Poslovna Statistika

Prof. dr Duan Joksimovi roen je 1966.
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
Prof. dr Duan Joksimovi POSLOVNA STATISTIKA
Prof. dr Duan Joksimovi
POSLOVNA
STATISTIKA
Megatrend univerzitet primenjenih nauka, Beograd, 2006.
POSLOVNA
STATISTIKA

POSLOVNA STATISTIKA
Recenzenti:
Dr Neboja Romevi,
vii nauni saradnik Instituta za fiziku u Beogradu
Dr Nenad Ignjatovi,
vii nauni saradnik Instituta tehnikih nauka SANU u Beogradu
Izdaje i tampa:
Megatrend univerzitet primenjenih
nauka, Beograd, Makedonska 21
Za izdavaa:
Nevenka Trifunovi, izvrni direktor
Direktor izdavake delatnosti:
Dragan Karanovi
Lektor:
Irina Milutinovi
Tehniki urednik:
Dizajn korica
Branimir Troi
Tira:
1000 primeraka
Copyright:
2005 Megatrend univerzitet
primenjenih nauka - Beograd
Izdava zadrava sva prava.
Reprodukcija pojedinih delova
ili celine ove publikacije
nije dozvoljena!
ISBN 86-7747-205-3
Odlukom Komisije za izdavaku delatnost Megatrend univerziteta

primenjenih nauka broj 158/44 (23.1.2006) rukopis je odobren za tampu
i upotrebu u nastavi kao udbenik.
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
3.1.1.3. Parametri oblika rasporeda diskretne
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
3.2.2. Primeri nekih raspodela neprekidnih

sluajnih promenljivih ...................................................................................115
3.2.2.1. Normalna (Gausova) raspodela, N(,2)...............................................115
3.2.2.2. Studentova raspodela (t-raspodela), tv ..................................................121
3.2.2.3. Hi-kvadrat raspodela, v2 ........................................................................124
3.3. Neke osobine matematikog oekivanja E(X)
i Varijanse Var(X) sluajne promenljive X .......................................................127
4. UZORAK I STATISTIKE UZORKA ......................................................................128
4.1. Prost sluajni uzorak ............................................................................................129
4.2. Raspodele parametara uzorka ............................................................................133
4.2.1. Raspodela aritmetike sredine uzoraka X....................................................139
4.2.2. Raspodela razlike aritmetikih sredina uzoraka, X1 X2 ..........................146
4.2.3. Raspodela proporcije uzoraka Pr ..................................................................147
4.2.4. Raspodela varijanse uzoraka,
S2 - poznato, S 2c - nepoznato .....................................................................150
5. STATISTIKO OCENJIVANJE ..............................................................................152
5.1. Takaste ocene ......................................................................................................153
5.2. Intervalne ocene ...................................................................................................157
5.2.1. Intervalna ocena aritmetike sredine populacije, ....................................158
5.2.2. Intervalna ocena razlike aritmetikih sredina
populacija, 1 2 ...........................................................................................164
5.2.3. Intervalna ocena proporcije populacije ....................................................167
5.2.4. Intervalna ocena varijanse populacije, 2 .....................................................170
6. TESTIRANJE PARAMETARSKIH
STATISTIKIH HIPOTEZA ...................................................................................174
6.1. Testiranje aritmetike sredine populacije , .....................................................181
6.2. Testiranje razlike aritmetikih sredina populacije, 1 2 .............................194
6.3. Testiranje proporcije populacije, .....................................................................199
6.4. Testiranje varijanse populacije 2 .......................................................................203
7. REGRESIJA I KORELACIJA ...................................................................................210
7.1. Prosta linearna regresija i korelacija ..................................................................214
7.1.1. Ocenjivanje parametara i iz uzorakih podataka .................................216
7.1.2. Standardna greka regresije, se.......................................................................218
7.1.3. Standardna greka ocene nagiba regresione krive, sb .................................219
7.1.4. Koeficijent determinacije, r2 ..........................................................................220
7.1.5. Koeficijent proste linearne korelacije u uzorku, r .......................................221
7.1.6. Standardna greka ocene koeficijenta
proste linearne korelacije, sr ..........................................................................222
7.1.7. Korienje linearnog regresionog modela

za predvianje vrednosti zavisnog obeleja ...............................................223
7.1.8. Interval predvianja prosene vrednosti zavisnog
obeleja Y, za datu vrednost nezavisnog obeleja X=xp .............................224
7.1.9. Interval predvianja individualne vrednosti
zavisnog obeleja Y, za datu vrednost nezavisnog obeleja X=xp.................225
7.2. Kvadratna regresija i korelacija...........................................................................227
7.2.1. Standardna greka kvadratne regresije, se ....................................................230
7.2.2. Koeficijent determinacije kvadratne regresije, r2 ........................................230
7.3. Logaritamska regresija i korelacija .....................................................................231
7.4. Eksponencijalna regresija i korelacija ................................................................232
8. INDEKSI.....................................................................................................................240
8.1. Individualni indeksi .............................................................................................241
8.1.1. Individualni bazni indeksi, Bi ........................................................................241
8.1.2. Individualni lanani indeksi, Li .....................................................................243
8.1.3. Srednji tempo porasta, S.................................................................................244
8.1.4. Srednji tempo pada, P.....................................................................................246
8.2. Grupni agregatni indeksi.....................................................................................247
8.2.1. Metod prosenih odnosa (srednje vrednosti) .............................................247
8.2.2. Metod agegata ..................................................................................................249
8.2.2.1. Neponderisani metod agregata ..............................................................250
8.2.2.2. Ponderisani metod agregata ...................................................................252
8.2.2.2.1. Lespeyers-ov metod ......................................................................252
8.2.2.2.2. Pasche-ov metod ...........................................................................254
8.2.2.2.3. Fisher-ov metod (idealni metod) ................................................255
8.2.2.2.4. Marshal-Edgworth-ov metod .....................................................257
9. ANALIZA VREMENSKIH SERIJA ........................................................................260
9.1. Dekompozicija vremenskih serija ......................................................................261
9.1.1. Metod pokretnih proseka (pokretnih sredina), PP ....................................263
9.1.2. Odreivanje trenda, T(i) ................................................................................268
9.1.3. Odreivanje cikline komponente, C(i) .......................................................271
9.1.4. Odreivanje sezonske komponente, S(i) ......................................................273
9.1.5. Odreivanje rezidualne komponente, R(i) ..................................................276
9.1.6. Odreivanje desezonirane serije DX (i) .......................................................278
9.2. Prognoza vremenske serije..................................................................................281
9.2.1. Eksponencijalno poravnanje .........................................................................281
LITERATURA ...............................................................................................................288
TABELE ..........................................................................................................................291
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:
-
deskriptivna statistika koja se bavi prikupljanjem, obradom i

prezentiranjem ve postojeih podataka;
statistika analiza koja predstavlja skup statistikih metoda pomou
kojih se vri kvantitativna analiza meusobnih odnosa izmeu pojava
koje imaju masovni karakter i pomou kojih se donose odreeni
zakljuci i definiu zakonitosti ponaanja posmatranih pojava;
statistika teorija koja pronalazi nove statistike metode i usavrava
ve postojee.
- Predmet statistikog istraivanja. Statistika istrauje pojave koje su po

svojoj prirodi varijabilne, koje imaju masovni karakter i ije ponaanje u masi,
na naem nivou intelektualnog razvoja, nije unapred odreeno egzaktnim
uzrono-posledinim zakonitostima. Posmatranjem i analiziranjem pojava na
velikom broju sluajeva, statistika donosi odreene zakljuke o masovnom
ponaanju tih pojava, te se najee i predstavlja kao nauni metod
kvantitativnog istraivanja masovnih pojava.
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.
Generalno, statistiki metodi analize masovnih pojava se mogu svrstati u dve

grupe: deskriptivna statistika analiza i analitika statistika.
- Deskriptivna statistika analiza obuhvata metode prikupljanja, sreivanja i

prikazivanja podataka iz statistikog skupa ili iz uzorka, i metode odreivanja
odreenih parametara statistikog skupa ili uzorka, naravno onih parametara
koji su relevantni za opis ponaanja posmatranog obeleja u posmatranom
skupu.
- Analitika statistika se bavi objanjavanjem i procenjivanjem varijabiliteta,

statistikim zakljuivanjima na onovu uzorka i predvianjima ponaanja
posmatranog obeleja u budunosti.
Takoe, metodi statistike analize mogu se podeliti na statike i dinamike.
- Metodi statike statistike analize analiziraju promene obeleja unutar
osnovnog skupa (populacije) u okviru jednog trenutka (ili intervala vremena).
- Metodi dinamike statistike analize analiziraju vremensku zavisnost
obeleja.
Poslovna statistika
1. DESKRIPTIVNA STATISTIKA ANALIZA
1.1. Ureivanje i prikazivanje podataka

Dobijeni podaci o vrednostima obeleja koje imaju ispitivani elementi
populacije (ili uzorka) predstavljaju niz neureenih numerikih podataka.
Postupak njihovog ureivanja predstavlja njihovo predstavljanje po veliini od
najmanje do najvee vrednosti. Tako ureen niz vrednosti posmatranog
obeleja predstavlja ureenu statistiku seriju, iji emo i-ti lan obeleavati
sa xi , i obino ih nazivamo negrupisanim podacima.
Prikazivanje ureenih podataka moe biti tabelarno (u vidu tabela) i grafiko
(u vidu grafikona).
Da bi se ureeni podaci prikazali tabelarno ili grafiki, neophodno je prvo ih
grupisati, odnosno odrediti klase po kojima e se rasporeivati elementi
populacije (ili uzorka). U zavisnosti od osobina obeleja koje se ispituje, klase
mogu biti diskretne (ispitivana obeleja su diskretna) ili intervalne (ispitivana
obeleja su neprekidna).
Diskretna klasa, kod diskretnih obeleja, odreuje onu grupu lanova
populacije koja ima istu vrednost obeleja, dok intervalna klasa, kod
neprekidnih obeleja, odreuje onu grupu lanova populacije koja ima
vrednosti unutar istog, unapred odreenog intervala vrednosti obeleja.
Klasni intervali intervalnih klasa obino su iste irine (u analizama koje e biti
sprovedene u ovom udbeniku, klasni intervali moraju biti iste irine).
Donja i gornja granica klasnog intervala moraju biti jasno i nedvosmisleno
odreene i moraju ouvati kontinualnu prirodu vrednosti posmatranog
obeleja, odnosno moraju biti u vidu poluotvorenih intervala koji se ne
preklapaju (iji je presek prazan skup), i koji prekrivaju itavu oblast moguih
posmatranih vrednosti obeleja (ija je unija itav interval moguih vrednosti
obeleja).
Dakle, kod diskretnih obeleja, klase su odreene vrednostima obeleja koje se
pojavljuju u ureenoj seriji, dok kod neprekidnih obeleja, klase (njihov broj,
odnosno klasni interval) odreuje osoba koja vri statistiku analizu.
10
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)
po Sturgesovoj formuli K | 1 3.3 log N
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 '.
Tabelarno, odnosno grafiko prikazivanje ureenih podataka, u stvari,

predstavlja prikazivanje odreenog broja pojavljivanja vrednosti datog
obeleja u ispitivanoj populaciji (uzorku), to jest prikazivanje sledeih
frekvencija:
11
Poslovna statistika
-
Apsolutna frekvencija i-te klase obeleiemo je sa fi koja

predstavlja ukupan broj lanova populacije (uzorka) koji imaju vrednost
obeleja odreenu i-tom klasom (i = 1, 2, ..., K).
K
Oigledno je da vai
N.
i 1
Relativna frekvencija i-te klase obeleiemo je sa pi, koja

predstavlja relativan broj lanova populacije (uzorka) koji imaju
vrednost obeleja odreenu i-tom klasom ( i = 1,2,...,K ), to jest
fi
pi
.
N
K
Oigledno je da vai
1.
i 1
Kumulativna frekvencija i-te klase obeleiemo je sa Ki

odreena sa d ukoliko se radi o diskretnim klasama ili
intervalnim klasama ija je gornja granica zatvorena, ili sa
ukoliko se radi o intervalnim klasama ija je gornja granica
otvorena. Ova kumulativna frekvencija predstavlja ukupan broj
lanova populacije (uzorka) koji imaju vrednost obeleja manju ili
jednaku od vrednosti obeleja i-te diskretne klase, ili od vrednosti
gornje granice i-te intervalne klase ija je gornja granica zatvorena,
odnosno predstavlja ukupan broj lanova populacije (uzorka) koji imaju
vrednost obeleja manju od vrednosti gornje granice i-te intervalne
klase ija je gornja granica otvorena (i = 1, 2, ..., K).
Oigledno je da vai K K
N.
Kumulativna frekvencija i-te klase obeleiemo je sa Wi

odreena sa t ukoliko se radi o diskretnim klasama ili
intervalnim klasama ija je donja granica zatvorena, ili sa !
ukoliko se radi o intervalnim klasama ija je donja granica
otvorena. Ova kumulativna frekvencija predstavlja ukupan broj
lanova populacije (uzorka) koji imaju vrednost obeleja veu ili
jednaku od vrednosti obeleja i-te diskretne klase, ili od vrednosti donje
granice i-te intervalne klase ija je donja granica zatvorena, odnosno
predstavlja ukupan broj lanova populacije (uzorka) koji imaju vrednost
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.
Naravno, sve gore navedeno vai i za uzorak, uz injenicu da je tada N=n.

Grafiki prikaz frekvencija daje se u vidu grafikona u pravouglom Dekartovom
koordinatnom sistemu (x, y), gde se na x-osu nanose vrednosti obeleja i-te
klase, a na y-osu vrednost frekvencije koja se predstavlja (recimo fi).
Kod diskretnih obeleja (diskretnih klasa) taj grafiki prikaz je u vidu
izlomljenih pravih linija koje spajaju take ( xi, , fi) (ukoliko predstavljamo
apsolutnu frekvenciju fi) i naziva se poligon.
Kod neprekidnih obeleja (intervalnih klasa) taj grafiki prikaz je u vidu
pravougaonika ija je irina jednaka irini klasnog intervala, a visina nad i-tim
klasnim intervalom jednaka vrednosti i-te frekvencije koja se predstavlja
(recimo fi).
Primer 1.1.1. Anketirana je populacija od 50 studenata o broju poloenih ispita

i telesnoj teini. Dobijeni su sledei rezultati:
a) broj poloenih ispita:
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
Prikazati tabelarno i grafiki apsolutnu frekvenciju, relativnu frekvenciju,

kumulativne frekvencije odreene sa manje do jednako od i vee do
jednako od, za oba obeleja.
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
Grafiki prikaz apsolutne, relativne i kumulativnih frekvencija dat je na

sledeim slikama.
10
9
8
7
6
5
4
3
2
1
0
0
10 11 12 13 14 15
Broj poloenih ispita
Relativna frekvencija
Slika 1.1.1.a. Grafiki prikaz apsolutne frekvencije
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
Slika 1.1.1.b. Grafiki prikaz relativne frekvencije
15
Kumulativna frekvencija
<=
Poslovna statistika
50
45
40
35
30
25
20
15
10
5
0
0
10 11 12 13 14 15
>=
1.1.1.c. Grafiki prikaz kumulativne frekvencije (d)
50
45
40
35
30
25
20
15
10
5
0
0
10 11 12 13 14 15
1.1.1.d. Grafiki prikaz kumulativne frekvencije (t)
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.
Tabelarni prikaz je dat u Tabeli 1.1.1.b.
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.
Grafiki prikaz apsolutne, relativne i kumulativnih frekvencija dat je na

sledeim slikama.
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
Slika 1.1.1.f. Grafiki prikaz relativne frekvencije
18
(kg)
Poslovna statistika
50
<
45
40
35
30
25
20
15
10
5
0
50
60
70
80
90
100
110
120
(kg)
Teina
Slika 1.1.1.g. Grafiki prikaz kumulativne frekvencije (<)
50
>=
45
40
35
30
25
20
15
10
5
0
50
60
70
80
90
100
110
120
(kg)
Teina
Slika 1.1.1.h. Grafiki prikaz kumulativne frekvencije (t)
19
Poslovna statistika
1.2.
Izraunavanje parametara raspodele obeleja
Ureivanje i prikazivanje podataka analizirano u prethodnom odeljku 1.1,

samo je priprema podataka za njihovu dalju obradu. Naime, da bi se izveli
odreeni zakljuci o raspodeli ispitivanog obeleja u populaciji, ili u uzorku, pa
kasnije na osnovu toga i u celoj populaciji, neophodno je izraunati neke
veliine (parametre, pokazatelje, mere) koji na neki nain prezentuju ponaanje
raspodeljenosti obeleja u posmatranoj populaciji.
Uopteno, ti parametri se mogu podeliti u tri osnovne grupe:
- parametri srednje vrednosti (mere srednje vrednosti ili centralne
tendencije);
- parametri varijabiliteta (mere disperzije);
- parametri oblika rasporeda (mere oblika rasporeda).
Neki od parametara koje emo izraunavati isto e se oznaavati i za
populaciju i za uzorak, dok e neki imati razliite oznake u zavisnosti od toga
da li se radi o populaciji ili uzorku.
Takoe, neke od formula po kojima e se raunati parametri, bie identine i za
populaciju i za uzorak, dok e se neke razlikovati.
U ovom trenutku italac treba da obrati panju na te razlike i da ih prihvati bez
dodatnih objanjenja, uz napomenu da e se u kasnijim delovima udbenika
adekvatno razjasniti potreba za ovim razlikama.
1.2.1.
Parametri srednje vrednosti (mere srednje vrednosti)
Parametre srednje vrednosti moemo podeliti na izraunate i pozicione.

Izraunati su:
- aritmetika sredina,
- geometrijska sredina,
- harmonijska sredina.
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
___
obeleavamo sa X i izraunavamo po formuli:

___
x1 x 2 ... x N
.
N
Od sada pa nadalje u ovom udbeniku, aritmetiku sredinu populacije emo

___
obeleavati sa P, dok emo aritmetiku sredinu uzorka obeleavati sa X .

Kada podatke nismo grupisali u klase vai:
21
Poslovna statistika
N
i 1
___
i 1
Kada smo podatke grupisali u klase vai:

K
f i xi,
i 1
___
i 1
xi,
.
Imajui u vidu da je predstavnik diskretne klase xi, jednak vrednosti obeleja

koje imaju svi lanovi te klase (u i-toj klasi fi lanova ima vrednost xi koja je
jednaka xi, ), zakljuujemo da je aritmetika sredina u istoj seriji podataka
diskretnih obeleja identina bez obzira na to da li su podaci grupisani ili ne,
dok za neprekidna obeleja to ne moemo da tvrdimo jer je kod grupisanih
neprekidnih obeleja predstavnik i-te klase xi, , sredina i-tog klasnog intervala,
a sama raspodela obeleja u i-toj klasi ne mora biti takva da je njihova
aritmetika sredina ba sredina tog klasnog intervala.
Primer 1.2.1.1. Za podatke iz Primera 1.1.1. izraunati aritmetiku sredinu

broja poloenih ispita i teine anketiranih studenata
a) negrupiui podatke,
b) grupiui podatke.
Reenje:
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.
Ako grupiemo podatke, za aritmetiku sredinu teine studenata

dobijamo:
7
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.
Aritmetika sredina se ponekad naziva i moment prvog reda.

Generalno, moment reda k oznaavamo sa mk i izraunavamo po formuli:
N
x
mk
i 1
k
i
za negrupisane podatke,
23
Poslovna statistika
k
f i xi,
i 1
mk
za grupisane podatke.
- Aritmetika sredina aritmetikih sredina. Neka je dato m razliitih

populacija (ili uzorka), i neka je broj lanova svake od ovih populacija (uzorka)
Ni (odnosno ni), i neka je aritmetika sredina svake od ovih populacija (uzorka)
___
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:
Prosena visina studenta na prvoj godini studija je

m
Pi
i 1
220 168 180 182

220 180
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);
xi, - reprezent predstavnika i-te klase koji pravilno predstavlja direktno

proporcionalnu prirodu promene datog obeleja (i = 1, 2, ..., K).
Formule za geometrijsku sredinu uzorka su identine uz uslov N=n.
Primer 1.2.1.3. U poslednje etiri godine cena neke robe se menjala na sledei
nain: prve godine poveala se za 10%, druge se poveala za 12%, tree godine
se smanjila za 5% i etvrte godine se smanjila za 17%. Kakva je prosena
procentualna godinja promena cene ove robe u ovom periodu?
Reenje:
Ukoliko sa p predstavimo decimalni zapis procentualne promene od p%,

p%
, onda je
odnosno p
100
(1+ p) pravilni reprezent porasta od p%, a
(1 - p) pravilni reprezent smanjenja od p%,
pa je reprezent geometrijske sredine procentualne godinje promene cena u
ovom periodu
G
1,1 1,12 0,95 0,83
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
Kada elimo da iskaemo harmonijsku sredinu kao meru srednje vrednosti

odreenog obeleja u populaciji (ili uzorku), onda vai:
za negrupisane podatke:
N
N
x
i 1
za grupisane podatke:
N
K
fi
,
i 1 xi
Formule za harmonijsku sredinu uzorka su identine uz uslov N=n.

Primer 1.2.1.4. Osoba A uradi jedan posao radei sam za 10 asova. Osoba B
za 12 asova, a osoba C za 9 asova. Ako su osobe A, B i C iz iste grupacije
ljudi, koliko je srednje vreme potrebno da jedan ovek iz te grupacije sam uradi
taj posao?
Reenje:
Poto je vreme za koje bi se zavrio taj posao obrnuto proporcionalno broju

ljudi iz te grupacije koji bi ga istovremeno obavljali (to vie ljudi istovremeno
radi na tom poslu, to e vreme izrade posla biti manje), to je srednje vreme
potrebno da jedan ovek iz te grupacije sam uradi taj posao jednako:
26
Poslovna statistika
3
asova=10,19 asova.
1
1 1

10 12 9
Izmeu harmonijske, geometrijske i harmonijske sredine izraunate nad istim

skupom brojeva, vai sledea nejednaina:
____
H dGd X .
- Modus. Za negrupisane podatke modus (M0) je vrednost obeleja koje se

najee javlja u seriji.
Za grupisane podatke diskretnog tipa, modus (M0) je takoe vrednost obeleja

koje se najee javlja u seriji, to u ovom sluaju predstavlja vrednost klase
ija je apsolutna frekvencija najvea.
Za grupisane podatke neprekidnog tipa modus (M0) nalazimo tako to prvo
pronaemo modalnu klasu, kao klasu ija je apsolutna frekvencija najvea.
Zatim modus izraunavamo po formuli:
M0
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,
' - irina klasnog intervala.

Vrednost modusa neprekidnih podataka grupisanih u klase moe se dobiti i
grafikim putem kao apscisa take preseka prave koja je odreena takama
LM 0 , f M 0 1 i LM 0 ', f M 0 i prave odreene takama LM 0 , f M 0 i
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.
Interesantno je napomenuti da ako bi se konstruisala parabola koja prolazi kroz

tri sredine gornjih strana pravougaonika, apscisa maksimuma te parabole bi se
poklopila sa modusom.
Ukoliko se svaki podatak u seriji pojavljuje isti broj puta, odnosno ukoliko su
sve apsolutne frekvencije meusobno jednake, onda modus ne postoji.
Ukoliko postoji samo jedan modus, kaemo da je serija, odnosno raspodela
unimodalna. Ukoliko postoje dva modusa, onda kaemo da je serija, odnosno
raspodela bimodalna, a ako postoji vie od dva modusa, onda seriju, odnosno
raspodelu proglaavamo polimodalnom.
Primer 1.2.1.5. Za podatke iz Primera 1.1.1. izraunati modus:
a) broja poloenih ispita,

b) teine anketiranih studenata.
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
- Medijana. Za negrupisane podatke medijana (Me) je vrednost obeleja koje

se nalazi u sredini ureene statistike serije. Dakle, broj lanova populacije
(uzorka) koji su manji od Me te populacije (tog uzorka) jednak je broju lanova
te populacije (tog uzorka) koji su vei od Me te populacije (tog uzorka).
Ukoliko je broj lanova ureene statistike serije neparan, N 2 k 1 , tada je

N 1
medijana jednaka vrednosti
-og lana te serije, a ukoliko je broj
2
lanova ureene statistike serije paran, N 2 k , tada je medijana jednaka
N
N
aritmetikoj sredini -og i 1 -og lana te serije.
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.
Za grupisane podatke neprekidnog tipa, Me je vrednost koja deli histogram na

dva dela jednakih povrina. Naravno da i tada vai da je broj lanova
populacije (uzorka) koji su manji od tako odreene Me jednak broju lanova te
populacije (tog uzorka) koji su vei od Me .
Da bismo odredili Me za grupisane podatke neprekidnog tipa, potrebno je prvo
da pronaemo medijalnu klasu Me,kl.
Medijalnu klasu Me,kl. odreujemo iz uslova:
M e , kl 1
fi d
i 1
N e , kl
fi .
2 i1
Medijanu Me odreujemo iz jednaine

M
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,
N - broj lanova populacije,

f i - apsolutna frekvencija i-te klase,
Formule za medijanu Me uzorka su identine uz uslov N=n.
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
25 , to je medijalna klasa >70 -80 kg, pa je medijana

M
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)
Parametre varijabiliteta moemo podeliti na apsolutne i relativne.

Apsolutni su:
-
interval varijacije,
interkvartilna razlika,
srednje apsolutno odstupanje,
srednje kvadratno odstupanje (varijansa),
standardna devijacija.
Relativni su:
-
koeficijent varijacije,
normalizovano standardno odstupanje.
- Interval varijacije. Interval varijacije (Iv) je interval vrednosti obeleja u

kome se nalaze vrednosti obeleja svih lanova populacije (uzorka).
Kod negrupisanih podataka, kao i kod grupisanih podataka diskretnog tipa,

izraunava se kao razlika najvee i najmanje vrednosti obeleja u ispitivanoj
populaciji (uzorku):
I v x max x min .
Kod grupisanih podataka neprekidnog tipa, izraunava se kao razlika gornje
granice poslednje klase i donje granice prve klase.
Primer 1.2.2.1. Za podatke iz Primera 1.1.1. izraunati interval varijacije:
c) broja poloenih ispita

d) teine anketiranih studenata.
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.
- Interkvartilna razlika. Pre nego to definiemo interkvartilnu razliku,

definisaemo sledee pojmove: kvartil, decil i percentil.
- Kvartili su brojevi, koje emo obeleavati sa Qi
(i 1,...,3) , sa
osobinom da i-ti kvartil (Qi) deli interval varijacije u odnosu i : 4 i.
To znai da Qi predstavlja vrednost obeleja od koje i 25% elemenata
populacije (uzorka) ima vrednost manju ili jednaku od Qi. Oigledno da je
Q2 M e .
Za negrupisane podatke, kao i za grupisane podatke diskretnog tipa, i-ti kvartil

izraunavamo po formuli:
Qi
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
1 nije ceo broj, tada se vrednost i-tog kvartila dobija

A ukoliko i
4
N 1
N 1
1 -og i i
2 -og lana
linearnom interpolacijom vrednosti i
4
4
ureene statistike serije.
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.
Vrednost Qi i=1,...,3 odreujemo iz jednaine

Q
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,

Formule za Qi uzorka su identine uz uslov N=n.
- Decili su brojevi, koje emo obeleavati sa Di
(i 1,...,9) , sa
osobinom da i-ti decil (Di) deli interval varijacije u odnosu i : 10 i.
To znai da Di predstavlja vrednost obeleja od koje i 10% elemenata
populacije (uzorka) ima vrednost manju ili jednaku od Di. Oigledno da je
D5 M e .
Za negrupisane podatke, kao i za grupisane podatke diskretnog tipa, i-ti decil

Di
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
N 1
ukoliko je i
1 ceo broj, tada je vrednost i-tog decila jednaka
10
N 1
vrednosti i
10

N
1
1 nije ceo broj, tada se vrednost i-tog decila dobija

A ukoliko i
10
N 1
N 1
1 -og i i
2 -og lana
10
10

Da bismo odredili vrednost i-tog decila (Di) za grupisane podatke neprekidnog
tipa, neophodno je prvo odrediti klasu i-tog decila Di ,kl , iz sledeeg uslova:
Di , kl 1
fi d i
i 1
N i , kl
fi
10 i 1
i=1,...,9.
Vrednost Di i=1,...,9 odreujemo iz jednaine

D
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,

Formule za Di uzorka su identine uz uslov N=n.
35
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 .
Za negrupisane podatke, kao i za grupisane podatke diskretnog tipa, i-ti

percentil izraunavamo po formuli:
Pi
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

N 1
ukoliko je i
1 ceo broj, tada je vrednost i-tog percentila jednaka
100
N 1
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
100
100
Da bismo odredili vrednost i-tog percentila (Pi) za grupisane podatke

neprekidnog tipa, neophodno je prvo odrediti klasu i-tog percentila Pi ,kl , iz
sledeeg uslova:
Pi , kl 1
i 1
fi d i
N i , kl
f i
100 i 1
i=1,...,99.
Vrednost Pi i=1,...,99 odreujemo iz jednaine

36
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,

Formule za Pi uzorka su identine uz uslov N=n.
Interkvartilna razlika Iq predstavlja interval vrednosti obeleja u kome se
nalazi 50% sredinih vrednosti ureene serije, i izraunava se po formuli
Iq
Q3 Q1
P75 P25 .
Ona iskljuuje 25% podataka sa najniim vrednostima i 25% podataka sa

najviim vrednostima.
U nekim literaturama se esto definie i pojam polukvartilne razlike
(semikvartilna razlika) i ona je polovina interkvartilne razlike, odnosno vai
semikvartilna razlika
Iq
2
Primer 1.2.2.2. Za podatke iz Primera 1.1.1. izraunati interkvartilnu razliku,

trei decil i trideset peti percentil:

Reenje:
Kako je N=50, vai sledee:

37
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
x>13.25 @ 13.25 >13.25@ x>14.25@ x>13.25 @
Q1
x13 0.25 x14 x13 6 0.256 6 6
Q3
Q3
x>37.75 @ 37.75 >37.75@ x>38.75@ x>37.75@
Q3
x37 0.75 x38 x37 9 0.75 9 9 9
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.
Trei decil iznosi:
50 1 50 1
1 x 501 x 501
3
1 3
10
10
3 10 1
3 10 2

D3
D3
x>15.7 @ 15.7 >15.7@ x>16.7 @ x>15.7 @
50 1
3 10 1
x15 0.7 x16 x15 6 0.7 6 6 6.

