Sadržaj

1. Uvod u Excel ..............................................................................................................................1 1.1. Startovanje Excela...............................................................................................................2 1.2. Radno okruženje.................................................................................................................2 1.3. Radni papir i ćelija..............................................................................................................2 1.4. Upisivanje i kretanje po ćelijama .....................................................................................4 1.5. Formatiranje ćelija ..............................................................................................................5 1.6. Formatiranje decimalnih brojeva .....................................................................................5 1.7 Menjanje boje pozadine i teksta ćelije..............................................................................6 1.8 Podešavanje širine i visine ćelija. Ubacivanje i izbacivanje redova i kolona ..............6 1.9 Spajanje ćelija .......................................................................................................................7 1.10 Uokvirivanje ćelija.............................................................................................................7 1.11 Premeštanje i kopiranje ćelija ..........................................................................................8 1.12 Snimanje i zatvaranje dokumenta...................................................................................9 1.13 Otvaranje novog i postojećeg dokumenta .....................................................................9 1.14 Rad sa formulama .............................................................................................................9 1.15 Grafikoni...........................................................................................................................25 2. Funkcije raspodele u Excelu ..................................................................................................28 2.1. Binomna raspodela...........................................................................................................29 2.2. Poasonova raspodela .......................................................................................................34 3. Empirijska raspodela u Excelu ..............................................................................................47 3.1. Osnovni pojmovi .........................................................................................................48 3.2 Empirijska raspodela ..................................................................................................50 4. Intervalne ocene parametara .................................................................................................60 4.1 Ocena srednje vrednosti normalne raspodele sa poznatom disperzijom ..............61 4.2 Ocena srednje vrednosti normalne raspodele nepoznate disperzije ........................66 5. Analiza korelacije ....................................................................................................................72 5.1 Uzorački koeficijent korelacije.........................................................................................75 5.2 Regresione prave ...............................................................................................................78 5.3 Provera značajnosti korelacije .........................................................................................81 5.4 Interpretacija koeficijenata korelacije .............................................................................83 6. Regresiona analiza...................................................................................................................85 6.1 Metod najmanjih kvadrata...............................................................................................88 6.2 Srednje kvadratno odstupanje empirijske formule ......................................................90 6.3 Koeficijent determinacije ..................................................................................................90 6.4 Određivanje pravolinijske zavisnosti .............................................................................91 6.5 Intervali poverenja odsečka i nagiba ..............................................................................99 6.6 Testiranje hipoteza u vezi sa odsečkom i nagibom ...................................................102 6.7 Linearizovane dvoparametarske empirijske formule...............................................103 Literatura ....................................................................................................................................113

1. Uvod u Excel

1

1.1. Startovanje Excela
Microsoft Excel je program za tabelarna proračunavanja. Osnovna osobina vršenja takvih proračuna na računaru je da se izmenama određenih podataka menjaju i vrednosti koje su zasnovane na njima. Startovanje Excel-a se vrši preko ikone na desktopu. Dupli klik mišem na ikonu Microsoft Excel i program je pokrenut. Ukoliko ikone programa nema na desktopu tada je Excel potrebno pokrenuti prko Start menija, menija Programs, a zatim kliknuti na Microsoft Excel.

1.2. Radno okruženje
Radno okruženje Excel-a čine : Naslovna linija (Title Bar) – se nalazi na samom vrhu ekrana i tu se nalazi ispisano ime dokumenta s kojim se trenutno radi i ime programa. Traka sa menijima (Menu Bar) – se nalazi odmah ipod naslovne linije i u njoj se nalaze meniji u kojima su grupisani razni alati. Paleta standard (Standard Toolbar) ili paleta sa standardnim alatkama se nalazi ispod trake sa menijima i sadrži najčešće korištene alate iz menija (novi dokument, otvaranje, snimanje dokumenta, štampanje dokumenta i slično). Paleta Format (Formatting Toolbar) ili paleta za formatiranje sadrži alate koji se koriste za formatiranje teksta, određivanje vrste, veličine i boje slova, poravnavanja teksta ... Traka za formulu (Formula Bar) je traka gde se unosi formula za ćeliju sa kojom radimo. Statusna linija (Status Bar) opisuje u svom levom uglu stanje u kom se nalazi programReady (spreman za rad), Enter (unos u ćeliju), itd. Pord toga u statusnoj liniji možemo videti da li je uključeno prekucavane, kucanje velikih slova itd. Klizači omogućavaju pomeranje papira kako bi se videle sve ćelije.

1.3. Radni papir i ćelija
Radni papir (eng. Worksheet) i ćelija (eng. Cell) su osnovni elementi rada u Excelu. Svaki dokument sa kojim se radiu Excelu naziva se naziva se sveska ili knjiga (eng. Book). Da bi se odvoile značajne celine u okviru jendog dokumenta koriste se radni papiri, koji čine knjigu. Dakle, jedan radni papir može da se koristi za proračun, jedan za grafike itd.

2

i za svaku od njih može se definisati tip (tekst. Otvara se novi meni u kome se odabira opcija Insert. Otvara se novi prozor u kome se sa OK potvrđuje brisanje. opcije Worksheet. koje se nalaze iznad statusne linije. ako se pritisne desni taster miša na bilo koju od kartica postojećih radnih papira. broj.1. valuta. Ćelije se u Excel-u mogu povezivati tako da jedna zavise od druge i na taj način formirati formule po kojima se računaju vrednosti. Uklanjanje radnog papira – vrši se pritiskom desnog tastera miša na karticu radnog papira koji treba obrisati. i u novootvorenom meniju bira se opcija Delete. Sam radni papir sastavljen je od ćelija. datum). 3 . procenti.Slika 1. u novootvorenom prozoru dovoljno je kliknuti OK. Svaka ćelija može sadržati tekst ili brojeve.vrši se preko padajućeg menija Insert. Ubacivanje novog radnog papira. Ili. dok se sa Cancel prekida.

potrebno ih je prvo označiti – selektovati. a zatim se pritisne taster Delete. Excel sam rapspoznaje određene tipove podataka. Opcije move to end papir šalje na kraj knjige (dokumenta).Menjanje imena radnog papira – koristi se isti meni kao i prethodne dve operacije. Otvara se prozor kao sa slike.za selektovanje susednih radnih papira. Na kraju se sa OK potvrđuju odabrane opcije. Nakon tog upisuje se novo ime i pritisne taster Enter.ponekad je potrebno promeniti redosled radnih papira. Otvara se prozor kao sa slike. Moguće je obrisati i više ćelija odjednom tako što se prvo sve selektuju. 1. Sekektovanje radnih papira – kada je potrebno obrisati više radnih papira ili se nad njima vrše neke izmene. Polje Before Sheet ukazuje na to pre kog radnog papira želimo da postavimo odabrani radni papir. Upisivanje i kretanje po ćelijama Da bi se podatak u određenu ćeliju potrebno je da se levim tasterom miša klikne na nju. Za to se koristi padjući meni Edit i opciju Go To. kao na slici gore. Pritiskom na bilo koji taster sa tastature počinje unos podataka u selektovanu ćeliju.4. Ćelija postaje uokvirena crnim pravougaonikom. Ukoliko je otkačeno polje Create a copy biće napravljena kopija radnog papira. a zatim u novootvorenom meniju klikne na Rename. Pritisne se desni taster miša na karticu radnog papira čije se ime menja. Za to se koristi opcija Move or Copy. držeći taster Control – za pojedinačno selektovanje. Selektovanje se vrši pritiskom na levi taster miša na kartice radnih papira koje se nalaze iznad statusne linije. Nakon ukucavanja teksta dovoljno je pritisnuti Enter ili strelicama pomeriti kursor na neku drugu ćeliju. Polje To Book govori u koju knjigu (dokument) se premešta radni papir. recimo A70 u pritisnuti OK i kursor će se naći na navedenom mestu. Brisanje teksta iz ćelije se vrši ozmačavanjem ćelije koja se briše a zatim se pritisne taster Delete. Međutim u kompleksnijim tabelama koje prelaze jednu stranu radnog papira lakše je nekad direktno otići na željenu ćeliju. 4 . Pomeranje kurora na određenu ćeliju najlakše je izvršiti klikom levog miša na tu ćeliju. U novom prozoru u polju Go To dovoljno je ukucati poziciju ćelije. Premeštanje i kopiranje radnog papira. ili taster Shift.

kao i nekoliko drugih opcija. Označi se ćelija ili ćelije kojima se određuje broj decimala. 1. vrste slova i veličine. Za to se koriste ikone . Horizontalno poravnanje moguće je izvršiti iz Palete Format koristeći koji redom centriraju tekst levo. U padajućem meniju Format odabere se opcija Format Cells. Vertikalno poravnanje kao i horizontalno vrši se preko opcije Format Cells iz padajućeg manija Format. Ako je otkačeno Wrap Text tadaće tekst ukoliko ne može da stane u ćeliju biti prelomljen u dva ili više redova. preko polja indent moguće je postaviti koliko će tekst biti omeren od leve ivice ćelije. U polju Category pojavljuje se lista mogućih tipova podataka u ćeliji. Nakon pokretanja ove opcije otvara se prozor kao sa slike. u sredinu i desno. 5 . Podešavanje slova u ćeliji – veličina i tip slova može se desiti preko Palete Format za promenu tipa slova i za promenu veličine slova. datum ili valuta). Polje Orientation nudi mogućnost da se tekst okreće u ćeliji pod određenim uglom. Veoma bitne su stavke pod poljem Text Control. To se radi na sledeći način: 1. kod nas hh:mm::ss (sati.6. Nekoliko bitnih tipova su : Numberpredstavlja broj. i u ovoj opciji moguće je birati zapis broj kao i broj decimalnih mesta. koristi se i Custom koji predstavlja korisnički tip. zakrivljenje ili podvlačenje teksta. Time predstavlja vreme i bira se načina zapisa vremena. Formatiranje ćelija Formatiranje ćelija podrazumeva podešavanje tipa ćelije (broj. nameštanje poravnanja. Date – predstavlja datum. Odabirom kartice Alignment pojavljuje se prozor kao na slici.1. tekst. koristeći Tekst je moguće iskoristiti i za podebljanje.5. Ukoliko je otkačeno polje Shrink to fit tada će veličina slova biti smanjena tako da tekst staje u ćeliju. minute. Merge Cells služi za spajanje ćelija. poslednje dugme služi za spajanje ćelija u jednu i centriranje teksta koji se nalazi u njima u sredinu. Podešavanje tipa ćelije. Polje horizontal predstavlja horizontalno poravnanje. kod nas je na primer dd-mm-yyyy (danmesec-godina).većina gore navedenih podešavanja vrši preko padajućeg menija Format opcije Cells. 2. bira se zapis datuma. Formatiranje decimalnih brojeva Kod unosa brojeva može se unapred odrediti željeni broj decimala. sekunde). U polju Sample vidi se kako će izgledati podatak nakon promene tipa. Poravnjanje teksta u ćeliji – poravnanje teksta se vrši kako horizontalno tako i vertikalno.

