosti tranje pri ceni xp=11
din./kg sa nivoom pouzdanosti 1-D = 0,95.
j)
Oceniti interval individualne vrednosti tranje pri ceni
xp=11 din./kg sa nivoom pouzdanosti 1-D = 0,95.
Reenje:
a)
Linearna regresija ocenjena iz n uzorakih parova (xi , yi), data je u
^
obliku y
a b x , gde je:
n
n n
n x i y i xi y i
i 1
i1 i1
yi
a
i 1
b
i 1
2
n
n
n
2
n xi xi
i 1
i1
Analizirajui podatke iz tablice 7.1.a. i imajui u vidu da je n=5,
dobijamo:
n
Cena po
1 kg u din.
(xi)
5
10
12
15
16
5
x
i 1
Tranja u
tonama
(yi)
42
30
22
14
6
5
58
y
i 1
x i y i
xi2
yi2
210
300
264
210
96
25
100
144
225
256
1764
900
484
196
36
114
yi
1080
i 1
x
i 1
Tabela 7.1.a.
234
2
i
750
y
i 1
2
i
3380
Poslovna statistika
5 1080 58 114
5 750 58 2
3.14
58
114
(3.14)
5
5
59.22
50
45
40
35
30
25
y = -3.1399x + 59.223
R2 = 0.9745
20
15
10
5
0
10
12
b)
Standardna greka regresije se iznosi:
n
1 1
1 1
1 1
yi2 a yi b xi yi
se
n2
3380 59.22 114 3.14 1080
3
235
2.59
14
16
18
Poslovna statistika
c)
Standardna greka ocene nagiba sb, iznosi:
se
sb
2.59
n
xi
xi2 i 1
n
i 1
58 2
750
5
0,295
d)
Koeficijent proste linearne korelacije r je:
n
n n
n x i y i xi y i
i 1
i1 i1
n
n
n
n x xi n y i2 y i
i 1
i 1
i1
i1
5 1080 58 114
0,9872
5 750 58 2 5 3380 114 2
2
i
0,98722
0,9745
e)
Standardna greka ocene koeficijenta proste linearne korelacije
sr iznosi:
sr
1 r2
n2
0,092
236
Poslovna statistika
f)
1)
Kako je za n=5 i D = 0,05
b 3.14
10.64 t D 3,1824 ,
n2 ,
sb 0.295
2
zakljuujemo pomou testa nagiba, uz rizik verovatnoe 0,05,
da se parametar nagiba b razlikuje od nule i da postoji linearna
veza izmeu cene i tranje ovog proizvoda.
2)
Kako je za n=5 i D = 0,05
r 0,9872
10.73 t D 3,1824 ,
n2 ,
sr
0,092
2
zakljuujemo pomou testa korelacije, uz rizik verovatnoe 0,05,
da postoji linearna veza izmeu cene i tranje ovog proizvoda.
g)
Standardna greka ocene prosene vrednosti tranje ovog
proizvoda s _ , pri ceni xp=11 din./kg, je:
yp
2
s_
yp
xi
x i 1
p
n
se
2
n
n
xi
n
i 1
2
xi
n
i 1
237
58
11
1
5
2.59
5
58 2
750
5
1,17
Poslovna statistika
h)
Standardna greka ocene individualne vrednosti tranje ovog
proizvoda s y p , pri ceni xp=11 din./kg, je:
2
s yp
xi
x i 1
p
n
se 1
2
n
n
xi
n
2
xi i 1
n
i 1
2
58
11
1
5
2.59 1
5
58 2
750
5
3.11
i)
Kako je
^
y p (11)
3.14 11 59.223
24.683 ,
ypt
n2 ,
D
2
s _ d E Y p d y p t
yp
n2 ,
D
2
s_
yp
238
Poslovna statistika
j)
Kako je
^
y p (11)
3.14 11 59.223
24.683 ,
ypt
^
n2 ,
s yp d Yp d y p t
n2 ,
s yp
239
Poslovna statistika
8. INDEKSI
Poslovna statistika
je dat i osvrt na predvianja ponaanja vremenske serije u bliskoj budunosti,
odnosno na prognozu vrednosti obeleja u bliskoj budunosti.