Trideset peti percentil iznosi:
50 1
50 1
1 x 501 x 501
35
1 35
100
100
35 100 1
35 100 2

P35
P35
x>18.15@ 18.15 >18.15@ x>19.15@ x>18.15 @
50 1
35 100 1
x18 0.15 x19 x18 6 0.15 7 6 6.15.
38
Poslovna statistika
b)
N
4
Kako je
50
4
12,5 to je klasa prvog kvartila >60 -70 kg, pa je prvi
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 .
37,5 to je klasa treeg kvartila >80 -90 kg, pa
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.
15 to je klasa treeg decila >60 -70 kg, pa je
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
Srednje apsolutno odstupanje (AD) moemo odrediti u odnosu na aritmetiku

sredinu, modus i medijanu.
Srednje apsolutno odstupanje od aritmetike sredine oznaavamo sa AD( P )
__
ukoliko je u pitanju populacija, odnosno sa AD( x ) ukoliko je u pitanju uzorak.

Za negrupisane podatke se izraunava po formuli:
N
AD( P )
P
i 1
za populaciju,
N
n
__
AD( x )
__
i
x
i 1
za uzorak,
dok se za grupisane podatke izraunava po formuli:

K
AD( P )
xi, P
i 1
za populaciju,
N
K
__
AD( x )
__
f i xi, x
i 1
za uzorak.
Srednje apsolutno odstupanje od modusa oznaavamo sa AD( M o ) i za

negrupisane podatke populacije se izraunava po formuli:
N
x
AD( M o )
Mo
i 1
40
Poslovna statistika
K
f
AD( M o )
xi, M o
i 1
Formule za AD(Mo) uzorka su identine uz uslov N=n.

Srednje apsolutno odstupanje od medijane oznaavamo sa AD( M e ) i za
negrupisane podatke populacije se izraunava po formuli:
N
x
AD( M e )
Me
i 1

K
f
AD( M o )
xi, M e
i 1
Formule za AD(Me) uzorka su identine uz uslov N=n.

N
A
i 1
ima minimum kada je A M e ,

N
odnosno za negrupisane podatke je srednje apsolutno odstupanje od medijane
najmanje.
Interesantno je napomenuti da zbir
Primer 1.2.2.3. Za podatke iz Primera 1.1.1. izraunati srednje apsolutno

odstupanje od aritmetike sredine

Podatke analizirati kao grupisane.
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
4 105 79.6 2 115 79.6

50
2 24.6 14 14.6 13 4.6 9 5.4 6 15.4 4 25.4 2 35.4
50
42
12.536 kg.
Poslovna statistika
- Srednje kvadratno odstupanje (varijansa)
Srednje kvadratno odstupanje (varijansu) emo posebno izraunavati i

obeleavati u zavisnosti od toga da li raunamo varijansu populacije ili uzorka.
Razlozi zbog kojih se nain izraunavanja varijanse populacije razlikuje od
naina izraunavanja varijanse uzorka, bie objanjen u kasnijim poglavljima
ovog udbenika.
- Varijansa populacije
Varijansu populacije obeleavamo sa V 2 i izraunavamo po formuli:

N
V2
P
i 1
N
K
f x
i
V2
,
i
P
i 1
Imajui u vidu da vai sledee:

N
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
varijansa populacije se moe izraunavati i po sledeim (tzv. radnim)

formulama:
N
V2
2
i
P2
i 1
N
K
V2
xi,
i 1
P2
-Varijansa uzorka
Nain izraunavanja i obeleavanja varijanse uzorka zavisi od toga da li je

aritmetika sredina populacije (P), iz koje je uzorak uzet, poznata ili ne.
U sluaju kada je aritmetika sredina populacije (P) poznata, varijansu uzorka
obeleavamo sa s 2 i izraunavamo po formuli:
n
s2
x i P 2
i 1
i 1
2
i
P2
44
Poslovna statistika
K
f x
i
s2
,
i
P
xi,
P2
i 1
i 1
U sluaju kada je aritmetika sredina populacije (P) nepoznata, varijansu

uzorka obeleavamo sa s c2 i izraunavamo po formuli:
__
x

i x
i 1
n 1
s c2
2
c
i 1
__
f i xi, x
n 1
za grupisane podatke,
__
gde je sa x obeleena aritmetika sredina ispitivanog uzorka.
Imajui u vidu da vai sledee:

n
__
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
varijansa uzorka se, u sluaju ne poznavanja aritmetike sredine populacije,

moe izraunavati i po sledeim formulama:
__ 2
2
c
2
i
n 1
K
2
c
n x
i 1
,2
i
__ 2
x n x
i 1
n 1
Primer 1.2.2.4. Za podatke iz Primera 1.1.1. izraunati varijansu:

Podatke analizirati kao grupisane i smatrati da se radi o populaciji.
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
Standardna devijacija je kvadratni koren varijanse i obeleava se i izraunava

po sledeim formulama:
-
standardna devijacija populacije (V)
V
-
standardna devijacija uzorka kada je P poznato (s)

s
V2
s2
standardna devijacija uzorka kada P nije poznato ( s c )

sc
s c2 .
Primer 1.2.2.5. Za podatke iz Primera 1.1.1. izraunati standardnu devijaciju:

Reenje:
Imajui u vidu reenje Primera 1.2.2.4. dobijamo:

a)
standardna devijacija broja poloenih ispita iznosi
V2
5.6864 | 2.38
b)
standardna devijacija teine studenata iznosi
V2
224.84 | 14.99 kg.

48
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
1 2 100% vrednosti obeleja podataka analizirane populacije (uzorka).

k
Ovo pravilo vai za k!1 , kR.
Dakle:
-
bar 1 2 100% 75% podataka ima vrednost obeleja u intervalu

2
r2 standardne devijacije oko aritmetike sredine;
1
bar 1 2 100% 88,89% podataka ima vrednost obeleja u

3
intervalu r3 standardne devijacije oko aritmetike sredine;
1
bar 1 2 100% 93,75% podataka ima vrednost obeleja u

4
intervalu r4 standardne devijacije oko aritmetike sredine.
- Koeficijent varijacije
Koeficijent varijacije obeleavamo sa Cv i izraunavamo po sledeim

formulama:
-
koeficijent varijacije populacije

Cv
V
P
koeficijent varijacije uzorka kada je P poznato
49
Poslovna statistika
Cv
s
__
x
koeficijent varijacije uzorka kada P nije poznato
Cv
sc
__
Kada koeficijent varijacije izraavamo u procentima, obeleavamo ga sa Cv% i

izraunavamo po formuli
Cv %
C v 100%.
Koeficijent varijacije je relativni parametar koji ukazuje na nivo homogenosti

posmatranog obeleja u populacija (uzorku). to je koeficijent varijacije vei,
to je homogenost manja, odnosno populacija (uzorak) je nestabilnija u aspektu
vrednosti posmatranog obeleja. Pomou ovog parametra moe se uporeivati
homogenost razliitih obeleja u razliitim populacijama (uzorcima). Ovaj
parametar, dakle, opisuje svojstvo itave populacije, pa se esto kae da ima
integralni karakter.
Primer 1.2.2.6. Za podatke iz Primera 1.1.1. izraunati koeficijent varijacije:

Reenje:
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
Raspodeljenost broja poloenih ispita ovih studenata nestabilnija je od

raspodeljenosti njihovih teina.
- Normalizovano standardno odstupanje
Normalizovano standardno odstupanje je relativni parametar koji ukazuje na

odstupanje odreenog (i-tog) lana populacije (uzorka) u odnosu na
aritmetiku sredinu te populacije (uzorka), imajui u vidu i stepen stabilnosti
vrednosti obeleja u toj populaciji (uzorka). Pomou ovog parametra mogu se
uporeivati individualni lanovi iz razliitih populacija.
Normalizovano standardno odstupanje i-tog lana, ija je vrednost obeleja xi,
obeleavamo sa Zi i izraunavamo po sledeim formulama:
-
Zi i-tog lana populacije

Zi
xi P
Zi i-tog lana uzorka kada je P poznato

__
Zi
-
xi x
,
s
Zi i-tog lana kada P nije poznato

__
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:

b) teine
ovog studenta.
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
Ovaj student je i u jednom i u drugom sluaju ispod proseka svoje

populacije, ali vie odstupa u teini nego u poloenim ispitima.
52
Poslovna statistika
1.2.3. Parametri oblika rasporeda (mere oblika rasporeda)
Mere oblika rasporeda su mera simetrije i mera spljotenosti. U ovom

udbeniku analiziraemo samo mere oblika rasporeda za populaciju, dok se
analizom mera oblika rasporeda uzorka neemo baviti.
Mera simetrije se izraava pomou koeficijenta simetrije, dok se mera

spljotenosti izraava pomou koeficijenta spljotenosti. I jedan i drugi
koeficijent se izraunavaju pomou centralnih momenata.
- Centralni moment reda k oznaavamo sa Mk i izraunavamo po formuli:

N
x
Mk
P
i 1
N
k
f x
i
Mk
i 1
,
i
P
- Koeficijent simetrije oznaavamo sa D3 i izraunavamo po formuli:
D3
M3
V3
Ukoliko je:
D3=0
zakljuujemo da je raspodela vrednosti obeleja simetrina; tada

je takoe P M e M o ;
53
Poslovna statistika
D3!0
zakljuujemo da je raspodela vrednosti obeleja pozitivno

asimetrina (asimetrija udesno); tada je takoe P ! M e ! M o ;
D30
zakljuujemo da je raspodela vrednosti obeleja negativno

asimetrina (asimetrija ulevo); tada je takoe P M e M o
(Slika 1.2.3.1).
fi
D3=0
P=Me=M0
D3!0
P!Me!M0
a)
b)
c)
D30
PMeM0
Simetrian raspored
Pozitivno asimetrian raspored
Negativno asimetrian raspored
Slika 1.2.3.1. Oblici rasporeda frekvencija u smislu simetrije
U praksi se esto koristi sledea podela:
D 3 0.1
smatra se da nema asimetrije,
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
zakljuujemo da je raspodela vrednosti obeleja normalno

spljotena;
D3!3
zakljuujemo da je raspodela vrednosti obeleja izduena,

odnosno ima spljotenost manju od normalne;
D30
zakljuujemo da raspodela vrednosti obeleja ima spljotenost

veu od normalne.
Zadatak 1.2.3.1. Za podatke iz Primera 1.1.1. izraunati mere oblika

rasporeda (koeficijent simetrije i spljotenosti):
c) broja poloenih ispita,

c) teine anketiranih studenata.
55
Poslovna statistika
2. OSNOVNI POJMOVI TEORIJE VEROVATNOE

Na dananjem nivou razvoja ljudske svesti sluajnost kao pojava tretira se
dvojako.
Pobornici takozvanog kauzalnog shvatanja, miljenja su da su sva deavanja u
univerzumu (a tu spadaju i ponaanja ljudskog uma) deterministika, odnosno
uzrono-posledina. Za pojedine pojave, otkrivanje njihovih uzroka i naina
(zakonitosti) po kojima uzroci deluju na pojavu kao posledicu, preveli su tu
pojavu iz domena sluajne pojave u domen potpuno odreene pojave, ije su
mesto, veliina i trenutak pojave, u naem etvorodimenzionalnom prostornovremenskom okruenju, potpuno opisani. Na primer, sigurno je da je pojava
Halejeve komete na nebu za nekog posmatraa od pre hiljadu godina bila jedan
sluajan dogaaj. Danas, putanja Halejeve komete je potpuno opisana i vreme i
mesto njene pojave potpuno su odreeni, a ne sluajni. Svako otkrivanje
uzrono-posledine zavisnosti odreenih pojava utemeljilo je odreenu
fundamentalnu naunu teoriju (opta teorija relativnosti, teorija
elektromagnetizma, i sl.), u okviru kojih se analiza vri po utvrenim i
nepromenjlivim pravilima, opisanim kroz odreene matematike jednaine, i
gde sluajnost kao pojam uopte ne postoji. Ovakav pristup smatra da su
odreeni sluajni dogaaji, u stvari, dogaaji ije mnogobrojne i sloene
uzrono-posledine veze sa poznatim i nepoznatim uzrocima jo nismo otkrili.
Zbog toga vreme, prostor i formu njihovog pojavljivanja ne moemo
predvideti, pa ih nazivamo sluajnim, dok oni to u stvari nisu.
Pristalice drugog pristupa smatraju da sluajnost zaista postoji u univerzumu, i
da je sluajno pojavljivanje, pojavljivanje bez ikakvog uzroka i zakonitosti
odreenih dogaaja, jedna od fundamentalnih karakteristika univerzuma. Po
tom pristupu, kauzalnost odreenih pojava nije postulat, ve sluajnost
veoma velike verovatnoe. Toliko velike da je vreme u kome analiziramo, pa i
ivimo po toj kauzalnosti, izuzetno kratko, pa je verovatnoa da se do sada
pojavio dogaaj koji bi opovrgnuo odreeni kauzalni zakon veoma mala. Zbog
toga se jedan takav dogaaj, perpetum mobile, sluajno nije ni pojavio, te
otud zabluda o deterministinosti univerzuma. Nauna utemeljenost ovakvog
pristupa ogleda se u Hajzenbergovoj relaciji neodreenosti i raznim kvantnim
teorijama.
Najvei mislioci dananjeg vremena nisu se egzaktno opredelili ni za jedan od
ovih pristupa, ve pokuavaju da objedine ova dva pristupa u neku jedinstvenu
56
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:
-
elementarni dogaaj je skup iji je element svaki mogui pojedinani

ishod statistikog eksperimenta;
siguran dogaaj je skup svih ishoda eksperimenta, odnosno skup svih
elementarnih dogaaja, i obeleavaemo ga sa S;
dogaaj (ili sluajan dogaaj) je svaki podskup sigurnog dogaaja,
odnosno svaki podskup skupa S, i njih emo obeleavati velikim
slovima A, B, C...
Vano je istai da su dogaaji definisani kao skupovi i da se teorija

verovatnoe primenjuje na ovako definisanim dogaajima.
Nemogu dogaaj u nekom statistikom eksperimentu je bilo koja pojava
koja nije podskup sigurnog dogaaja, i obeleavamo ga kao prazan skup .
Jedan od uobiajenih primera statistikog eksperimenta je bacanje kockice za

jamb (kocka ije su strane obeleene brojevima od 1 do 6), gde se registruje
broj koji je pao sa gornje strane kocke.
57
Poslovna statistika
Kod ovog statistikog eksperimenta postoji est elementarnih dogaaja;

obeleimo ih sa Ai (i = 1, 2, ..., 6), gde je:
^1` - pala je jedinica;

^2`- pala je dvojka;
A1
A2
A6
^6` - pala je estica.
Siguran dogaaj je skup

S
^1,2,3,4,5,6,`- da padne bilo koji ceo broj od 1 do 6, ukljuujui i 1 i 6.
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.
Dogaaj da padne broj vei od 26 je nemogu dogaaj.
2.1. Algebra dogaaja
Kako su dogaaji definisani kao skupovi, to se operacije sa dogaajima u

skupu S definiu na isti nain kao i operacije sa skupovima.
- Podskup dogaaja. Kaemo da je dogaaj A podskup dogaaja B ukoliko su
svi elementarni dogaaji koji ine dogaaj A istovremeno i elementarni
dogaaji koji ine dogaaj B, i to zapisujemo
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
- Suprotan dogaaj. Suprotan dogaaj dogaaju A je dogaaj koji se

realizuje kada se prilikom izvoenja statistikog eksperimenta ne realizuje
dogaaj A. Suprotan dogaaj je skup koji se sastoji od svih elementarnih
dogaaja statistikog eksperimenta, koji ne pripadaju dogaaju A . Obeleava
__
se sa A i vai
__
S \ A gde je sa \ oznaena operacija razlika skupova.
- Zbir dogaaja. Zbir dogaaja A i B , u oznaci A+B, predstavlja dogaaj koji

se realizuje u pojavi bar jednog od dogaaja A ili B. Skup koji predstavlja
dogaaj A+B je skup A B.
n
Uopte, zbir konano mnogo dogaaja A1, A2, ..., An, u oznaci
i 1
predstavlja dogaaj koji se realizuje u pojavi bar jednog od dogaaja Ai,

n
(i=1,2,...,n). Skup koji predstavlja dogaaj
Ai je skup
i 1
A.
i
i 1
Dogaaji A1, A2, ..., An, ine potpun sistem dogaaja ukoliko se bar jedan od
n
njih pojavi pri realizaciji eksperimenta, to jest ako vai
S.
i 1
- Proizvod dogaaja. Proizvod dogaaja A i B, u oznaci A B , predstavlja

dogaaj koji se realizuje pojavom i dogaaja A i dogaaja B. Skup koji
predstavlja dogaaj A B , je skup A B.
n
Uopte, proizvod konano mnogo dogaaja A1, A2, ..., An, u oznaci
A ,
i
i 1
predstavlja dogaaj koji se realizuje istovremenom pojavom svih dogaaja Ai,

n
(i=1,2,...,n). Skup koji predstavlja dogaaj
Ai , je skup
i 1
A.
i
i 1
Za dogaaje A i B kaemo da se iskljuuju (uzajamno iskljuivi dogaaji,

nesaglasni dogaaji) ako se ne mogu istovremeno dogoditi, odnosno ako je
A B .
Uopte, dogaaji A1, A2, ... su uzajamno iskljuivi ako je Ai A j
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.
__
Iz definicije razlike dogaaja sledi A B
A B .
Primer 2.1.1. Obeleimo sa A dogaaj da prilikom bacanja kockice za jamb

padne paran broj vei od 2, a sa B dogaaj da padne broj vei od 3.
__
Nai A+B, A, A B, A B, B A.
Reenje:
Kako je po uslovu zadatka A

A B
^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
Kako je intuitivno jasno da se neki sluajni dogaaji javljaju ee (ili ree)

od nekih drugih sluajnih dogaaja, pojavila se potreba za uvoenjem
odreene mere koja bi na pravi nain predstavljala meru da se odreeni
sluajni dogaaj desi. Ta mera, odnosno broj koji dodeljujemo odreenom
sluajnom dogaaju, a koji predstavlja meru pojavljivanja tog dogaaja,
nazivamo verovatnoom tog dogaaja.
2.2.1. Definicija verovatnoe
Za razne vrste dogaaja definisale su se razne verovatnoe, ali je 1933. godine

ruski matematiar A. N. Kolmogorov, postavio jednu sveobuhvatnu, tzv.
aksiomatsku definiciju verovatnoe, koja glasi:
- Aksiomatska definicija verovatnoe. Neka je dat skup S. Funkcija P koja
svaki podskup skupa S preslikava na skup R, za koju vai
P S 1
(normiranost)
A S
P A t 0
(nenegativnost)
Ako su A1, A2, A3,... podskupovi iz S , takvi da vai
v v
(iz j) AiAj=, onda vai jednakost P Ai P Ai .
i 1 i 1
(aditivnost)
naziva se verovatnoom na skupu S.
Aksioma 1.
Aksioma 2.
Aksioma 3.
Ova aksiomatska definicija verovatnoe je preambiciozna za nivo ovog

udbenika, pa je neemo koristiti u naim izraunavanjima, ve emo
verovatnou izraunavati ili na osnovu tzv. klasine definicije verovatnoe (a
priori verovatnoa) ili na osnovu statistike definicije verovatnoe (a
posteriori verovatnoa), u zavisnosti od prirode sluajnog dogaaja iju
verovatnou izraunavamo. Naravno, i klasina i statistika definicija
verovatnoe su u saglasnosti sa aksiomatskom definicijom, odnosno
predstavljaju njene specijalne sluajeve.
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.
Ova klasina definicija se moe koristiti kada su svi elementarni dogaaji

jednako verovatni i kada ih ima prebrojivo konano mnogo. Zove se jo i a
priori verovatnoa jer se moe izraunati pre izvoenja statistikog
eksperimenta.
Primer 2.2.1.1. Nai verovatnou da prilikom bacanje kocke za jamb padne

paran broj vei od 2.
Reenje:
Skup svih elementarnih dogaaja je u ovom sluaju S ^1,2,3,4,5,6`, a traeni

dogaaj, obeleimo ga sa A, odreen je sledeim elementarnim dogaajima
2 1
A ^4,6` , pa je verovatnoa ovog dogaaja P ( A)
.
6 3
injenica da je za dogaaje kod kojih se moe primeniti klasina definicija
verovatnoe, relativna frekvencija pojavljivanja odreenog dogaaja u velikom
broju eksperimenata veoma bliska verovatnoi, omoguava nam da
pretpostavimo da i u optem sluaju postoji neka konstanta oko koje se koleba
relativna frekvencija pojavljivanja nekog sluajnog dogaaja. Prirodno je tu
konstantu nazvati verovatnoom, u ovom sluaju statistikom verovatnoom
posmatranog dogaaja.
- Statistika definicija verovatnoe. Ukoliko se prilikom velikog broja
ponavljanja statistikog eksperimenta zapazi da se relativna frekvencija
dogaaja A skoro za svaku veliku seriju eksperimenata samo neznatno
razlikuje od neke (generalno nepoznate) konstante, kaemo da je ta konstanta
statistika verovatnoa dogaaja A.
ebievljev i Hininov Zakon velikih brojeva, koji ovde neemo izlagati,

dozvoljava nam da statistiku verovatnou dogaaja A moemo dovoljno
62
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
Ova poslednja formula znai da kada broj realizacije statistikog eksperimenta

tei u beskonanost, verovatnoa da relativna frekvencija tei statistikoj
verovatnoi, tei jedinici.
Statistika verovatnoa se zove jo i a posteriori verovatnoa jer se izraunava
posle izvoenja statistikog eksperimenta.
Primer 2.2.1.2. Proizvoa automobilskih guma je testirao izdrljivost svojih

guma na preenih 20.000 km. Od 150.000 ispitivanih guma, njih 900 nije
izdralo 20.000 km. Kolika je verovatnoa da guma ovog proizvoaa ne izdri
put od 20.000 km.
Reenje:
Na osnovu statistike definicije verovatnoe, verovatnoa da guma ovog

900
proizvoaa ne izdri put od 20.000 km je
0.006.
150000
63
Poslovna statistika
2.2.2. Osobine verovatnoe
Osobine verovatnoe koje emo ovde prikazati su dokazive iz aksiomatske

definicije verovatnoe, ali ih neemo dokazivati ve samo navesti.
Neka je dat skup elementarnih dogaaja S i neka je na njemu definisana
verovatnoa P. Tada za A, B S vai sledee:
1.
0 d P( A) d 1
(Verovatnoa je uvek broj izmeu 0 i 1.)
2.
P()=0
(Verovatnoa nemogueg dogaaja je 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.)
__
(Zbir verovatnoa dogaaja i njemu suprotnog

dogaaja je 1.)
Primer 2.2.2.1. 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 bar
jedan od dogaaja A i B.
Reenje:
Dogaaj da se dogodi bar jedan od dogaaja A i B je dogaaj A+B, pa

je verovatnoa tog dogaaja jednaka
P( A B)
5.
P( A) P( B ) P( A B)
0.45 0.30 0.25
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
= 0.45, P(B) = 0.30, a P(AB) = 0.25. Nai verovatnou da se dogodi
dogaaj A a ne dogodi dogaaj B.
Reenje:
Dogaaj da se dogodi dogaaj A a ne dogodi dogaaj B, je dogaaj

A-B, pa je verovatnoa tog dogaaja jednaka
P( A B)
6.
P( A) P( A B)
0.45 0.25
0.20 .
Uslovna verovatnoa. Uslovna verovatnoa dogaaja A, pod uslovom

da se dogodio dogaaj B, P(B)z0, oznaava se sa P(A_B) i definie sa
P(A_B)=
P( A B)
.
P( B)

= 0.45, P(B) = 0.30, a P(AB) = 0.25. Nai verovatnou da se dogodi
dogaaj A pod uslovom da se dogodio dogaaj B.
Reenje:
Verovatnoa da se dogodi dogaaj A pod uslovom da se dogodio

dogaaj B iznosi
P(A_B)=
7.
P( A B)
P( B)
0.25
| 0.83.
0.30
Nezavisnost dogaaja. Za dogaaje A i B kaemo da su nezavisni ako

je
P ( A B ) P( A) P( B) .
Oigledno da za ove dogaaje vai
65
Poslovna statistika
P( A B)
P( B)
P(A_B)=
P( A) P( B)
P( B)
P ( A) .

= 0.45, P(B) = 0.30, a P(AB) = 0.25. Da li su dogaaji A i B nezavisni
dogaaji?
Reenje:
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
Primer 2.2.2.5. etiri kooperanta proizvode jedan deo nekog aparata.

Kooperant A podmiruje 30% potreba, B 20% a C i D po 25 % potreba.
Uoeno je da kooperant A alje fabrici 10% neispravnih delova, B 15%,
C 5% i D 8% neispravnih delova. Nai verovatnou da je u sluajno
izabrani aparat ugraen neispravan deo.
Reenje:
Oznaimo sa
A dogaaj ugraeni deo je od kooperanta A;
B dogaaj ugraeni deo je od kooperanta B;
66
Poslovna statistika
C dogaaj ugraeni deo je od kooperanta C;

D dogaaj ugraeni deo je od kooperanta D.
N ugraeni deo je neispravan.
Sada je po uslovu zadatka
P(A)=0.3
P(B)=0.2
P(C)=0.25
P(D)=0.25
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
Primer 2.2.2.6. Ako je u prethodnom, Primeru 2.2.2.5, uoeno da je

ugraen neispravan deo, kolika je verovatnoa da taj neispravni deo
potie od kooperanta B?
Reenje:
Po uslovu zadatka vai

P(B~N)=
P( B) P(N _ B)
P( N )
0.2 0.15
| 0.32.
0.0925
Verovatnoa da neispravni deo potie od kooperanta B je 0.32.
67
Poslovna statistika
2.2.3. Elementi kombinatorike
Prilikom odreivanja verovatnoe klasinom definicijom potrebno je prebrojati

dogaaje, pri emu se esto koristimo kombinatorikom.
Sve kombinatorne formule mogu se izvesti iz dva osnovna pravila: pravila
zbira i pravila proizvoda.
- Pravilo zbira. Ako se predmet jedne vrste moe izabrati na n1 naina,

predmet druge vrste na n2 naina, ..., predmet k-te vrste na nk naina, onda se
jedan predmet bez obzira na vrstu moe izabrati na n1+n2+...+nk razliitih
naina.
- Pravilo proizvoda. Ako se predmet jedne vrste moe izabrati na n1 naina,

predmet druge vrste na n2 naina, ..., predmet k-te vrste na nk naina, onda se k
predmeta razliite vrste (odnosno iz svake vrste po jedan predmet) moe
izabrati na n1n2...nk razliitih naina.
Primer 2.2.3. Na prvoj godini studija ima 250 devojaka i 220 mukaraca. Na
koliko razliitih naina moemo izabrati jednog studenta sa ove godine, a na
koliko razliitin naina moemo izabrati plesni par na ovoj godini?
Reenje:
Jednog studenta moemo izabrati na 250+220=470 razliitih naina.