tada se pojavljuju opcije kao na slici. Boja teksta u ćelijama menja se na sledeći način: 1. i time je bojenje pozadine završeno. 6 . Levim tasterom miša pritisne se crna sterlica pored ikone kantice u Paleti Format. Kursor miša postaje vertikalna crna crtica sa strelicama na gore i dole. ako se otkaći polje Use 1000 separator koristiće se razdvajanje preko 1000 sa zarezom a u polju Negative number bira se izgled negativnog broja. Na kraju se pusti levi taster miša. Držeći pritisnut levi taster miša pomera se širina kolone B koliko je potrebno. U polju Decimal places bira se broj decimala. Brojevima u označenim ćelijama pritiskom na prvu ikonicu povećava se broj decimala. 2. Odabira se boja za popunjavanje pozadine selektovanih ćelija. 4.8 Podešavanje širine i visine ćelija. 3. Označi se ćelija čija se boja pozadine menja.7 Menjanje boje pozadine i teksta ćelije Boja pozadine ćelija menja se na sledeći način: 1. Kursor miša postaje crna uspravna linija sa strelicama u levo i desno.3. Visina reda menja se na sličan način: 1. Kursor miša postavlja se na ivicu polja sa imenom kolone označene slovom iznad ćelija. U prozoru kao na slici odabere se nova boja teksta u ćelijama 1. 1. Označi se ćlija čija se boja teksta menja. Ubacivanje i izbacivanje redova i kolona Širina kolone se podešava tako što : 1. Kursor miša postavlja se na ivicu polja sa brojem reda levo od ćelija. U kartici Number u polju Category. Decimale se mogu nameštati i preko ikonica iz palete Format. 3. 2. odabere se Number. 3. 2. pojavljuje se prozor kao na slici. a na drugu smanjuje. Levim tasterom miša pritisne se na crnu strelicu pored ikone .

u prikazanoj tabeli . u Format Cells u kartici Alignment isključi se otkačeno polje Merge Cells. bira se kartica Border. Kursor se pozicionira u ćeliju koja pripada koloni ispred koje se ubacuje nova kolona. sve kolone desno od nje premeštaju se ulevo za jedno mesto. Kursor se pozicionira u ćeliju koja pripada redu iznad kojeg se ubacuje novi red. Kolona se dodaje tako što: 1. 3. Odabir se potvrđuje sa OK. Nakon nameštanja pušta se levi taser miša. U padajućem maniju Insert odabere se opcija Columns.9 Spajanje ćelija Spajanje ćlija podrazumeva spajanje više ćelija u jednu ćeliju. a zatim u padajućem meniju Format. 2. 2. to se radi tako što se označi ćelija nastala spajanjem. U novotvorenom meniju odabere se opcija Delete. miš se povlači na gore il na dole smanjujući ili povećavajući tako visinu reda. 1. Red se dodaje tako što: 1. 1. 2. dva i tri. a zatim se u kartici alignment otkači polje Merge Cells. Brisanje kolone ili reda vrši se tako što: 1. 3. Primer spojenih ćelija. 2. a u slučaju brisanja reda za jedno mesto se premeštaju redovi ispod obrisanog reda. U padajućem meniju Format odabere se Format Cells. bila bi polja jedan. Nakon toga ako je obrisana kolona. U padajućem meniju Insert odabere se opcija Rows. nakon 7 . Spajanje se vrši: 1. Držeći pritisnut levi taster miša. Ponekad se pogrešno spoje ćelija pa je potrebno spojene ćelije vratiti u stanje gde je svaka za sebe.10 Uokvirivanje ćelija Iako je radni papir podeljen na ćelije i između njih postoje linije. te tanke linije pri štampanju neće biti vidljive. Da bi se linije tabele naglasiel potrebno je selektovati ćelije čiji okvir se menja i preko padajućeg menija Format Cells.2. Selektuju se ćelije koje treba spojiti. Desnim tasterom miša klikne se na ime kolone ili broj reda.

8 . Klikom na dugme koje prikazuje pravac linije uključuje ili isključuje iscrtavanje linija tog pravca. Pritisne se dugme Paste iz Palete Standard. 3. 4. Kursor miša se pomeri na ivicu selekcije. U polju Presets bira se None da bi ćelije bile bez okvira a Outline da bi se uokvirile spoljne ivice. 2. 2. Pritiskom levog tastera miša. već možda i iscrtane unutrašnje ili dijagonalne linije. Selektuju ćelije koje treba premestiti. i boja linije.čega se otvara prozor kao na slici. i ćelije se pojavljuju na papiru. Ćelije je moguće iskopirati i koristeći mali crni kvadrat u donjem desnom uglu selekcije. Pritisne se dugme Copy iz Palete Standard. ali bi mogle više puta sa opcijom Paste da se „ispuštaju“ u dokument. čime su selektovane ćelije zapamćene u memoriji računara. nakon toga 3. 4. ne puštajući ga može se razvući selektovani deo. U polju Line bira se vrsta linije kojom se iscrtavaju okviri. Držeći pristisnut levi taster miša pomeraju se selektovane ćelije na mesto na koje se trebaju premestiti. Ćelije se kopiraju na sledeći načn: 1. Pusti se levi taster miša Na ovaj način podaci se više ne nalaze u ćelijama u kojima su bili već samo u onima u koje su premešteni. a oko zapamćenih ćelija se pojavljuje trepćući okvir. Koristeći opciju Cut iz Palete Standard umesto Copy ćelije bi bile premeštene. Levim tasterom miša klikne se na ćeliju gde treba da se nađu kopirane ćelije. Nakon puštanja levog tastera ceo označeni deo biće popunjen prethodno selektovanim delom. Selektuju se ćelije koje treba kopirati. Ako se kursor miša postavina taj mali crni kvadrat on se pretvara crnu strelicu. 1. negde oko crne tamne linije.11 Premeštanje i kopiranje ćelija Premeštanje ćelija se vrši tako što se: 1. i tada bi kursor trebalo da se pretvori u belu strelicu. Ako podaci treba da ostanu i da se pojave u novim ćelijama tada se koristi kopiranje ćelija. Polje Border koristi se i kada nisu potrebne samo spoljne ivice uokvirene.

a najčešće se to vrši klikom na u gornjem desnom uglu prozora. operatora i funkcija koja koja daje rezultat.rad sa formulama Unos formula Formula se u neku ćeliju unosi tako što prvo unesemo karakter = što će Excel-u nagovestiti da sada sledi unos formule.13 Otvaranje novog i postojećeg dokumenta Prilikom svakog startovanja Excel-a otvara se i nova prazna sveska u kojoj se može započeti rad. odnosno pod kojim imenom da se snimi na hard disk (ili diksketu). Ako treba otvoriti već postojeći dokument. ili opcija Open iz padajućeg menija File. Drugi način za zatvaranje aktivnog dokumenta je da se izabere operacija Close iz padajućeg menija File. a može se napraviti i novi folder za ovaj dokument klikom na ikonu Create New Folder.1.14 Rad sa formulama Excel . Šta znači ovo što je rečeno? Evo nekih primera unešenih formula 9 . U polju File name treba upisati ime dokumenta i potom kliknuti na dugme Save. Šta je formula?. Ovim je operacija snimanja dokumenta završena. Snimanje dokumenta se vrši tako što se iz padajućeg menija File izabere Save. koji se nalazi na disku računara koristi se ikona Open iz palete Standard. U polju Save in može se izabrati folder u koji treba smestiti dokument. koristi se ikona New Blank Document iz Palete Standard. 1. Ako je to prvi put da se snima taj dokument u kojem se traži da se unese ime tog dokumenta. ili opciju New iz padajućeg menija File. Ako je potrebno otvoriti novi prazan dokument. Formula je kombinacija konstanti promenljivih. Ako je dokument koji se snima već ranije snimljen pod tim imenom onda se snimanje obavlja automatski. Zatvaranje dokumenta Dokument u Excelu se može zatvoriti na više načina. 1.12 Snimanje i zatvaranje dokumenta Ako dokument treba sačuvati da bi se kasnije koristio trebalo bi ga snimiti na hard disk. samo odabirom opcije Save iz File menija.

množenje *.45E-5. oduzimanje -. U prethodnim primerima smo koristili funkciju LN(A2). Prethodna dva primera ćemo uneti u Excel radni list i uneti date funkcije baš kao što su navedene. korak po korak uneli sledeću formulu Prvo smo uneli znak = . Ona zahteva jedan argument (numerički) i vraća kao prirodni logaritam datog argumenta. Unarni imaju jedan operand a binarni dva (sa leve i desne strane).8+C2+C3^3 = C2/C3-1.5.45E-5*(A1+LN(A2)) U prethodnim numeričkim formulama (daju numeričku vrednost kao rezultat) konstante (brojevi) su 2. Jednostavno je unositi proste formule.= 2. Operatori i funkcije slično "rade" tj. daju rezultat. Rezultat je sledeći Obratite pažnju da je po unosu formule i pritiskom na ENTER u ćeliji prikazan rezultat a u liniji za editovanje ono što smo uneli tj. Realni brojevi se unose sa fiksnom decimalnom tačkom ili u eksponencijalnom obliku (1.8. Pri tome je prioritet operatora isti kao i u matematici. Kada unesemo potrebne argumente funkcija vraća rezultat. Excel podražava standardne aritmetičke operatore: sabiranje +.A1. Excel vam nudi pomoć tako što pri unosu formule možete umesto da kucate npr. C2 da se referencirate na tu ćeliju i ona će se pojaviti u formuli. Operatori se dele na unarne ili binarne. znači sledi formula Onda smo levim tasterom miša (ili kursorskim strelicama) označili ćeliju C2 (primetite "talasiće" oko ćelije) 10 . stepenovanje. Evo kako smo.1.formula.45E-5 znači 1.C3.3. Promena prioriteta se vrši samo malim zagradama ( ). ali ako je formula komplikovana vrlo lako se možemo izgubiti i pogrešiti. Funkcije imaju svoje ime i u zagradama argumente razdvojene zarezima.45·10-5). Promenljive su reference na ćelije (C2. Funkcije ćemo uneti u ćelije A4 i B4. deljenje /.A2) u kojim se nalazi (u ovom slučaju) numerička vrednost. pravi sadržaj ćelije .

Veoma je bitno da u toku unosa ne pritisnete ENTER. unećemo ga Sada se pozicioniramo na drugu ćeliju Nastavljamo sa unosom A1 je već unešeno na prethodno opisan način. Sada nam treba funkcija.Sada nam treba operator. Function ili izabrati iz palete alata. Dobićemo dijalog prozor za izbor funkcije 11 . Možemo je uneti ali ako ne znamo ime funkcije ili smo zaboravili. možemo je izabrati iz menija Insert.

Dobićemo sledeću poruku 12 .Nakon OK ova funkcija očekuje jedan argument (broj) pa se pozicioniramo na A2 Sada nam preostaje da kliknemo na OK.