Indeksi koji izraavaju relativnu promenu vrednosti jednog obeleja u
razliitim trenucima, nazivaju se individualni indeksi, dok se indeksi koji
izraavaju relativnu promenu vrednosti grupe obeleja u razliitim trenucima,
nazivaju grupni (agregatni) indeksi.
Indeksi (i individualni i grupni) generalno se mogu svrstati u tri osnovne grupe:
indeks cena, indeks koliina (indeks fizikog obima) i indeks vrednosti
(indeks proizvoda koliina i cena). Iz ovih indeksa izvedeni su razni drugi
indeksi: indeks produktivnosti, indeks trokova ivota, indeks realnih primanja,
itd.
8.1. Individualni indeksi
Poslovna statistika
Godina
Broj zaposlenih
(000)
178
169
180
195
201
2001.
2002.
2003.
2004.
2005.
Tabela 8.1.1
Reenje:
yi
100 , gde je bazna
yB
Godina
2001.
2002.
2003.
2004.
2005.
Broj
zaposlenih
(000)
178
169
180
195
201
Bazni indeks
B2002=100
105,33
100
106,5
115,38
118,93
242
y 2004
100
y 2002
195
100 115.38 .
169
Poslovna statistika
Godina
2001
2002
2003
2004
2005
Broj zaposlenih
(000)
178
169
180
195
201
Tabela 8.1.2.
243
Poslovna statistika
Reenje:
yi
100 ( i=2,...,n),
y i 1
dobijamo:
Godina
2001.
2002.
2003.
2004.
2005.
Broj
zaposlenih
(000)
178
169
180
195
201
Lanani indeks
94,94
106,5
108,33
103,08
y 2004
100
y 2003
195
100 108.33 .
180
yn
n 1
1 100 .
y
244
Poslovna statistika
Kako je
n 1
yn
y1
n 1
y
y 2 y3
n
y1 y 2
y n 1
n 1
L2 L3 Ln ,
n 1
L2 L3 Ln 1 100 .
Godina
2001.
2002.
2003.
2004.
2005.
Broj zaposlenih
(000)
178
169
180
195
201
Tabela 8.1.3.
Reenje:
y 2005
4
100 4 201 1 100 3.08 .
1
178
2001
245
Poslovna statistika
8.1.4. Srednji tempo pada, P
y
1 n 1 n 100 .
y1
Kako je
n 1
yn
y1
n 1
y
y 2 y3
n
y1 y 2
y n 1
n 1
L2 L3 Ln ,
1
n 1
L2 L3 Ln 100 .
Godina
2001.
2002.
2003.
2004.
2005.
Broj zaposlenih
(000)
178
169
160
162
158
Tabela 8.1.4.
246
Poslovna statistika
Reenje:
y
1 4 2005 100 1 4 158 100 2.93 .
y 2001
178
Svaki lan odreene grupe obeleja dat je, naravno, u vidu vremenske serije
individualnih indeksa tog lana, a zajednika (grupna) analiza se moe izvriti
na dva naina: metodom prosenih odnosa (srednjih vrednosti) i metodom
agregata individualnih indeksa sastavnih serija.
U naoj daljoj analizi obeleimo sa pi i qi cenu i koliinu u posmatranom
trenutku, a sa p0 i q0 cenu i koliinu u baznom periodu. Tada, naravno, vrednost
u posmatranom trenutku iznosi p i qi , a vrednost u baznom trenutku iznosi
p0 q0 .
247
Poslovna statistika
pi
Indeks cena, Ip
Ip
n
qi
Indeks koliina, Iq
Iq
I pq
100
100
n
pi qi
100
p0 q0
,
n
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Tabela 8.2.1.
248
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Poslovna statistika
Reenje:
pi
100
p0
120
141,67
150
137,5
=549,17
pi qi
100
p0 q0
130,91
141,67
166,67
206,25
=645,5
qi
100
q0
109,09
100
111,11
150
=470,2
Tabela 8.2.1.a.
po metodi prosenih odnosa dobijamo:
pi
indeks cena
Ip
n
qi
indeks koliina
Iq
indeks vrednosti
I pq
100
100
549,17
4
470,2
4
n
pi qi
100
p0 q0
n
137,29
117,55
645,5
4
161,375 .