Jedan plesni par moemo izabrati na 250220=55 000 razliitih naina.
68
Poslovna statistika
2.2.3.1. Varijacije od n elemenata k-te klase
- Varijacije od n elemenata k-te klase bez ponavljanja Vnk (k<n)
Varijacije od n elemenata k-te klase bez ponavljanja, Vnk (k<n),

predstavljaju broj koji pokazuje na koliko se razliitih naina moe iz
jednog osnovnog skupa od n razliitih elemenata izabrati k puta po
jedan element, ali tako da se posle svakog izbora izabrani element ne
vraa u osnovni skup i ne uestvuje u sledeem izboru.
Neka je, na primer, osnovni skup od n ! 4 elemenata skup
â1 , a 2 ,..., a n ` .
Jedna njegova varijacija 4-te klase bez ponavljanja je, na primer,
a1,a2,a3,a4, druga a2,a1,a3,a4, trea a1,a2,a3,an, itd.
Formulu za broj Vnk emo dobiti sledeim rasuivanjem.
U prvom izboru imamo n mogunosti, u drugom n-1 moguunost, u
treem n-2 mogunosti, ..., u k-tom n-k+1 mogunost, to je po pravilu
proizvoda:
Vnk
n n 1 n 2 n k 1 .
__ k
- Varijacije od n elemenata k-te klase sa ponavljanjem V n

__ k
Varijacije od n elemenata k-te klase sa ponavljanjem, V n , predstavljaju

broj koji pokazuje na koliko se razliitih naina moe iz jednog
osnovnog skupa od n razliitih elemenata izabrati k puta po jedan
element, ali tako da se posle svakog izbora izabrani element vraa u
osnovni skup i ravnopravno uestvuje u sledeem izboru.
â1 , a 2 ,..., a n ` .
69
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
Formulu za broj V n dobiemo sledeim rasuivanjem.

Kako je pri svakom izboru sastav osnovnog skupa isti i sadri n
razliitih elemenata, to pri svakom izboru imamo n mogunosti za
izbor, pa je po pravilu proizvoda
__ k
Vn
n
n
...
n

nk .
Primer 2.2.3.1. U jednom odeljenju u kome se nalazi 30 uenika,

biramo predsednika, sekretara i blagajnika. Na koliko razliitih naina
to moemo da uinimo ukoliko:
a)
jedna osoba moe da obavlja vie funkcija;
b)
jedna osoba moe da obavlja samo jednu
funkciju?
Reenje:
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
Permutacije od n elemenata bez ponavljanja, Pn, predstavljaju broj koji

pokazuje na koliko se razliitih naina moe razmestiti svih n razliitih
elemenata osnovnog skupa.
Neka je, na primer, osnovni skup od n = 4 elemenata skup
â1 , a 2 , a3 , a 4 `.
Jedna njegova permutacija bez ponavljanja je, na primer, a1,a2,a3,a4,
druga a2,a1,a3,a4, trea a1,a2,a4,a3, itd.
Lako je zakljuiti da je taj broj jednak broju varijacija od n elemenata
n-te klase bez ponavljanja, Vnn = n!.
Dakle Pn=n!.
Primer 2.2.3.2.1. Na polici se nalazi 15 razliitih knjiga. Na koliko
razliitih naina ih moemo razmestiti?
Reenje:
Broj razliitih razmetaja 15 razliitih knjiga na polici je jednak broju

permutacija od 15 elemenata bez ponavljanja, P15=15!.
- Permutacije od n elemenata sa ponavljanjem, Pnn1 ,n2 ,...,nk
Neka odreeni skup ima n elemenata, takvih da meu njima ima k

razliitih vrsta. Neka i- ta vrsta (i = 1, 2, ..., k) sadri ni elemenata koji
se, naravno, meusobno ne razlikuju. Oigledno da tada vai
n=n1+n2+...+nk.
Permutacije od n elemenata sa ponavljanjem jednog ovakvog skupa,
obeleavaju se sa Pnn1 ,n2 ,...,nk i predstavljaju broj koji pokazuje na koliko
razliitih naina moemo ovakav skup od n elemenata da rasporedimo
na n mesta.
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
Jedna njegova permutacija sa ponavljanjem je, na primer,

a
, a
,...
a,b
, b
,...,
, a
,...,
, b
,...,

b , druga a

a, b

b, a , itd.
i
n i
i 1
n i
Formulu za broj Pnn1 ,n2 ,...,nk dobiemo sledeim rasuivanjem.

Kada bi svih n elemenata bilo meusobno razliito, broj razliitih
razmetaja ovakvog skupa predstavljao bi broj permutacija od n
elemenata bez ponavljanja, odnosno Pn n!.
Kako se u naem sluaju elementi iste vrste ne razlikuju, to se rasporedi
koji se dobijaju permutovanjem elemenata iste vrste takoe nee
razlikovati. Broj takvih rasporeda je prema pravilu proizvoda n1! n2!
nk!, pa takoe prema pravilu proizvoda vai
n1! n2! nk! Pnn1 ,n2 ,...,nk = n! ,

odakle sledi da je traeni broj naina rasporeda elemenata ovakvog
skupa
Pnn1 ,n2 ,...,nk
n!
.
n1!n2 ! nk !
Primer 2.2.3.2.2. U kutiji se nalazi 5 plavih, 3 ute i 4 crvene kuglice.

Svih 12 kuglica rasporeujemo u red. Koliko ima razliitih rasporeda?
Reenje:
Broj razliitih rasporeda iznosi P512,3, 4
72
12!
.
5!4!3!
Poslovna statistika
2.2.3.3. Kombinacije od n elemenata k-te klase
- Kombinacije od n elemenata k-te klase bez ponavljanja, C nk (k<n)
Kombinacije od n elemenata k-te klase bez ponavljanja, C nk (k<n),

predstavljaju broj koji pokazuje koliko se razliitih podskupova od k
elemenata mogu izabrati iz jednog osnovnog skupa od n razliitih
elemenata, gde se elementi u podskupu ne mogu ponavljati.
â1 , a 2 ,..., a n ` .
Jedna njegova kombinacija 4-te klase bez ponavljanja je, na primer,

skup â1 , a 2 , a3 , a 4 `, druga skup â1 , a 2 , a3 , a n `, trea â1 , a 2 , a n 1 , a n `
itd.
Formulu za broj C nk dobiemo sledeim rasuivanjem.
Ako bismo elemente svakog takvog podskupa od k elementa

permutovali, ukupan broj svih takvih permutacija po svim takvim
podskupovima bio bi jednak broju varijacija od n elemenata k-te klase
bez ponavljanja (Vnk ) . Kako je broj permutacija po jednom takvom
podskupu od k elemenata jednak k!, a broj takvih podskupova jednak
C nk , to po pravilu proizvoda vai:
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
Primer 2.2.3.3.1. U jednom odeljenju nalazi se 30 uenika. Pod

pretpostavkom da svi znaju da igraju preferans, koliko razliitih ekipa
za igranje preferansa moemo imati u ovom odeljenju? (Preferans je
kartaka igra koju igraju samo tri igraa.)
Reenje:
U ovom odeljenju ima C 303
30

3
30 29 28
moguih razliitih
3!
ekipa za igranje preferansa.
__ k
- Kombinacije od n elemenata k-te klase sa ponavljanjem, C n
__ k
Kombinacije od n elemenata k-te klase sa ponavljanjem, C n ,

predstavljaju broj koji pokazuje koliko se razliitih podskupova od k
elemenata mogu izabrati iz jednog osnovnog skupa od n razliitih
elemenata, gde se elementi u podskupu mogu ponavljati.
â1 , a 2 ,..., a n ` .
74
Poslovna statistika
Jedna njegova kombinacija 4-te klase sa ponavljanjem je, na primer,
skup â1 , a 2 , a3 , a 4 `, druga skup â1 , a1 , a3 , a 4 ` , trea â1 , a1 , a1 , a1 ` ,
itd.
__ k
Formulu za broj C n dobiemo sledeom analogijom.

Neka je osnovni skup od n elemenata skup â1 , a 2 ,..., a n ` .
Zamislimo da smo u jednoj dubokoj kutiji postavili n 1 pregradu, kao
na slici 2.2.3.3.
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 â1 , 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:
Obeleimo svaku osobu koja ue na i-tom ulazu (i=1,2,3,4) brojem i.

Ovim nainom dobijamo nizove duine osam od etiri elementa. Na
primer, ako su tri osobe ule na prvom ulazu, a pet na treem, dobijamo
sledei niz duine osam 1,1,1,3,3,3,3,3. Kako redosled ne igra nikakvu
ulogu i brojevi se ponavljaju, dobijeni nizovi ine broj kombinacija od
etiri elementa osme klase sa ponavljanjem, kojih ima
___ 8
4 8 1 11
.
C 4
8 8
76
Poslovna statistika
3. RASPODELE SLUAJNIH PROMENLJIVIH
U mnogim statistikim eksperimentima elementarni dogaaji su sami po sebi

realni brojevi, kao u naem primeru bacanja kockice za jamb. Naravno, postoje
i statistiki eksperimenti kod kojih elementarni dogaaji nisu realni brojevi.
Na primer, ako prilikom bacanja dva novia sa G obeleimo da se na
posmatranom noviu pojavila glava a sa P pismo, skup svih
elementarnih dogaaja ovog eksperimenta je S ^G, G , (G, P), ( P, G ), ( P, P)`
gde, kao to vidimo, elementarni dogaaji nisu realni brojevi.
Radi lake analize u oblasti verovatnoe, veoma je poeljno da sve elementarne
dogaaje izraavamo pomou realnih brojeva, koji e samim tim sadravati i
informaciju o verovatnoi pojavljivanja elementarnih dogaaja koje
predstavljaju.
Zbog toga je potrebno po nekom pravilu od interesa, u datoj situaciji preslikati
skup svih elementarnih dogaaja na skup realnih brojeva tako da se svaki
elementarni dogaaj iz skupa svih moguih ishoda preslika u jedan realan broj,
kome se pridruuje verovatnoa jednaka zbiru verovatnoa pojavljivanja svih
elementarnih dogaaja koji se u njega slikaju (svih originala).
Neka u naem interesu to pravilo preslikavanja bude zadato sa broj
pojavljivanja pisma u bacanju dva novia. Tada se elementarni dogaaj
(G,G) preslikava u 0, (G,P) i (P,G) u 1, a (P,P) u 2, pa se itav skup S na ovaj
nain preslikava na skup ^0,1, 2`. Nazovimo taj skup X.
Dakle, tada je
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(^(G, P), ( P, G )`)
P( X
2)
P(^P, P`
P(^(G, P)` P(^( P, G )`
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
Sluajna promenljiva je funkcija koja svaki elementarni dogaaj statistikog

eksperimenta preslikava u jedan realan broj, kome se pridruuje verovatnoa
jednaka zbiru verovatnoa pojavljivanja svih elementarnih dogaaja koji se u
njega slikaju.
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.
^0,1, 2`, a njene konkretne
Sluajna promenljiva moe biti diskretna i neprekidna.

- Diskretna sluajna promenljiva. Ako sluajna promenljiva uzima konaan
broj vrednosti ili prebrojivo beskonaan broj vrednosti, onda se ona naziva
diskretna sluajna promenljiva.
Na malopreanji primer je primer diskretne sluajne promenljive, jer sluajna

promenljiva uzima konaan broj vrednosti tri vrednosti.
- Neprekidna sluajna promenljiva. Ako sluajna promenljiva moe da uzme
bilo koju vrednost iz nekog intervala vrednosti, onda se ona naziva neprekidna
sluajna promenljiva.
Primer neprekidne sluajne promenljive je, recimo, sluajna promenljiva visina

ljudi na naoj planeti. Ta sluajna promenljiva je neprekidna jer moe uzeti
bilo koju vrednost iz, recimo, intervala (30 cm-250 cm).
78
Poslovna statistika
3.1. Raspodele diskretnih sluajnih promenljivih
Diskretna sluajna promenljiva je potpuno definisana ako je data njena

raspodela verovatnoa ili njena funkcija raspodele verovatnoa.
- Raspodela verovatnoa diskretne sluajne promenljive. Ako sluajna

promenljiva X moe da uzme konaan broj vrednosti x1, x, ..., xn sa
n
verovatnoama p1, p2,..., pn, , gde je
1 , onda skup parova brojeva
i 1
^xi , pi
X
x1
p1
xi )`, i 1,2,..., n , odnosno ematski prikaz
P( X
x2
...
p2
...
xn
,
p n
1.
i 1
predstavlja raspodelu verovatnoe sluajne promenljive X.

Ukoliko sluajna promenljiva X moe da uzme beskonaan broj vrednosti x1, x,
v
..., xn, ... sa verovatnoama p1, p2, ..., pn, ..., gde je
1 , onda skup parova
i 1
brojeva ^xi , pi
X
x1
p1
P( X
xi )`, i 1,2,..., n ,... odnosno ematski prikaz
x2
...
xn
p2
...
pn

,

1,
i 1
predstavlja raspodelu verovatnoe sluajne promenljive X.
Raspodela verovatnoe sluajne promenljive X grafiki se moe predstaviti

poligonom raspodela verovatnoe ili dijagramom raspodela verovatnoe.
- Poligon raspodela verovatnoe. Poligon raspodela verovatnoe se dobija

spajanjem taaka (xi, pi) i=1,2,...,n u koordinatnom sistemu na ijoj apscisi se
nanose vrednosti xi sluajne promenljive X, a na ordinati odgovarajue
verovatnoe pi, kao na slici 3.1.1.
79
Poslovna statistika
pi
p2
pn-1
p1
pn
x1
x2
....
xn-1
xn
xi
Slika 3.1.1. Poligon raspodele verovatnoa
- Dijagram raspodela verovatnoe. Dijagram raspodela verovatnoe dobija

se spajanjem taaka (xi,0) i (0, pi) i=1,2,...,n u koordinatnom sistemu na ijoj se
apscisi nanose vrednosti xi sluajne promenljive X, a na ordinati odgovarajue
verovatnoe pi, kao na slici 3.1.2.
pi
p2
pn-1
p1
pn
x1
x2
....
xn-1
xn
Slika 3.1.2. Dijagram raspodele verovatnoa
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:
Kao to je ranije analizirano, raspodela verovatnoe ove sluajne

promenljive, koju smo obeleili sa X, je
0
1
1
2
1.
Poligon raspodele verovatnoa je dat na slici 3.1.3.a.
pi
0.5
0.25
Slika 3.1.3.a. Poligon raspodele
Dijagram raspodele verovatnoa dat je na slici 3.1.3.b.
81
xi
Poslovna statistika
pi
0.5
0.25
xi
Slika 3.1.3.b. Dijagram raspodele
- Funkcija raspodele verovatnoa diskretne sluajne promenljive. Ako

sluajna promenljiva X moe da uzme konaan broj vrednosti x1, x,..., xn sa
n
verovatnoama p1, p2, ..., pn , gde je
1 , ili beskonaan broj vrednosti x1,
i 1
x, ..., xn, ..., sa verovatnoama p1, p2, ..., pn, ... , gde je
1 , onda
i 1
verovatnoa da ta sluajna promenljiva bude manja od neke realne vrednosti x,

predstavlja vrednost funkcije raspodele verovatnoa te sluajne promenljive u
taki x i obeleava se sa F(x).
Dakle, funkcija raspodele verovatnoa F(x) sluajne promenljive X je realna
funkcija x F ( x) , definisana sa:
F ( x)
P( X x),
v x v .
(Napomena. U nekim udbenicima funkcija raspodele verovatnoa definie se

kao F ( x) P( X d x). )
Iz definicije funkcije raspodele F(x), zakljuujemo da vai sledee:

82
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
Grafika predstava funkcije raspodele verovatnoa data je na slici 3.1.4.

F(x)
1
n 1
i 1
p1+p2
p1
x1
x2
x3
xn-1
xn
Slika 3.1.4. Funkcija raspodele verovatnoa
Neke od osobina funkcije raspodele verovatnoa diskretne sluajne

promenljive su:
Osobina 1. Funkcija raspodele verovatnoa diskretne sluajne
promenljive je prekidna funkcija, ije su take prekida upravo one vrednosti
koje sluajna promenljiva moe uzeti sa odreenim verovatnoama. U tim
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
Osobina 3. Funkcija raspodele diskretne sluajne promenljive je

neopadajua funkcija, tj. vai
(a, b R)
a b F (a ) d F (b) .
Primer 3.1.2. Nai funkciju raspodele verovatnoa sluajne

promenljive broj pojavljivanja pisma u bacanju dva novia i predstaviti
je grafiki.
Reenje:
Na osnovu definicije, funkcija raspodele verovatnoa ove sluajne

promenljive je
F ( x)
1
4
3
4
1
xd0
0 x d 1
.
1 x d 2
2 x
84
Poslovna statistika
Grafik ove funkcije raspodele verovatnoa dat je na sledeoj slici 3.1.5.

F(x)
0.75
0.25
Slika 3.1.5. Funkcija raspodele verovatnoa
3.1.1. Parametri diskretnih sluajnih promenljivih
Kao to smo rekli, raspodela verovatnoa diskretne sluajne promenljive ili

funkcija raspodele verovatnoa diskretne sluajne promenljive, u potpunosti
opisuju sluajnu promenljivu. Meutim, u mnogim sluajevima nije neophodno
opisati sluajnu promenljivu potpuno, ve je dovoljno ukazati na pojedine
parametre koji u odreenoj meri karakteriu bitne osobine analizirane
raspodele.
Kao i u sluaju deskriptivne statistike analize, ti parametri se mogu svrstati u
tri grupe:
-
parametri srednje vrednosti (mere srednje vrednosti ili centralne

tendencije);
parametri varijabiliteta (mere disperzije);
parametri oblika rasporeda (mere oblika rasporeda).
85
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
Parametri centralne tendencije diskretne sluajne promenljive koje

emo mi navesti su matematiko oekivanje, modus i medijana.
- Matematiko oekivanje. Matematiko oekivanje diskretne
sluajne promenljive X esto se naziva i srednja vrednost sluajne
promenljive X. Mi ga obeleavamo sa E(X) i odreujemo ga na sledei
nain:
ako sluajna promenljiva X moe da uzme konaan broj vrednosti x1,

n
x,..., xn sa verovatnoama p1, p2, ..., pn, , gde je
1 , onda njeno
i 1
matematiko oekivanje uvek postoji i jednako je

n
E( X )
pi .
i 1
Ako sluajna promenljiva X moe da uzme beskonaan broj vrednosti

v
x1, x, ..., xn, ... sa verovatnoama p1, p2, ..., pn, ..., , gde je
1,
i 1
onda
v
i)
ukoliko red
pi konvergira, matematiko oekivanje te
i 1
sluajne promenljive postoji i jednako je E ( X )
pi ;
i 1
ii)
ukoliko red
pi divergira, matematiko oekivanje te
i 1
sluajne promenljive ne postoji.
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
- Modus. Modus diskretne sluajne promenljive X obeleavamo sa

Mo(X) i ona predstavlja najverovatniju vrednost (ukoliko je
unimodalna raspodela) ili najverovatnije vrednosti (ukoliko je
polimodalna raspodela) diskretne sluajne promenljive X. Znai Mo(X)
predstavlja vrednosti sluajne promenljive X u kojima raspodela
verovatnoa te sluajne promenljive P(X=x) ima maksimum.
- Medijana. Medijanu diskretne sluajne promenljive X obeleavamo
sa Me(X) i ona predstavlja sve one vrednosti sluajne promenljive X za
koje vai sledee:
P ( X M e ( X )) d 0.5 P( X d M e ( X )) t 0.5.
Primer 3.1.1.1. Nai matematiko oekivanje, modus i medijanu

sluajne promenljive broj pojavljivanja pisma u bacanju dva
novia.
Reenje:
Kao to je ranije analizirano, raspodela verovatnoe ove sluajne

promenljive, koju smo obeleili sa X, je
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
Primer 3.1.1.2. Nai medijanu sluajne promenljiva X ija je raspodela
verovatnoa X
1
1
4
2
1
4
1 .
Reenje:
Medijana ove sluajne promenljive je bilo koji broj iz zatvorenog

intervala >1, 2@ , odnosno Me(X) >1, 2@ .
Naime, za Me(X)=1 vai:
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
Parametri varijabiliteta diskretne sluajne promenljive koje emo mi

navesti su varijansa i standardna devijacija, kao apsolutne mere
varijabiliteta diskretne sluajne promenljive, i koeficijent varijacije,
kao relativna mera varijabiliteta diskretne sluajne promenljive.
- Varijansa. Varijansu diskretne sluajne promenljive X obeleavamo
sa var(X), ili V2(X) i odreujemo na sledei nain:
ako sluajna promenljiva X moe da uzme konaan broj vrednosti x1,

n
x, ..., xn sa verovatnoama p1, p2, ..., pn, gde je
1 , onda njena
i 1
varijansa uvek postoji i jednaka je

n
>x
V 2 (X )
E ( X )@ p i .
2
i 1
Ako sluajna promenljiva X moe da uzme beskonaan broj vrednosti

v
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
sluajne promenljive postoji i jednaka je

v
>x
V 2 (X )
E ( X )@ p i ;
2
i 1
ii)
ukoliko red
>x
E ( X )@ pi divergira, varijansa te sluajne

2
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
Iz same definicije varijanse jasno je da vai

E > X E ( X )@ .
2
V 2 (X )
Kako vai sledee:

n
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
to varijansu moemo izraunavati i pomou tzv. radne formule
V 2 (X )
E ( X 2 ) >E ( X )@
m2 ( X ) >m1 ( X )@ .
2
- Standardna devijacija. Standardnu devijaciju diskretne sluajne

promenljive X obeleavamo sa st. dev. (X) ili sa V(X) i izraunavamo
po formuli
st.dev.( X )
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 )
Ako ga elimo izraziti u procentima, obeleavamo ga sa Cv(X)% i

C v ( X )%
V (X )
E( X )
100%.
92
Poslovna statistika
3.1.1.3. Parametri oblika rasporeda diskretne sluajne promenljive
Parametri oblika rasporeda diskretne sluajne promenljive su mera

simetrije i mera spljotenosti sluajne promenljive.
Mera simetrije se izraava pomou koeficijenta simetrije, dok se mera
koeficijent se izraunavaju pomou centralnih momenata.
- Koeficijent simetrije sluajne promenljive X oznaavamo sa D3(X) i

M3(X )
D3 (X )
>V ( X )@3
Ukoliko je:
D3(X)=0
zakljuujemo da je raspodela vrednosti obeleja

simetrina. Tada je takoe E ( X ) M e ( X ) M o ( X ) ;
D3(X)!0

pozitivno asimetrina (asimetrija udesno). Tada je takoe
E( X ) ! M e ( X ) ! M o ( X ) ;
D3(X)0

negativno asimetrina (asimetrija ulevo). Tada je takoe
E( X ) M e ( X ) M o ( X ) .
- Koeficijent spljotenosti sluajne promenljive X oznaavamo sa

D4(X) i izraunavamo po formuli:
93
Poslovna statistika
M 4 (X )
D4 (X )
>V ( X )@4
Ukoliko je:
D4(X)=3

normalno spljotena;
D4(X)!3

izduena, odnosno ima spljotenost manju od normalne;
D4(X)3
zakljuujemo da raspodela vrednosti obeleja ima

spljotenost veu od normalne.
Zadatak 3.1.1. Nai varijansu, standardnu devijaciju, koeficijent

varijacije, koeficijente simetrije i spljotenosti sluajne promenljive
broj pojavljivanja pisma u bacanju tri novia.
94
Poslovna statistika
3.1.2. Primeri nekih raspodela diskretnih sluajnih promenljivih
3.1.2.1. Binomna raspodela, B(n,p)
Zamislimo sledei statistiki eksperiment:

pretpostavimo da n-puta pokuavamo da realizujemo dogaaj A i da je
verovatnoa uspene realizacije ovog dogaaja u svakom pokuaju ista i iznosi
p. Naravno, tada je i verovatnoa nerealizacije dogaaja A u svakom pokuaju
ista i iznosi 1-p.
Nad ovim eksperimentom definiimo sluajnu promenljivu X kao broj
uspenih realizacija dogaaja A u n pokuaja pri ovakvim uslovima. Naimo
raspodelu verovatnoa ove sluajne promenljive.
Vrednosti koje ova sluajna promenljiva X moe uzeti su
X
X
i,
i 0,1,2,..., n , gde je sa
i oznaeno da se dogaaj A realizovao tano i puta u n pokuaja.
Varovatnou da se dogaaj A realizovao tano i puta u n pokuaja, odnosno

P ( X i ) , nalazimo sledeim rasuivanjem:
jedna od moguih elemenatrnih realizacija ovog eksperimenta, kod koje se
dogaaj A realizovao tano i puta u n pokuaja, jeste da se dogaaj A
realizovao u prvih i pokuaja, a nije realizovao u preostalih n-i pokuaja.
Verovatnoa ove elementarne realizacije je
p p p 1 p 1 p 1 p

i
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.
Ovakva raspodela sluajne promenljive se naziva Binomna raspodela. Kao to

smo videli, zavisi od dva parametra: jedan je broj pokuaja realizacije dogaaja
(n), a drugi je verovatnoa uspene realizacije dogaaja u svakom
pojedinanom pokuaju (p).
Kada sluajna promenljiva X podlee zakonu Binomne raspodele sa
parametrima n i p, to zapisujemo: X ~ B(n, p ).
Dakle, vai:
X ~ B ( n, p ) P ( X
i)
n i
p (1 p ) n i ,
i
0,1,2..., n.
Parametri sluajne promenljive X ~ B (n, p) :