Excel će nam još jednom potvrditi da formula nije korektna. Na primer Ovaj blok se referencira kao B2:D5. Često se može pogrešiti oko zagrada. U korektno unešenoj formuli broj levih zagrada je isti kao i broj desnih zagrada. Za operatore koje Excel podržava konsultovati Help sistem. Rezultat takođe može biti smešten u jednoj ćeliji ili bloku ćelija Blok ćelija je pravougaoni deo radnog lista koji je definisan gornjom levom i donjom desnom ćelijom izmedju kojih je dvotačka. Pri samom unosu obratite pažnju da nam Excel pomaže tako što pri unosi desne zagrade ")" na trenutak "podeblja" odgovarajuću levu zagradu "(". Pri tome argumanti datih funkcija mogu biti konstante. Kako je formula završena možemo da kliknemo na Yes.Ona nam kaže da formula nije završena (nedostaje desna zagrada). što je najbitnije. tek sad pritisnimo ENTER jer je formula formirana. ali ako želimo da nastavimo kliknimo na No. Excel je to popravio i pita nas da li da završavamo sa unosom (Yes) ili ćemo da nastavimo dalje (No). U prethodnom primeru smo spomenuli funkciju koja ima jednu ćeliju kao argument i daje rezultat u jednoj ćeliji. pojedinačne ćelije ili blokovi ćelija. Što se funkcija tiče Excel ima veoma veliki izbor funkcija za različite namene. Unesimo i poslednju potrebnu desnu zagradu i. Dobili smo rezultat. Unesimo u dati blok B3:C5 neke vrednosti i u ćeliju B6 unesimo =SUM( 13 . Sada ćemo spomenuti možda najčešće korištenu funkciju SUM koja kao argumente može imati blokove ćelija a kao rezultat daje sumu numeričkih vrednosti u datom bloku. Unos komplikovanih formula je podložan greškama jer se sve unosi u jednom redu.

Nedostaje desna zagrada. operatori i funkcije. Unećemo dva proizvoljna broja i potom ih sabrati U ćelije B3 i C3 su unete dve numeričke vrednosti a u ćeliju D3 je uneta formula. Prvi karakter formule je znak =. Sada možemo nastaviti sa formulom i uneti dati blok ali ćemo se poslužiti već spomenutim označavanjem i obeležićiti ceo blok. Dobija se rezultat Relativno kopiranje formula Počećemo objašnjavanje rada sa formulama u Excel-u na trivijalnom primeru zbira dva broja.Posle =SUM( ne pritisnuti ENTER. reference na ćelije (blokove). U ćeliju D3 je prikazan rezultat izračunavanja date 14 . Unećemo je i tek tada aktivirati ENTER. U opštem slučaju u formuli figurišu konstante.

Ovim smo jednostavno kopirali ćeliju D3 u blok susedenih ćelija u istoj koloni (D4:D6). Kako se to iskopiralo?. Pokazivač se menja u crni krstić Povlačimo levim tasterom miša nadole sve do ćelije D6. Options. Windows options. Tada ćemo u tabeli umesto rezultata videti formule 15 . Možemo da pogledamo sadržaje ćelija ili jednostavno da prikažemo formule u tabeli umesto rezultata. unećemo još nekoliko brojeva u kolone B i C Sada ćemo da upotrebimo "magiju". možemo ponoviti čitav postupak. Pored toga.01). Čisto primera radi. Ovo je normalan rad u Excel-u tj. View. Formulas. Šta se sad desilo? (Zanemarite pojavu i nastavite sa radom). u liniji za editovanje vidimo šta je unešeno (=B3+C3) a u samoj ćeliji vidimo rezultat (7. Ako bi smo u koloni B i koloni C imali više brojeva i želeli bi smo da odgovarajuće vrednosti u kolonama saberemo. To ćemo uraditi selektovanjem iz glavnog menija Tools. ako je formula komplikovana. ponavljanje unosa je dugotrajan i besmislen posao koji treba izbegavati kad je god to moguće. ali unos formule je podložan greškama pogotovo ako je formula komplikovana.formule. Međutim u ćeliji D3 se nalazi formula. Postavićemo pokazivač miša u crni kvadratić ćelije u kojoj se nalazi formula. Unos brojnih vrednosti je relativno jednostavan postupak.

U svim formulama figurišu takođe ćelije druga levo i prva levo. reference na ćelije se u kopiranim ćelijama menjaju relativno u odnosu na poziciju (referencu) formule.jedna ćelija u levo. Pogledajmo šta bi se desilo kada bi smo kopirali formulu iz D3 u ćeliju E3 Opet relativno kopiranje. dve ćelije gore) i C5 (pozicija . Pri kopiranju formule. druga levo (B3) i prva levo (C3).dve ćelije u levo. jedna ćelija gore). tj. Gde god kopirali formulu iz D3 u kopiji će figurisati ista formula (zbir dve ćelije) ali će dve ćelije u kopiranim formulama uvek biti druga levo i prva levo. U E3 figurišu druga levo (C3) i prva levo (D3). Kopiranje se zove relativno jer se reference na ćelije pri kopiranju formula uzimaju relativno u odnosu na poziciju formule. Takođe će u kopiranim ćelijama formule da se promene (pogledajte sliku).Kao da nas je Excel shvatio šta hoćemo. jedna ćelija gore) B4 (pozicija . sam je pri kopiranju promenio formule. pogledajmo sledeći trivijalan primer U formuli koja je unešena u D6 figurišu ćeljie B5 (pozicija . 16 .dve ćelije u levo. Formula u D3 kaže da u njoj figurišu dve ćelije i u odnosu na D3 su ćelije pozicionirane relativno tj. Da bi smo to još jednom utvrdili i razjasnili. Na primer u D6 figurišu druga levo (B6) i prva levo (C6). Ako ovu formulu iskopiramo u drugu ćeliju reference će se relativno promeniti tj.

Uporedite sa prethodnom slikom. Zatim ćemo postaviti pokazivač miša u donji desni ugao ove dve ćelije tj. to bi za kalkulator bilo previše. Koristićemo Excel-ovu "pamet". U samoj ćeliji E4 se prikazuje rezultat. Ovo je uobičajen način rada sa formulama u Excel-u. 17 . T. U formuli figurišu reference na ćelije sa numeričkim vrednostima i operatori množenje (*) i deljenje (/). Apsolutno kopiranje formula Ako nam je zadat jednostavan problem da pomoću jednačine idealnog gasnog stanja R ⋅T p= v izračunamo pritisak p za zadate vrednosti R. Nadam se da smo uspeli da razjasnimo šta znači relativno kopiranje formule. Međutim. a to je 274. Unos pojedinačnih temperatura bi bilo besmisleno i dugotrajno. ako bi bilo potrebno izračunati pritisak za opseg temperatura od 273. sa korakom 1. Kako bi smo to uradili u Excel-u?. Kao prvo. Unećemo u ćeliju C5 drugu temperaturu po redu.15. treba uneti temperature. u bloku B4:C4 su uneti numerički podaci a u ćeliji E4 je uneta formula. Ovaj problem i nije tako komplikovan pa bi se čak mogao uraditi i pomoću kalkulatora.15 do 293. Pogledajte u liniju za unos kako je formula unešena.15 i obeležiti obe ćelije u kojoj je prva i druga vrednost temperature. v to bi u radni list Excel-a mogli uneti na sledeći način pri tome su u svakoj ćeliji bloka ćelija B3:E3 uneti tekstualni podaci.

tj Excel bi prijavio grešku #DIV/0 što znači deljenje sa nulom.prva). odnosno Ako bi smo.povlačenjem levim tasterom na dole Excel će "shvatiti" da želimo unos sledećih ćelija sa određenim korakom (druga . takođe formulu iz E3 iskopirali u susedne ćelije u istoj koloni dobili bi smo sledeće. bez razmišljanja. Tako ćemo povlačiti dok ne dobijemo krajnju vrednost a to je 293. 18 . Kako to?.15.

Ako se formula u kojoj ima apsolutnih referenci ($ ispred kolona. $B4) ili ispred reda (fiksiran red. Kako ćemo "naterati" Excel da pri kopiranju ne menja relativno reference. To se u formuli naznači tako što se ćelije apsolutno referenciraju. Formula je kopirana relativno (figurišu tri ćelije levo). npr. Ćelija D11 je prazna (nulta vrednost) i otud deljenje s nulom. Apsolutno referenciranje se ostvaruje znakom $ ispred kolone (fiksirana kolona. Zašto? Zato što ne želimo da se ove vrednosti redova ispred kojih je $ promene. To znači da možemo da "fiksiramo" red i/ili kolonu u nekoj formuli.Prikažimo formule koje figurišu u kopiranim ćelijama Nadam se da vidite problem. Ako pogledamo prethodan primer. B$4) ili fikirani i kolona i red ($B$4). Ako to uradimo i iskopiramo datu formulu dobićemo sledeće 19 . npr. potrebno je da promenimo formulu u E4 koja će da bude =B$4*C4/D$4. redova) kopira u druge ćelije onda se ovo kopiranje naziva apsolutno kopiranje. Pri kopiranju se fiksiran red ili kolona neće menjati.

Naravno. Ovo je apsolutno adresiranje gde je apsolutan (fiksiran red) u formuli koja se kopira (E4) u druge ćelije (E5:E24).Radi!. Vidite da se vrednost redova u formulama od E5:E24 ispred kog je $ nije promenio. 20 . možemo da promenimo prikaz i prikažemo vrednosti u ćelijama u kojima su formule. ostao je 4 kao i u formuli u E4.

Da bi smo još više zapetljali stvar. mada je suvišno. Pri tome je uneta samo jedna formula u B4 =$B1*B3/$B1 i iskopirana udesno Da li možete da objasnite zašto sada stoje $ ispred kolone B i šta bi bilo u ćeliji D4 da kolone nisu fiksirane (Odgovor D4 = D1*D3/D2). ovaj isti problem ćemo rešiti unosom jedne formule i kopiranjem u druge ćelije koje se nalaze u različitim redovima i kolonama Ovu ćemo ćeliju iskopirati udesno do kolone F a onda ovaj blok zatim još 4 reda nadole (jer još toliko ima redova sa temperaturama) 21 . da li je ispravno uneti u E4 formulu =$B$4*C4/$D$4. Prikazaćemo ovaj isti problem ali ćemo drugačije da unesemo podatke.Može se postaviti pitanje. fiksirali smo još i kolone B i D. Takođe ista priča važi. Može. pri kopiranju jedne ćelije u blok ostali smo u istoj koloni E pa se nijedna referenca na kolone nije promenila. pri kopiranju nismo promenili red pa $ ispre bilo kog reda nema smisla jer smo ionako kopirali formulu u susedne ćelije ali ostali u istom redu. Ako pogledate sliku sa formulama vidite da se kolone B i D ionako nisu promenile. Zašto? Jednostavno.