Poslovna statistika
8.2.2.1. Neponderisani metod agregata
Neponderisanim metodom agregata se grupni neponderisani agregatni
indeks dobija kao kolinik zbira svih vrednosti obeleja lanova grupe u
posmatranom trenutku i zbira svih vrednosti obeleja lanova grupe u
baznom trenutku.
Ip
p 100
p
q 100
q
i
Indeks koliina, Iq
Iq
I pq
p
p
qi
q0
100 ,
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Tabela 8.2.2.1.
250
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Poslovna statistika
Reenje:
p
p
qi
q0
Cena u
din./kg
2000. g.
p0
Cena u
din./kg
2003. g.
pi
Prodata
koliina
(t)
2000. g.
q0
Prodata
koliina
(t)
2003. g.
qi
1000
600
300
400
p0=2300
1200
850
450
550
pi=3050
55
80
90
40
q0=265
60
55000
80
48000
100
27000
60
16000
qi=300 =
146000
p0q0
piqi
72000
68000
45000
33000
=
218000
Tabela 8.2.2.1.a.
dobijamo:
indeks cena
Ip
p 100
p
q 100
q
i
indeks koliina
Iq
indeks vrednosti
I pq
p
p
qi
q0
251
3050
100 132,61
2300
300
100 113,21
265
100
218000
100 149,32 .
146000
Poslovna statistika
8.2.2.2. Ponderisani metod agregata
Laspeyers-ov metod,
Pasche-ov metod,
Fisher-ov metod,
Marshal-Edgworth-ov metod.
Ip
Iq
252
p
p
q
q
q0
q0
p0
p0
100
100 .
Poslovna statistika
Primer 8.2.2.2. Na osnovu podataka iz Tabele 8.2.2.2.
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Tabela 8.2.2.2.
Izraunati za 2005 god kao tekuu i 2000god. kao baznu, po Laspeyersovom metodu ponderisanih agregata, grupni indeks cena i indeks koliina,
grupe mlenih proizvoda.
Reenje:
Koristei rezultate Tabele 8.2.2.2.a.,
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
p0 q0
55000
48000
27000
16000
=146000
pi q0
66000
68000
40500
22000
=196500
qi p 0
60000
48000
30000
24000
=162000
Tabela 8.2.2.2.a.
dobijamo da je po Laspeyers-ovom metodu agregata grupni ponderisani
indeks cena
indeks koliina
Ip
Iq
p
p
q0
q0
q p
p q
i
253
100
196500
100 134,59
146000
100
162000
100 110,96 .
146000
Poslovna statistika
Indeks koliina, Iq
Ip
Iq
p
p
q
q
qi
qi
pi
pi
100
100 .
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Tabela 8.2.2.3.
Izraunati za 2005. godinu kao tekuu i 2000. kao baznu, po Pasche-ovom
metodu ponderisanih agregata, grupni indeks cena i indeks koliina grupe
mlenih proizvoda.
254
Poslovna statistika
Reenje:
pi qi
72000
68000
45000
33000
=218000
pi q0
66000
68000
40500
22000
=196500
qi p 0
60000
48000
30000
24000
=162000
Tabela 8.2.2.3.a.
dobijamo da je po Pasche-ovom metodu agregata grupni ponderisani
indeks cena
indeks koliina
Ip
Iq
p q
p q
q p
q p
i
100
218000
100 134,57 ,
162000
100
218000
100 110,94 .
196500
Indeks cena, Ip
IP
255
p
p
q0
q0
qi
100
0 qi
p
p
Poslovna statistika
Iq
Indeks koliina, Iq
q
q
p0
p0
pi
100 .
0 pi
q
q
Proizvod
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Kajmak
Pavlaka
Mleko
Jogurt
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Tabela 8.2.2.4.
Izraunati za 2005. godinu kao tekuu i 2000. kao baznu, po Fisher-ovom
metodu ponderisanih agregata, grupni indeks cena i indeks koliina grupe
mlenih proizvoda.
Reenje:
IP
p
p
q0
q0
qi
100
0 qi
256
134,58
Poslovna statistika
indeks koliina:
Iq
q
q
p0
p0
pi
100
0 pi
q
q
110,95 .