- matematiko oekivanje:
- varijansa:
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
Primer 3.1.2.1. Strelac gaa u metu 10 puta. Verovatnoa da pogodi metu je u

svakom pokuaju ista i iznosi p=0.7. Nai verovatnou da je pogodio tano 8
puta.
96
Poslovna statistika
Reenje:
Sluajna promenljiva X definisana kao broj pogodaka u 10 pokuaja pri ovim

uslovima, podlee zakonu Binomne raspodele sa parametrima n=10 i p=0.7,
10
X ~ B(10,0.7) , pa je P ( X 8) 0.7 8 0.3 2 .
8
3.1.2.2. Hipergeometrijska raspodela, H(N,N1,n)
Zamislimo sledei statistiki eksperiment:

proizvoljan skup sadri N elemenata, od kojih N1 elemenata (N1<N)
ima osobinu A. Iz takvog skupa na sluajan nain biramo n elemenata bez
ponavljanja (n<N).
Nad ovim eksperimentom definiimo sluajnu promenljivu X kao broj
izabranih elemenata koji imaju osobinu A pri ovakvim uslovima. Naimo
raspodelu verovatnoa ove sluajne promenljive.
Vrednosti koje ova sluajna promenljiva X moe uzeti su X = i ,
gde i moe uzeti bilo koju celobrojnu vrednost iz zatvorenog intervala
>max(0, n N N1 ), min(n, N1 )@.
Verovatnou da u n ovako izabranih elemenata ima tano i sa osobinom
A, P(X=i), nalazimo sledeim rasuivanjem:
broj svih elementarnih dogaaja u ovakvom statistikom eksperimentu jednak
je broju razliitih naina na koji moemo iz skupa od N elemenata izabrati n
N
bez ponavljanja, odnosno jednak .
n
Na dogaaj od interesa odreen je onim elementarnim dogaajima u kojima se
od N1 elementa bira i bez ponavljanja i od N-N1 elementa bira n-i , takoe bez
ponavljanja.
N
Kako od N1 elementa moemo izabrati i elemenata bez ponavljanja na
i
razliitih naina, a od N-N1 elementa moemo izabrati n-i elemenata bez
97
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
Tako da, po klasinoj definiciji verovatnoe, verovatnoa da u n ovako

izabranih elemenata ima tano i sa osobinom A, iznosi
P( X
i)
N N N1

i
n
i

,
N

n
gde i moe uzeti bilo koju celobrojnu vrednost iz zatvorenog intervala

>max(0, n N N1 ), min(n, N1 )@.
Ovakva raspodela sluajne promenljive se naziva Hipergeometrijska
raspodela. Kao to smo videli, zavisi od tri parametra: jedan je broj elemenata
skupa iz kojeg vrimo sluajan izbor bez ponavljanja (N), drugi je broj
elemenata tog skupa koji ima eljenu osobinu (N1), a trei je broj elemenata
koji izvlaimo iz tog skupa bez ponavljanja (n).
Kada sluajna promenljiva X podlee zakonu Hipergeometrijske raspodele sa
parametrima N, N1 i n, to zapisujemo: X ~ H ( N , N 1 , n).
Parametri sluajne promenljive X ~ H ( N , N 1 , n) :
E( X )
- varijansa:
V 2 (X )
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:
Broj deaka u 10 sluajno izabranih uenika iz ovog odeljenja podlee

raspodeli H (30,18,10) , pa je verovatnoa da je meu tih 10 uenika tano 7
18 12

7
3
deaka jednaka .
30

10
99
Poslovna statistika
3.1.2.3. Puasonova raspodela, P(O)
Sluajna promenljiva X ima Puasonovu raspodelu verovatnoa, P(O),

ukoliko je njena raspodela verovatnoa odreena sledeim zakonom raspodele:
P( X
i)
O
Oi
i!
const ! 0, i
0,1,2,.....
Puasonova raspodela verovatnoa je granini sluaj Binomne raspodele

u sluaju kada je, za fiksirano i, nov i po 0, ali tako da je np=const.>0.
Naime, vai sledee:
lim
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 .
Iz ovoga zakljuujemo da se Binomna raspodela moe za veliko n i malo p, u

sluaju kada je np=const., dosta dobro aproksimirati Puasonovom, koja je
laka za izraunavanje. Greka koja se pri tome ini se ve za p<0.1 i n>50
moe zanemariti. Kako je p blisko nuli, Puasonova raspodela opisuje dogaaje
ija je verovatnoa pojavljivanja veoma mala, odnosno tzv. retke dogaaje.
Puasonova raspodela ne slui samo za aproksimaciju Binomne raspodele, ve i
za odreivanje verovatnoe broja javljanja nekog dogaaja u prostoru i
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.
To su, na primer, dogaaji, broj telefonskih poziva u nekom vremenskom

intervalu, broj estica emitovanih od neke radioaktivne supstance, broj
tamparskih greaka po stranici neke knjige i sl.
Naime, neka je sluajna promenljiva Xt broj pojavljivanja nekog dogaaja u
t
intervalu >0, t). Podelimo interval >0, t) na n intervala jednakih duina . Ako
n
zamislimo da je n veliko, onda je:
- broj javljanja dogaaja nezavistan od jednog do drugog intervala;
- verovatnoa istovremenog javljanja dva ili vie dogaaja u jednom
intervalu je zanemarljiva;
- verovatnoa da se u nekom intervalu ostvari jedan dogaaj, obeleimo
je sa p, ista je za svaki interval i vai da kada nov tada po 0. Takoe, ta
verovatnoa je direktno proporcionalna duini intervala, odnosno obrnuto
, O=const.!0,
n
gde parametar O na neki nain karakterie intenzitet protoka dogaaja.
proporcionalna broju intervala n, to jest moemo pisati p
Neka je Ai , i=1,2,...,n, dogaaj da se u i-tom intervalu pojavi posmatrani

dogaaj.
Tada su, na osnovu gore navedenog, dogaaji Ai , i = 1, 2, ..., n, nezavisni sa
jednakim verovatnoama
101
Poslovna statistika
P( Ai )
const. ! 0
i 1,2,..., n.
Sluajna promenljiva Xt broj pojavljivanja nekog dogaaja u intervalu >0, t),

sada je identina sluajnoj promenljivoj broj realizacija dogaaja Ai ,
i = 1,2,...,n, a ona, kao to znamo, pod ovim uslovima podlee zakonu
Binomne, B(n,p), raspodele. Dakle, X t ~ B(n, p) .
Ako poveamo preciznost registrovanja dogaaja, to jest dozvolimo da nov,
tada p
Xt ~
O
n
o 0 , ali p n
lim
n ov
n p O const .! 0
B(n, p )
const. ! 0 , pa tada vai
P(O ).
Puasonova raspodela zavisi samo od jednog parametra O, koji u sluaju

aproksimacije Binomne raspodele Puasonovom iznosi O=np, a u sluaju
predstavljanja protoka nekog dogaaja u nekom prostornom ili vremenskom
intervalu, predstavlja oekivani broj pojavljivanja nekog dogaaja u tom
posmatranom prostornom ili vremenskom intervalu.
Kada sluajna promenljiva X podlee zakonu Puasonove raspodele sa

parametrom O, to zapisujemo X ~ P(O ).
Parametri sluajne promenljive X ~ P (O ) :

- varijansa:
E( X ) O ;
V 2 (X ) O ;
V (X )
D3 (X )
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:
Obeleimo sa X sluajnu promenljivu broj pogotka u 60 gaanja.

Poto se binomna raspodela verovatnoe za n ! 5 0 p 0,1 moe
aproksimirati Puasonovom raspodelom u kojoj je O n p , to, kako je u ovom
sluaju n p 60 0,05 3 , vai
P( X
1)
31
e
1!
3
3 e 3 .
Primer 3.1.2.3.2. U telefonskoj centrali u toku jednog sata bilo je 60 poziva.

Izraunati verovatnou da u toku dva minuta nije bilo nijednog poziva.
Reenje:
Obeleimo sa X sluajnu promenljivu broj poziva u toku dva minuta.

60
2 , pa je verovatnoa da
Oekivani broj poziva u toku dva minuta je O
30
u toku dva minuta nije bilo nijednog poziva jednaka
P( X
0)
e 2
20
0!
e 2 .
103
Poslovna statistika
3.2.
Raspodele neprekidnih sluajnih promenljivih
Ako je sluajna promenljiva X neprekidna sluajna promenljiva, onda ona

moe da uzme bilo koju vrednost iz nekog intervala vrednosti. Poto u realnom
intervalu ima beskonano mnogo vrednosti, besmisleno je govoriti o
verovatnoi da sluajna promenljiva X uzme tano odreenu vrednost u tom
intervalu. U tom smislu, za neprekidnu sluajnu promenljivu X moemo rei da
je verovatnoa da ona uzme tano odreenu vrednost, recimo i, jednaka nuli, to
jest da je P ( X i ) 0 . Smisleno je i mogue kod neprekidnih sluajnih
promenljivih izraunati verovatnou da se sluajna promenljiva X nalazi u
nekom intervalu vrednosti, odnosno izraunati P (a X b) .
Kako je
P( X
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) .
Vano je napomenuti da u sluaju neprekidne sluajne promenljive X, injenica

da je P ( X i ) 0 ne znai da je dogaaj X = i nemogu, ve da je besmisleno
oekivati ga unapred, odnosno da mu je a priori verovatnoa jednaka nuli.
Zato kod neprekidnih sluajnih promenljiva nema smisla raunati raspodelu
verovatnoa, ve je neprekidna sluajna promenljiva potpuno definisana ako je
data njena funkcija raspodele verovatnoa ili njena funkcija gustine raspodele
verovatnoa.
104
Poslovna statistika
- Funkcija raspodele verovatnoa neprekidne sluajne promenljive
Ako je X neprekidna sluajna promenljiva, onda verovatnoa da ta sluajna

promenljiva bude manja od neke realne vrednosti x, predstavlja vrednost
funkcije raspodele verovatnoa te sluajne promenljive u taki x i obeleava
se sa F(x).
Dakle, funkcija raspodele verovatnoa F(x), sluajne promenljive X, jeste

realna funkcija x F (x) definisana sa:
F ( x)
P ( X x),
v x v .
Iz definicije funkcije raspodele F(x), zakljuujemo da vai sledee:
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)
Primer izgleda jedne funkcije raspodele neprekidne sluajne promenljive dat je

na slici 3.2.1.
105
Poslovna statistika
F(x)
F(a)
Slika 3.2.1. Funkcija raspodele
Vrednost F(a) predstavlja verovatnou da sluajna promenljiva uzme neku

vrednost manju od a, odnosno F (a ) P( X a ).
106
Poslovna statistika
- Funkcija gustine raspodele verovatnoa neprekidne sluajne promenljive
Neka je F funkcija raspodele neprekidne sluajne promenljive X. Ako postoji

nenegativna funkcija f definisana na R takva da za svako xR vai da je
x
F ( x)
f (t ) dt ,
v
tada tu funkciju f nazivamo funkcija gustine verovatnoe neprekidne sluajne

promenljive X, ili krae funkcija gustine.
Iz definicije funkcije gustine raspodele f(x) zakljuujemo da, ukoliko je F

diferencijabilna u taki x, vai sledee: F ' ( x) f ( x).
Takoe vai:
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
Primer izgleda jedne funkcije gustine raspodele neprekidne sluajne

promenljive dat je na Slici 3.2.2.
107
Poslovna statistika
f(x)
P(a<X<b)
P(x>b)
P(X<a)
Slika 3.2.2. Funkcija gustine raspodele

Kao to se vidi na slici 3.2.2, verovatnoa P (a X b) jednaka je rafiranoj
povrini omeenoj grafikom funkcije gustine raspodele f(x), x osom i pravama
x=a i x=b.
Verovatnoa P( X ! b) jednaka je povrini desno od prave x=b ogranienoj
grafikom funkcije gustine raspodele f(x) i x osom, a verovatnoa
P( X a) jednaka je povrini levo od prave x=a ogranienoj grafikom funkcije
gustine raspodele f(x) i x osom.
108
Poslovna statistika
3.2.1. Parametri neprekidnih sluajnih promenljivih
Kao i u sluaju diskretnih sluajnih promenljivih, parametre neprekidnih

sluajnih promenljivih svrstaemo u tri grupe:
-
parametri srednje vrednosti (mere srednje vrednosti ili centralne

tendencije);
parametri varijabiliteta (mere disperzije);
parametri oblika rasporeda (mere oblika rasporeda).
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.
3.2.1.1. Parametri centralne tendencije neprekidne sluajne

promenljive
Parametri centralne tendencije neprekidne sluajne promenljive koje

emo mi navesti su matematiko oekivanje, modus i medijana.
Matematiko oekivanje. Matematiko oekivanje neprekidne
sluajne promenljive X esto se naziva i srednja vrednost sluajne
promenljive X. Mi emo ga obeleavati sa E(X) i odreujemo ga na
sledei nain:
ako neprekidna sluajna promenljiva X ima funkciju gustine

verovatnoe f(x), onda je njeno matematiko oekivanje jednako
v
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
- Modus. Modus neprekidne sluajne promenljive X obeleavamo sa

Mo(X) i ona je odreena onim takama u kojima funkcija gustine
verovatnoe f(x) ima maksimum.
- Medijana. Medijanu neprekidne sluajne promenljive X obeleavamo
sa Me(X) i ona predstavlja onu vrednost sluajne promenljive X za koje
vai sledee:
Me
P( X M e )
F (M e )
f ( x) dx
0.5 .
v
Medijana neprekidne sluajne promenljive je, dakle, ona vrednost

sluajne promenljive za koju je verovatnoa da sluajna promenljiva
bude manja od nje jednaka verovatnoi da sluajna promenljiva bude
vea od nje, jednaka 0.5.
Primer 3.2.1.1. Nai matematiko oekivanje, modus i medijanu

neprekidne sluajne promenljive ija je funkcija gustine
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
3.2.1.2. Parametri varijabiliteta neprekidne sluajne promenljive
Parametri varijabiliteta neprekidne sluajne promenljive koje emo mi

navesti su varijansa i standardna devijacija, kao apsolutne mere
varijabiliteta neprekidne sluajne promenljive, i koeficijent varijacije,
kao relativna mera varijabiliteta neprekidne sluajne promenljive.
- Varijansa. Varijansu neprekidne sluajne promenljive X
obeleavamo sa var(X) ili V2(X), i odreujemo na sledei nain:
ako neprekidna sluajna promenljiva X ima funkciju gustine

verovatnoe f(x) onda je njena varijansa jednaka
v
2
V (X )
>x E ( X @
f ( x) dx.
v
Varijansa se jo naziva i centralni moment drugog reda. U optem

sluaju centralni moment k-tog reda neprekidne sluajne promenljive
X oznaavamo sa Mk(X) i nalazimo po formuli
111
Poslovna statistika
v
>x E ( X @
M k (X )
f ( x) dx.
v
Iz same definicije varijanse jasno je da vai

E > X E ( X )@ .
2
V 2 (X )
Kako vai sledee:

v
>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
to varijansu moemo izraunavati i pomou tzv. radne formule
V 2 (X )
E ( X 2 ) >E ( X )@
m2 ( X ) >m1 ( X )@ .
2
- Standardna devijacija. Standardnu devijaciju neprekidne sluajne

promenljive X obeleavamo sa st. dev. (X) ili sa V(X) i izraunavamo
po formuli
st.dev.( X )
var( X ) odnosno V ( X )
V 2 ( X ).
- Koeficijent varijacije. Koeficijent varijacije neprekidne sluajne

promenljive X obeleavamo sa Cv(X) i izraunavamo po formuli
Cv ( X )
V (X )
E( X )
Ako ga elimo izraziti u procentima, obeleavamo ga sa Cv(X)% i

112
Poslovna statistika
C v ( X )%
V (X)
E( X )
100% C v X 100% .
3.2.1.3. Parametri oblika rasporeda neprekidne sluajne

promenljive
Parametri oblika rasporeda neprekidne sluajne promenljive su, kao i

kod diskretnih, mera simetrije i mera spljotenosti sluajne
promenljive.
Mera simetrije izraava se pomou koeficijenta simetrije, dok se mera
koeficijent se izraunavaju pomou centralnih momenata, na isti nain
kao i kod diskretnih sluajnih promenljivih.
- Koeficijent simetrije sluajne promenljive X oznaavamo sa D3(X) i

M3(X )
D3 (X )
>V ( X )@3
Ukoliko je:
D3(X)=0

simetrina; tada je takoe E ( X ) M e ( X ) M o ( X ) ;
D3(X)!0

pozitivno asimetrina (asimetrija udesno), tada je takoe
E( X ) ! M e ( X ) ! M o ( X ) ;
D3(X)0

negativno asimetrina (asimetrija ulevo); tada je takoe
E( X ) M e ( X ) M o ( X ) .
113
Poslovna statistika
- Koeficijent spljotenosti sluajne promenljive X oznaavamo sa

D4(X) i izraunavamo po formuli:
M 4 (X )
D4 (X )
>V ( X )@4
Ukoliko je:
D4(X)=3

normalno spljotena;
D4(X)!3

izduena, odnosno ima spljotenost manju od normalne;
D4(X)3
zakljuujemo da raspodela vrednosti obeleja ima

spljotenost veu od normalne.
Zadatak 3.2.1. Nai varijansu, standardnu devijaciju, koeficijent

varijacije, koeficijente simetrije i spljotenosti neprekidne sluajne
promenljive ija je funkcija gustine
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)
Neprekidna sluajna promenljiva X ima Normalnu raspodelu sa

parametrima P i V2 ako je njena gustina raspodele verovatnoa jednaka
f ( x)
V 2S
( xP )2
x v, v .
2V 2
Kada sluajna promenljiva X ima Normalnu raspodelu sa parametrima

P i V to zapisujemo X ~ N ( P , V 2 ) .
2
Normalnu raspodelu uveo je nemaki matematiar Karl Fridrih Gaus

(1777-1855) u analizi ocene sluajnih greaka prilikom obrade rezultata
merenja, pa se zato naziva i Gausova raspodela.
Grafici gustina ove raspodele verovatnoa zavise od parametara P i V2.
Meutim, mogu se uoiti sledee zajednike karakteristike:
sve krive gustine simetrine su u odnosu na pravu x = P , to znai da je

medijana Me=P ;
taka maksimuma je taka ( P ,
lim f ( x)
xorv
V 2S
0;
sve krive su zvonastog oblika;
115
) , pa je i moda Mo=P ;
Poslovna statistika
-
ukoliko je V vee, to je maksimalna vrednost gustine manja, ali je

rasturanje oko prave x = P vee, odnosno irina krive je vea (Slika
3.2.3);
N(2,22)
0.25
N(2,42)
dnormx
( 2 2)
dnormy
( 2 4)
0.13
2 0
8 10 12
Slika 3.2.3. Funkcije gustine N(2,22) i N(2,42)
- promena vrednosti parametra P dovodi do translacije krive gustine

du x ose (Slika 3.2.4);
N(2,22)
N(6,22)
0.25
dnorm( x 2 2)
dnorm( y 6 2)
0.13
10 12 14
x y
Slika 3.2.4. Funkcije gustine N(2,22) i N(6,22)

116
Poslovna statistika
- za sve sluajne promenljive X ~ N ( P , V 2 ) vai

P ( P V X P V ) | 0.68
P ( P 2V X P 2V ) | 0.95
P ( P 3V X P 3V ) | 0.997
-
ako sluajna promenljiva X ima Normalan raspored, onda i njena

linearna transformacija Y=a+bX takoe ima Normalan raspored;
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 )
Sluajnu promenljivu koja ima Normalnu raspodelu sa parametrima P=0 i

V2=1 zovemo sluajna promenljiva Z tipa ili Z promenljiva. Znai
Z ~ N (0,1) (Slika 3.2.5).
0.5
dnorm( x 0 1) 0.25
Slika 3.2.5. Funkcija gustine N(0,1)
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
Slika 3.2.6. Broj zD

v
Oigledno da je P ( Z ! zD )
f ( x) dx
D.
zD
Vrednosti Normalne raspodele N(0,1) date su tablino na kraju udbenika u

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
Primer 3.2.2.1. Ako sluajna promenljiva X podlee zakonu N(20,102), nai

verovatnou P (5 X 28) .
Reenje:
Kako je u ovom sluaju P
20 i V
X ~ N (20,10 2 ) P(5 X 28)

P(1.5 Z 0.8)
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
Moivre-Laplaceova teorema (koju neemo dokazivati) nam omoguava da, u

sluajevima kada je n p ! 5 i n (1 p) ! 5 , Binomnu raspodelu B(n,p)
moemo aproksimirati Normalnom raspodelom sa parametrima P n p i
V 2 n p (1 p) , odnosno sa N (n p, n p (1 p)) .
Kako u tom sluaju diskretnu raspodelu aproksimiramo neprekidnom,

neophodno je da se interval integracije Normalne raspodele proiri i sa gornje i
sa donje strane sa 0.5.
Primer 3.2.2.2. Ako je X ~ B(20,0.3) , nai priblino verovatnou

P(3 d X d 7) .
119
Poslovna statistika
Reenje:
Kako je n p 20 0.3 6 ! 5 i n 1 p 20 0.7 14 ! 5 to B(20,0.3)

moemo aproksimirati Normalnom raspodelom kod koje je
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
Normalna raspodela ima najvei znaaj meu raspodelama verovatnoa iz

sledeih razloga:
- veliki broj sluajnih promenljivih ima Normalan raspored;
- veliki broj sluajnih promenljivih ima aproksimativno Normalan
raspored;
- izvesne komplikovanije raspodele mogu se aproksimirati Normalnom
raspodelom;
- veliki broj sluajnih promenljivih koje slue za verifikaciju statistikih
testova imaju Normalnu raspodelu.
Parametri sluajne promenljive X ~ N ( P , V 2 ) :

- varijansa:
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
Engleski matematiar Goset (W. S. Gosset) je 1908. godine, pod pseudonimom

Student, objavio rad u kome je definisao jednu novu, do tada nepoznatu
neprekidnu raspodelu, koja je po njegovom pseudonimu i dobila naziv
Studentova raspodela. Ova raspodela se naziva jo i t-raspodela.
Matematiki izraz za funkciju gustine ove raspodele je previe komplikovan i
neemo ga izloiti.
Studentova raspodela je neprekidna raspodela koja zavisi samo od jednog
parametra koji se naziva broj stepeni slobode, koga emo obeleavati sa Q i
koji moe iznositi Q =1, 2, 3, ... .
Kada sluajna promenljiva X ima Studentovu raspodelu sa Q stepeni slobode, to
zapisujemo X ~ tQ .
Studentova raspodela ima sledee osobine:
- njena funkcija gustine raspodele, obeleimo je sa f(t), definisana je na
itavom skupu R za svako Q =1, 2, 3, ...;
- grafik funkcije gustine raspodele je simetrian u odnosu na ordinatnu
osu, to jest
f (t ) f (t )
t R
za svako Q =1, 2, 3, ...;
- apscisna osa je asimptota krive gustine f(t), kada torv
to jest
lim f (t ) 0 za svako Q =1, 2, 3, ...;
t orv
kada Qov Studentova raspodela tei N(0,1) raspodeli, tako da se ve

za Q!30 Studentova raspodela moe aproksimirati N(0,1)
raspodelom;
funkcija gustine Studentove raspodele je na sredini vie spljotena, a na

krajevima ira od N(0,1) rasporeda.
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
Slika 3.2.7. Funkcije gustine t1 , t3 , t50
Vrednosti Studentove raspodele tQ date su tablino na kraju udbenika u obliku

P (tQ ! tQ ,D ) D .
U koloni oznaenoj sa Stepeni slobode Q nalaze se cifre koje oznaavaju broj
stepeni slobode, odnosno parametar Q, dok se u vrsti oznaenoj sa D nalaze
vrednosti verovatnoe.
U preseku vrste odreene parametrom Q i kolone odreene verovatnoom D,
nalazi se broj tQ,D za koji vai P (tQ ! tQ ,D ) D .
Tako, na primer, u preseku vrste odreene sa Q = 7 i kolone odreene sa
D=0.05, nalazi se broj 1.8946, to znai da je
P(t 7 ! 1.8946)
0.05 ,
odnosno da je 1.8946
t 7 ,0.05 (Slika 3.2.8).
122
Poslovna statistika
t7
0.4
dt ( x 7 )
D=0.05
0.2
0
x
t7,0.05=1.8946
Slika 3.2.8. Grafika predstava broja t7,0.05
Parametri sluajne promenljive X ~ tQ :

E( X )
- varijansa:
V 2 (X )
V (X )
D3 (X )
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
Matematiki izraz za funkciju gustine ove raspodele takoe neemo izloiti

zbog njegove sloenosti.
Hi-kvadrat raspodela je neprekidna raspodela koja zavisi samo od jednog

parametra koji se naziva broj stepeni slobode, koga emo obeleavati sa Q i
koji moe iznositi Q =1, 2, 3, ...
Kada sluajna promenljiva X ima Hi-kvadrat raspodelu sa Q stepeni slobode, to
zapisujemo X ~ FQ2 .
Hi-kvadrat raspodela ima sledee osobine:
- njena funkcija gustine raspodele, obeleimo je sa f(x), definisana je

samo za pozitivne realne brojeve (x!0) za svako Q =1, 2, 3, ...;
- grafik funkcije gustine raspodele je asimetrian, i to pozitivno
asimetrian za svako Q =1, 2, 3, ...;
- moda sluajne promenljive sa FQ2 raspodelom iznosi Mo=Q - 2, (Q!2);
- kada Qov , Hi-kvadrat raspodela tei Normalnoj raspodeli sa
parametrima P = Q, i V2=2Q, tako da se ve za Q!30 Hi-kvadrat raspodela
moe aproksimirati N(Q,2Q) raspodelom.
Na slici 3.2.9. dat je oblik funkcije gustine raspodele F 12 , F 22 , F 32 , F 42 , F 72 .
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
Slika 3.2.9. Funkcije gustine F 12 , F 22 , F 32 , F 42 , F 72
Vrednosti Hi-kvadrat raspodele FQ2 date su tablino na kraju udbenika u

obliku P ( FQ2 ! FQ2,D ) D .
U koloni oznaenoj sa Stepeni slobode Q nalaze se cifre koje oznaavaju broj
stepeni slobode, odnosno parametar Q, dok se u vrsti oznaenoj sa D nalaze
vrednosti verovatnoe.
U preseku vrste odreene parametrom Q i kolone odreene verovatnoom D,
nalazi se broj F2Q,D , za koji vai P ( FQ2 ! FQ2,D ) D .
Tako, na primer, u preseku vrste odreene sa Q = 7 i kolone odreene sa
D=0.05, nalazi se broj 14.067, to znai da je
P ( F 72 ! 14.067)
0.05 ,
odnosno da je 14.067
F 72,0.05 (Slika 3.2.10).
125
Poslovna statistika
0.15
dchisq
( x 7 )
0.1
D=0.05
0.05
10
x
12
14
- varijansa:
E( X ) Q ;
V 2 ( X ) 2Q ;
V (X )
D3 (X )
D4 (X ) 3
2Q ;
8
126
;
12
18
F27,0.05=14.067
Slika 3.2.10. Grafika predstava brojaF27,0.05
Parametri sluajne promenljive X ~ FQ2 :
16
20
Poslovna statistika
3.3. Neke osobine matematikog oekivanja E(X) i varijanse Var(X)
sluajne promenljive X
Neka su a,b,c proizvoljni realni brojevi i neka su X i Y sluajne promenljive.