Uporedite rezultate sa prethodnim primerom. Obratite pažnju da je samo jednom unešena formula u B8 = $B$1*B3/$B$2 i da je ova formula iskopirana u blok B8:F12. Ovde su reference $B$1 i $B$2 apsolutne (fiksiran i red i kolona) i ostaju iste u svim formulama. Sada moramo staviti $ ispred reda i ispred kolone jer se jedna ćelija kopira u različite redove i kolone. Jedina relativna ćelija u B8 je B3 ona ima relativnu poziciju (5 ćelija gore) i npr. u D11 će se uzeti D6 jer je ona isto 5 ćelija gore.

Kao poslednje razmatranje ovog primera uzećemo da se traži izračunavanja za različite temperature T i različite molske zapremine v. Pri tome ćemo napraviti tabelu tako da su temperature zadate u koloni a zapremine u vrsti.

22

Postavlja se pitanje, kako da unesemo jednu formulu u B5 koja izračunava pritisak na osnovu odgovarajuće zapremine u vrsti 4 i odgovarajuće temperature u koloni A sa vrednosti R u B1 i da rezultujući pritisak bude u odgovarajućoj ćeliji u bloku B5:F10. Pa u samom pitanju se krije i odgovor. Ćelija B1 mora biti apsolutno fiksirana. Takođe treba fiksirati samo vrstu 4 tj B$4 (zapremina) i kolonu A tj $A5 (temperatura) tako da je formula u ćeliji B5 = $B$1*$A5/B$4, odnosno posle kopiranja dobijamo

Imenovanje ćelija i blokova ćelija Kako formule postaju komplikovanije tako je i baratanje sa njima otežano, pogotovo ako postoje apsolutne reference na ćelije. Zato je pogodna osobina Excel-a da imenuje neku ćeliju ili blok. Lakše je pratiti formulu u kojoj umesto besmislenih referenci figurišu neka imena kao na primer: temperatura, zapremina, obim, cena itd. Pravila za imena ćelija i blokova su - sastoje se od slova i cifara - prvi karakter mora biti slovo - ne razlikuju se mala i velika slova tj. IME, ime, Ime se ne razlikuju - nisu dozvoljena prazna mesta - ne smeju imati ista imena kao imena kolona, reference na ćelije - mogu imati tačku (.) ili donju crtu (_) Najsigurnije da ime počne sa najmanje tri slova a ostalo mgu biti slova i cifre. Pri tome je najkorisnije imenovati blokove sa apsolutnim referencama.

23

Tako ćemo u prethodnom primeru imenovati ćeliju B1 i nazvati je gask, blok B4:F4 imenovati kao Zapremina i blok A5:A10 imenovati kao Temperatura. Prvo ćemo se pozicionirati na ćeliju B1 i u tzv. Name Box uneti gask

i pritisnuti ENTER. Na isti način ćemo selektovati određene blokove i definisati imena

Ako kliknemo na strelicu pored Name Box-a možemo videti naša definisana imena i izborom na jedno od njih videti šta imenuje

24

Šta to znači? To znači da se umesto referenci koriste odgovarajuća imena. opcije Chart ili preko dugmeta paleti Standard. U prvom koraku bira se vrsta grafika. 1.15 Grafikoni Za grafičko predstavljanje tabela urađenih u Excel-u koriste se grafikoni. Dobijamo listu imena Obeležimo sva imena i kliknimo na OK Tada ćemo u našoj tabeli umesto referenci imati imena tj. Podrazumeva se da je potrebna tabela na osnovu koje se crta grafik. jasnijom i manje podložnom greškama. To činimo izborom Insert. Izrada grafika u može se pokrenuti preko padajućeg menije Insert.Kakva korist od toga?. Klikom na 25 . Apply. Postupak predstavljanja grafikon na radu stranu Excel-a sastoji se iz više koraka. Oni na jednostavan i jasan način prikazuju rast ili pad vrednosti i odnose među njima. Otvara se prozor kao naslici. Klikom na bilo koji član liste polja Chart Type u polju Chart sub-type prikazuju se podtipovi ovog tipa. To ćemo primetiti ako sada "primenimo" imena u tabelu. Ovako se tabela može učiniti preglednijom. Name. Ovo je prvi od četiri koraka koji se sprovode pri ubacivanju graika u radni list.

Kartica Gridlines omogućava da se uključi/isključi mrežu ose. U novom prozoru pojavaljuju se dve kartice. odnostno da li da se prikazuju i male (Minor gridlines) i veće (Major gridlines). Right). Data range označava mesto na kome se podaci nalaze. a šta na y osi. Corner. U novom prozoru prva kartica Title služi za podešavanje ili ubacivanje naziva grafika – polje Chart Title. tj. 26 . Klikom na Next prelazi se na sledeći prozor. Druga stavka je Series. Left. Top. Kartica Axes omogućava da se uključi/isključi prikazivanje osa.jedan od podtipova bira se izgled grafika. Kartica Legend podešava legendu. Za prelazaka na sledećei korak treba kliknuti na Next. kao i šta se nalazi na x. i ako je uključeno omogućava da se bira gustina. koliko će serija biti. naziva osa – polja Value(X) axes i Value(Y) axes. pomoću koje se određuju serije na grafiku. Ukoliko je onačeno polje Show Legend tada se u poljima ispod bira pozicija legende (Bottom.

Grafik se može pomerati tako što se kursor dovede na deo ekrana koji on zauzima i pritisne se levi taster miša. 284 283 282 281 280 279 Series1 278 277 276 275 274 273 0 2 4 6 8 10 12 27 . Poslednji prozor nudi samo dve mogućnosti. Opcija Chart Type vraća na izbor tipa grafika. Nakon podešavanja svi ovih opcija da bi se prešlo na poslednji prozor za unos grafika treba kliknuti na Next. Ako je u nekom od koraka za izradu grafika došlo do greške ili jednostavno treba promeniti neku stavku. tada se koristi padajući meni Chart. ne puštajući ga vuče se miš i grafik do mesta na kome treba da stoji. Kartica Data Table omogućava prikazivanje dodatne tabele sa poacima koji se nalaze na grafiku. Ako je sve podešeno treba kliknuti na Finish i grafikon je na radnom listu. Chart Options na prozor sa opcijama grafika itd. Jedna je da se ovako napravljeni grafik ubaci kao objekat u određeni radni list ili da se grafikon ubaci u novi radni list. Na svaki od prethodnih prozora može se vraćati na klikom na dugme Back.Kartica Data Labels omogućava da uključi prikazivanje vrednosti na samom grafiku. Crni kvadrati na krajevima grafika služe za menjanje veličine grafika. ako je označeno polje Show Table.

Funkcije raspodele u Excelu 28 .2.

x a ukupan broj takvih.. b(x. probability_s. cumulative) Number_s – broj nastupanja nekog događaja u n proba (slučajna promenljiva X) Trial_s – broj nezavisnih proba. n Probability_s – verovatnoća nastupanja događaja u svakoj probi 29 .p) da u n opita posmatrani događaj A nastupi x puta. Dakle. Možemo sada da izvedemo binomni zakon.. p) =   p x q n − x .  n b( x. n. Tako je. Tražimo verovatnoću.n. Binomni zakon daje verovatnoću da će se u n eksperimenata ili proba posmatrani događaj A dogoditi x puta.1. trials.2. broj nastupanja događaja A u n proba je slučajna veličina X. međusobno isključivih događaja jednak je broju kombinacija klase x od n elemenata. Binomna raspodela Ova diskretna raspodela ima veliku primenu u kontroli kvaliteta proizvoda Posmatrajmo niz nezavisnih eksperimenata (u literaturi poznat kao Bernulijeva šema) tj.1.37) je U Excel-u se za ovu vrstu raspodele koristi funkcija BINOMDIST. koja ima binomnu raspodelu verovatnoće. n (2.. Sintaksa BINOMDIST(number_s.2. za svaki od njih važi da je njegov ishod nezavisan od ishoda ostalih opita.  x   x = 0. Rezultat funkcije verovatnoća binomne raspodele da će slučajna promenljiva X imati zadatu vrednost.. Neka je za svaki od eksperimenata vezan događaj A i neka je verovatnoća njegovog nastupanja jednaka p. Verovatnoća svakog od događaja u kome je A u n proba nastupio x puta je: p x qn . P(A) = p.

odabere opcija Function. ukoliko je tabela napisana na isti način kao na slici.1. odabere se BINOMDIST i otvara se novi prozor (kao na slici) 30 . Dati su tabela i poligon raspodele. dok se pi izračunava pomoću funkcije BINOMDIST. klikne se na ćeliju J2. ako je Cumulative=TRUE. a zatim se iz padajućeg menija Insert. Kolika je verovatnoća da u slučajnom uzorku od 6 komponenata a) bude 4 defektna b) ne bude više od 3 defektna c) ne bude nijedan defektan Rešenje Prepoznaje se binomni model.Cumulative – logička vrednost koja određuje oblik funkcije. a njegova verovatnoća. Neka mašina proizvodi 1000 komponenata/h i svakih 30 minuta je uzimano po 10 uzoraka radi kontrole. rezultat je verovatnoća da će događaj nastupiti X puta. dobijena empirijski. Primer 2. tokom dužeg perioda. BINOMDIST daje kumulativnu raspodelu funkcije. ukoliko je Cumulative= FALSE. Dakle. Tako je konstatovano da je procenat škarta 20%. Tabela se dobija tako što se u red 1 unose podaci za xi. je p= 20 4 = 1 / 5. n = 6. q = 1 − p = 100 5 Broj opita. Događaj A je dobijanje defektne komponente. kada se otvori novi prozor funkcija BINOMDIST se traži u statističkim funkcijama (Statistical).

ali sa nešto drugačijim argumentima. i kao rezultat dobija se vrednost za binomnu raspodelu. jer je potrebna vrednost za samo jedan događaj.upisuje se logička vrednost FALSE. a) Ovde treba izračunati verovatnoću da su u slučajnom uzorku od 6 proizvoda 4 budu defektna. problem se takođe rešava korišćenjem funkcije BINOMDIST.unosi se vrednost iz ćelije J1. Potvrđuje se sa OK. 31 .2. Probability_s . Problem se rešava korišćenjem funkcije BINOMDIST. b) U pitanju je zbir događaja.upisuje se 0. jer je to broj proizvoda u slučajnom uzorku. verovatnoća od 20%.upisuje se 6. jer se traži da ne budu više od 3 defektna proizvoda.Unose se odgovarajući argumenti: Number_s . Zatim se na osnovu tabele nacrta grafik. Cumulative . a ne zbir događaja. da bi se popunio ostatak tabele. kao kod popunjavanja tabele. Trials . odnosno samo se klikne na ćeliju J1. funkcija se kopira na prethodno objašnjen način.

znači da je x = 0 pa imamo Primer 2. c) Ovde se traži da nijedan od proizvoda ne bude defektan. a ne o pojedinačnom događaju. Detaljnom proverom kvaliteta ampula punjenih tečnošću utvrđeno je da je na 100 ampula 75 ispravnih. a) Odrediti zakon raspodele verovatnoće slučajne promenljive: broj ispravnih ampula u slučajnom uzorku od 6 ampula b) Odrediti očekivanu vrednost i disperziju slučajne promenljive.2.upise se 6 Probabilitiy_s – upisuje se 0.upisuje se 3 Trials . c) Koji broj ispravnih ampula u uzorku od 6 komada je nejverovatniji? 32 .2 Cumulative – upisuje se TRUE jer se radi o zbiru događaja.Number_s .