Indeks cena, Ip
Indeks koliina, Iq
Ip
Iq
p
p
q
q
(q 0 qi )
(q 0 qi )
( p 0 pi )
( p0 pi )
100
100
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
Cena u
din./kg
2000. g.
Cena u
din./kg
2005. g.
(p0)
1000
600
300
400
(pi)
1200
850
450
550
Tabela 8.2.2.5.
257
Prodata
koliina (t)
2000. g.
(q0)
Prodata
koliina (t)
2005. g.
(qi)
55
80
90
40
60
80
100
60
Poslovna statistika
Izraunati za 2005. godinu kao tekuu i 2000. kao baznu, po MarshalEdgworth-ovom metodu ponderisanih agregata, grupni indeks cena i
indeks koliina, grupe mlenih proizvoda.
Reenje:
Proizvod
pi q0 qi
Kajmak
Pavlaka
Mleko
Jogurt
138000
136000
85500
55000
=414500
p 0 q 0 qi
qi p 0 pi
q0 p0 pi
115000
96000
57000
40000
=308000
132000
116000
75000
60000
=383000
121000
116000
67500
38000
=342500
Tabela 8.2.2.5.a.
indeks cena
Ip
p
p
(q 0 qi )
(q 0 qi )
100
258
414500
100 134,58
308000
Poslovna statistika
indeks koliina
Iq
q
q
( p 0 pi )
( p0 pi )
100
383000
100 111,82 .
342500
Proizvod
Kukuruz
Penica
Ra
Jeam
Ovas
Cena u
din./kg
2001. g.
950
760
330
640
450
Cena u
din./kg
2005. g.
1200
850
450
550
500
Prodata
koliina (t)
2001. g.
12
18
20
25
17
Prodata
koliina (t)
2005. g.
16
24
30
22
24
259
Poslovna statistika
9. ANALIZA VREMENSKIH SERIJA
Neka posmatrano obeleje X u trenucima t1, t2, ..., tn (u naoj analizi ovi
trenuci su ekvidistantni), ima vrednosti x1, x2, ..., xn. Tada niz
X (i )
xi
X (t i )
i 1,2,..., n
Poslovna statistika
9.1. Dekompozicija vremenskih serija
U veem broju sluajeva se kod vremenskih serija mogu izdvojiti njene etiri
osnovne komponente: trend, ciklina komponenta, sezonska komponenta i
rezidualna (sluajna) komponenta.
- Trend je osnovna razvojna tendencija obeleja i nastaje od regularnih uticaja
na posmatrnao obeleje. On predstavlja dugoronu tendenciju razvoja
vremenske serije. Trend komponentu vremenske serije obeleavaemo sa T,
odnosno sa T(i) , i=1,2,...,n.
- Ciklina komponenta su varijacije koje se pojavljuju kao oscilacije oko
trenda sa promenljivom periodom koja je obino vea od jedne godine.
Ciklinu komponentu vremenske serije obeleavaemo sa C, odnosno sa C(i),
i=1,2,...,n.
- Sezonska komponenta su varijacije koje se pojavljuju kao oscilacije oko
trenda sa istom periodom koja je obino manja do jednaka od jedne godine.
Sezonsku komponentu vremenske serije obeleavaemo sa S, odnosno sa
S(i), i=1,2,...,n.
- Rezidualna komponenta su sluajne ili katastrofalne varijacije. Sluajne
varijacije imaju karakter sluajnih greaka, dok su katastrofalne varijacije
posledica nekih prirodnih ili drutvenih kataklizmi (poplave, zemljotresi, ratovi
i sl...). Rezidualnu komponentu vremenske serije obeleavaemo sa R,
odnosno sa R(i), i=1,2,...,n.
X (i )
T C S R
T (i ) C (i ) S (i ) R(i )
odnosno
i=1,2,...,n,
261
Poslovna statistika
DX (i )
T (i ) C (i ) R(i )
i=1,2,...,n.
T C S R
odnosno
T (i ) C (i ) S (i ) R(i )
X (i )
DX (i )
i=1,2,...,n,
T (i ) C (i ) R(i )
i=1,2,...,n.