Tada vai:
1.
2.
3.
E (c ) c
Var (c) 0
E (aX b)
4.
5.
Var (aX b) a 2Var ( X )

E (aX bY ) aE ( X ) bE (Y
6.
H ! 0
aE ( X ) b
P( X E ( X ) t H ) d
Var ( X )
H2
Osobina pod brojem 6. je poznata i kao ebievljeva nejednakost.
127
Poslovna statistika
4. UZORAK I STATISTIKE UZORKA
Karakteristike populacije su egzaktno poznate samo ako su informacije o njima

uzete iz itave populacije. Meutim, anketiranje itave populacije esto stvara
velike tekoe i iziskuje mnogo vremena. U pojedinim sluajevima je
nemogue, pa i besmisleno anketirati itavu populaciju ukoliko prikupljanje
informacija znai i unitenje podataka. Zbog toga se kompletno anketiranje
populacije esto zamenjuje jednim drugim metodom analize parametara
populacije metodom uzorka.
Uzorak je jedan deo populacije, izabran na specifian nain, ijom analizom
dobijamo rezultate pomou kojih moemo izvesti dovoljno valjane zakljuke o
vrednostima parametara itave populacije.
Radi to vee verodostojnosti izvedenih zakljuaka iz uzorakih podataka,
potrebno je da uzorak bude reprezentativan, odnosno da je po svojoj strukturi
slian osnovnom skupu.
Prema nainu izbora uzorka iz populacije, uzorke delimo u dve osnovne grupe:
na sluajne (probabilistike) i na namerne (neprobabilistike).
Sluajni uzorak je onaj uzorak kod koga je verovatnoa izbora svakog
elementa iz populacije u uzorak unapred poznata i razliita od nule.
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
Kao i u prethodnim poglavljima, broj lanova populacije obeleavaemo sa N,

a broj lanova uzorka sa n.
Ako iz populacije veliine N izvlaimo uzorke od n elemenata tako da su
verovatnoe izbora svakog uzorka meusobno jednake, onda takav uzorak
zovemo prost sluajni uzorak.
Mi emo analizirati dve vrste prostog sluajnog uzorka: prost sluajni uzorak
sa ponavljanjem i prost sluajni uzorak bez ponavljanja.
Prilikom uzimanja prostog sluajnog uzorka sa ponavljanjem, element koji
smo izabrali u uzorak vraamo u populaciju pre izbora sledeeg elementa i on
ravnopravno uestvuje u sledeem izvlaenju, odnosno isti element moe biti
izabran u uzorak vie puta. Takoe, uzimaemo u obzir i redosled izvlaenja,
to znai da uzorke sa istim elementima smatramo razliitim ukoliko je
redosled izbora elemenata razliit. Imajui ovo u vidu, jasno je da postoji Nn
razliitih prostih sluajnih uzorka sa ponavljanjem od n elemenata uzetih iz
populacije od N elemenata.
Birajui elemente sa ponavljanjem, svakom elementu skupa u svakom izboru
1
pruamo istu verovatnou da bude izabran, jednaku
, tako da su u ovom
N
sluaju izbori elemenata u uzorku statistiki nezavisni dogaaji.
Primer 4.1.1. Iz populacije iji su elementi brojevi 1, 2, 3, 4, 5, ispisati sve
uzorke sa ponavljanjem od dva elementa.
Reenje:
Kako je N=5 i n=2, postoji 52=25 razliitih uzorka sa ponavljanjem veliine

dva. To su:
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
Primer 4.1.2. Iz populacije iji su elementi brojevi 1, 2, 3, 4, 5, ispisati sve

uzorke bez ponavljanja od dva elementa.
Reenje:
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
10 razliitih uzorka bez ponavljanja
(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:
-
prvo obeleimo sve lanove populacije brojevima od 1 do N;

ako prvi put koristimo Tablicu, sluajno izaberemo jednu cifru u
Tablici (recimo zamurimo i pritisnemo olovkom); ako Tablicu ne
koristimo prvi put, izaberemo onu cifru koja sledi posle poslednje
koriene cifre u prethodnom korienju Tablice;
poevi od te izabrane cifre, u proizvoljnom pravcu (recimo sleva
nadesno) grupiemo ostale cifre koje slede u grupe od po onoliko
cifara koliko cifara ima broj N;
tako grupisane cifre sada itamo kao brojeve i oni brojevi koji su u
intervalu od 1 do N odreuju one elemente iz populacije koje
uzimamo u uzorak; ako je uzorak bez ponavljanja, onda eventualno
ponovljeni broj u intervalu od 1 do N odbacujemo, a u sluaju
uzorka sa ponavljanjem, uzimamo ga u uzorak.
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:
Obeleimo sve lanove populacije brojevima 1 do 50. Neka je sluajno

izabrana cifra u Tablici sluajnih brojeva, cifra koja se nalazi u esnaestoj
vrsti i prvoj koloni.
Kako je N=50 dvocifren broj, grupisaemo sve ostale cifre u smeru sleva na
desno u brojeve od po dve cifre. Tako dobijamo
23 23 67 37 51 31 88 88 17 18 06 54 68 32 46 ...
a) u sluaju uzorka bez ponavljanja, u uzorak ulaze oni elementi
populacije koji su obeleeni brojevima (23, 37, 31, 17, 18, 06, 32, 46);
b) u sluaju uzorka sa ponavljanjem, u uzorak ulaze oni elementi
populacije koji su obeleeni brojevima (23, 23,37, 31, 17, 18, 06, 32).
132
Poslovna statistika
4.2. Raspodele parametara uzoraka
Neka odreeno obeleje u populaciji veliine N ima sledee parametre:

aritmetiku sredinu koju obeleavamo sa P, varijansu koju obeleavamo sa V2 i
proporciju koju obeleavamo sa S.
Da se podsetimo, ukoliko elementi populacije imaju vrednosti obeleja
N
x1 , x 2 ,..., x N onda je aritmetika sredina obeleja u toj populaciji P
x
i 1
a varijansa V 2
(x
P)2
i 1
Takoe, to obeleje moemo posmatrati i kao sluajnu promenljivu X, koja

uzima vrednosti iz skupa x1 , x 2 ,..., x N , sa odreenim verovatnoama, i za koju
onda vai E ( X )
P , i var( X ) V 2 .
Sa proporcijom populacije S do sada se nismo susretali, i ona predstavlja

verovatnou da odreeni lan populacije ima odreenu osobinu (ili odreeno
svojstvo). Odnosno, ako M lanova populacije koja ima N lanova, ima
osobinu koje nas interesuje, onda je proporcija te osobine u ovoj populaciji
M
jednaka S
.
N
Na primer, u populaciji od 150 osoba je 90 puaa, pa je proporcija broja
90
puaa u toj populaciji jednaka S
0.6 .
150
Nad ovom populacijom, kao to smo rekli, moemo izabrati Nn prostih
N
sluajnih uzoraka veliine n sa ponavljanjem i prostih sluajnih uzoraka
n
veliine n bez ponavljanja.
U svakom od ovih uzoraka (recimo u i-tom uzorku iji su elementi x1 , x 2 ,..., x n ,
od kojih mdn ima eljenu osobinu) moemo izraunati aritmetiku sredinu itog uzorka, varijansu i-tog uzorka i proporciju eljene osobine u i-tom uzorku
na sledei nain:
133
Poslovna statistika
n
__
i 1
aritmetika sredina i-tog uzorka: x i
varijansa i-tog uzorka:

ukoliko je aritmetika sredina populacije P poznata
n
s i2
(x
P)2
i 1
ukoliko je aritmetika sredina populacije P nepoznata

n
s c2,i
(x
__
x i )2
i 1
n 1
proporcija eljene osobine u i-tom uzorku:

pi
m
.
n
U skupu svih moguih prostih sluajnih uzoraka veliine n sa i bez

ponavljanja, vrednosti za aritmetiku sredinu (varijansu i proporciju uzoraka)
e se pojavljivati sa odreenim verovatnoama, jednakim koliniku broja
uzoraka koji imaju datu vrednost aritmetike sredine (varijanse i proporcije
uzoraka) i broja svih moguih uzoraka.
To znai da nad skupom svih moguih prostih sluajnih uzoraka veliine n
moemo definisati sledee sluajne promenljive:
__
sluajna promenljiva aritmetika sredina uzorka X :

__
__
x1
p
1
__
__
__
x2
xi
p2
pi
gde je
134
xr ,
p r
Poslovna statistika
__
broj uzoraka cija je aritmeticka sredina jednaka x i

(uzorci sa
pi
Nn
ponavljanjem);
__
broj uzoraka cija je aritmeticka sredina jednaka x i

pi
(uzorci bez
N

n
ponavljanja);
sluajna promenljiva varijansa uzorka:

S 2 - ukoliko je aritmetika sredina populacije P poznata
s12
p
1
s 22
si2
p2
pi
s k2
,
p k
gde je
pi
pi
broj uzoraka cija je var ijansa jednaka s i2

(uzorci sa ponavljanjem);
Nn
broj uzoraka cija je var ijansa jednaka s i2

(uzorci bez ponavljanja);
N

n
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
broj uzoraka cija je var ijansa jednaka s c2,i

Nn
broj uzoraka cija je var ijansa jednaka s c2,i

N

n
(uzorci bez ponavljanja);
sluajna promenljiva proporcija uzorka Pr:

Pr
p1
q1
p2
pi
q2
qi
ps
,
q s
gde je
qi
qi
broj uzoraka cija je proporcija jednaka pi

Nn
broj uzoraka cija je proporcija jednaka pi

(uzorci bez ponavljanja).
N

n
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:
a) Broj uzoraka sa ponavljanjem veliine n dobijenih iz populacije veliine N

iznosi N n . U naem sluaju je n=2, N=4, pa je broj svih uzoraka sa
ponavljanjem jednak 42=16. Ovi uzorci i njihove srednje vrednosti date su u
Tabeli 4.2.1.a.
Redni broj
uzorka (i)
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.

Sluajna promenljiva aritmetika sredina uzorka sa ponavljanjem X ima

sledeu raspodelu verovatnoa
1
X : 1
16

1,5
2
16
2
3
16
2,5
4
16
dobijenu iz tablice 4.2.1.a.

137
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
6. Ovi uzorci i njihove srednje vrednosti date su u
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.

Sluajna promanljiva aritmetika sredina uzorka bez ponavljanja X ima

sledeu raspodelu verovatnoa
1,5
X : 1
6

2
1
6
2,5
2
6
3
1
6
3,5
1 ,
6
dobijenu iz tablice 4.2.1.b.
U nekim okolnostima raspodele ovih sluajnih promenljivih, koje u stvari

predstavljaju parametre uzorka, podleu zakonitostima koje smo obradili u
poglavlju 3. ovog udbenika. Odredimo te okolnosti i raspodele po kojima se
tada ponaaju ovi parametri uzoraka.
138
Poslovna statistika
__
4.2.1. Raspodela aritmetike sredine uzoraka X
__
__
Za matematiko oekivanje E ( X ) i varijansu var( X ) sluajne promenljive

__
aritmetika sredina uzorka X , formirane nad uzorcima veliine n, iz

populacije u kojoj je aritmetika sredina obeleja P i varijansa obeleja V2:
__
__
x1
p
1
__
__
__
x2
xi
p2
pi
xr
p r
gde r predstavlja broj razliitih aritmetikih sredina uzoraka iz skupa

aritmetikih sredina svih uzoraka, vai sledee:
ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez ponavljanja

n
kod kojih je
d 0.05 )
N
N n __
__
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
ako su uzorci bez ponavljanja kod kojih je
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
Primer 4.2.1.1. Pokazati da u Primeru 4.2.1. vai

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
gde su P i V2 aritmetika sredina i varijansa populacije respektivno.

Reenje:
Srednja vrednost i varijansa populacije iznose
P
V2
1 2 3 4
2,5
4
1 2,52 2 2,52 3 2,52 4 2,52
4
pa je imajui u vidu rezultate Primera 4.2.1.
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
__
Raspodela sluajne promenljive aritmetika sredina uzorka X moe

se odrediti u zavisnosti od raspodele samog obeleja u populaciji na
sledei nain:
i) ako posmatrano obeleje u populaciji ima N(P,V2) raspodelu, onda:
- ako je V2 populacije poznato,
- ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez
n
d 0.05 ),
ponavljanja kod kojih je
N
onda
__
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
);
- ako je V2 populacije nepoznato,

- ako je P poznato,
n
d 0.05 ) ,
N
onda
__
XP
~ tn ;
S
n
n
! 0.05 ,
N
onda
__
XP
N n
N 1
n
~ tn ;
- ako je P nepoznato,
n
d 0.05 ) ,
N
onda
143
Poslovna statistika
__
XP
~ t n 1 ;
Sc
n
n
! 0.05 ,
N
onda
__
XP
N n
N 1
n
Sc
ii)
~ t n 1 ;
ako posmatrano obeleje u populaciji nema N(P,V2) raspodelu,

onda aproksimativno vai:
- ako su uzorci sa ponavljanjem (ili Nov),

uzimamo dovoljno veliki uzorak pod kojim
podrazumevamo uzorak veliine nt30 i za njega vae
svi rezultati kao i usluaju kad obeleje u populaciji ima
N(P,V2) raspodelu;
- ako su uzorci bez ponavljanja,
uzimamo dovoljno veliki uzorak iz dovoljne velike
populacije, pod kojim podrazumevamo uzorak veliine
N
, i za njega vae svi
nt30 i populaciju za koju je n
2
rezultati kao i usluaju kada obeleje u populaciji ima
N(P,V2) raspodelu.
Prisetimo se da za nt30 moemo raspodelu tn dovoljno
dobro aproksimirati N(0,1) raspodelom.
144
Poslovna statistika
Primer 4.2.1.2.
a)
Pakovanja jedne vrste robe imaju teinu u proseku 50 kg i

standardnu devijaciju 0.5 kg. Odrediti verovatnou da e
prosena teina 250 pakovanja ove robe biti manja od 49.95 kg.
b)
1000 pakovanja jedne vrste robe imaju teinu u proseku 50 kg i

standardnu devijaciju 0.5 kg. Odrediti verovatnou da e
prosena teina sluajno izabranih 250 od ovih 1000 pakovanja
biti manja od 49.95 kg.
Reenje:
Kako su podaci o prosenoj teini P 50kg i standardnoj devijaciji

0.5kg odnose na beskonanu populaciju, i kako je veliina uzorka
a)
n=250>30, to sluajna promenljiva prosena teina uzorka X ima priblino
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
Kako su podaci o prosenoj teini P 50kg i standardnoj devijaciji

V 0.5kg odnose na konanu populaciju veliine N=1000, i kako je veliina
n
N
0,25 ! 0,05 i n 250
500 , to sluajna
uzorka n=250>30 i
N
2
b)
promenljiva prosena teina uzorka X ima priblino

V 2 N n
raspodelu, pa vai:
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
P( Z 1,82) 1 F (1,82) 1 0,9656
0,0344
__
__
4.2.2. Raspodela razlike aritmetikih sredina uzoraka, X 1 X 2
Ukoliko uzimamo nezavisne uzorke veliine n1 i n2 iz dve populacije, gde u

prvoj populaciji obeleje X1 ima parametre E ( X 1 ) P1 i var( X 1 ) V 12 , a u
drugoj populaciji obeleje X2 ima parametre E ( X 2 ) P 2 i var( X 2 ) V 22 , onda
__
__
sluajna promenljiva razlika aritmetikih sredina uzoraka, X 1 X 2 , ima

__
__
__
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
ako ne znamo zakon raspodele obeleja X1 i X2 ,

ako je
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?
4.2.3. Raspodela proporcije uzoraka Pr
Za matematiko oekivanje E ( Pr ) i varijansu var( Pr ) sluajne promenljive

proporcija uzorka Pr , formirane nad uzorcima veliine n, iz populacije u kojoj
je proporcija obeleja S:
Pr
p1
q1
p2
pi
q2
qi
ps
,
q s
gde s predstavlja broj razliitih proporcija uzoraka iz skupa proporcija svih

uzoraka, vai sledee:
ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez ponavljanja

n
d 0.05 ):
kod kojih je
N
Nn
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
ako su uzorci bez ponavljanja kod kojih je
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
Ukoliko se radi o uzorcima sa ponavljanjem (ili Nov), onda sluajna

promenljiva proporcija uzorka Pr podlee zakonu binomne raspodele, a
ukoliko se radi o uzorcima bez ponavljanja, onda sluajna promenljiva
proporcija uzorka Pr podlee zakonu hipergeometrijske raspodele, sa gore
navedenim parametrima.
Ukoliko je veliina uzorka takva da je n S ! 5 i n 1 S ! 5 , tada
aproksimativno vai sledee:
- ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez ponavljanja
n
d 0.05 ), onda
kod kojih je
N
Pr ~ N (S ,
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:
a) Kako se podatak o proporciji ena u zdravstvu S=0,65 odnosi na

beskonanu populaciju, i kako je n S 50 0,65 32.5 ! 5 i
n 1 S 50 0,35 17.5 ! 5 , to sluajna promenljiva proporcija ena u
S 1 S
uzorku Pr ima priblino N S ,
raspodelu, pa vai
n
35
0,65
Pr S
35
! 50
P Pr ! P
50
0,65 0,35
S 1 S
n
50
P Z ! 0,74 1 F (0,74) 1 0,7704 0,2296.

520
0,65
800
50 0,65 32.5 ! 5 i
b) Kako se podatak o proporciji ena u zdravstvu S
odnosi na konanu populaciju N=800 i kako je n S

n
50
n 1 S 50 0,35 17.5 ! 5 i
0,0625 ! 0,05 to sluajna
N 800
promenljiva proporcija ena u uzorku Pr ima priblino
S 1 S N n
N S ,
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 Z ! 0,76 1 F (0,76) 1 0,7764 0,2236.
4.2.4. Raspodela varijanse uzoraka, S 2 -P poznato, S c2 -P nepoznato
Ukoliko se sluajna promenljiva X u populaciji raspodeljuje po zakonu N(P,V2)

onda u sluaju kada je:
- P poznato
za sluajnu promenljivu varijansa uzorka S 2 vai:

n
d 0.05 ), onda
N
nS2
~ F n2 ;

aproksimativno vai:
ako je nt30 i n
nS2
V2
N
, tada
2
~ F n2 ;
150
n
! 0.05 , onda
N
Poslovna statistika
- P nepoznato
za sluajnu promenljivu varijansa uzorka S c2 vai:

n
d 0.05 ), onda
N
(n 1) S c2
~ F n21 ;
-ako su uzorci bez ponavljanja kod kojih je
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
Sutina analize uzoraka neke populacije ogleda se upravo u tome da se iz to

manje uzoraka (obino iz jednog) dobiju zadovoljavajue informacije o
ponaanju obeleja u itavoj populaciji. To ponaanje obeleja u itavoj
populaciji je zadovoljavajue opisano analizom uzorka, ukoliko su analizom
tog uzorka dovoljno dobro procenjeni parametri populacije (aritmetika
sredina, proporcija, varijansa) i ukoliko je dovoljno dobro procenjen zakon
raspodele tog obeleja u populaciji.
Analiza uzorka pomou koje se procenjuju parametri populacije naziva se
parametarska analiza i ona e u nekom obimu biti obraena u ovom
udbeniku.
Analiza uzorka pomou koje se procenjuje zakon raspodele obeleja u
populaciji naziva se neparametarska analiza i ona nee biti obraena u ovom
udbeniku.
Parametarska analiza se vri na dva naina, u zavisnosti od raspoloivih
informacija o populaciji.
Prvi nain, koji se zove statistiko ocenjivanje, primenjuje se u sluajevima

kada parametri populacije nisu poznati, pa ih iz uzetog uzorka procenjujemo,
odnosno ocenjujemo. Ovaj nain emo obraditi u ovom 5. poglavlju
udbenika.
Drugi nain, koji se zove testiranje parametarskih statistikih hipoteza,
primenjuje se u sluajevima kada su parametri populacije bili poznati, pa iz
uzetog uzorka proveravamo da li su se promenili i u kom smeru je promena
ila, odnosno da li su se povaali ili smanjili. Ovaj nain emo obraditi u 6.
poglavlju ovog udbenika.
U postupku statistikog ocenjivanja zakljuak o nepoznatoj vrednosti
parametra populacije koji ocenjujemo moemo dati u vidu jedne brojne
vrednosti i tada se ta ocena zove takasta ocena, ili u vidu intervala moguih
vrednosti i tada se ta ocena zove intervalna ocena.
152
Poslovna statistika
5.1 Takaste ocene
Obeleimo sa Q parametar populacije koji elimo da ocenimo (aritmetika

sredina, proporcija, varijansa...) pomou neke takaste ocene dobijene iz
prostog sluajnog uzorka veliine n. Neka je populacija okarakterisana
sluajnom promenljivom X koja uzima vrednosti iz skupa x1 , x 2 ,..., x N i neka
je uzorak uzeo vrednosti x1 , x 2 ,..., x n . Obeleimo sa Un vrednost ocene
parametra Q izraunate iz uzorka ije su vrednosti x1 , x 2 ,..., x n . Oigledno da
e vrednost ocene Un zavisiti od vrednosti x1 , x 2 ,..., x n , odnosno zavisie od
izabranog uzorka. Dakle, na konkretnom uzorku ije su vrednosti x1 , x 2 ,..., x n ,
ocena Un je neka funkcija od x1 , x 2 ,..., x n , U n f ( x1 , x 2 ,..., x n ) .
Ako bismo izvlaili vie uzoraka od n elemenata, elementi koji su prvi
izvueni u svakom uzorku, a to su oni oznaeni indeksom 1, u razliitim
uzorcima bi uzimali razliite vrednosti sa razliitim verovatnoama, pa sve te
vrednosti definiu jednu sluajnu promenljivu koju emo obeleiti sa X1.
Slino, elementi koji su u vie uzoraka izabrani na drugom mestu obrazuju
sluajnu promenljivu X2 itd. Na taj nain ocena U je funkcija n-dimenzionalne
sluajne promenljive (X1, X2, ..., Xn), U = f(X1, X2, ..., Xn), pa i sama
predstavlja sluajnu promenljivu sa nekom svojom raspodelom verovatnoa.
Kako postoji beskonano veliki broj funkcija koje moemo definisati na
promenljivima (X1, X2, ..., Xn), prirodno je definisati ocenu U na sledei nain:
ocenom parametra Q naziva se funkcija U=f(X1, X2, ..., Xn), koja sa
verovatnoom bliskom jedinici zadovoljava priblinu jednakost U|Q kada je
brojnost uzorka dovoljno velika, to jest ako vai
lim PU Q C 1 ,
no N
n ov
gde je C odreena pozitivna konstanta.
Ova definicija doputa da se na mnogo naina definiu razne ocene za isti

parametar Q. Na primer, aritmetiku sredinu populacije moemo oceniti i
aritmetikom sredinom, i medijanom, i modom, i geometrijskom sredinom
uzorka, itd. Ali, neke od ovih ocena tanije ocenjuju parametar populacije od
153
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
U cilju nalaenja najefikasnije ocene parametra populacije Q, neophodno je

izvriti sledeu klasifikaciju ocena:
- Saglasne (konzistentne) ocene. Saglasna (konzistentna) je ona ocena
U=f(X1,X2,...,Xn) parametra populacije Q za koju vai
H ! 0
lim P( U Q H ) 1 .
no N
n ov
Odnosno, ocena je saglasna (konzistentna) ako konvergira u verovatnoi ka

parametru koga ocenjuje kada broj elemenata uzorka raste.
- Centrirana (nepristrasna) ocena. Ocena U=f(X1,X2,...,Xn) parametra
populacije Q je centrirana (saglasna) ako vai
E (U )
Q ,
to jest, ocena je centrirana (saglasna) ako je njeno matematiko oekivanje

jednako parametru populacije koga ocenjuje.
- Najefikasnija ocena. Najefikasnija ocena je ona saglasna i centrirana

ocena koja ima najmanju varijansu.
Donja granica varijansi svih moguih ocena U parametra Q odreena je

nejednakou Rao-Kramera, koju ovde neemo navoditi.
Za primenu su, naravno, najpogodnije najefikasnije ocene, ali one ne postoje

uvek. U sluajevima kada ih nema treba ispitati da li postoje asimptotski
nejefikasnije ocene.
- Asimptotski najefikasnija ocena. Ukoliko ocena U0 ima najmanju moguu

varijansu odreenu nejednakou Rao-Kramera, (a nije najefikasnija jer nije
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
Pokazuje se da vai sledee:

1. Najefikasnija ocena za aritmetiku sredinu populacije P je aritmetika
__
sredina uzorka X , ija je realizacija na uzorku x1 , x 2 ,..., x n jednaka

n
__
i 1
2. Najefikasnija ocena za proporciju populacije S je proporcija uzorka Pr

ija je realizacija na uzorku od n elemenata meu kojima je m sa
m
.
osobinom iju proporciju ocenjujemo jednaka p r
n
3. Najefikasnija ocena za parametar O populacije u kojoj obeleje podlee

Puasonovoj P(O) raspodeli je aritmetika sredina realizovanih
vrednosti parametra Oi u uzorku. Dakle, ako ocenu parametra populacije
O, oznaimo sa Ooc, onda je na uzorku O1 , O2 ,..., On najefikasnija ocena
n
Ooc
O
i 1
4. Asimptotski najefikasnija ocena za varijansu populacije V2, ija je

aritmetika sredina P-poznata je varijansa uzorka S2, ija je realizacija
n
na uzorku x1 , x 2 ,..., x n jednaka s 2
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
realizacija na uzorku x1 , x 2 ,..., x n jednaka s c2
156
__
( xi x ) 2
i 1
n 1
Poslovna statistika
5.2. Intervalne ocene
Intervalna ocena parametra populacije Q predstavlja interval vrednosti u kome

sa odreenom verovatnoom oekujemo da se nalazi parametar populacije Q, i
to takav interval da je verovatnoa da je vrednost parametra Q vea od gornje
granice intervala, jednaka verovatnoi da je vrednost parametra Q manja od
donje granice intervala. Takav interval nazivamo simetrian interval u pogledu
verovatnoe.
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
Oigledno da poveanje koeficijenta pouzdanosti poveava irinu intervala, to

sa svoje strane smanjuje preciznost, odnosno praktinu upotrebljivost ocene.
Intervalne ocene parametra Q iz uzorka odreujemo na osnovu zakonitosti po

kojima se takasta ocena tog parametra U raspodeljuje u skupu svih moguih
uzorka tog tipa uzetih iz populacije sa parametrom Q. Zakone raspodele koji su
nam potrebni u ovom delu, analizirali smo u poglavlju 4. ovog udbenika.
157
Poslovna statistika
5.2.1. Intervalna ocena aritmetike sredine populacije, P
Kako je takasta ocena aritmetike sredine populacije P, aritmetika

__
sredina uzorka X ija je raspodela data u 4. poglavlju, vai sledee:
j)
ako posmatrano obeleje u populaciji ima N(P,V2) raspodelu, onda:

- ako je V2 populacije poznato:
- ako su uzorci sa ponavljanjem (ili Nov, ili uzorci
n
d 0.05 ),
bez ponavljanja kod kojih je
N
onda:
__
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
Slika 5.2.1.1. Funkcija raspodele N(0,1)
158
Poslovna statistika
__
x P
P ( z D
zD ) 1 D
__
P( x z D
__
P x zD
V
n
) 1D
Dakle, pod ovim uslovima simetrina intervalna ocena

aritmetike sredine populacije sa koeficijentom
pouzdanosti 1-D je:
__
P ( x zD
__
, x zD
).
Pod ovim uslovima moemo unapred odrediti veliinu

uzorka n, pomou koga emo dobiti interval ocene irine
r L, sa nivoom pouzdanosti 1-D . Naime, vai
zD
zD
V 2
L2

n
! 0.05 , onda:
N
__
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

pouzdanosti 1-D je:
__
P ( x zD
2
V
n
V
N n __
N n
, x zD
).
1
N 1
N

n
2
- Ako je V2 populacije nepoznato:

ako je P poznato, besmisleno je traiti interval poverenja
za P ;
ako je P nepoznato,
- ako su uzorci sa ponavljanjem (ili Nov, ili uzorci
n
d 0.05 ), onda:
bez ponavljanja kod kojih je
N
__
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
Slika 5.2.1.2. Funkcija raspodele tn-1

__
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

pouzdanosti 1-D je:
__
P (x t
n 1,
D
2
sc
n
__
, x t
n 1,
D
2
sc
n
).
- Ako su uzorci bez ponavljanja kod kojih je

n
! 0.05 , onda :
N
161
Poslovna statistika
__
XP
N n
N 1
n
Sc
~ t n 1 , pa vai videti Sliku 5.2.1.2.
__
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
Dakle, pod ovim uslovima, simetrina intervalna ocena

pouzdanosti 1-D je:
__
s
s
N n __
N n
P (x t D c
, x t D c
).
n 1,
n 1,
N 1
N 1
n
n
2
2
iii)
Ako posmatrano obeleje u populaciji nema N(P,V2) raspodelu,

- ako su uzorci sa ponavljanjem (ili Nov),

svi rezultati kao i usluaju kada obeleje u populaciji
ima N(P,V2) raspodelu;
- ako su uzorci bez ponavljanja,
162
Poslovna statistika
N
2
rezultati kao i usluaju kada obeleje u populaciji ima
N(P,V2) raspodelu.
Primer 5.2.1. Poznato je da broj poena studenata na ispitu ima N(P,V2)

raspodelu gde je parametar V nepoznat. Sluajan uzorak od 20 studenata uzet iz
ogromne populacije, ima na ovom ispitu srednji broj poena 70 i na njemu je
izraunata centrirana varijansa uzorka sc=10. Odrediti interval poverenja za
srednji broj poena svih zadataka na ovom ispitu, ako je koeficijent pouzdanosti
1-D jednak: 1-D=0,99.
Reenje:
Kako broj poena ima normalnu raspodelu sa nepoznatom varijansom i kako je

populacija ogromna, odnosno uzorak je manji od 5% populacije, to za
proizvoljan koeficijent pouzdanosti 1-D vai:
_
s
s
_
P x t n 1, D c P x t n 1, D c 1 D gde vrednost t n 1, D itamo iz
2
2
2
n
n
D
Studentove t-tablice za n-1 stepeni slobode kao P t n 1 ! t D
. U ovom
n 1,
2
2
sluaju broj stepeni slobode je 19.
Dakle, interval poverenja za srednji broj poena svih zadataka iznosi:

za 1 D
70 2,86
0,99
10
20
D
2
0,005 t19, 0,005
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
Za nezavisne uzorke veliine n1 i n2 iz dve populacije gde u prvoj populaciji

obeleje X1 ima parametre E ( X 1 ) P1 i var( X 1 ) V 12 , a u drugoj populaciji
obeleje X2 ima parametre E ( X 2 ) P 2 i var( X 2 ) V 22 , 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 , 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
Dakle, pod ovim uslovima simetrina intervalna ocena razlike aritmetikih

sredina ovih populacija sa koeficijentom pouzdanosti 1-D je:
__
__
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 ne znamo zakon raspodele obeleja X1 i X2,

n1 t 30 i n2 t 30, tada
ako je
V 12 V 22
, pa i tada vai da je simetrina

X 1 X 2 ~ N P1 P 2 ,
n
n
1
2
intervalna ocena razlike aritmetikih sredina ovih populacija sa

koeficijentom pouzdanosti 1-D jednaka:
__
__
__
__
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:
Kako n1>30 i n2>30, to za proizvoljan koeficijent pouzdanosti 1-D vai:

_
_
_ _
V 12 V 22
V 12 V 22

P1 P 2 x 1 x 2 Z D

1D
P x1 x 2 Z D
n1
n2
n1
n2
2
2
gde vrednost Z D itamo iz tablice za N(0,1) raspodelu kao F Z D