5. 33 .Rešenje 3 a) U pitanju je binomni zakon: b( x.. a nakon toga se na poznati način crta grafik.125 se izračunavaju upisivanjem formula. ) =    ⋅ 6 − x .1.2... b) µx = np = 4.6 4  x  4  4   Slede tabelarni i grafički prikaz zakona raspodele: Tabela se formira na isti način kao i u 1. ) . x = 0. c) Najverovatniji broj ampula u uzorku je 5.6.. D(X) = npq = 1. 4 x 3  6  3  1 p ( x) = b( x. zadatku.6.

1983.]: n > 20. slučajna promenljiva X ima Poasonovu raspodelu ako je µ x −µ p ( x) = e . srednja vrednost i disperzija slučajne promenljive X raspodeljene po Poasonovom zakonu su: µ x = σ2 = µ x Aproksimacija binomne raspodele Poasonovom Računanje verovatnoća je znatno obimnije kod binomne nego kod Poasonove raspodele. 34 .2. µ = np < 5 Poasonova raspodel u Excelu može se dobiti korišćenjem funkcija POISSON. Praktični kriterijum za primenljivost takve aproksimacije je [Chatfield C.2. emitovanje radioaktivnih čestica • incidenti u dobro regulisanom saobraćaju • smetnje u telefonskom saobraćaju i prenosu podataka • greške u računarskim sistemima Slučajna promenljiva je broj realizacija retkog događaja u vremenskom intervalu date dužine. Srednja vrednost i disperzija Očekivana vrednost i disperzija za Poasonovu raspodelu mogu se dobiti kao granične vrednosti tih parametara za binomnu raspodelu.. x = 0.Dakle..1. σ 2 = lim np (1 − p ) = np = µ x n →∞ p →0 np = const Dakle.. (µ = const): µ x = np = µ . x! gde je µ neki pozitivan broj. Za dovoljno veliko n i malo p binomna raspodela se može aproksimirati Poasonovom. kada n → ∞. tj. međusobno nezavisnih (uslov za binomni zakon) događaja kao što su: • radioaktivni raspad nekih izotopa.2. Tako se Poasonov model koristi za opisivanje verovatnoće retkih (p je malo). kada obim uzorka n teži beskonačnosti uz uslov da pri tom proizvod obima uzorka i verovatnoće posmatranog događaja. p → 0. Poasonova raspodela Poasonov (Poisson) zakon raspodele se može dobiti kao granični slučaj binomnog modela. µ = np ostane ograničen..

pošto je ustanovljeno da ja aproskimacija Poasonovom raspodelom moguća. Procenat škarta pri proizvodnji komponenata u nekoj fabrici je 2%.2 < 5 ispunjen je uslov n > 20. ako je FALSE. 35 . Mean. Cumulative) X – broj događaja Mean – očekivana vrednost Cumulative . µ = np < 5 i rešavanje problema se može znatno uprostiti zamenjujući binomni zakon Poasonovim ( iako to u Excelu ne predstavlja problem).3.Sintaksa : POISSON (X. izračunava se na sledeći način. verovatnoća da je u uzorku od 60 komponenata defektno 3 komada. a) Dakle. Odrediti verovatnoću da je u uzorku od 60 komponenata defektno: a) 3 komada b) ne više od 3 c) bar dva Rešenje U pitanju je binomni zakon.logička vrednost koja definiše funkciju raspodele verovatnoće. Zadatak 2. Ako je taj argument TRUE.02 = 1. rezultat funkcije je kumulativna Poasonova funkcija raspodele verovatnoća da će broj slučajnih događaja biti između 0 i X (uključujući i te vrednosti). Pošto je n = 60 > 20 i µ = np = 60⋅0. rezultat je Poasonova funkcija verovatnoće da će broj događaja biti tačno X.

klikne se na ćeliju B11.2 e = e ≈ 0.2)3 −1. kada se potvrdi sa OK otvara se sledeći prozor 36 . i nakon toga iz statističkih funkcija odabere POISSON. zatim se iz padajućeg menija Insert odabere opcija Function.42 ) (µ)3 − µ (1.P( X = 3) = ( 2.0867 3! 3! Ukoliko su podaci unešeni na isti način kao na slici.

b) Kako je ovde potrebno odrediti verovatnoću da su ne više od 3 komada defektna. P( X ≤ 3) = p(0) + p(1) + p(2) + p (3) = (1 + µ + µ 2 µ3 − µ + )e ≈ 0. problem se rešava slično kao pod a).9662 2 6 c) Kada je potrebno odrediti verovatnoću da su bar 2 komada defektna.3374 [ ] 37 . što ustvari znači 2 i više. i u polje Cumulative se upisuje FALSE jer se traži vrednost verovatnoće Poasonove raspodele za X=3. pa se kao rezultat dobija kumulativna Poasonova funkcija. izračunava se Poasonova kumulativna funkcija za vrednost 1 (uključuje vrednosti verovatnoće za 0 i 1) i onda oduzme od 1. P( X ≥ 2 ) = 1 − P( X < 2) = 1 − [ p(0) + p (1)] = 1 − e − µ + µe − µ ≈ 0. osim što se u polje Cumulative upisuje TRUE. za X se upisuje 3. za Mean se klikne na ćeliju B8 jer je u toj ćeliji izračunata očekivana vrednost.Ovde se unose odgovarajući argumenti.

koja se od tačne vrednosti razlikuje manje od 1%.9418 = 94. p) + b(1.4. 10.9384 = 93.Zadatak 2. 38 . Problem se može približno rešiti aproksimacijom binomnog zakona Poasonovim.8% Sada se koristi funkcija POISSON Dobija se pak dobra procena. n. Proizvodi se pakuju u kutije po 10 komada. U kom procentu kutija će se naći najviše jedan defektan proizvod.969 = 0. u Excelu se ovaj problem rešava funkcijom BINOMDIST. u skladu sa statističkom definicijom verovatnoće (ω ≈ p). pa je: ω = P(X ≤1) = p(0) + p(1) = b(0. mada prvi od uslova n > 20.04).? Rešenje Traženu relativnu frekvencu ω se. n.4]e −0.4 = 0. p) ω = q10 + 10 ⋅ p ⋅ q 9 = 0. nalazi kao verovatnoća da se u slučajnom uzorku od 10 komada nađe najviše jedan defektan proizvod.2% Odnosno.9610 + 10 ⋅ 0.04 ⋅ 0. µ = np < 5 nije ispunjen: ω = p(0) + p(1) = [1 + µ]e − µ = [1 + 0. U pitanju je slučajna promenljiva sa binomnom raspodelom b(x. Automat daje 4% defektnih proizvoda. 0.

σ > 0 U Excel-u se za normalnu raspodelu koristi funkcija NORMDIST. FALSE – funkcija gustine verovatnoće. Za neprekidnu slučajnu promenljivu X kažemo da ima normalnu ili Gausovu raspodelu sa parametrima µ i σ. Pored funkcije NORMDIST. Rezultat ove funkcije je vrednost promenljiveza koju normalna kumulativna funkcija raspodele ima datu verovatnoću.3. TRUE – kumulativna vrednost raspodele. µ. prirodnim i tehničkim naukama. standard_dev.σ) ako je njena gustina: −  1 f ( x) = e 2 σ 2π 1  x −µ   σ  2 . mean. postoji i inverzna funkcija NORMINV. cumulative) x – vrednost za koju se izračunava funkcija Mean – aritmetička sredina raspodele Standard_dev – standardna devijacija raspodele Cumulative – logička vrednost koja definiše vrstu funkcije. 39 . što se kratko označava sa X : N(µ. Normalna raspodela Ovo je najvažnija raspodela za primene u statističkoj obradi eksperimentalnih podataka u društvenim. Sintaksa: NORMDIST (x.2.

1) sa gustinom: 1 −2 f 0 ( x) = e 2π i funkcijom raspodele.σ2). Mean – aritmetička sredina raspodele Standard_dev – standardna devijacija raspodele Standardizovana normalna raspodela Ako je X slučajna promenljiva sa normalnom raspodelom N(µ.Sintaksa : NORMINV (probability. ima takođe normalnu raspodelu. slučajna promenljiva. dobijena linearnom transformacijom. µ x0 = 0. a ≠ 0 ima takođe normalnu raspodelu. Y = aX + b. X0 = X −µ σ koja ima nultu srednju vrednost i jediničnu disperziju. N(0. standardizovana normalno raspodeljena slučajna promenljiva. x2 1 F0 ( x) = P( X 0 < x) = 2π −∞ ∫e x − t2 2 dt 40 . koja se zove standardizovana normalna raspodela. σ x0 = 1 . Dakle. mean. standard_dev) Probability – verovatnoća za koju se izračunava vrednost promenljive.

0. Odrediti: 41 . ∆ : N(0. Takođe postoji i inverzna funkcija NORMSINV.5. Sintaksa: NORMSDIST(z) Z – vrednost za koju se izračunava funkcija.3). Sintaksa: NORMSINV(probability) Probability – verovatnoća za koju se izračunava vrednost promenljive Zadatak 2. ∆ = δ .Za određivanje standardne normalne kumulativne funkcije raspodele koristi se funkcija NORMSDIST.µ se može aproksimirati slučajnom veličinom sa normalnom raspodelom. Odstupanje. δ od nominalne vrednosti µ. ∆ debljine proizvedene glazirane keramičke pločice.

3 ≤ δ ≤ µ + 0.5.5. ili ukoliko su podaci uneseni na ista mesta kao na slici klikne se na ćeliju A12.4 a) Verovatnoća da odstupanje ∆ bude veće od 0. Do funkcije se dolazi na isti način kao i u prethodnim primerima . b) Očekivani broj pločica u 1000 komada čije su debljine: δ ≤ µ .2 ili δ ≥ µ + 0.0.5 c) Očekivani broj pločica u 1000 komada čije su debljine u intervalu: µ . u polje Mean upisuje 42 . ako se kao ispravne prihvataju pločice čija debljina odstupa od nominalne najviše 0. a zatim oduzeti manju od veće verovatnoće.0.5 apsolutna vrednost.5. Tj. treba uzeti u obzir da je 0.5 mm. i da se mora izračunati verovatnoća za x ≤0. međutim.a) Očekivani škart u 1000 proizvedenih komada.0.5 dobiće se preko verovatnoće suprotnog događaja. verovatnoće da odstupanje bude manje od 0.5 i x ≤ . Rešenje Koristi se funkcija NORMDIST. U polje x upisuje se -0.