T C S R
X (i )
DX (i )
T (i ) C (i ) S (i ) R(i )
T (i ) C (i ) R(i )
odnosno
i=1,2,...,n,
i=1,2,...,n.
Poslovna statistika
x2
x1 x 2 x3
3
x3
x 2 x3 x 4
3
263
Poslovna statistika
itd., sve do poslednjeg trolanog pokretnog proseka
__
x n 1
x n 2 x n 1 x n
3
x3
x1 x 2 x3 x 4 x5
5
x4
x 2 x3 x 4 x5 x6
5
x n2
x n 4 x n 3 x n 2 x n 1 x n
5
xn2 .
Uoimo da ne moemo nai petolani prosek prva i poslednja dva originalna
podatka.
Ukoliko elimo pronai (2m+1)-lani pokretni prosek, PP(m), vremenske
serije x1, x2, ..., xn,dobiemo izravnatu vremensku seriju
__
xi
m
1
xi j ,
2 m 1 j m
m 1, m 2, , n m .
264
Poslovna statistika
Mogue je koristiti i parne pokretne proseke. Tako, ako je data vremenska
serija x1, x2, ..., xn, tada bi njen prvi pokretni prosek grupe od etiri podatka bio
__
x 2/3
__
x 3/ 4
x1 x 2 x3 x 4
,
4
drugi
x 2 x3 x 4 x5
,
4
itd., i poslednji
x n 3 x n 2 x n 1 x n
,
4
__
x n 2 / n 1
__
__
x3
__
x 2/3 x 3/ 4
,
2
__
__
x4
__
x 3/ 4 x 4/5
, itd., i na kraju
2
__
__
x n2
__
x n 3 / n 2 x n 2 / n 1
i tako dobili PP(4) originalne serije.
2
265
Poslovna statistika
Primer 9.1.1. Za vremensku seriju iz Tabele 9.1.1. nai trolani, etvrolani i
petolani pokretni prosek i prikazati ih grafiki.
Period
zima 2001. g.
prolee 2002. g.
leto 2002. g.
jesen 2002. g.
zima 2002. g.
prolee 2003. g
leto 2003 g.
jesen 2003. g.
zima 2003. g.
prolee 2004. g.
leto 2004. g.
jesen 2004. g.
zima 2004. g.
prolee 2005. g.
leto 2005. g.
jesen 2005. g.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
xi
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
Tabela 9.1.1.
Reenje:
266
Poslovna statistika
PP(3)
1
xi
__
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
xi j
j 1
160.3
151.3
156
154
148.3
147.3
154.7
158
146.3
138.7
144.3
150.7
148.7
142
PP(4)
__
x i / i 1
PP(5)
__
xi
xi 1 / i xi / i 1
2
159
155.25
152
150
152.25
151
153
150.75
144.5
145.25
145.25
146.25
147.75
157.125
153.625
151
151.125
151.625
152
151.875
147.625
144.875
145.25
145.75
147
xi j
j 1
Tabela 9.1.1.a.
Grafiki prikaz PP(3), PP(4) i PP(5) dat je na slici 9.1.1.
267
__
xi
x
j 2
160.6
152.2
149.2
152.8
154.2
150.4
148.2
148.4
148.6
145.8
142.8
146
i j
Poslovna statistika
200
180
160
140
Originalna serija
120
PP(3)
100
PP(5)
80
PP(4)
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
268
Poslovna statistika
zavisnost izmeu vrednosti obeleja X i vremena t na osnovu podataka (i,xi)
i=1,2,...,n.
Naravno da i u ovom sluaju moe postojati linearna veza izmeu vrednosti
obeleja i vremena koja odreuje linearni trend, zatim parabolina,
eksponencijalna, logaritamska, itd. Sve formule pomou kojih se metodom
najmanjih kvadrata dobijaju razne regresione krive, a koje su date u 7.
poglavlju ovog udbenika, vae i za odreivanje trenda vremenske serije.
Primer 9.1.2. Pronai linearni trend vremenske serije iz Tabele 9.1.1. pod
pretpostavkom da postoji ciklina komponenta. Predstaviti ga grafiki i
tablino.