2
2
D
1 .
Dakle, interval poverenja za razliku srednjih vrednosti duine spavanja iznosi:

za 1 D
8.2 7.3 1,96
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
5.2.3. Intervalna ocena proporcije populacije S
Ukoliko su veliina uzorka n i realizovana proporcija na uzorku pr takvi da je

n p r ! 5 , n 1 p r ! 5 i n t 30 , tada aproksimativno vai sledee:
-ako su uzorci sa ponavljanjem (ili Nov, ili uzorci bez ponavljanja
n
d 0.05 ), onda:
kod kojih je
N
Pr ~ N (S ,
p r 1 p r
)
n
odnosno
Pr S
p r 1 p r
n
~ N (0,1) ,

pr S
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
Dakle, pod ovim uslovima, simetrina intervalna ocena proporcije

populacije sa koeficijentom pouzdanosti 1-D je:
S ( pr z D
2
p r 1 p r
, pr z D
n
2
p r 1 p r
).
n
Pod ovim uslovima moemo unapred odrediti veliinu uzorka n, pomou

koga emo dobiti interval ocene proporcije, irine r L, sa nivoom
pouzdanosti 1-D. Naime, vai:
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
Dakle, pod ovim uslovima simetrina intervalna ocena proporcije

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
Zadatak 5.2.3. U uzorku od 80 bolesnika od tuberkoloze, uzetog iz skupa od

500 bolesnika, ima 52 puaa. Odrediti interval poverenja za broj puaa u
ovom skupu od 300 obolelih, ako je koeficijent pouzdanosti 1-D jednak 0,90.
169
Poslovna statistika
5.2.4. Intervalna ocena varijanse populacije, V 2
Ukoliko se sluajna promenljiva X u populaciji raspodeljuje po zakonu

N(P,V2), onda u sluaju kada je:
- P poznato

n
d 0.05 ), onda:
N
nS2
~ F n2 , pa vai videti Sliku 5.2.4.1.
0.15
dchisq
( x D
7 )
0.1
1D
0.05
n ,1
D
2
10
x
12
14
16
n,
D
2
5.2.4.1. Funkcija raspodele F n2

170
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

varijanse populacije sa koeficijentom pouzdanosti 1-D
je:
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
simetrina intervalna ocena varijanse populacije sa

nS2 nS2
V 2 2 , 2
F n ,D F n ,1 D
2
2
171
Poslovna statistika
- P nepoznato

n
d 0.05 ), onda:
N
(n 1) S c2
P( F 2
n 1,1
P(
D
2
(n 1) S
F2
n 1,
2
c
~ F n21 , pa vai videti Sliku 5.2.4.1.
(n 1) S c2
V
F2
n 1,
F2
) 1D
(n 1) S c2
n 1,1
) 1D
D
2
Dakle, pod ovim uslovima simetrina intervalna ocena varijanse

(n 1) S 2 (n 1) S 2
c
c
V
,
2
2
F
F n 1,D
D
n 1,1
2
2

aproksimativno vai:
ako je nt30 i n
(n 1) S c2
V2
N
, tada
2
~ F n21 , pa i tada vai da je

172
n
! 0.05 , onda
N
Poslovna statistika
simetrina intervalna ocena varijanse populacije sa

(n 1) S 2 (n 1) S 2
c
c
V
,
2
2
F
F
D
D
n 1,
n 1,1
2
2
Zadatak 5.2.4. Centrirana ocena varijanse nekog obeleja iz uzorka veliine

n=17, uzetog iz ogromne populacije u kojoj obeleje ima N(P,V2) raspodelu,
2
x
x

625. Odrediti interval

gde je P nepoznato, iznosi s c2 i 1
n 1
poverenja za varijansu datog obeleja na itavoj populaciji, ako je koeficijent
pouzdanosti 1-D jednak 0,99.
173
Poslovna statistika
6. TESTIRANJE PARAMETARSKIH STATISTIKIH HIPOTEZA
Kao to je ve reeno, testiranje parametarskih statistikih hipoteza se

primenjuje u sluajevima kada su parametri populacije bili poznati, pa iz
uzetog uzorka proveravamo da li su se promenili, to jest u kom smeru je
promena izvrena, odnosno da li su se poveali ili smanjili.
Obeleimo sa Q parametar populacije koji elimo da testiramo pomou neke
informacije dobijene iz jednog prostog sluajnog uzorka veliine n. Ta
informacija je obino takasta ocena parametra Q koja je izraunata na tom
jednom prostom sluajnom uzorku veliine n, a koju, kao to smo rekli u
poglavlju 5, obeleavamo sa Un, U n f ( x1 , x 2 ,..., x n ) .
Zakljuak testiranja izvodimo na osnovu poznavanja zakona raspodele sluajne
promenljive U=f(X1,X2,...,Xn), koja je takasta ocena parametra Q (poglavlje 5)
i njene vrednosti Un, U n f ( x1 , x 2 ,..., x n ) , konkretno realizovane na tom
jednom prostom sluajnom uzorku veliine n.
Postupak testiranja parametarskih statistikih hipoteza zapoinjemo
formiranjem nulte (obeleavaemo je sa H0) i alternativne (obeleavaemo je
sa H1) hipoteze.
Nulta i alternativna hipoteza predstavljaju dve pretpostavke o skupu vrednosti
parametra populacije Q, koje su meu sobom disjunktne, a ija unija
predstavlja skup svih moguih vrednosti testiranog parametra Q.
Nulta hipoteza H0 je pretpostavka o skupu vrednosti parametra Q koju elimo
da osporimo.
Alternativna hipoteza H1 je pretpostavka o skupu vrednosti parametra Q koju
elimo da dokaemo.
Nulta i alternativna hipoteza javljaju se u sledea tri oblika:
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
2. Desnostrana jednosmerna hipoteza. Nulta hipoteza pretpostavlja da

je parametar Q manji do jednak nekoj hipotetikoj (od ranije poznatoj)
vrednosti Q0, a alternativna da je parametar Q vei od te hipotetike (od
ranije poznate) vrednosti Q0.
H0: QdQ0
H1:Q!Q0
3. Levostrana jednosmerna hipoteza. Nulta hipoteza pretpostavlja da je

parametar Q vei do jednak nekoj hipotetikoj (od ranije poznatoj)
vrednosti Q0, a alternativna da je parametar Q manji od te hipotetike
(od ranije poznate) vrednosti Q0.
H0: QtQ0
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
Verovatnou da emo nainiti greku I vrste obeleavamo sa D i nazivamo je

nivo znaajnosti testa. Dakle, vai:
P( H 1 prihvatimo | H 1 neistinita ) .
Verovatnou da emo nainiti greku II vrste obeleavamo sa E i nazivamo je

rizik greke II vrste. Dakle, vai:
P( H 1 ne prihvatimo | H 1 istinita ) .
Verovatnou da ne nainimo greku II vrste obeleavamo sa K i nazivamo je

mo testa. Dakle, vai:
K 1 E
1 P( H 1 ne prihvatimo | H 1 istinita ) .
U praktinoj primeni nivo znaajnosti testa, D, unapred biramo sa tendencijom

da bude to manji, obino D=0.05 ili D=0.01, dok smanjenje rizika greke II
vrste, E, odnosno poveanje moi testa K, ostvarujemo poveanjem veliine
uzorka n.
Proces testiranja emo ilustrovati na sledeem pojednostavljenom primeru

testiranja vrednosti aritmetike sredine populacije P, u kome unija nulte i
alternativne hipoteze ne predstavlja skup svih moguih vrednosti aritmetike
sredine populacije, ve je, na primer:
H0: P=P0
H1:P=P1
Neka se vrednost datog obeleja raspodeljuje u populaciji po zakonu N(P,V2).

Kao to smo ranije rekli, u tom sluaju aritmetika sredina sluajnog uzorka
__
veliine n, X , koja je takasta ocena aritmetike sredine populacije, P,

176
Poslovna statistika
__
V2
) . U zavisnosti od toga da li je P=P0

n
ili P=P1 , ta raspodela aritmetike sredine sluajnog uzorka veliine n e, na
primer za P1 ! P0 , izgledati kao na slici 6.1.
raspodeljuje se po zakonu X ~ N ( P ,
N ( P1 ,
V2
dnorm
(nx 2 3 )
dnorm
( x2 10 3 )
N (P 0 ,
0.1
)
0
10
0 P
0
10
P
20
Slika 6.1. Primeri raspodele
Izaberimo jedan sluajan uzorak veliine n iz ove populacije, x1 , x 2 ,..., x n , i

n
__
izraunajmo njegovu aritmetiku sredinu x
i 1
.
__
Neka je D nivo znaajnosti testa. Tada naimo vrednost x kr (kritinu vrednost

aritmetike sredine uzorka), za koju vai da:
__
ako je X ~ N ( P 0 ,
V2
n
__
__
) onda P ( X ! x kr ) D .
177
Poslovna statistika
n
__
i 1
Tada, ako je izraunata aritmetika sredina uzorka x

__
__
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,
__
__
manja od D (jer je x ! x kr ). Odnosno, verovatnoa da napravimo greku I

vrste je (u ovom sluaju) manja od D.
n
__
A ako je izraunata aritmetika sredina uzorka x

__
__
x
i 1
manja do jednaka od
__
kritine vrednosti x kr , x d x kr , ne moemo prihvatiti alternativnu hipotezu

H1 :P=P1 sa nivoom znaajnosti D.
__
Za ovako izabrano D, a samim tim i x kr , verovatnoa da napravimo greku II

vrste, E, iznosi:
__
ako je X ~ N ( P1 ,
V2
n
__
__
) onda P ( X x kr )
jer je to verovatnoa da iz populacije koja se raspodeljuje po zakonu

__
__
N(P1 ,V2) izvuemo uzorak ija je aritmetika sredina x x kr , to e nas

naterati da ne prihvatimo alternativnu hipotezu H1 :P=P1 i time pogreimo.
__
Ilustracija za D, E, i x kr data je na Slici 6.2.
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
__
Slika 6.2. Ilustracija D,E, x kr
Oigledno je (Slika 6.2) da za istu veliinu uzorka n, smanjenje nivoa

znaajnosti testa D, dovodi do poveanja rizika greke II vrste, E, odnosno do
smanjenja moi testa K. Smanjivanje parametra E postie se smanjivanjem
irina krivih na slici 6.2, odnosno smanjivanjem varijanse raspodele
aritmetike sredine uzoraka. Kako je ta varijansa jednaka
V2
n
, smanjivanje
parametra E postie se poveanjem veliine uzorka n.

Naa dalja analiza odnosie se samo na testitranje parametarskih statistikih
hipoteza za unapred izabrani nivo znaajnosti testa D, dok se smanjivanjem
rizika greke II vrste, E, poveanjem veliine uzorka, neemo baviti. Zbog
toga je vano imati na umu sledee:
- ako nas test navede da prihvatimo alternativnu hipotezu H1 sa nivoom
znaajnosti testa D, to znai da hipotezi H1 moemo verovati sa verovatnoom
1-D ;
- ako nas test navede da ne prihvatimo alternativnu hipotezu H1 sa nivoom
znaajnosti testa D, to znai da hipotezi H1 ne moemo verovati sa
verovatnoom 1-D, a mera poverenja u nultu hipotezu H0 na osnovu ovog testa
nam nije poznata.
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.
Neka je iz te populacije uzet sluajni uzorak veliine n, i neka je njegova

n
__
i 1
izraunata aritmetika sredina jednaka x
Tada, tablinim reavanjem jednaine

__
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
Neka je iz populacije iju aritmetiku sredinu P testiramo formiran jedan

sluajni uzorak veliine n i neka je njegova aritmetika sredina jednaka
n
__
x
i 1
Za dati nivo znaajnosti testa D, tada je:

k) ako posmatrano obeleje u populaciji ima N(P,V2) raspodelu, onda:
- ako je V2 populacije poznato
- ako je uzorak sa ponavljanjem (ili Nov, ili uzorak

n
bez ponavljanja kod koga je
d 0.05 ), onda je
N
__
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
! z D prihvatamo H1:PzP0 sa nivoom

2
n
znaajnosti D (Slika 6.1.1);
__
x P0
d z D ne prihvatamo H1:PzP0 sa nivoom

2
n
0.5
D
2
dnorm( x 0 1) 0.25
D
2
zD
2
zD
2
Slika 6.1.1. Funkcija raspodele N(0,1)
182
Poslovna statistika
2. desni jednosmerni test:
H0:PdP0
H1:P!P0
__
x P0
! zD prihvatamo H1:P! P0 sa nivoom
n
__
x P0
d zD ne prihvatamo H1:P! P0 sa nivoom
n
0.5
dnorm( x 0 1) 0.25
zD
Slika 6.1.2. Funkcija raspodele N(0,1)
3. levi jednosmerni test:
H0:Pt P0
H1:PP0
__
x P0
zD prihvatamo H1:P P0 sa nivoom
n
183
Poslovna statistika
__
x P0
t zD ne prihvatamo H1:P P0 sa nivoom
n
0.5
D
dnorm( x 0 1) 0.25
zD
Slika 6.1.3.Funkcija raspodele N(0,1)
- ako je uzorak bez ponavljanja kod koga je

onda je
__
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
! z D prihvatamo H1:PzP0 sa nivoom

N n
2
N

1
n
__
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
! zD prihvatamo H1:P! P0 sa nivoom

N n
N 1
n
__
x P0
d zD ne prihvatamo H1:P! P0 sa
N n
N 1
n
185
Poslovna statistika
H0:Pt P0
H1:PP0
__
x P0
zD prihvatamo H1:P P0 sa
N n
N 1
n
__
x P0
t zD ne prihvatamo H1:P P0 sa
N n
N 1
n
- ako je V2 populacije nepoznato:

- ako je P poznato besmisleno je testirati P ;
- ako je P nepoznato:
- ako je uzorak sa ponavljanjem (ili Nov, ili uzorak
n
bez ponavljanja kod koga je
d 0.05 ) onda
N
__
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
__
x P0
d t D ne prihvatamo H1:PzP0 sa nivoom
n 1,
sc
2
n
0.5
dnorm( x 0 1) 0.25
2
t n 1, D
2
n 1,
Slika 6.1.4. Funkcija raspodele tn-1
187
D
2
Poslovna statistika
H0:PdP0
H1:P!P0
__
x P0
! t n 1,D prihvatamo H1:P! P0 sa nivoom
sc
n
__
x P0
d t n 1,D ne prihvatamo H1:P! P0 sa nivoom
sc
n
0.5
dnorm( x 0 1) 0.25
t n 1,D
188
Poslovna statistika
H0:Pt P0
H1:PP0
__
x P0
t n 1,D prihvatamo H1:P P0 sa nivoom
sc
n
__
x P0
t t n 1,D ne prihvatamo H1:P P0 sa nivoom
sc
n
0.5
dnorm( x 0 1) 0.25D
t n 1, D
189
Poslovna statistika
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
sc
__
x P0
d t D ne prihvatamo H1:PzP0 sa
n 1,
N n
2
N

1
n
sc
H0:PdP0
H1:P!P0
__
x P0
! t n 1,D prihvatamo H1:P! P0 sa

N n
N 1
n
sc
190
Poslovna statistika
__
x P0
d t n 1,D ne prihvatamo H1:P! P0 sa

N n
N 1
n
sc
H0:Pt P0
H1:PP0
__
x P0
t n 1,D prihvatamo H1:P P0 sa

N n
N 1
n
sc
__
x P0
t t n 1,D ne prihvatamo H1:P P0 sa

N n
N 1
n
sc
iv)
ako posmatrano obeleje u populaciji nema N(P,V2) raspodelu,

- ako je uzorak sa ponavljanjem (ili Nov),

svi rezultati kao i usluaju kad obeleje u populaciji ima
N(P,V2) raspodelu;
191
Poslovna statistika
- ako je uzorak bez ponavljanja,
N
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
moemo konstatovati da se srednji broj posetilaca u restoranima

poveao?
ii)
Sa kojim nivoom znaajnosti moemo iz ovog uzorka

konstatovati da se srednji broj posetilaca poveao?
Reenje:
Kako je uzorak n=40 > 30, to broj posetilaca moemo aproksimirati

N(150, 302) raspodelom. Po uslovu zadatka, nulta hipoteza je H 0 : P d 150 , a
alternativna H 1 : P ! 150.
i)
a)
Za nivo znaajnosti D
0,05 Z D
vai:
192
1,64
Poslovna statistika
x P 0
160 150
30
V
n
2,11 ! 1,64
40
Moemo konstatovati da se srednji broj posetilaca u

restoranima poveao.
b)
0,01 Z D
2,33
vai:
_
x P 0
V
n
160 150
30
2,11 2,33
40
Ne moemo konstatovati da se srednji broj posetilaca u

restoranima poveao.
ii)
Iz uslova:
_
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
6.2. Testiranje razlike aritmetikih sredina populacija, P1 P 2
Neka su iz dve populacije iju razliku aritmetikih sredina P1 - P2 testiramo

formirana dva nezavisna uzorka veliine n1 i n2, i neka su njihove aritmetike
n1
__
sredine redom jednake x 1
xi
i 1
n2
__
i x2
n1
i 1
n2
Takoe, neka u prvoj populaciji obeleje X1 ima parametar var( X 1 ) V 12 , a u

drugoj populaciji obeleje X2 ima parametar var( X 2 ) V 22 .
Tada, za dati nivo znaajnosti testa D, 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 ,odnosno
n1
n2
__
__
X 1 X 2 ( P1 P 2 )
V 12
n1
V 22
pa vai:
n2
1. dvosmerni test:
__
~ N (0,1) ,
H0:P1 -P2 =P10 -P20
H1: P1 -P2 zP10 -P20
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
! z D prihvatamo H1: P1 -P2 zP10 -P20 sa

2
n2
194
Poslovna statistika
__
__
x 1 x 2 ( P10 P 20 )
2
1
n1
2
2
d z D ne prihvatamo H1: P1 -P2 zP10 -P20 sa

2
n2
__
H0:P1 -P2 dP10 -P20
H1: P1 -P2 !P10 -P20
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
! zD prihvatamo H1: P1 -P2 zP10 -P20 sa
n2

__
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
d zD ne prihvatamo H1: P1 -P2 zP10 -P20 sa
n2
__
H0:P1 -P2 tP10 -P20
H1: P1 -P2 P10 -P20
__
x 1 x 2 ( P10 P 20 )
V 12
n1
V 22
zD prihvatamo H1: P1 -P2 zP10 -P20 sa
n2
195
Poslovna statistika
__
__
x 1 x 2 ( P10 P 20 )
2
1
n1
2
2
t zD ne prihvatamo H1: P1 -P2 zP10 -P20 sa
n2
- ako ne znamo zakon raspodele obeleja X1 i X2 ,

ako je n1 t 30 i n2 t 30, tada
V 12 V 22
,

X 1 X 2 ~ N P1 P 2 ,
n
n
1
2
__
__
pa onda uzimamo uzorke veliine n1 t 30 i n2 t 30 i za njih vai sve

gore navedeno, kao da je X 1 ~ N ( P1 , V 12 ) i X 2 ~ N ( P 2 , V 22 ) .
Primer 6.2.1. Proizvoa A tvrdi da je prosean radni vek sijalica koje on

proizvodi vei za 80 radnih asova od radnog veka sijalica koje proizvodi
proizvoa B. Standardne devijacije radnog veka sijalica proizvoaa A i B su
poznate i iznose V A 20 i V B 30 asova. Uzorak od 50 sijalica
proizvoaa A ima srednji vek trajanja 2590 asova, dok uzorak od 60 sijalica
proizvoaa B ima srednji vek trajanja 2500 asova.
i) Da li, sa nivoom znaajnosti

a)
b)
D=0,05
D=0,01
moemo konstatovati da je proizvoa A u pravu?

ii) Sa kojim nivoom znaajnosti moemo iz ovih uzoraka konstatovati
da je proizvoa A u pravu?
196
Poslovna statistika
Reenje:
Po uslovu zadatka, nulta hipoteza je H 0 : P A P B d 80 , a alternativna

hipoteza je H 1 : P A P B ! 80 . Kako je nA >30, nB >30, i varijanse obe
populacije poznate, vai:
i)
a)
pa je
_
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 .
Moemo konstatovati da je proizvoa A u pravu.
b)
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 .
Moemo konstatovati da proizvoa A nije u pravu.
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
koristei N(0,1) tablicu, dobijamo 1 D
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
6.3. Testiranje proporcije populacije, S
Neka je iz populacije iju proporciju S testiramo, formiran jedan sluajni

uzorak veliine n i neka je njegova realizovana proporcija pr takva da je
n p r ! 5 , n 1 p r ! 5 i n t 30 ,
tada za dati nivo znaajnosti testa D aproksimativno vai sledee:
- ako je uzorak sa ponavljanjem (ili Nov, ili uzorak bez ponavljanja
n
kod koga je
d 0.05 ), onda
N
p r 1 p r
)
n
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
d z D ne prihvatamo H1: S zS0 sa nivoom

p r 1 p r
2
n
199
Poslovna statistika
H0:S dS0
H1:S! S0
pr S 0
! zD prihvatamo H1:S !S0

p r 1 p r
n
pr S 0
d zD ne prihvatamo H1: S !S0 sa nivoom

p r 1 p r
n
H0:S tS0
H1:S S0
pr S 0
zD prihvatamo H1:S S0

p r 1 p r
n
pr S 0
t zD ne prihvatamo H1: S S0 sa nivoom

p r 1 p r
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 ,
200
n
! 0.05 , onda
N
Poslovna statistika
pa vai za:
1. dvosmerni test:
H0:S =S0
H1:S zS0
pr S 0
! z D prihvatamo H1:S zS0

p r 1 p r N n
2
n
N 1
pr S 0
d z D ne prihvatamo H1: S zS0 sa

p r 1 p r N n
2
n
N 1
H0:S dS0
H1:S! S0
pr S 0
! zD prihvatamo H1:S !S0

p r 1 p r N n
n
N 1
pr S 0
d zD ne prihvatamo H1: S !S0 sa

p r 1 p r N n
n
N 1
pr S 0
p r 1 p r N n
n
N 1
H0:S tS0
H1:S S0
zD prihvatamo H1:S S0
201
Poslovna statistika
sa nivoom znaajnosti D (Slika 6.1.3),
pr S 0
t zD ne prihvatamo H1: S S0 sa

p r 1 p r N n
n
N 1
nivoom znaajnosti D (Slika 6.1.3).
Zadatak 6.3.1. Veruje se da e 25% glasaa iz jednog okruga glasati za

stranku A na predstojeim izborima. Sluajan uzorak od 50 glasaa iz tog
okruga je pokazao da e njih 7 glasati za stranku A.
i) Moemo li sa nivoom znaajnosti

a)
b)
D=0,05
D=0,01
konstatovati da se u ovom okrugu promenio % glasaa koji e glasati za

stranku A?
ii) Sa kojim nivoom znaajnosti moemo iz ovog uzorka konstatovati
da se u ovom okrugu promenio % glasaa koji e glasati za stranku A?
202
Poslovna statistika
6.4. Testiranje varijanse populacije, V 2
Neka se sluajna promenljiva X u populaciji raspodeljuje po zakonu N(P,V2).

Neka je iz te populacije, iju varijansu V2 testiramo, formiran jedan sluajni
uzorak veliine n i neka je njegova centrirana varijansa jednaka:
- ukoliko je aritmetika sredina populacije P poznata
n
s2
(x
P)2
i 1
- ukoliko je aritmetika sredina populacije P nepoznata

n
s c2
__
( xi x ) 2
i 1
n 1
Tada vai:
- P poznato

n
d 0.05 ), onda:
N
nS2
~ 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
2
n ,1
n s2
2
0
d F 2 D ne prihvatamo H1: V2 zV20

n,
0.15
dchisq
( x D
7 )
0.1
2
0.05
2
n ,1
10
x
12
14
16
18
2
n,
D
2
6.4.1. Funkcija raspodele F n2
204
H0: V2 dV20
H1: V2 !V20
20
Poslovna statistika
n s2
! F n2,D prihvatamo H1: V2 !V20 sa nivoom znaajnosti

V 02
D (Slika 6.4.2);
n s2
2
0
d F n2,D ne prihvatamo H1: V2 !V20 sa nivoom
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
F n2,1D prihvatamo H1: V2 V20 sa nivoom
205
20
Poslovna statistika
n s2
V 02
t F n2,1D ne prihvatamo H1: V2 V20 sa nivoom
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 ,
pa i tada vai sve navedeno za uzorak sa ponavljanjem pod

ovim uslovima;
206
Poslovna statistika
-P nepoznato

n
d 0.05 ), onda:
N
(n 1) S c2
2
~ F n21 , pa vai za:
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,
ne prihvatamo H1: V2 zV20
(n 1) s c2
V 02
H0: V2 dV20
H1: V2 !V20
! F n21,D prihvatamo H1: V2 !V20 sa nivoom
(n 1) s c2
2
0
d F n21,D ne prihvatamo H1: V2 !V20 sa nivoom
207
Poslovna statistika
(n 1) s c2
2
0
H0: V2 tV20
H1: V2 V20
F n21,1D prihvatamo H1: V2 V20 sa nivoom
znaajnosti D (Slika 6.4.3)
(n 1) s c2
2
0
t F n21,1D ne prihvatamo H1: V2 V20 sa nivoom
n
! 0.05 , onda
N
aproksimativno vai:
- ako je nt30 i n
tada
(n 1) S c2
N
,
2
~ F n21 ,
pa i tada vai sve navedeno za uzorak sa ponavljanjem pod

ovim uslovima.
Zadatak 6.4.1. Sluajan uzorak veliine n=16 uzet je iz populacije u kojoj

analizirano obeleje ima N(P,V2), gde je aritmetika sredina obeleja P
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
moemo konstatovati da se promenila varijansa populacije?
209
Poslovna statistika
7. REGRESIJA I KORELACIJA
Vrlo esto postoji potreba za predvianjem vrednosti nekog obeleja na osnovu

njegove povezanosti sa jednim ili vie drugih obeleja.
Jedan od vanijih zadataka statistike je da utvrdi stepen i oblik zavisnosti
izmeu odreenih obeleja od interesa, kod kojih egzaktan uzrono-posledini
odnos nije definisan. Takva analiza omoguava predvianje vrednosti jednog
obeleja na osnovu poznavanja vrednosti drugih obeleja, i esto se koristi
prilikom donoenja odreenih poslovnih odluka.
Pod pojmom regresiona analiza podrazumeva se skup statistikih procedura za
ispitivanje oblika zavisnosti izmeu dva ili vie obeleja.
Pod pojmom korelaciona analiza podrazumeva se skup statistikih procedura
za ispitivanje stepena (jaine) zavisnosti izmeu dva ili vie obeleja.
Ukoliko se ispituje oblik i stepen zavisnosti samo izmeu dva obeleja, onda se
takav proces naziva prosta regresiona analiza (utvrivanje oblika zavisnosti
dva obeleja) i prosta korelaciona analiza (utvrivanje stepena zavisnosti dva
obeleja).
Ukoliko se ispituje oblik i stepen zavisnosti izmeu vie obeleja, onda se
takav proces naziva viestruka regresiona analiza (utvrivanje oblika
zavisnosti vie obeleja), odnosno viestruka korelaciona analiza (utvrivanje
stepena zavisnosti vie obeleja).
U ovom udbeniku baviemo se samo prostom regresionom i korelacionom
analizom.
Naa analiza e se kao i do sada odvijati na podacima iz sluajnog uzorka, a
rezultati koje dobijemo vaie za itavu populaciju iz koje je uzet uzorak.
Kod proste regresione analize neophodno je unapred odrediti koje obeleje e
imati ulogu nezavisne promenljive, a koje zavisne promenljive. Ovo se
utvruje na osnovu prethodnih teorijskih ili empirijskih saznanja o prirodi
analiziranih obeleja. Tako, na primer, ako u jednoj populaciji elimo izvriti
prostu regresionu analizu (pronai zavisnost) izmeu mesenog prihoda
pojedinca i koliini mesa utroenog u ishrani pojedinca za mesec dana, logino
210
Poslovna statistika
je da meseni prihod bude nezavisna promenljiva, a koliina utroenog mesa
zavisna.
Kod proste korelacione analize, svejedno je koje se obeleje karakterie kao

zavisno, a koje kao nezavisno.
Regresiona i korelaciona analiza se, kao to smo rekli, bave analizom

zavisnosti meu obelejima koja su stohastike prirode, pa rezultati koje
dobijamo ovim analizama nisu egzaktni, ve su verodostojni sa odreenim
verovatnoama i u odreenim intervalima vrednosti. Ali, pomou njih mi
moemo da ocenimo i predvidimo interval vrednosti zavisne promenljive za
eljene vrednosti nezavisne promenljive, sa unapred definisanom,
zadovoljavajue velikom verovatnoom.
Prvi korak u analizi zavisnosti dva obeleja je identifikovanje: koje obeleje

predstavlja nezavisno, a koje zavisno obeleje. U daljoj analizi, nezavisno
obeleje obeleavaemo sa X, a zavisno sa Y. Na taj nain, ukoliko uzimamo
podatke o obelejima X i Y iz sluajnog uzorka veliine n, dolazimo do n
parova podataka (x1, y1), (x2, y2), ..., (xn, yn).
Sledei korak je grafiki prikaz ovih parova podataka koji se konstruie u
pravouglom Dekartovom koordinatnom sistemu, pri emu se na apscisnu osu
nanose podaci nezavisne promenljive X, a na ordinatnu osu vrednosti zavisne
promenljive Y. Takav grafiki prikaz naziva se dijagram rasprenosti, i na
osnovu njega se na prvi pogled moe dobiti odreena predstava o eventualnom
postojanju zavisnosti, obliku zavisnosti i stepenu zavisnosti izmeu
posmatranih obeleja (Slika 7.1).
211
Poslovna statistika
Y
X
a)
X
b)
c)
d)
Slika 7.1. Dijagrami rasprenosti
Tako, na primer, sa Slike 7.1. moemo zakljuiti da:

a) postoji direktna linearna veza (zavisno obeleje linearno raste kada
raste nezavisno obeleje);
b) postoji inverzna linearna veza, slabija nego pod a. (zavisno obeleje
linearno opada kada raste nezavisno obeleje);
c) ne postoji stohastika veza;
d) postoji snana kvadratna veza.
212
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
Neka smo iz populacije veliine N uzeli sluajan uzorak veliine n, i neka su

na njemu uzeti parovi uzorakih podataka (xi,yi), i = 1, 2, ..., n za obeleja X i
Y, iju zavisnost ispitujemo. Neka dijagram rasprenosti definisan ovim
uzorkom, dat na slici 7.1, indicira da se radi o linearnoj zavisnosti obeleja X i
Y u itavoj populaciji,
Y D E X (opravdano pretpostavljena zavisnost obeleja X i Y u itavoj
populaciji).
Zadatak linearne regresione analiza je da oceni koeficijente D i E , koji
opisuju linearnu zavisnost u itavoj populaciji, na osnovu uzorakih podataka
(xi,yi), i = 1, 2, ..., n.
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,
gde je sa Hi obeleen stohastiki lan (sluajni poremeaj) i-tog lana

populacije.
Ovaj stohastiki lan, Hi , posledica je injenice da na zavisno obeleje Y ne
deluje samo nezavisno obeleje X, ve i veliki broj drugih faktora koji u ovom
modelu nisu uzeti u obzir. Ove fluktuacije Hi se u ovakvom pristupu karakteriu
kao fluktuacije zavisne promenljive neobjanjenje ovim regresionim modelom.
215
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 )
0 , to znai da je stohastiki lan u proseku u populaciji jednak nuli;
- Var (H 1 ) Var (H 2 ) Var (H N ) V 2 const , to znai da svi stohastiki

lanovi imaju istu varijansu; ova osobina se jo naziva i homoskedastinost;
- izmeu bilo koja dva stohastika lana Hi i Hj ne postoji nikakva funkcionalna
veza;
- Hi ima Normalan raspored, odnosno H i ~ N (0, V 2 ).
7.1.1. Ocenjivanje parametara D i E iz uzorakih podataka
Pod navedenim uslovima za stohastiki lan u populaciji, oceniemo parametre