Ako postoji verovatnoća događaja .2 ∨ δ ≥ µ + 0. a u polje Cumulative upisuje se logička vrednost TRUE.pojava defektne pločice.se 0.5 oduzima od 1. Pošto su izračunate ove dve vrednosti. njihovu razliku izračunatu na već poznat način treba oduzeti od 1.5) Ovde se prvo izračunava kumultaivna funkcija normalne raspodele za vrednost -0. a zatim za 0.5 (ili se klikne na ćeliju A13).5 u polje x upisuje vrednost 0.3. Dalje se klikne na ćeliju u koju se izračunava druga funkcija ( u konkretnom primeru to je ćelija B13) i postupak se ponavlja.2) + P (δ ≥ µ + 0. samo što se umesto vrednosti -0.2. onda je u skladu sa binomnim zakonom (ili u skladu sa statističkom definicijom verovatnoće) očekivani broj defektnih pločica m. Potvrđuje se sa OK. 43 . u slučajnom uzorku od 1000 komada jednak: m = pn = 1000⋅0. u polje Standard_dev 0.5. p = 0. pa se dobijena vrednost za 0.096 = 96 b) P (δ ≤ µ − 0.096.5) = P(δ ≤ µ − 0.

44 .4) Slično se rešava i ovaj problem. h u časovima ima normalnu raspodelu N(100.5) a) Naći verovatnoću da nova elektronska lampa istog tipa traje najmanje 105 časova.0.4 Verovatnoća za vrednost -0.2 ili δ ≥ µ + 0. koristi se funkcija NORMDIST.3 se oduzima od one za 0. kolika je verovatnoća da će izdržati još 15? Rešenje a) Tražena verovatnoća se izračunava iz verovatnoće suprotnog događaja. računaju se kumulativne funkcije normalne raspodele za vrednosti -0. koja se dalje množi sa 1000 i dobija se broj pločica čije su debljine δ ≤ µ . b) Ako je jedna elektronska lampa već izdržala 90 časova. Zadatak 2. Vek trajanja elektronske lampe. na već opisan način. i dobijeni rezultat se množi sa 1000.Sabiranjem vrednosti u ćelijama B22 i C 23 dobija se tražena verovatnoća.3 ≤ δ ≤ µ + 0.5 c) P ( µ − 0.6.4.3 i 0.

a) Kako glasi zakon verovatnoće za X. 2.9 cilj bio pogođen bar jednom? Događaj A nastupa u nekom eksperimentu sa verovatnoćom p = 0. dobijena je nešto veća verovatnoća nego u a) Zadaci za vežbu 2.2. b) Izračunati P(X ≤ 3).Događaj A nastupa u nekom eksperimentu sa verovatnoćom p = 0. Neka je X broj nastupanja događaja A u nizu od 5 opita. Kao što se moglo očekivati.2 Odrediti.b) Traži se uslovna verovatnoća: verovatnoća da će nastupiti događaj. c) izračunati srednju vrednost i disperziju. a zatim se podeli sa verovatnoćom za 105h. a) Verovatnoću da se u 8 bacanja kocke šestica pojavi 3 puta b) Očekivani broj šestica u 180 bacanja kocke? 2.3. pomoću funkcije NORMDIST dobija se verovatnoća za 90h. X > 90 i računa se pomoću formule : P ( X > 105 / X > 90) = P[( X > 105)( X > 90)] P( X > 105) = P( X > 90) P ( X > 90) Dakle.3. X > 105 pošto je nastupio događaj. Neka je X broj nastupanja događaja A u nizu od 5 opita.1.3 Verovatnoća pogotka cilja u jednom gađanju je p = 0. c) izračunati srednju vrednost i disperziju. Koliko gađanja treba izvesti da bi sa verovatnoćom ne manjom od 0. b) Izračunati P(X ≤ 3). a) Kako glasi zakon verovatnoće za X. 45 .

ne bude veća od 4mm. 2. Jedna velika serija sadrži 4% defektnih proizvoda. c) kolika bi se prosečna ušteda u deterdžentu (%) postigla? 2. koji bi prepolovili procenat prepunjenih kutija i u isto vreme obezbedili da najviše 1% kutija sadrži manje od 497g. Proizvodi se bez prethodne kontrole i izdvajanja loših pakuju u kutije od 50 komada. po apsolutnoj vrednosti. Kolika je verovatnoća da taj spoj ima otpor između 9.6 Automat daje 4% defektnih proizvoda. a) izračunati procenat kutija koje sadrže više od propisane količine deterdženta. b) izračunati onu srednju vrednost i standardno odstupanje raspodele masa deterdženta. Uz pretpostavku da mase deterdženta u kutijama imaju normalnu raspodelu.9 i P ( X > 9 / X > 5) Slučajna promenljiva ima normalnu raspodelu N(3.2. Otpor električnih otpornika ima normalnu raspodelu N(5Ω.11. Koliko gađanja treba izvesti da bi sa verovatnoćom ne manjom od 0..5 i 10.10 Neki proizvođač deterdženta ima mašinu za pakovanje po 500g deterdženta u jednu kutiju. Slučajnim izborom uzmemo dva takva otpornika i vežemo ih na red.7.4 Odrediti.9 cilj bio pogođen bar jednom? 2. Naći verovatnoću da od tri greške međusobno nezavisnih merenja a) bar jedna ne bude veća od 4mm.5%? 2. Dužom kontrolom proizvoda utvrđeno je da je srednja masa deterženta u kutiji 506g. Proizvodi se pakuju u kutije po 50 komada. σ = 8mm. b) bar jedna. Izračunati P( X > 9) 2.4). ako se dozvoljava maksimalna greška rezultata od 1. a) Verovatnoću da se u 8 bacanja kocke šestica pojavi 3 puta b) Očekivani broj šestica u 180 bacanja kocke? 2.8 Slučajne greške merenja imaju normalnu raspodelu sa µ = 0. a) U koliko će se posto kutija nalaziti najviše jedan defektan komad? b) Postiže li se Poasonovom raspodelom zadovoljavajuća aproksimacija.5 Verovatnoća pogotka cilja u jednom gađanju je p = 0. a) Koliko će defektnih proizvoda sadržavati najveći broj kutija? b) Koliki je procenat takvih kutija? 2. 0. sa standardnim odstupanjem 12g.5Ω ? 46 .2Ω).2.

3. Empirijska raspodela u Excelu 47 .

U slučaju kontrole kvaliteta proizvoda. Osnovni skup po pravilu ima veliki broj elemenata . zbog slučajne greške merenja.građanin neke države. to retko dolazi u obzir jer je ili neekonomično ili praktično neizvodljivo. Na primer. Drugi primer su rezultati merenja neke fizičke veličine. 48 . odstupaju dužine života pojedinih građana. koja sama. U poslednjem primeru to je osoba . prosečni životni vek stanovništva neke države predstavlja važnu karakteristiku od koje. normalne). ali i u slučaju konačnih populacija. Rezultati ponovljenih merenja se međutim razlikuju među sobom. U slučaju pak praćenja sadržaja sumpora u proizvedenoj gumi. kao naučna disciplina.3.statističkih jedinica naziva se populacija ili generalni skup ili osnovni skup.statističkih jedinica (masovnost) koji može biti i beskonačan. temperatura. Statističko obeležje i populacija Ono što se u teoriji verovatnoće naziva slučajna promenljiva. koncentracija. Statističko obeležje je vezano za jasno definisan elemenat (entitet) koga nazivamo statistička jedinica. Statistički uzorak Osnovni zadatak statistike je definisanje raspodele frekvenci posmatranog obeležja. Umesto izraza: uzorak iz osnovnog skupa sa pretpostavljenom raspodelom (recimo normalnom) često se koristi kraći termin: uzorak iz pretpostavljene raspodele (npr. kao i od tražene tačne vrednosti merene veličine. To je svakako nemoguće u slučaju beskonačnog osnovnog skupa. tj. za razliku od životnog veka. statističko obeležje je posmatrani rezultat (recimo suma dobijena dva broja). nije slučajna veličina (na primer gustina gasa na datoj temperaturi i pritisku). raspodele verovatnoće. koji su destruktivni (proizvod u toku testa biva oštećen). Skup svih elemenata . Tako je životni vek građanina neke države primer statističkog obeležja. u posmatranom primeru. svaki test je statistička jedinica. Za masovne pojave je karakteristično da pojedinačni slučajevi manje ili više odstupaju od onog što se može smatrati njenom karakteristikom.) može se zamisliti beskonačan broj merenja. recimo. debljine proizvedenih keramičkih pločica. Osnovni pojmovi Statistika. izučava masovne pojave u društvu. populaciju čine svi stanovnici jedne države. Pri tome je retko moguće izmeriti obeležja svih statističkih jedinica osnovnog skupa. Zato se iz populacije izdvaja jedan konačan podskup statističkih jedinica koji se naziva (statistički) uzorak. U slučaju bacanja dve kocke za igru. onda je populacija ograničena . a osnovni skup je beskonačan jer se može zamisliti beskonačan broj bacanja kocke. Na primer. beskonačno velik komad gume i beskonačan niz analiza pod istim uslovima. Zamišljamo naime. Primeri su demografska ispitivanja i testova kvaliteta proizvoda. manje ili više. Slično.broj elemenata jednak je broju proizvedenih pločica u nekom periodu vremena. pri kontroli neke procesne veličine (pritisak. populacija se smatra beskonačnom. itd. Uzorak se ispituje radi donošenja zaključaka o raspodeli slučajne promenljive . statističari nazivaju statističko obeležje.1. prirodi i tehnici. koja se naziva i teorijska raspodela. Ako kontrolišemo. odnosno neophodna je izvesna apstrakcija koja kao rezultat ima hipotetičnu beskonačnu populaciju. statistička jedinica je definisana kao svaka od mogućih položaja dve bačene kocke.obeležja u osnovnom skupu.