Reenje:
n
n n
n i xi i xi
i 1
i1 i1
n
n i2 i
i 1
i1
xi
a
i 1
b
i
i 1
a 162.45 , odnosno
269
Poslovna statistika
200
180
160
140
120
y = -1.3618x + 162.45
100
Series1
Linear (Series1)
80
60
40
20
0
0
10
15
20
T(i)
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
T (i )
1.3618 i
162.45
161.1
159.7
158.4
157
155.6
154.3
152.9
151.6
150.2
148.8
147.5
146.1
144.7
143.4
142
140.7
270
Poslovna statistika
9.1.3. Odreivanje cikline komponente, C(i)
T (i ) C (i )
PP(i )
T (i )
Imajui u vidu da je
C (i )
PP(i )
T (i )
271
Poslovna statistika
PP(3)
T(i)
xi
__
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
j 1
160.3
151.3
156
154
148.3
147.3
154.7
158
146.3
138.7
144.3
150.7
148.7
142
i j
C(i)100
C (i )
T (i )
C(i)
1.3618 i PP(3)(i )
T (i )
162.45
161.1
159.7
158.4
157
155.6
154.3
152.9
151.6
150.2
148.8
147.5
146.1
144.7
143.4
142
140.7
1.0038
0.9556
0.9936
0.9895
0.9614
0.9635
1.0205
1.0520
0.9832
0.9403
0.9879
1.0409
1.0368
0.9998
100.38
95.56
99.36
98.95
96.14
96.35
102.05
105.20
98.32
94.03
98.79
104.09
103.68
99.98
Poslovna statistika
9.1.4. Odreivanje sezonske komponente, S(i)
T (i ) C (i ) S (i ) R(i )
PP(i )
T (i ) C (i )
i=1,2,...,n
i=m+1,m+2, ... , n-m ,
pa je
S (i ) R (i )
T (i ) C (i ) S (i ) R(i )
T (i ) C (i )
X (i )
PP(i )
Kako je
S (i ) R (i )
T (i ) C (i ) S (i ) R(i )
T (i ) C (i )
X (i )
PP(i )
Poslovna statistika
PP(3)
xi
__
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
S(i)R(i)
S (i ) R(i )
j 1
X (i )
PP(3)(i )
xi j
3
160.3
151.3
156
154
148.3
147.3
154.7
158
146.3
138.7
144.3
150.7
148.7
142
0.9543
0.9648
0.9936
1.0844
0.9438
0.9367
1.0603
1.0253
1.0114
0.9303
0.9630
1.0951
0.9955
0.9366
S(i)R(i)100
95.43
96.48
99.36
108.44
94.38
93.67
106.03
102.53
101.14
93.03
96.30
109.51
99.55
93.66
274
Poslovna statistika
Zima
2002
2003
2004
2005
Prolee
0.9543
Leto
Jesen
0.9648
0.9367
0.9303
0.9936
1.0603
0.9630
1.0844
1.0253
1.0951
0.9438
1.0114
0.9955
0.9366
1.0683
0.9762
0.9421
_____
SR
1.0056
Tabela 9.1.4.a
odnosno sezonska serija S(i) data je u Tabeli 9.1.4.b.