D i E 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 i E.
Naime, neka je ocena parametra D, recimo koeficijent a, a ocena parametra E
recimo koeficijent b. Tada je uzoraka regresiona kriva, koju emo obeleiti sa
^
y , jednaka:
^
a b x ,
a za svaki par uzorakih podataka (xi,yi), i = 1, 2, ..., n vai sledee:

yi
a b xi H i
yi
a b xi .
Videti Sliku 7.1.3.
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
Postupak minimiziranja se sprovodi nalaenjem parcijalnih izvoda navedenog

izraza po parametrima a i b i njihovim izjednaavanjem sa nulom:
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
Ovaj sistem jednaina ima jedinstveno reenje po a i b:
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
Ovako dobijene ocene za D i E su, pod gore navedenim regresionim

pretpostavkama, najefikasnije ocene. Dakle, vai:
E (a) D
.
E (b) E
7.1.2. Standardna greka regresije, se
Pomou ovako dobijenih a i b moemo oceniti varijansu stohastikih lanova

Hi, V2 sa s e2 , po formuli:
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
i dobiti standardnu greku regresije, se , po formuli:
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
Standardna greka regresije je apsolutna mera varijacije uzorakih podataka od

regresione linije uzorka. to je standardna greka regresije vea, to su take
uzorka vie rasprene od uzorake linije regresije, pa su i predvianja
zasnovana na toj liniji regresije manje pouzdana. Takoe, to je uzorak vei, to
je standardna greka regresije manja.
7.1.3. Standardna greka ocene nagiba regresione krive, sb

Standardnu greku ocene nagiba regresione krive, sb , to jest standardnu
greku ocene parametra E, pomou na uzorku izraunatog parametra b,
dobijamo po formuli:
se
sb
xi
xi2 i 1
n
i 1
Da bi primena regresione linije uzorka bila opravdana, neophodno je ispitati da

li uopte postoji linearno slaganje u itavoj populaciji, odnosno da li je
parametar Ez0. To ispitivanje emo izvriti dvosmernim testom hipoteza, gde
H0: E=0, a alternativna
H1:Ez0.
je nulta hipoteza
Ovim testom prihvatiemo alternativnu hipotezu H1:Ez0 sa nivoom znaajnosti
D (ovo D predstavlja verovatnou da emo nainiti greku I vrste i nema
219
Poslovna statistika
nikakve veze sa parametrom D iz regresione jednaine populacije
Y D E X ), ukoliko je
b
!t D .
n 2,
sb
2
7.1.4. Koeficijent determinacije, r2
Relativna mera reprezentativnosti regresione linije koja pokazuje koji se deo

varijabiliteta obeleja Y objanjava promenom obeleja X po linearnom
regresionom modelu, zove se koeficijent determinacije, r2, i na uzorku se
izraunava po formuli:
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
Vrednost koeficijenta determinacije varira od 0 do 1, to jest vai:

0 d r 2 d 1.
to je koeficijent determinacije blii jedinici, to regresiona kriva bolje opisuje
zavisnost podataka. Tako, ako je na primer:
r2
0.92 ,
to znai da je 92% ukupnog varijabiliteta zavisne promenljive opisano

varijabilitetom nezavisne promenljive po utvrenom regresionom zakonu, a da
samo 8% varijabiliteta nije objanjeno regresionom linijom, ve je uzrokovano
nekim neidentifikovanim faktorima.
220
Poslovna statistika
7.1.5. Koeficijent proste linearne korelacije u uzorku, r
Sa koeficijentom determinacije je usko povezan koeficijent proste linearne

korelacije u uzorku, r, koji na uzorku izraunavamo po formuli:
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 .
Koeficijent proste linearne korelacije (negde se naziva i Pirsonov koeficijent)

opisuje postojanje i jainu linearne veze izmeu dve pojave, u ovom sluaju
obeleja X i Y. To je broj koji uzima vrednosti izmeu 1 i 1, to jest vai:
1 d r d 1.
Kada je ovaj koeficijent pozitivan, korelacija je pozitivna (direktna), odnosno

poveanje obeleja X uslovljava poveanje obeleja Y, a kada je ovaj
koeficijent negativan, korelacija je negativna (inverzna), odnosno poveanje
obeleja X uslovljava smanjenje obeleja Y. to je ovaj koeficijent blii
jedinici po apsolutnoj vrednosti, to je sve jaa linearna korelaciona veza
izmeu obeleja, a to je blii nuli, linearna korelaciona veza je slabija. U
statistikoj literaturi ne postoji slaganje u pogledu tumaenja znaenja moguih
vrednosti proste linearne korelacije r, ali moemo usvojiti sledeu grubu
podelu:
0.7 r d 0.8 - izraena linearna korelacija;
0.8 r d 0.9 - visoka linearna korelacija;
0.9 r 1
- veoma visoka linearna korelacija;
- savrena linearna korelacija.
221
Poslovna statistika
7.1.6. Standardna greka ocene koeficijenta proste linearne korelacije, sr
Koeficijent proste linearne korelacije u itavoj populaciji obeleimo sa U, i

njega ocenjujemo parametrom koeficijent proste linearne korelacije u uzorku,
r. Time inimo odreenu greku koju opisujemo standardnom grekom ocene
koeficijenta proste linearne korelacije, koju obelaavamo sa sr.
Standardnu greku ocene koeficijenta proste linearne korelacije, sr,
sr
1 r2
.
n2
Kako je koeficijent korelacije u itavoj populaciji U nepoznat, potrebno je na

osnovu uzorka ispitati da li i u itavoj populaciji postoji korelacija, odnosno da
li je Uz0.
To ispitivanje emo izvriti dvosmernim testom hipoteza, gde je nulta hipoteza
H0: U=0, a alternativna H1:Uz0.
Ovim testom prihvatiemo alternativnu hipotezu H1:Uz0 sa nivoom znaajnosti
D (ovo D predstavlja verovatnou da emo nainiti greku I vrste i nema
nikakve veze sa parametrom D iz regresione jednaine populacije
Y D E X ), ukoliko je
r
!t D.
n 2,
sr
2
222
Poslovna statistika
7.1.7. Korienje linearnog regresionog modela za predvianje vrednosti
zavisnog obeleja
Primena linearnog regresionog modela za predvienje vrednosti zavisnog

obeleja opravdana je ukoliko je koeficijent determinacije visok (dovoljno je
da je r2>0.5) i ukoliko je Ez0 sa nivoom znaajnosti D=0.05.
Kako je priroda veze izmeu X i Y stohastika, to za svaku vrednost xi iz
populacije postoji mnogo moguih vrednosti za yi u populaciji, jer je
yi
D E xi H i ,
a Hi je stohastiki lan (sluajni poremeaj).

Taj raspored moguih vrednosti zavisnog obeleja yi za neku odreenu
vrednost xi, predstavlja sluajnu promenljivu Yi.
Kako je E (H i ) 0 , to je prosena vrednost za yi, za unapred zadato xi , jednaka
E (Yi )
E (D E xi H i )
E (D E xi ) E (H i ) D E xi ,
odnosno prosena vrednost zavisnog obeleja yi, za unapred zadatu vrednost

nezavisnog obeleja xi, nalazi se na liniji regresije populacije Y D E X .
Dakle, na osnovu ocenjenih parametara za D i E (D smo ocenili sa a, E sa b),
moemo za datu vrednost nezavisnog obeleja X=xp , predviati individualnu
vrednost zavisnog obeleja Yp i prosenu vrednost zavisnog obeleja E(Yp).
Kako je
Yp
D E xp H p
E (Y p ) D E x p
to je predvianje individualne vrednosti zavisnog obeleja neizvesnije od

predvianja prosene vrednosti zavisnog obeleja, jer osim neizvesnosti usled
ocenjivanja parametara D i E, kod predvianja individualne vrednosti postoji i
dodatna neizvesnost usled stohastinosti lana Hp.
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.
7.1.8. Interval predvianja prosene vrednosti zavisnog obeleja Y, za

datu vrednost nezavisnog obeleja X=xp
Stvarna prosena vrednost zavisnog obeleja Y za datu vrednost nezavisnog

obeleja X=xp iznosi
E (Y p ) D E x p ,
a ocenjena vrednost iznosi
^
yp
a b xp .
^
Meru odstupanja ocenjene vrednosti y p od prave vrednosti E(Yp), opisuje

standardna greka ocene prosene vrednosti zavisnog obeleja, koju
oznaavamo sa s _ , i koju za X=xp izraunavamo po formuli:
yp
2
s_
yp
xi
x i 1
p
n
,

se
2
n
n
xi
n
i 1
2
xi
n
i 1
Interval prosene vrednosti zavisnog obeleja, koji e sa verovatnoom 1-D

obuhvatiti stvarnu prosenu vrednost zavisnog obeleja E(Yp), iznosi:
ypt
n2 ,
D
2
s _ d E Y p d y p t
yp
n2 ,
224
D
2
s_ .
yp
Poslovna statistika
7.1.9. Interval predvianja individualne vrednosti zavisnog obeleja Y, za

datu vrednost nezavisnog obeleja X=xp
Stvarna individualna vrednost zavisnog obeleja Y za datu vrednost nezavisnog

obeleja X=xp iznosi
Yp
D E xp H p ,
a ocenjena vrednost iznosi

^
yp
a b xp .
Meru odstupanja ocenjene vrednosti y p od prave individualne vrednosti Yp,

opisuje standardna greka ocene individualne vrednosti zavisnog obeleja,
koju oznaavamo sa s y p , i koju za X=xp izraunavamo po formuli:
2
s yp
xi
x i 1
p
n
.
se 1
2
n
n
xi
n
i 1
2
xi
n
i 1
Interval individualne vrednosti zavisnog obeleja, koji e sa verovatnoom

1-D obuhvatiti stvarnu individualnu vrednost zavisnog obeleja Yp, iznosi:
^
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
odnosno s y p . Analizom izraza za standardnu greku ocene individualne i

prosene vrednosti, zakljuujemo da za irinu intervala i prosene i
individualne vrednosti, za datu verovatnou 1-D, vai sledee:
-
poveanjem standardne greke regresije, se, odnosno poveanjem

rasprenou taaka oko linije regresije, poveavaju se irine oba
intervala;
poveanjem veliine uzorka (broja n), irine oba intervala se smanjuju;
udaljavanjem izabrane vrednosti xp od uzorake aritmetike sredine

obeleja X, irina oba intervala se poveava; zbog toga bi trebalo
predvianje vriti za vrednosti nezavisnog obeleja koja nisu previe
udaljene od uzorake aritmetike sredine obeleja X;
poveanjem disperzije obeleja X, irina oba intervala se smanjuje;

zbog toga se pri planiranju uzorka uzima to iri dijapazon moguih
vrednosti obeleja X.
226
Poslovna statistika
7.2. Kvadratna regresija i korelacija
Neka smo iz populacije veliine N, uzeli sluajan uzorak veliine n, i neka su

uzorkom, dat na slici 7.2.1, indicira da se radi o kvadratnoj zavisnosti obeleja
X i Y u itavoj populaciji,
Y D E X J X 2 (opravdano pretpostavljena zavisnost obeleja X i Y u
itavoj populaciji).
Zadatak kvadratne regresione analize je da oceni koeficijente D, E i J, koji
opisuju kvadratnu zavisnost u itavoj populaciji, na osnovu uzorakih podataka
(xi,yi), i = 1, 2, ..., n.
Y
y3
x3
X
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,
gde je sa Hi obeleen stohastiki lan (sluajni poremeaj) i-tog lana

populacije.
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
^
regresiona kriva, koju emo obeleiti sa y , jednaka:

^
a b x c x2 ,
a za svaki par uzorakih podataka (xi,yi), i = 1, 2, ..., n vai sledee:

yi
^
yi
a b xi c xi2 H i
a b xi c xi2 .
Koeficijente a, b i c, kao to smo rekli, dobiemo minimiziranjem sledeeg

izraza
n
H i2
i 1
( yi y i ) 2
i 1
(y
(a b xi c xi2 )) 2 .
i 1
Postupak minimiziranja se sprovodi nalaenjem parcijalnih izvoda navedenog

izraza po parametrima a, b i c, i njihovim izjednaavanjem sa nulom:
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
Ovaj sistem jednaina ima jedinstveno reenje po a, b i c.
Ovako dobijene ocene za D, E i J su, pod navedenim regresionim

pretpostavkama, najefikasnije ocene. Dakle, vai:
E (a) D
E (b) E
E (c ) J .
229
Poslovna statistika
7.2.1. Standardna greka kvadratne regresije, se
Pomou ovako dobijenih a, b i c, moemo oceniti varijansu stohastikih

lanova Hi , V2 sa s e2 , po formuli:
n
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
i dobiti standardnu greku regresije, se, po formuli:
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
7.2.2. Koeficijent determinacije kvadratne regresije, r2
Koeficijent determinacije kod kvadratne regresije izraunavamo po formuli:
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
Smisao parametara standardne greke kvadratne regresije, se, i koeficijenta

determinacije kvadratne regresije, r2, isti je kao i kod linearne regresije.
230
Poslovna statistika
7.3. Logaritamska regresija i korelacija

uzorkom, dat na slici 7.3.1, indicira da se radi o logaritamskoj zavisnosti
obeleja X i Y u itavoj populaciji,
Y D E ln X (opravdano pretpostavljena zavisnost obeleja X i Y u itavoj
populaciji).
Zadatak logaritamske regresione analize je da oceni koeficijente D i E, koji
opisuju logaritamsku zavisnost u itavoj populaciji, na osnovu uzorakih
podataka (xi,yi), i = 1, 2, ..., n.
Y
y3
x3
X
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).
7.4. Eksponencijalna regresija i korelacija

uzorkom, dat na slici 7.4.1, indicira da se radi o eksponencijalnoj zavisnosti
obeleja X i Y u itavoj populaciji,
Y D e E X (opravdano pretpostavljena zavisnost obeleja X i Y u itavoj
populaciji).
Zadatak eksponencijalne regresione analize je da oceni koeficijente D i E, koji
opisuju eksponencijalnu zavisnost u itavoj populaciji, na osnovu uzorakih
podataka (xi,yi), i = 1, 2, ..., n.
Y
y3
x3
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
Dakle, jednaina linearne regresije je y

predstavljena na sledeoj slici.
3.14 x 59.22 i grafiki je
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
Koeficijent determinacije je kvadrat koeficijenta proste linearne

korelacije. tj, koeficijent determinacije je:
r2
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 ,
to interval prosene vrednosti tranje pri ceni xp=11 din./kg sa nivoom

pouzdanosti 1-D = 0,95, iznosi:
^
ypt
n2 ,
D
2
s _ d E Y p d y p t
yp
n2 ,
D
2
s_
yp
24.683 3,1824 1.17 d E Y p d 24.683 3,1824 1.17

20.95 d E Y p d 28.41
238
Poslovna statistika
j)
Kako je
^
y p (11)
3.14 11 59.223
24.683 ,
to interval individualne vrednosti tranje pri ceni xp=11 din./kg sa

nivoom pouzdanosti 1-D = 0,95, iznosi:
^
ypt
^
n2 ,
s yp d Yp d y p t
n2 ,
s yp
24.683 3,1824 3.11 d Y p d 24.683 3,1824 3.11

14.78 d Y p d 34.58
239
Poslovna statistika
8. INDEKSI
Dosadanja analiza varijabiliteta odreenih obeleja u populaciji nije

razmatrala promene obeleja u razliitim vremenskim trenucima, ve su se
analizirale promene obeleja unutar osnovnog skupa (populacije) u okviru
jednog vremenskog trenutka (ili intervala) i analiza se usmeravala na strukturu
obeleja u okviru populacije ili na povezanosti koje ta struktura ima sa
strukturama drugih obeleja. Vreme, dakle, u ovim analizama nije predstavljalo
promenljivu, ili faktor zavisnosti, ve je samo odreivalo trenutak (ili interval)
u kome su analize vrene. Zbog toga se dosadanji metodi statistike analize
nazivaju metodi statike statistike analize.
Naravno da se sve pojave (a naroito ekonomske) manje ili vie menjaju u
vremenu. Metodi statistike analize pomou kojih se analizira vremenska
zavisnost obeleja, odnosno vremenska zavisnost njegovog varijabiliteta,
nazivaju se metodi dinamike statistike analize.
Vremenska zavisnost obeleja prati se pomou vremenskih serija, koje
predstavljaju nizove podataka o vrednosti odreenog obeleja u odreenim
vremenskim trenucima. Poeljno je da ti izabrani vremenski trenuci budu takvi
da su vremenski intervali izmeu svaka dva uzajamno sukcesivna trenutka
meusobno jednaki.
Naravno, da bi analiza vremenskih serija omoguila ispravne zakljuke o
dinamici posmatranog obeleja, neophodno ja da isto obeleje bude definisano
i mereno na isti nain u svim vremenskim trenucima. Na taj nain se dobijaju
takozvane homogene vremenske serije, i one su predmet nae dalje analize.
U ovom udbeniku upoznaemo dva razliita metoda dinamike statistike
analize.
Prvi metod, koji emo analizirati u ovom poglavlju, jeste metod indeksa (ili
skraeno indeksi), po kome se vri relativno uporeivanje vrednosti jednog
ili vie obeleja u razliitim vremenskim trenucima, i iz tih relativnih promena
obeleja u razliitim vremenskim trenucima donose se odreeni zakljuci.
Drugi metod, koji je analiziran u devetom poglavlju ovog udbenika, jeste
metod dekompozicije vremenskih serija, pomou koga se pokuavaju
pronai osnovne komponente vremenske serije. Takoe, u devetom poglavlju
240
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
Kao to je reeno, individualni indeksi su relativni brojevi kojima se prati

promena vrednosti jednog obeleja (cena, koliina...) u razliitim vremenskim
trenucima.
Ukoliko se prati promena obeleja u odnosu na jednu unapred izabranu
vrednost obeleja iz nekog vremenskog trenutka, onda se takvi indeksi
nazivaju bazni. Tada se ta izabrana vrednost obeleja, sa kojom se ostale
vrednosti uporeuju, naziva baza.
Ukoliko se prati promena vrednosti obeleja u jednom trenutku u odnosu na
vrednost obeleja iz prethodnog trenutka, onda se takvi indeksi nazivaju
lanani.
8.1.1. Individualni bazni indeksi, Bi
Oznaimo sa y1 , y 2 , , y n vrednosti obeleja u trenucima t1 , t 2 , , t n , gde je sa

y i oznaena vrednost obeleja u trenutku t i , i neka je sa y B oznaena bazna
vrednost obeleja u trenutku t B .
Tada se individualni bazni indeksi, koje oznaavamo sa Bi, izraunavaju po
formuli:
yi
100 (i = 1, 2, ..., n).
Bi
yB
241
Poslovna statistika
Ukoliko, recimo, bazni indeks u trenutku ti iznosi Bi 106,35 , to znai da je

vrednost obeleja u trenutku ti za 6,35% vea od vrednosti obeleja u baznom
trenutku, dok ako, recimo, bazni indeks u trenutku ti iznosi Bi 92,34 , to
znai da je vrednost obeleja u trenutku ti za 7,66% manja od vrednosti
obeleja u baznom trenutku.
Primer 8.1.1. Koristei podatke iz Tabele 8.1.1, analizirati promene ukupnog
broja zaposlenih u odnosu na 2002. godinu, koristei bazne indekse.
Godina
Broj zaposlenih
(000)
178
169
180
195
201
2001.
2002.
2003.
2004.
2005.
Tabela 8.1.1
Reenje:
Koristei formulu za dobijanje baznih indeksa Bi
yi
100 , gde je bazna
yB
godina 2002, dobijamo:
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
gde je, na primer, B2004 dobijen kao B2004
242
y 2004
100
y 2002
195
100 115.38 .
169
Poslovna statistika
8.1.2. Individualni lanani indeksi, Li
Oznaimo sa y1 , y 2 , , y n vrednosti obeleja u trenucima t1 , t 2 , , t n , gde je sa

y i oznaena vrednost obeleja u trenutku t i .
Tada se individualni lanani indeksi, koje oznaavamo sa Li, izraunavaju po
formuli:
yi
100 ( i = 2, ..., n).
Li
y i 1
Dakle, ne postoji individualni lanani indeks prvog lana vremenske serije jer
prvi lan nema prethodni, pa se nema sa ime uporeivati.
Ukoliko, recimo, lanani indeks u trenutku ti iznosi Bi 106,35 , to znai da je
vrednost obeleja u trenutku ti za 6,35% vea od vrednosti obeleja u
prethodnom trenutku ti-1, dok ako, recimo, bazni indeks u trenutku ti iznosi
Bi 92,34 , to znai da je vrednost obeleja u trenutku ti za 7,66% manja od
vrednosti obeleja u prethodnom trenutku ti-1.
Primer 8.1.2. Koristei podatke iz Tabele 8.1.2, analizirati promene ukupnog
broja zaposlenih koristei lanane indekse.
Godina
2001
2002
2003
2004
2005
Broj zaposlenih
(000)
178
169
180
195
201
Tabela 8.1.2.
243
Poslovna statistika
Reenje:
Koristei formulu za dobijanje lananih indeksa Li
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
gde je na primer L2004 dobijen kao L2004
y 2004
100
y 2003
195
100 108.33 .
180
8.1.3. Srednji tempo porasta, S
Neka obeleje Y ima tendenciju rasta u periodu t1 do tn.

Oznaimo sa y1 , y 2 , , y n vrednosti obeleja Y u trenucima t1 , t 2 , , t n , gde je
sa y i oznaena vrednost obeleja u trenutku t i .
Srednji tempo porasta, S, predstavlja prosenu porast vrednosti obeleja za
posmatrani period, i izraunava se po formuli:
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 ,
to je srednji tempo porasta jednak:

S
n 1
L2 L3 Ln 1 100 .
Ukoliko, recimo srednji tempo porasta u periodu od t1 do tn iznosi S 6,35 , to

znai da je vrednost obeleja u periodu od t1 do tn proseno rasla za 6,35% u
svakom vremenskom intervalu (ti-1 , ti ), ( i = 2, ..., n).
Primer 8.1.3. Koristei podatke iz Tabele 8.1.3, pronai srednji tempo porasta
broja zaposlenih za period 2001-2005. godine.
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
Dakle, u periodu od 2001. do 2005. godine, broj zaposlenih se proseno

poveavao za 3,08% godinje.
Srednji tempo porasta je S
245
Poslovna statistika
8.1.4. Srednji tempo pada, P
Neka obeleje Y ima tendenciju opadanja u periodu t1 do tn. Oznaimo sa

y1 , y 2 , , y n vrednosti obeleja Y u trenucima t1 , t 2 , , t n , gde je sa y i
oznaena vrednost obeleja u trenutku t i .
Srednji tempo pada, P, predstavlja proseno opadanje vrednosti obeleja za
posmatrani period, i izraunava se po formuli:
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 ,
to je srednji tempo pada jednak:

P
1
n 1
L2 L3 Ln 100 .
Ukoliko, recimo, srednji tempo pada u periodu od t1 do tn iznosi P 6,35 , to

znai da je vrednost obeleja u periodu od t1 do tn proseno opadala za 6,35% u
svakom vremenskom intervalu (ti-1 , ti ), (i = 2, ..., n).
Primer 8.1.4. Koristei podatke iz Tabele 8.1.4, pronai srednji tempo pada
broja zaposlenih za period 2001-2005. godine.
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
Dakle, u periodu od 2001. do 2005. godine, broj zaposlenih se proseno

smanjivao za 2,93% godinje.
Srednji tempo pada je P
8.2. Grupni (agregatni) indeksi

Grupni (agregatni) indeksi su relativni brojevi kojima se prati promena
vrednosti grupe srodnih obeleja (cena prehrambenih proizvoda, cena mlenih
proizvoda, koliina poljoprivredne proizvodnje...) u razliitim vremenskim
trenucima.
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 .
8.2.1. Metod prosenih odnosa (srednje vrednosti)
Po metodi prosenih odnosa, grupni indeks grupe obeleja izraunava se kao

srednja vrednost individualnih baznih indeksa, izraunatih za istu bazu za
svakog lana grupe.
Kako je aritmetika sredina prirodna srednja vrednost individualnih baznih
indeksa, to se grupni indeksi cena, koliina i vrednosti, po ovom metodu
izraunavaju po sledeim formulama:
247
Poslovna statistika
pi
Indeks cena, Ip
Ip
n
qi
Indeks koliina, Iq
Iq
Indeks vrednosti, Ipq
I pq
100
100
n
pi qi
100
p0 q0
,
n
gde je n broj lanova grupe, odnosno broj individualnih indeksa, a znak

oznaava da se sumiranje vri takoe po svim lanovima grupe.
Primer 8.2.1. Na osnovu podataka iz Tabele 8.2.1, izraunati za 2005. godinu
kao tekuu i 2000. godinu kao baznu, po metodi prosenih odnosa, grupni
indeks cena, indeks koliina i indeks vrednosti grupe mlenih proizvoda.
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:
Grupa mlenih proizvoda koju analiziramo sastoji se od n=4 lana

(kajmak, pavlaka, mleko, jogurt), pa koristei rezultate Tabele 8.2.1.a.,
Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
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 .
8.2.2. Metod agregata
Generalno, postoje dva naina primene metode agregata, odnosno

izraunavanja agregatnih indeksa.
Jedan od njih je takozvani neponderisani metod agregata, dok je drugi
takozvani ponderisani metod agregata.
249
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.
Dakle, grupni neponderisani agregatni indeksi cena, koliina i vrednosti,

izraunavaju se po sledeim formulama:
Indeks cena, Ip
Ip
p 100
p
q 100
q
i
Indeks koliina, Iq
Iq
Indeks vrednosti, Ipq
I pq
p
p
qi
q0
100 ,
gde je n broj lanova grupe, odnosno broj individualnih indeksa, a znak

oznaava da se sumiranje vri takoe po svim lanovima grupe.
Primer 8.2.2.1. Na osnovu podataka iz Tabele 8.2.2.1, izraunati za 2005.
godinu kao tekuu i 2000. kao baznu, po metodi neponderisanih agregata,
grupni indeks cena, indeks koliina i indeks vrednosti grupe mlenih
proizvoda.
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:
Po metodi agregata, grupni neponderisani indeks cena je:

pi 100 , indeks koliina je I qi 100 a , indeks vrednosti
Ip
q
p0
q0
je I pq
P
ro
iz
v
o
d
K
P
M
J
p
p
qi
q0
100 . Imajui u vidu rezultate iz Tabele 8.2.2.1.a.,
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
Grupni indeksi dobijeni metodom srednje vrednosti i neponderisanim metodom

agregata su realni pokazatelji grupnih promena samo ukoliko svi lanovi grupe
imaju priblino isti znaaj u okviru grupe kao celine, to je u praksi veoma
retko.
U sluajevima kada lanovi grupe nemaju priblino podjednak znaaj u okviru
grupe kao celine, ponderisani agregatni grupni indeks je indeks koji
adekvatno reprezentuje promenu grupe kao celine, izraunatu na osnovu
podataka o promenama svakog lana grupe ponaosob.
Ponderisani agregatni grupni indeks je grupni indeks kod koga se vrednost
svake komponente grupe mnoi nekim brojem (ponderom) koji odreuje
znaaj te komponente u grupi. Osnovni je problem kako izabrati ponder svakoj
komponenti i pomou njega obezbediti realno predstavljanje dinamike svih
delova sloene grupe.
Uobiajeno je da se prilikom izraunavanja indeksa cene za ponder uzimaju

vrednosti koliina, dok se prilikom izraunavanja indeksa koliina za ponder
uzimaju vrednosti cena lanova grupe. Analiziraemo sledee naine izbora
pondera:
-
Laspeyers-ov metod,
Pasche-ov metod,
Fisher-ov metod,
Marshal-Edgworth-ov metod.
8.2.2.2.1. Laspeyers-ov metod
Po ovom grupnom ponderisanom agregatnom metodu, ponderi se uzimaju

kao vrednosti iz bazne godine, pa je po njemu:
Indeks cena, Ip:
Indeks koliina, Iq:
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
8.2.2.2.2. Pasche-ov metod

kao vrednosti iz tekue godine, pa je po njemu:
Indeks cena, Ip
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:
Koristei rezultate Tabele 8.2.2.3.a.