Svi elementi populacije se numerišu. posmatranja. . mora biti tako formiran da svaki element populacije ima jednaku šansu da. iz slučajnog uzorka obima n dobijamo niz od n vrednosti (xi. Za takav uzorak kažemo da je slučajan uzorak. a rezultat je uređen niz koji se u statistici zove varijacioni niz: x1 . Jedno od najvećih ograničenja pri tome je svakako obim uzorka pod kojim se podrazumeva broj elemenata populacije izdvojenih u uzorak. čija se struktura u odnosu na posmatrano obeležje ne razlikuje značajno od strukture osnovnog skupa. uđe u uzorak. naziva se reprezentativan uzorak. Počev od nasumce odabranog broja u tablici. x2 . 49 . Da bi uzorak bio reprezentativan.9. Najjednostavniji postupak za formiranje slučajnog uzorka je sledeći. Tablica slučajnih brojeva formira se iz dugačkog niza cifara. nezavisno od ostalih. kao što smo već naveli. koji se “iseče” na brojeve sa istim odabranim brojem cifara (tablice iz literature najčešće sadrže četvorocifrene brojeve). U postupku statističke analize mogu se izdvojiti sledeće faze: • statističko posmatranje • sređivanje podataka • obrada i naučna analiza rezultata Statističko posmatranje se sastoji u planskom prikupljanju podataka o statističkim jedinicama putem anketa. da bi smo dobili neku predstavu o raspodeli posmatrane slučajne veličine. Ako recimo osnovni skup ima manje od 100 elemenata. xn Obrada i analiza rezultata obuhvata matematičku obradu sređenih podataka i njihovu interpretaciju. Takav uzorak. i = 1.Jasno je da se ne može očekivati potpuno tačno opisivanje ili reprezentacija populacije na osnovu analize uzorka. 0 . veličina uzorka nije jedini faktor koji ograničava tačnost zaključaka .9 se u polaznom nizu brojeva približno pojavljuje jednak broj puta (dakle. bavi se problemom izbora takvog uzorka koji će obezbediti dovoljnu pouzdanost zaključaka o populaciji.. merenja itd. Svaka od cifara 0 . Statistička analiza Zadatak statističke analize je..čak i veliki uzorak može da dovede do pogrešnog modela. da na osnovu informacija iz uzorka izvede neke zaključke o osnovnom skupu.1). uzimaju se redom slučajni dvocifreni brojevi i u uzorak uključuju elementi označeni tim brojevima... Ako takav element ne postoji. taj broj iz tablice jednostavno ispuštamo i nastavljamo postupak. vrši se uz pomoć tablice slučajnih brojeva koji se mogu naći u priručnicima iz statistike. Tako na primer. sa relativnom frekvencom 0. Formiranje slučajnog uzorka iz ograničene populacije (recimo stanovništvo).n) Sređivanje podataka se sastoji u njihovom tabelarnom i grafičkom prikazivanju. Prvi korak pri tom je uređivanje po veličini dobijenog niza od n brojeva. ili se mogu kompjuterski generisati pomoću odgovarajuće funkcije. Teorija uzoraka kao deo statistike. potreban je niz slučajnih dvocifrenih brojeva (ili se svaki četvorocifren broj iz tablice interpretira kao dva dvocifrena). Međutim.

( x2 . (x . m ). Primer 3. koja predstavlja niz parova: (x .1. 22. Primetimo da je: ∗ ∗ x1 = x1 . . m ). tada empirijska raspodela relativnih frekvenci predstavlja aproksimaciju zakona raspodele verovatnoće slučajne promenljive X tj. 21. ∑m i =1 k i =n Ako se za grupisane podatke izračunaju relativne frekvence ωi = mi/n. mi. 21. x2 . 24. dobija se empirijska raspodela relativnih frekvenci u obliku niza parova: * * * ( x1 . oni će se u Excelu svesti na formiranje odgovarajućih tabela i crtanje dijagrama. 21. i =1 k ∑ω i =1 k i =1 Ako su u pitanju vrednosti neke diskretne slučajne promenljive X. 20.…. 21. 26. ω2 ).3. U grupi od 25 studenata II godine studija su anketiranjem dobijeni podaci o starosti u godinama: 22. (x . u vidu trakastog dijagrama ili poligona raspodele Što se tiče rešavanja problema vezanih za empirijsku raspodelu. k ≤ n Jasno je da pri tome važi. teorijske raspodele i može se prikazati tabelarno. m ). 22. 22. 25. 21. * 1 1 * 2 2 * k k k≤n za koji se takođe kaže da predstavlja grupisane podatke. 23. xk = xn . ω1 ). xn za svaku od vrednosti u nizu može se odrediti (apsolutna) frekvenca pojavljivanja. nakon toga sortirati. 22. 22. 25. Sortiranje podatak u tabeli se vrši tako što se obeleže podaci i klikne na ikonicu Sort Ascending 50 . oni se mogu prepisati redom iz zadataka. 22. Rešenje Prvo treba formirati varijacioni niz na sledeći način: U kolonu C se upisuju se podaci o starosti u godinama. ωk ). 21. ( xk . 23. 21. 23. ∑ mi = n . 23. . 21 Treba formirati empirijsku raspodelu starosti studenata u apsolutnim i relativnim iznosima.2 Empirijska raspodela Polazeći od varijacionog niza x1 . 21. Dobijeni rezultat je empirijska raspodela frekvenci..

Tada se otvara novi prozor. opcije Function. Ovde se pri kopiranju formula na ostatak reda mora voditi računa o tome da je n konstanta. tj. Argumente funkcije predstavljaju članovi varijacionog niza. Nakon toga korišćenjem funkcije COUNT prebrojavaju se podaci. i to prebrojavanjem podataka za određenu vrednost x*. U sledećem koraku formira se nova tabela. da se ispred oznake reda i kolone mora staviti znak $.i kao rezultat dobija se kolona C koja izgleda kao na slici (desno). Vrednosti za m se dobijaju opet korišćenjem funkcije COUNT. ili klikom na ikonicu Chart Wizard. i odabere se XY (Scatter). 51 . ovde će još jednom biti prikazano na konkretnom primeru. Iako je crtanje grafika već prethodno objašnjeno. Crtanje se započinje ili odabirom Chart iz padajućeg menija Insert. ona sadrži grupisane podatke o broju godina. Pošto je tabela konačno formirana crta se grafik. u kome se bira tip grafika (Chart type). i iz statističkih funkcija odabere COUNT. na primer : I na kraju se izračunavaju vrednosti ω. Funkcija se dobija iz padajućeg menija Insert. za odgovarajuću grupu podataka. i da njen položaj mora biti fiksiran. i to kao odnos m i n.

Serije podataka se dodaju klikom na „dugme“ Add. 52 . kao što su oznake za x i y osu. Na x osi treba da budu vrednosti za x*.Klikne se na Next. kada se desnim tasterom miša klikne na grafik i odabere opcija format. Nakon toga se ponovo klikne na Next i u sledećem prozoru na Finish. Klikne se na Next. a na y osi za m i ω. gde će se obeležiti podaci na osnovu kojih se crta grafik. čime se crtanje grafika završava. a dodatna podešavanja se rade na grafiku. i u sledećem prozoru odabere kartica Series. i u sledećem prozoru urade ostala podešavanja grafika. a zatim se u poljima X values i Y values upisuju odgovarajuće vrednosti. naziv grafika i slično.

poligon raspodele starosti studenata u apsolutnim i relativnim i znosima. Format Data Series. 53 . desnim tasterom se klikne na seriju ω. tj. Kao rezultat dobija se grafik sa primarnom i sekundarnom osom. potvrđuje se sa OK.Pošto bi ovde trebalo prikazati zavisnost ω od x* na sekundarnoj osi. kada se otvori novi prozor klikne se na karticu Axis i odabere opcija Plot Series on – Secondary axis.

[ u 2. u 3). u1) [ u 1.].1.k sada predstavljaju broj vrednosti obeležja X koje pripadaju prvoj. b) kome pripadaju sve vrednosti X za uzorak.1 Intervalno sređeni podaci klase 1 2 [a. deli se na k podintervala: [a. i = 1.. . drugoj. . Obično se uzima da su klase jednake širine. Poslednje tri kolone daju empirijsku raspodelu apsolutnih i empirijsku raspodelu relativnih frekvenci. vrši se tzv.Intervalno sređivanje podataka Ako je obim uzorka veliki i ako niz (4.1) sadrži veliki broj međusobno različitih vrednosti obeležja X. Interval [a.. k Frekvence mi. [ u 1. 4.. a u literaturi se sreću i empirijske formule za izbor k. Intervalno sređivanje se inače praktikuje kada su u pitanju podaci o neprekidnoj slučajnoj promenljivoj. Mereno je vreme izvođenja neke radne operacije u sekundama: 24 28 22 26 24 27 26 25 26 23 30 26 29 25 27 24 26 25 24 27 Formirati tabelu intervalno sređenih podataka u 5 klasa i histogram. zavisno od obima uzorka [Vukadinovic S. 54 . . [ u k-1. i = 1.. u 2) sredine klasa * x1 * x2 frekvence m1 m2 relativne frekvence ω1 ω2 k ∑ [ u k-1.... a visine odabrane tako da su im površine jednake relativnim frekvencama. b) * xk mk n ωk 1 Pored poligona raspodele. 1990. Tabela 4. u 2).. Sredine klasa ćemo označiti sa xi* : xi* = ui −1 + ui 2 . 1985. Kafarov V. intervalno sređivanje podataka.2. b) koji se nazivaju klase.. ….. [Ahnazarova S. Primer 3. k-toj klasi. Tabelarni prikaz intervalno sređenih podataka dat je u Tab.. ui).]. Preporučuje se da ono bude od 5 – 21. Za broj klasa ne postoji striktno pravilo. To je niz pravougaonika čije su osnove intervali [ui-1. u1). kao grafički prikaz intervalno sređenih podataka koristi se histogram empirijske raspodele..

a nalazi se u statističim funkcijama. ali samo obeležje može biti diskretno ili kontinualno (kao što je ovde slučaj). opcije Function. 32). odnos ω/d. četvrta relativne frekvence.Rešenje U pitanju je neprekidna slučajna promenljiva. druga sredine klasa. Kao i u prethodnom primeru formira se varijacioni niz (kolona D na slici). 55 . Da bi se izračunale sredine klasa koristi se funkcija AVERAGE. na osnovu koga se formira nova tabela. je interval [22. treća frekvence. a peta visinu pravougaonika u histogramu. Ona se kao i ostale funkcija poziva iz menija Insert. pa ćemo usvojiti klase širine. Naravno. a njegova širina je deljiva sa 5. podaci iz uzorka su uvek diskretni. d = (32 . Najmanji interval u kome leže svi podaci. tj. U prvu kolonu se samo upišu podaci. Argument predstavlja skup vrednosti čija se srednja vrednost traži.22)/5 = 2. Prva kolona nove tabele sadrži nazive klasa.

četvrta kao odnos broja m i n. u polju Values se označavaju vrednosti ω/d. U prvom koraku (Chart Type) bira se Column. 56 . u konkretnom slučaju obeleži se ćelije od E2 do E6. Dalje se pomoću Chart Wizard-a crta histogram. u polju Category (X) axis labels klase. Dalje se na Series – Add ubacuju podaci na osnovu koji se crta histogram. osa i legende.Treća kolona se popunjava kao i prethodnom primeru pomoću funkcije COUNT. a peta kao odnos ω i d. u ova dva slučaja mora se voditi računa o tome kako se zapisuju n i d. u četvrtom se završava crtanje grafika. jer se radi o konstantama. Kao rezultat dobija se sledeći histogram. U trećem koraku izvrše se podešavanja oko naslova.

n (4. Četvrta kolona dobija se pomoću funkcije SUM i to za svaku ćeliju posebno.1). Rešenje Prvo se formira varijacioni niz. dobijamo relativnu kumulativnu frekvencu. u slučaju intervalno sređenih podataka. 57 . dobili empirijsku raspodelu frekvenci: ( xi* . vrednosti xi* predstavljaju sredine klasa (vidi tabelu 4.2).. Fn* ( x) = N ( x) = ∑ ωi n x i* < x (*) Jednačina (*) predstavlja definiciju empirijske funkcije raspodele.. potpuno je analogan grafiku funkcije raspodele F(x) za diskretnu slučajnu promenljivu (Sl..3). kao i u primeru 3. Empirijska funkcija raspodele predstavlja aproksimacije funkcije raspodele populacije (teorijska funkcija raspodele) i ukoliko je obim uzorka. aproksimacija će biti bolja (teorema Glivenka). n veći. mi ).. 2.Empirijska funkcija raspodele Pretpostavimo da smo grupisanjem podataka iz varijacionog niza xi. k pri čemu.1. i =1.1 nacrtati grafik empirijske funkcije raspodele.3 Za uzorak iz primera 3. Fn* ( x) .. odredi broj elemenata pomoću funkcije COUNT. Prve tri kolone (x*... Neka je x bilo koja vrednost na x-osi. Grafik empirijske funkcije raspodele Fn* ( x) . i = 1. i na osnovu toga formira tabela. zove se kumulativna frekvenca N(x) i dobija se kao suma: N ( x) = x i* < x ∑m i Deljenjem kumulativne frekvence za tačku x ukupnim brojem podataka n. m i ω ili w) dobijaju se na već poznat način. koje leže levo od odabrane tačke x. Ukupan broj tačaka xi . Primer 3..