PP(3)
xi
__
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
S(i)R(i)
S(i)
S (i ) R(i )
S (i )
j 1
X (i )
PP(3)(i )
S (i ) R(i )
0.9543
0.9648
0.9936
1.0844
0.9438
0.9367
1.0603
1.0253
1.0114
0.9303
0.9630
1.0951
0.9955
0.9366
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
xi j
3
160.3
151.3
156
154
148.3
147.3
154.7
158
146.3
138.7
144.3
150.7
148.7
142
____________
275
S(i)100
97.62
94.21
100.56
106.83
97.62
94.21
100.56
106.83
97.62
94.21
100.56
106.83
97.62
94.21
Poslovna statistika
9.1.5. Odreivanje rezidualne komponente, R(i)
S (i ) R(i )
S (i )
Kako je
R (i )
S (i ) R(i )
S (i )
276
Poslovna statistika
S(i)R(i)
PP(3)
1
xi
__
xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
x
j 1
160.3
151.3
156
154
148.3
147.3
154.7
158
146.3
138.7
144.3
150.7
148.7
142
i j
S(i)
R(i)
S (i ) R(i )
S (i )
R (i )
X (i )
PP(3)(i )
____________
S (i ) R(i )
S (i ) R(i )
S (i )
0.9543
0.9648
0.9936
1.0844
0.9438
0.9367
1.0603
1.0253
1.0114
0.9303
0.9630
1.0951
0.9955
0.9366
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
0.9775
1.0240
0.9881
1.0151
0.9668
0.9942
1.0544
0.9598
1.0360
0.9875
0.9577
1.0251
1.0198
0.9942
Poslovna statistika
Aritmetika sredina rezidualne komponente iznosi
15
R(i)
i 2
14
1.000018 ,
X (i )
S (i )
Kako je
DX (i )
X (i )
S (i )
278
Poslovna statistika
S(i)
S (i )
i
xi
____________
S (i ) R(i )
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
1.0056
1.0683
0.9762
0.9421
DX(i)
DX (i )
X (i )
S (i )
156.73
154.97
154.14
156.32
143.41
146.48
163.09
151.64
151.61
136.93
138.23
154.45
151.61
141.17
Poslovna statistika
Zadatak 9.1.1. Za seriju xt iz sledee tabele
Period
zima 2001. g.
prolee 2002. g.
leto 2002. g.
jesen 2002. g.
zima 2002. g.
prolee 2003. g.
leto 2003. g.
jesen 2003. g.
zima 2003. g.
prolee 2004. g.
leto 2004. g.
jesen 2004. g.
zima 2004. g.
prolee 2005. g.
leto 2005. g.
jesen 2005. g.
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
xt
375
344
347
358
369
335
330
359
357
348
325
338
364
342
330
346
280
Poslovna statistika
9.2. Prognoza vremenske serije
T (i 1) .
Poslovna statistika
Po ovom modelu, ekponencijalno poravnate vrednosti, fi, vremenske serije, xi,
i=1,2,...,n, dobijaju se po sledeem rekurentnom obrascu:
f1
x1
f i 1
a xi 1 a f i
0 a 1,
i 1,2,, n.
a x n 1 a f n .
Broj a je ponder koji odreuje stepen uticaja uslova koji su determinisali prvi
prethodni lan, dok ponder (1-a) ukazuje na to da je uticaj svake prethodne
opservacije (1-a) puta manji. Naime, vai:
f1
x1
f i 1
a xi 1 a f i
a xi 1 a a xi 1 1 a f i 1
a xi a 1 a xi 1 a 1 a xi 2 a 1 a xi 3
2
xi f i ,
x1
a xi 1 a f i
0 a 1,
f i a xi f i
i 1,2, , n.
282
f i a ei
Poslovna statistika
Tako da je nova prognoza jednaka zbiru prethodne prognoze i korekcije za
greku prognoze.
Za primenu u prognozi, poeljno je da ponder a bude vei od 0.7. Dok, u
sluajevima u kojima eksponencijalno izravnjanje koristimo umesto serije
pokretnih proseka u procesu desezoniranja, poeljno je da ponder a bude manji
od 0.4.
Primer 9.2.2. Za vremensku seriju iz Tabele 9.1.1, predstaviti tabelarno i
grafiki eksponencijalno izravnjanje za parametar a=0.8 i a=0.3. Takoe,
pomou ekponencijalno poravnate serije parametrom a=0.8 predvideti
vrednost obeleja za zimu 2005.
Reenje:
x1
a xi 1 a f i
i 1, 2,... n 1
Period
zima 2001 god.
prolee 2002 god
leto 2002 god
jesen 2002 god
zima 2002 god.
prolee 2003 god
leto 2003 god
jesen 2003 god
zima 2003 god.
prolee 2004 god
leto 2004 god
jesen 2004 god
zima 2004 god.
prolee 2005 god
leto 2005 god
jesen 2005 god
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
xi
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
a=0.8
182
182
158.8
148.56
153.71
164.34
144.87
139.37
159.07
161.41
150.68
133.34
137.87
159.57
150.31
136.46
a=0.3
182
182
173.3
165.11
162.08
163.55
156.49
150.94
154.86
157
154.3
146.71
144.4
150.58
149.8
144.76
Poslovna statistika
Grafik originalne serije i serija eksponencijalnih izravnanja za a=0.8 i a=0.3
dat je na Slici 9.2.2.