Proizvod
Kajmak
Pavlaka
Mleko
Jogurt
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
8.2.2.2.3. Fisher-ov metod (Idealni metod)
Po ovom grupnom ponderisanom agregatnom metodu, indeksi se

dobijaju kao geometrijska sredina grupnih ponderisanih indeksa
dobijenih Laspeyers-ovom metodom i Pasche-ovom metodom.
Dakle,
Fisher-ov (idealni)
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:
Imajui u vidu rezultate dobijene dobijene u Primeru 8.2.2.2. i Primeru

8.2.2.3, dobijamo da je Fisher-ov idealni
indeks cena:
IP
p
p
q0
q0
qi
100
0 qi
256
1,3459 1,3457 100
134,58
Poslovna statistika
indeks koliina:
Iq
q
q
p0
p0
pi
100
0 pi
q
q
1,1096 1,1094 100
110,95 .
8.2.2.2.4. Marshal-Edgworth-ov metod

kao zbir vrednosti iz tekue i bazne godine, pa je po njemu:
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:
Na osnovu Tabele 8.2.2.5.a.,
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.
dobijamo da je po Marshal-Edgworth-ovom metodu
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
Zadatak 8.3. Na osnovu podataka iz sledee tabele,
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
Izraunati za 2005. godinu kao tekuu i 2001. kao baznu:

a)
po metodi agregata grupni neponderisani indeks cena, indeks
koliina, indeks vrednosti;
b)
po metodi prosenih odnosa grupni neponderisani indeks cena,
indeks koliina, indeks vrednosti;
c)
po metodi agregata grupni ponderisani indeks cena i indeks
koliina po Laspeyers-ovom metodu;
d)
po metodi agregata grupni ponderisani indeks cena i indeks
koliina po Pasche-ovom metodu;
e) Fisher-ov idealni indeks cena i indeks koliina;
f) Marshal-Edgworth-ov indeks cena i indeks koliina.
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
predstavlja jednu vremensku seriju.
Statistika analiza promene obeleja X u vremenu svodi se na kvantitativnu

analizu varijacije niza X(i).
Naravno da su uzroci vremenskih varijacija obeleja X mnogobrojni i
raznovrsni, i obino nisu svi ni poznati. Zbog toga su razvijene mnogobrojne
metode analiza vremenskih serija pomou kojih se pokuavaju pronai makar
bitni uzroci koji generiu vremenske varijacije, odnosno iz odreene
vremenske serije pokuavaju se pronai inioci serije koji su posledica
odreenih uzroka. Taj proces se obino naziva dekompozicija vremenskih
serija na njene osnovne komponente.
Analiza vremenskih serija se osim u pravcu pronalaenja osnovnih komponenti
serije, razvijala i u pravcu predvianja vrednosti serije, odnosno obeleja, u
budunosti, obino bliskoj. Analiza predvianja vremenske serije obino se
naziva prognoza serije mada se kod nas ve odomaio i engleski izraz
forecasting.
Postoji ogroman broj razliitih, matematiki veoma komplikovanih metoda
koje su razvijene radi analize vremenskih serija. Proces pronalaenja novih
metoda e jo dugo trajati, ali se, generalno, sve te metode mogu svrstati u dve
grupe.
Prva grupa su metode koje vremenske serije analiziraju u vremenskom
domenu, a druga grupa su metode koje vremenske serije analiziraju u
frekventnom domenu.
Ova druga grupa metoda (analiza u frekventnom domenu) je predmet
spektralne (harmonijske) analize u kojoj vodeu ulogu imaju Furijeovi redovi
i kojom se u ovom udbeniku neemo baviti.
U ovom udbeniku emo vremenske serije analizirati u vremenskom domenu,
kako u analizi dekompozicije serije, tako i u analizi prognoze, i upoznaemo se
sa metodama koje nisu previe komplikovane.
260
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.
Za vremensku seriju kaemo da je desezonirana, DX(i), ukoliko iz nje

uklonimo sezonsku komponentu S(i).
Najei tipovi modela vremenske serije su aditivni model, multiplikativni
model i meoviti (kombinovani) model.
Po multiplikativnom modelu vremenska serija je jednaka proizvodu svojih
osnovnih komponenti, to jest:
X
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.
Po aditivnom modelu vremenska serija je jednaka zbiru svojih osnovnih

komponenti, to jest:
X
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.
Po kombinovanom modelu vremenska serija je jednaka zbiru proizvoda nekih

svojih osnovnih komponenti, na primer:
X
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.
Naravno da je mogue da neka od ovih komponenti ne postoji u vremenskim

varijacijama obeleja, to zavisi od prirode analiziranog obeleja. Tada ta
komponenta nije sastavni deo modela, odnosno jednaka je jedinici u
multiplikativnom modelu ili nuli u aditivnom modelu. Ovo se ne odnosi na
rezidualnu komponentu, jer ona u svakoj statistikoj analizi vremenskih serija
uvek postoji.
Dekompozicija vremenske serije predstavlja pronalaenje svake od gore
navedenih komponetni. Kao jedna od provera pravilno izvedene dekompozicije
originalne vremenske serije je i pronalaenje srednje vrednosti rezidualne
(sluajne) komponente. Naime, ako je ona u multiplikativnom modelu bliska
jedinici, odnosno u aditivnom modelu bliska nuli, to je dovoljno dobar
pokazatelj da je dekompozicija adekvantno izvedena.
Kombinovani model se veoma retko koristi, dok su multiplikativni i aditivni
model dosta zastupljeni. Dekompoziciju vremenske serije emo analizirati na
multiplikativnom metodu vremenske serije.
262
Poslovna statistika
U procesu dekompozicije vremenske serije koristiemo jedan specifian metod

izravnjanja vremenske serije, koji se zove metod pokretnih proseka, PP.
9.1.1. Metod pokretnih proseka (pokretnih sredina), PP
Metod pokretnih proseka najee se koristi za odreivanje osnovnog toka

pojave, to jest za odreivanje trenda (T) ukoliko ciklina komponenta ne
postoji, ili za odreivanje proizvoda trenda i cikline komponente (TC)
ukoliko ciklina komponenta postoji.
Pokretni prosek je jedna vetaka konstrukcija vremenske serije u kojoj je
svaki originalni podatak vremenske serije zamenjen aritmetikom sredinom tog
podatka, odreenog broja prethodnih podataka i isto toliko narednih podataka.
Ukupan broj lanova ija se aritmetika sredina trai je dakle neparan, i
predstavlja red proseka.
Tako, ako svaki originalni podatak vremenske serije zamenimo aritmetikom
sredinom tog podatka, jednog prethodnog i jednog narednog podatka, dobijamo
trolani pokretni prosek.
Ukoliko svaki originalni podatak vremenske serije zamenimo aritmetikom
sredinom tog podatka, dva prethodna i dva naredna podatka, dobijamo
petolani pokretni prosek, itd.
Na primer, neka je data vremenska serija x1, x2, ..., xn.
Ako traimo njen trolani pokretni prosek, PP(3), tada e prva pokretna
sredina biti
__
x2
x1 x 2 x3
3
i ona e zameniti originalni podatak x 2 ,
druga pokretna sredina e biti

__
x3
x 2 x3 x 4
3
i ona e zameniti originalni podatak x3 ,
263
Poslovna statistika
itd., sve do poslednjeg trolanog pokretnog proseka
__
x n 1
x n 2 x n 1 x n
3
i ona e zameniti originalni podatak x n 1 .
Uoimo da ne moemo nai trolani prosek prvog i poslednjeg originalnog

podatka.
Ako traimo petolani pokretni prosek, PP(5), vremenske serije x1, x2, ..., xn,
tada e prva pokretna sredina biti
__
x3
x1 x 2 x3 x 4 x5
5
i ona e zameniti originalni podatak x3 ,
druga pokretna sredina e biti

__
x4
x 2 x3 x 4 x5 x6
5
i ona e zameniti originalni podatak x 4 ,
itd., sve do poslednjeg trolanog pokretnog proseka

__
x n2
x n 4 x n 3 x n 2 x n 1 x n
5
i ona e zameniti originalni podatak
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 .
Naravno, u ovom sluaju ne moemo nai (2m+1)-lani pokretni prosek, prvih

i poslednjih m originalnih podataka.
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
__
__
a podatak x3 bi zamenili aritmetikom sredinom x 2 / 3 i x 3 / 4 ,

__
__
x3
__
x 2/3 x 3/ 4
,
2
__
__
podatak x 4 bi zamenili aritmetikom sredinom x 3 / 4 i x 4 / 5 ,

__
__
x4
__
x 3/ 4 x 4/5
, itd., i na kraju
2
__
__
podatak x n 2 bi zamenili aritmetikom sredinom x n 3 / n 2 i x n 2 / n 1 ,

__
__
x n2
__
x n 3 / n 2 x n 2 / n 1
i tako dobili PP(4) originalne serije.
2
Uoimo da u ovom sluaju ne moemo nai pokretni prosek prva i poslednja

dva lana originalne serije.
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:
Trolani PP(3), etvorolani PP(4) i petolani pokretni prosek PP(5)

originalne serije dat je u Tabeli 9.1.1.a.
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
Slika 9.1.1. Grafiki prikaz PP(3), PP(4) i PP(5)
9.1.2. Odreivanje trenda, T(i)
Kao to je ve napomenuto, ukoliko u vremenskoj seriji nije izraeno prisutna

ciklina komponenta, onda trend aproksimiramo pokretnim prosecima,
odnosno
T(i)=PP(i).
Meutim, ukoliko je evidentno prisustvo cikline komponente, onda pokretni
prosek predstavlja proizvod trenda i cikline komponente, odnosno tada
prihvatamo da vai
T(i)C(i)=PP(i).
U ovom sluaju (uoeno prisustvo cikline komponente), trend nalazimo
pronalaenjem glatke krive T(i), koja ima najmanji kvadrat greke u odnosu na
podatke originalne serije (i,xi). Dakle, potpuno identino kao i kod regresione
analize, samo to u ovom sluaju metodom najmanjih kvadrata traimo
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:
Linearni trend ocenjen iz n uzorakih parova (i , xi), dat je u obliku

T (i ) a b i gde je
n
n n
n i xi i xi
i 1
i1 i1
n
n i2 i
i 1
i1
Reavanjem ovih jednaina dobijamo b 1.3618

linearni trend je oblika T (i ) 1.3618 i 162.45 .
xi
a
i 1
b
i
i 1
a 162.45 , odnosno
Ovaj linearni trend je predstavljen grafiki na Slici 9.1.2., a tablino Tabelom

9.1.2.
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
Slika 9.1.2. Linearni trend serije iz Tabele 9.1.1.
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
Tabela 9.1.2. Trend serije
270
Poslovna statistika
9.1.3. Odreivanje cikline komponente, C(i)
Kako je po multiplikativnom modelu , za PP reda 2m+1,

PP(i )
T (i ) C (i )
i=m+1,m+2, ... , n-m,
to se ciklina komponenta odreuje iz

C (i )
PP(i )
T (i )
i=m+1,m+2, ... , n-m .
esto se radi lakeg predstavljanja ciklina komponenta predstavlja u obliku

C(i)100.
Primer 9.1.3. Za vremensku seriju iz Tabele 9.1.1. pronai ciklinu
komponentu, uz uslov izravnjanja trolanim pokretnim prosecima. Predstaviti
ciklinu komponentu tablino i grafiki.
Reenje:
Imajui u vidu da je
C (i )
PP(i )
T (i )
i=m+1,m+2, ... , n-m ,
dobijamo sledee vrednosti za ciklinu komponentu (Tabela 9.1.3.

i Slika 9.1.3).
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
Tabela 9.1.3. Ciklina komponenta serije
Ciklicna komponenta C(I)

1.1
1.05
1
0.95
0.9
0.85
Ciklicna komponenta C(I)
Slika 9.1.3. Ciklina komponenta serije

272
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)
Sezonsku komponetu dobijamo usrednjavanjem proizvoda sezonske i

rezidualne komponente. Usrednjavanje se vri po sezonama za koje traimo
sezonsku komponentu, a proizvod sezonske i rezidualne komponente dobijamo
kao kolinik originalne serije i serije pokretnih proseka. Naime, po
multiplikativnom modelu vai:
X (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 )
i=m+1,m+2, ... , n-m.
Sezonsku komponentu, koja se jo naziva i sezonski indeks, dobijamo

usrednjavanjem proizvoda S(i)R(i) po sezonama za koje traimo sezonski
indeks.
esto se radi lakeg predstavljanja sezonska komponenta predstavlja u obliku
S(i)100.
Pokaimo to na primeru vremenske serije iz Tabele 9.1.1.
Primer 9.1.4. Za vremensku seriju iz Tabele 9.1.1. pronai sezonsku
komponentu, uz uslov izravnanja trolanim pokretnim prosecima.
Reenje:
Kako je
S (i ) R (i )
T (i ) C (i ) S (i ) R(i )
T (i ) C (i )
X (i )
PP(i )
to je (videti Tabelu 9.1.4).

273
i=m+1,m+2, ... , n-m ,
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
Tabela 9.1.4. Proizvod sezonske i rezidualne komponente serije

Sezonsku komponentu dobijamo usrednjavanjem proizvoda sezonske i
rezidualne komponente serije S (i ) R(i ) , gde se usrednjavanje vri po sezoni
za koju traimo sezonski indeks ( u ovom sluaju po godinjim dobima). Za
originalnu seriju iz naeg primera, indeksi reprezentuju:
i=1,5,9,13, zimski period,
i=2,6,10,14, proleni,
i= 3,7,11,15 letnji,
i=4,8,12,16 jesenji period,
pa je (videti Tabelu 9.1.4.a),
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
____________
Tabela 9.1.4.b. Sezonska komponenta serije
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)
Rezidualna komponenta serije dobija se kao kolinik proizvoda sezonske i

rezidualne komponete i sezonske komponente originalne serije, odnosno
R (i )
S (i ) R(i )
S (i )
i=m+1,m+2, ... , n-m .
esto se radi lakeg predstavljanja i rezidualna komponenta predstavlja u

obliku R(i)100.
Pokaimo to na primeru vremenske serije iz Tabele 9.1.1.
Primer 9.1.5. Za vremensku seriju iz Tabele 9.1.1. pronai rezidualnu

komponentu, uz uslov izravnjanja trolanim pokretnim prosecima. Prikazati je
tabelarno i grafiki i prokomentarisati njenu aritmetiku sredinu.
Reenje:
Kako je
R (i )
S (i ) R(i )
S (i )
i=m+1,m+2, ... , n-m ,
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
Tabela 9.1.5. Rezidualna komponenta

Grafik rezidualne komponente dat je na Slici 9.1.5.
Rezidualna komponenta R(I)
1.1
1.05
1
0.95
0.9
Rezidualna komponenta R(I)
Slika 9.1.5. Rezidualna komponenta

277
Poslovna statistika
Aritmetika sredina rezidualne komponente iznosi
15
R(i)
i 2
14
1.000018 ,
to ukazuje na injenicu da je dekompozicija originalne vremenske serije

adekvatno izvrena.
9.1.6. Odreivanje desezonirane serije, DX(i)
Desezoniranu seriju dobijamo iz originalne serije kada iz nje eliminiemo

sezonsku komponentu. Dakle,
DX (i )
X (i )
S (i )
i=m+1,m+2, ... , n-m .
Primer 9.1.6. Desezonirati vremensku seriju iz Tabele 9.1.1, uz uslov

izravnjanja trolanim pokretnim prosecima. Prikazati desezoniranu seriju
tabelarno i grafiki.
Reenje:
Kako je
DX (i )
X (i )
S (i )
i=m+1,m+2, ... , n-m ,
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
Tabela 9.1.6. Desezonirana serija

Grafiki prikaz dat je na Slici 9.1.6.
Desezonirana serija DX(I)
170
160
150
140
130
120
Desezonirana serija DX(I)
Slika 9.1.6. Desezonirana serija

279
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
odrediti mulitiplikativnim metodom:

a)
sezonsku i rezidualnu komponentu serije, sezonske indekse i
desezoniranu seriju i predstaviti ih grafiki;
b)
ciklinu komponentu serije, pretpostavljajui da serija ima
linearni trend, i predstaviti je grafiki.
280
Poslovna statistika
9.2. Prognoza vremenske serije
Metod dekompozicije, baziran na poravnanju vremenske serije pokretnim

prosecima, neupotrebljiv je za predvianje ponaanja vremenske serije u
budunosti, jer se pokretnim prosecima gube informacije na krajevima
vremenskog intervala (za poslednjih m taaka originalne serije ne moemo nai
pokretni prosek reda (2m+1).
Zbog toga se u ovom sluaju prognoza vrednosti obeleja X u trenutku i+1,
dobija kao vrednost funkcije trenda u taki i+1. Ova prognoza nije dovoljno
precizna za ozbiljnije analize predvianja vrednosti obeleja u budunosti.
Generalno, ako sa fi obeleimo prognozirane vrednosti obeleja xi u trenutku i,
onda vai:
f i 1
T (i 1) .
Primer 9.2.1. Proceniti vrednost vremenske serije iz Tabele 9.1.1. za zimu

2005. pomou linije trenda.
Reenje:
Kako je linija trenda ove serije oblika T (i ) 1.3618 i 162.45 , i kako za

zimu 2005. indeks i=17, to je prognozirana vrednost analiziranog obeleja u
zimu 2005. iznosi:
T (17)
1.3618 17 162.45 139.30 .
Drugi, precizniji metod prognoze vremenske serije, postie se metodom

eksponencijalnog poravnanja.
9.2.1. Eksponencijalno poravnanje
Kod esponencijalnog poravnanja smatra se da su uslovi koji su generisali prvi

prethodni lan od najveeg uticaja na prognozirani sledei lan, zatim uslovi
koji su generisali drugi lan koji prethodi prognoziranom imaju drugi po
veliini stepen uticaja, itd.
281
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.
Oigledno da na ovaj nain, za i=n, dobijamo prognoziranu vrednost u bliskoj

budunosti
f n 1
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
Imajui u vidu da je greka prognoze u trenutku i jednaka

ei
xi f i ,
ovaj model eksponencijalnog izravnjanja se moe pretstaviti i u obliku

f1
f i 1
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:
Eksponencijalno izravnata serija ft izraunata po formuli

f1
f i 1
x1
a xi 1 a f i
i 1, 2,... n 1
za a= 0,8 i a=0.3 prikazana je Tabelom 9.2.2. i Slikom 9.2.2.
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
Tabela 9.2.2 Eksponencijalno poravnanje za a=0.8 i a=0.3

283
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)
Eksponencijalno poravnjanje a=0.8
Eksponencijalno poravnjanje a=0.3
Slika 9.2.2. Grafik originalne serije i

ekponencijalno poravnate serije za a=0.8 i a=0.3
Prognozirana vrednost obeleja za zimu 2005. po metodi ekponencijalnog

poravnanja za a=0.8 iznosi:
f17
a x16 1 a f16
0.8 145 0.2 136.46 143.29 .
U smislu korienja metode eksponencijalnog izravnjanja za prognoze

vrednosti vremenske serije, preporuuje se njena sledea modifikovana verzija,
po kojoj se izravnate vrednosti fi, vremenske serije, xi, i=1,2,...,n, dobijaju po
sledeem rekurentnom obrascu:
f1
f i 1
x1
a xi 1 1 a f i
0 a 1,
284
i 1,2,, n 1.
Poslovna statistika
Na ovaj nain prognozirana vrednost u trenutku n+1 iznosi

f n 1
a x n 1 a f n .
Po ovom metodu, za podatke originalne serije iz Primera 9.2.2. dobijamo

sledee vrednosti poravnanja i prognoze za zimu 2005. (Tabela 9.2.2.a.
i Slika 9.2.2.a)
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
Tabela 9.2.2.a. Poboljano eksponencijalno poravnanje

za a=0.8 i a=0.3
Grafik originalne serije i serija poboljanih eksponencijalnih izravnanja za

a=0.8 i a=0.3 dat je na Slici 9.2.2.a.
285
Poslovna statistika
200
150
100
50
0
Originalna serija X(I)
Poboljsano eksponencijalno poravnjanje a=0.8
Poboljsano eksponencijalno poravnjanje a=0.3
Slika 9.2.2a. Grafik originalne serije i

poboljano ekponencijalno poravnate serije za a=0.8 i a=0.3
Prognozirana vrednost obeleja za zimu 2005. po metodi poboljanog

ekponencijalnog poravnanja za a=0.8 iznosi:
f17
a x16 1 a f16
0.8 145 0.2 143.29 144.66 .
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
Prof. dr Duan Joksimovi roen je 1966. 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
Prof. dr Duan Joksimovi POSLOVNA STATISTIKA
POSLOVNA
STATISTIKA

Poslovna Statistika

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Poslovna Statistika

Uploaded by

Copyright:

Available Formats

Prof. dr Duan Joksimovi roen je 1966.

Prof. dr Duan Joksimovi POSLOVNA STATISTIKA

Prof. dr Duan Joksimovi

Megatrend univerzitet primenjenih nauka, Beograd, 2006.

Prof. dr Duan Joksimovi

Megatrend univerzitet primenjenih nauka, Beograd, 2006.

Prof. dr Duan Joksimovi

Odlukom Komisije za izdavaku delatnost Megatrend univerziteta

3.2.2. Primeri nekih raspodela neprekidnih

7.1.7. Korienje linearnog regresionog modela

deskriptivna statistika koja se bavi prikupljanjem, obradom i

- Predmet statistikog istraivanja. Statistika istrauje pojave koje su po

Generalno, statistiki metodi analize masovnih pojava se mogu svrstati u dve

- Deskriptivna statistika analiza obuhvata metode prikupljanja, sreivanja i

- Analitika statistika se bavi objanjavanjem i procenjivanjem varijabiliteta,

1. DESKRIPTIVNA STATISTIKA ANALIZA

1.1. Ureivanje i prikazivanje podataka

po Sturgesovoj formuli K | 1  3.3 log N

Tabelarno, odnosno grafiko prikazivanje ureenih podataka, u stvari,

Apsolutna frekvencija i-te klase obeleiemo je sa fi koja

Relativna frekvencija i-te klase obeleiemo je sa pi, koja

Kumulativna frekvencija i-te klase obeleiemo je sa Ki

Kumulativna frekvencija i-te klase obeleiemo je sa Wi

Naravno, sve gore navedeno vai i za uzorak, uz injenicu da je tada N=n.

Primer 1.1.1. Anketirana je populacija od 50 studenata o broju poloenih ispita

a) broj poloenih ispita:

Prikazati tabelarno i grafiki apsolutnu frekvenciju, relativnu frekvenciju,

Grafiki prikaz apsolutne, relativne i kumulativnih frekvencija dat je na

Broj poloenih ispita

Slika 1.1.1.a. Grafiki prikaz apsolutne frekvencije

Broj poloenih ispita

Slika 1.1.1.b. Grafiki prikaz relativne frekvencije

Broj poloenih ispita

1.1.1.c. Grafiki prikaz kumulativne frekvencije (d)

Broj poloenih ispita

1.1.1.d. Grafiki prikaz kumulativne frekvencije (t)

Tabelarni prikaz je dat u Tabeli 1.1.1.b.

Grafiki prikaz apsolutne, relativne i kumulativnih frekvencija dat je na

Slika 1.1.1.f. Grafiki prikaz relativne frekvencije

Slika 1.1.1.g. Grafiki prikaz kumulativne frekvencije (<)

Slika 1.1.1.h. Grafiki prikaz kumulativne frekvencije (t)

Izraunavanje parametara raspodele obeleja

Ureivanje i prikazivanje podataka analizirano u prethodnom odeljku 1.1,

Parametri srednje vrednosti (mere srednje vrednosti)

Parametre srednje vrednosti moemo podeliti na izraunate i pozicione.

obeleavamo sa X i izraunavamo po formuli:

Od sada pa nadalje u ovom udbeniku, aritmetiku sredinu populacije emo

obeleavati sa P, dok emo aritmetiku sredinu uzorka obeleavati sa X .

Kada smo podatke grupisali u klase vai:

Imajui u vidu da je predstavnik diskretne klase xi, jednak vrednosti obeleja

Primer 1.2.1.1. Za podatke iz Primera 1.1.1. izraunati aritmetiku sredinu

Ako grupiemo podatke, za aritmetiku sredinu teine studenata

Aritmetika sredina se ponekad naziva i moment prvog reda.

- Aritmetika sredina aritmetikih sredina. Neka je dato m razliitih

Prosena visina studenta na prvoj godini studija je

220 168  180 182

xi, - reprezent predstavnika i-te klase koji pravilno predstavlja direktno

Ukoliko sa p predstavimo decimalni zapis procentualne promene od p%,

1,1 1,12 0,95 0,83

Kada elimo da iskaemo harmonijsku sredinu kao meru srednje vrednosti

Formule za harmonijsku sredinu uzorka su identine uz uslov N=n.

Poto je vreme za koje bi se zavrio taj posao obrnuto proporcionalno broju

Izmeu harmonijske, geometrijske i harmonijske sredine izraunate nad istim

po Sturgesovoj formuli K | 1 3.3 log N

220 168 180 182

Ukoliko je broj lanova ureene statistike serije neparan, N 2 k 1 , tada je

1 nije ceo broj, tada se vrednost i-tog kvartila dobija

1 nije ceo broj, tada se vrednost i-tog decila dobija

x>13.25 @ 13.25 >13.25@ x>14.25@ x>13.25 @

x13 0.25 x14 x13 6 0.256 6 6

x>37.75 @ 37.75 >37.75@ x>38.75@ x>37.75@

x37 0.75 x38 x37 9 0.75 9 9 9

x>15.7 @ 15.7 >15.7@ x>16.7 @ x>15.7 @

x15 0.7 x16 x15 6 0.7 6 6 6.

x>18.15@ 18.15 >18.15@ x>19.15@ x>18.15 @

x18 0.15 x19 x18 6 0.15 7 6 6.15.

4 105 79.6 2 115 79.6