200
180
160
140
120
100
80
60
40
20
0
Originalna serija X(I)
a x16 1 a f16
f1
f i 1
x1
a xi 1 1 a f i
0 a 1,
284
i 1,2,, n 1.
Poslovna statistika
a x n 1 a f n .
Period
zima 2001. g.
prolee 2002. g.
leto 2002. g.
jesen 2002. g.
zima 2002. g.
prolee 2003. g.
leto 2003. g.
jesen 2003. g.
zima 2003. g.
prolee 2004. g.
leto 2004. g.
jesen 2004. g.
zima 2005. g.
prolee 2005. g.
leto 2005. g.
jesen 2005. g.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
xi
182
153
146
155
167
140
138
164
162
148
129
139
165
148
133
145
a=0.8
182
158.8
148.56
153.71
164.34
144.87
139.37
159.07
161.41
150.68
133.34
137.87
159.57
150.31
136.46
143.29
a=0.3
182
173.3
165.11
162.08
163.55
156.49
150.94
154.86
157
154.3
146.71
144.4
150.58
149.8
144.76
144.83
285
Poslovna statistika
200
150
100
50
0
Originalna serija X(I)
Poboljsano eksponencijalno poravnjanje a=0.8
Poboljsano eksponencijalno poravnjanje a=0.3
a x16 1 a f16
286
Poslovna statistika
Zadatak 9.2.2. Za seriju iz sledee tabele prognozirati vrednost za januar
2006, koristei oba metoda eksponencijalnog izravnanja sa konstantom a=0,9 i
predstaviti grafiki originalnu i poravnate serije.
2004. g.
januar
februar
mart
april
maj
jun
jul
avgust
septembar
oktobar
novembar
decembar
t
1
2
3
4
5
6
7
8
9
10
11
12
xt
110
138
215
250
203
248
308
327
359
375
420
465
2005 god
januar
februar
mart
april
maj
jun
jul
avgust
septembar
oktobar
novembar
decembar
287
t
13
14
15
16
17
18
19
20
21
22
23
24
xt
478
485
505
535
576
587
612
645
684
716
723
758
Poslovna statistika
LITERATURA
x Aczel, A. D. Sounderpandian, J.: Complete Business Statistics, 5th
Edition, Mc Grew-Hill, 2002.
x Berenson, M. L. Levine, D. M. Krehbiel, T. C.: Basic Business
Statistics Concepts and Applications, 8th Edition, Prentice Hall, 2002.
x Ivkovi, Z. A.: Matematika statistika, Nauna knjiga, Beograd,
1992.
x Malii, J.: Vremenske serije, Matematiki fakultet, Beograd, 2002.
x Mari, N. Ralevi, N. Filipovi, L.: Poslovna statistika, Megatrend
univerzitet primenjenih nauka, Beograd, 2001.
x Merkle, M. Vasi, P.: Verovatnoa i statistika, Akademska misao,
Beograd 2001.
x Mladenovi, P.: Verovatnoa i statistika, Matematiki fakultet,
Beograd, 2002.
x Peter, J. Brockwell, R. Davis, A.: Introduction to Time Series and
Forecasting, Springer Texts in Statistics, 2nd Edition, 2002.
x Spanos, Aris.: Probability Theory and Statistical Inference,
Econometric Modeling with Observational Data, Cambridge University
Press, 1999.
x Vukadinovi, S. V.: Elementi teorije verovatnoe i matematike
statistike, Privredni pregled, Beograd, 1990.
x Vukadinovi, S. V.: Zbirka reenih zadataka iz matematike statistike,
Nauna knjiga, Beograd, 1988.
x Vukadinovi, S. V.: Zbirka reenih zadataka iz teorije verovatnoe,
Privredni pregled, Beograd, 1990.
x ii, M. Lovri, M. Pavlii, D.: Metodi statistike analize,
Ekonomski fakultet, Beograd, 2001.
288
DODATAK
TABLICE
ISBN 86-7747-205-3
POSLOVNA
STATISTIKA