2 4. Opet se mora uzeti u obzir da je n konstanta i na odgovarajući način je obeležiti u formuli. 2.2.95 . 4.95 2.4 Klase 1.45 2.7 4.95 3. b) standardnu grešku srednje vrednosti uzorka Tabela uz Primer 3. 6. kao što se vidi na slici.1 0 20 21 22 23 24 25 26 Primer 3. 7.95 1. 5.45 3.9 0.4.2 3.45 .5 0.3 0.4 0.95 Sredina klasa x* 1.45 . Formula za prvi red u koloni može se kopirati na preostale redove.95 .3.7 Frekvence m 2 1 4 15 10 5 3 58 .4.45 4. 1 0.1.45 .8 0. 3. Pošto je formirana tabela crta se histogram za F(x*+0) pomoću Chart Wizard-a.95 . Proceniti a) srednju vrednost i disperziju osnovnog skupa.Poslednja kolona F(x*+0) dobija se kao N(x*+0)/n.45 .2 0.7 3.7 F(x*+0) 0.2 2.4 U tabeli je dat je uzorak sa grupisanim podacima.3.2. 1.7 2.6 0.

Rešenje Prvo se formira nova tabela: a) Na osnovu tabele pomoću formula prikazanih na slici izračanuavaju se srednja vrednost i disperzija. b) Na sličan način se po odgovarajućim formulama se izračunava standardna greška 59 .

4. Intervalne ocene parametara raspodele 60 .

iznosi ta granica?). čija je disperzija σ2 poznata. jer predstavlja verovatnoću da tačna vrednost * parametra bude izvan procenjenog intervala. θ* se nazivaju 2 * granice pouzdanosti ili poverenja. preciznost intervalne ocene je veća). Interval θ1 . a širina intervala θ* − θ1 predstavlja meru preciznosti 2 intervalne ocene parametra (što je širina intervala manja. zovu se intervalne ocene. ako važi: * P (θ < θ1 ) = P (θ > θ* ) = α / 2 2 4. Uzećemo jednačinu P ( ∆X < ε) = 2Φ Znači da treba u jednačini. σ x ). σx = σ n n kao jedinicom Odredimo sada. γ možemo da tvrdimo da sadrži tačnu vrednost parametra. odnosno ako važi: ( ) * P (θ1 < θ < θ* ) = γ = 1 − α 2 Jasno je da je: * P (θ ≤ θ1 ∨ θ ≥ θ* ) = α 2 pa se verovatnoća α = 1 .1) ε  i primeniti je na posmatrani problem. X : N (µ. σ 61 . ( ) (4.1 Ocena srednje vrednosti normalne raspodele sa poznatom disperzijom Pretpostavimo da je slučajni uzorak obima n uzet iz populacije sa normalnom raspodelom N (µ.Interval poverenja Ocene parametra θ. ako sa unapred zadatom verovatnoćom.γ naziva i rizik. takav P X − µ < zα σ x = γ = 1 − α gde je γ zadato. Granice intervala pouzdanosti θ1 . sa njenim standardnim odstupanjem σ x = σ da važi: mere (koliko standardnih odstupanja σ x . γ granicu apsolutnog odstupanja aritmetičke sredine X od njene srednje vrednosti µ. za zadatu verovatnoću. Za interval poverenja kažemo da je simetričan. sa nivoom pouzdanosti ili poverenja γ. u vidu intervala. θ* je interval pouzdanosti ili interval poverenja 2 za parametar θ. Intervalna ocena se zove i * interval poverenja ili pouzdanosti. Odredimo dakle faktor zα.σ). Uzoračka srednja vrednost X tada ima raspodelu .

Bird).O.1).1): ona standardizovane slučajne promenljive sa normalnom raspodelom za koju važi.• • • apsolutno odstupanje ∆X zameniti sa X − µ . P ( X 0 ≥ zα ) = α Zaista. Relaciji ekvivalentne sledeće relacije odnosno predstavlja onu vrednost standardizovane slučajne promenljive sa normalnom X − µ < zα σ x su (4. interval pouzdanosti sa nivoom pouzdanosti γ = 1 . pod uslovom da je poznata srednja vrednost µ • * Događaj (4.2b) µ − zα σ x < X < µ + zα σ x X − zα σ x < µ < X + zα σ x pa se jedn.2a) predstavlja događaj da uzoračka srednja vrednost.2a) (4. pri poznatoj disperziji osnovnog skupa. x + zα σ / n . X . glasi: (x − z σ / α n .3) gde je zα definisano jednačinom Φ ( zα ) = 1− α i zvaćemo ga koeficijent pouzdanosti (J. kao slučajna promenljiva. koga možemo zvati verovatan interval za uzoračku srednju vrednost.3a) 62 .2b) uz zadatu verovatniću γ. za granicu odstupanja ε uzeti zα σ x . Jednačina (4. tako definiše granice verovatnog intervala za X . 2 vrednost Ekvivalentna definicija koeficijenta pouzdanosti je (vidi sliku 4. upadne u interval sa fiksnim granicama (zα. izračunat iz datog uzorka. σ x i µ su konstante). za srednju vrednost osnovnog skupa µ.α.1) može interpretirati na dva različita načina: • Relacija (4. traženi faktor zα se dobija kao rešenje jednačine: ( ) Φ ( zα ) = 1− α 2 raspodelom za koju Laplasova funkcija dobija vrednost (1 − α ) 2 . σ zameniti sa σ x Rezultat je: P X − µ < zα σ x = 2Φ( zα ) = γ Dakle. (4. Zaključujemo da. ili µ = x ± zα σ / n ) (4. (4. po definiciji P (θ1 < θ < θ* ) = γ = 1 − α 2 predstavlja interval poverenja za nepoznatu srednju vrednost µ.

Tako.1 . Ilustracija jednačine 4.01 zα 1.koeficijenti pozdanosti.3a U Tab. pa je.1.5 )   X −µ α = P X − µ ≥ z α σ x = P ≥ zα  = P ( X 0 ≥ zα )   σ x   ( ) f 0 (x ) = 1 − x2 e 2π 2 Slika 6.96 2.3) slučajne vrednosti ( X je slučajna veličina). iz tablice : z1−α 2 = z0. Tabela 4. σ = 100C.95 0.64 1.95. Ako je greška merne metode. Aritmetička sredina četiri izmerene temperature peći optičkim pirometrom je 22500C.(6. ako bi postupak uzimanja uzorka i određivanja intervala poverenja ponavljali. ali bi mogli očekivati da će u (γ⋅100) % (recimo 95%) svih slučajeva izračunati interval pouzdanosti obuhvatiti parametar µ.975 = 1. koje se najčešće koriste u praksi. zα γ 0.99 α 0. Jasno je sada zašto se za verovatnoću γ kaže da predstavlja nivo pouzdanosti intervalne ocene.1. svaki put bi dobili drugačiji interval poverenja. a) Naći sa pouzdanošću od 95% interval u kome leži prava vrednost temperature. interval poverenja srednje vrednosti merenih temperatura peći: 63 . da bi preciznost procene odstupanja tačne temperature od izmerene (sa datim nivoom pouzdanosti) bila 50C? Rešenje a) Za γ = 0.05 0.10 0. koji sa zadatom verovatnoćom γ obuhvata nepoznatu ali fiksnu vrednost µ.96 . 4.58 Treba zapaziti da su granice intervala poverenja (4. b) Koliko je ponovljenih merenja temperature neophodno. date su vrednosti koeficijenta pouzdanosti za tri nivoa pouzdanosti γ. Dakle interval poverenja predstavlja jedan slučajan interval.90 0.

t leži u intervalu 2240. za veće uzorke iz bilo koje raspodele sa parametrima µ i σ. prava temperatura peći. x + zα s / n . σ n ).2 < t <2259. primenljiva je aproksimacija da aritmetička sredina X ima normalnu raspodelu N ( µ.odnosno. ili ) µ = x ± zα s / n (4. za velike uzorke (n ≥ 30) je primenljiva i aproksimacija: s 2 = σ2 = σ2 ( ) ∗ pa se za veće uzorke (n ≥ 30) iz raspodele sa nepoznatom disperzijom.92 n n n ≥ 3.96 ≤ 5 ⇒ n ≥ 3. sa pouzdanošću od 95%. interval aproksimira intervalom: (4.3) (x − z s / α n . S druge strane.4) bez obzira na tip raspodele. 64 . pa je uslov: σ 10 z1−α 2 ⋅ = 1.92 2 = 15.35 Odnosno u Excelu ovo izračunavanje izgleda ovako: Usvaja se kao minimalan broj neophodnih merenja: n = 16 Aproksimacija za velike uzorke iz raspodele sa nepoznatom disperzijom U skladu sa centralnom graničnom teoremom.8 0C b) Preciznost procene predstavlja poluširinu intervala pouzdanosti.

Primer 4.2 Obavljeno je 100 merenja mase čokolada. c) Da li se sa pouzdanošću od 90% može tvrditi da je srednja masa čokolade “od 100grama” manja od nominalne (100g). pa je poluširina intervala pouzdanosti: 65 . čija je deklarisana masa 100g (prva kolona tabele). b) Ponoviti proračun za nivo pouzdanosti 99%.64 . tako da ukazuje na poremećaj u procesu? Da li se ista tvrdnja može dati i sa sa pouzdanošću od 99% ? Rešenje Najpre izračunavamo uzoračku srednju vrednost i uzoračku disperziju iz formula za grupisane podatke a) Za pouzdanost 90%. zα = 1. a) Odrediti granice u kojima se nalazi srednja masa čokolada “od 100grama”. sa pouzdanošću od 90%.

µ = 99. srednja masa proizvedenih čokolada “od 100grama” leži u intervalu: (99. 99. a) Ako je poznata greška metode. 99.raspodeli.46) ⇒ (98. 4. σ = 2.52 ) Pošto taj interval ne obuhvata nominalnu vrednost 100g i leži ispod te vrednosti. sa povećanjem nivoa pozdanosti smanjena je preciznost intervalne ocene (širi interval) c) Sa pouzdanošću γ = 0. s = 2. bazira se na Studentovoj ili t .58 .06 ± 0. Odrediti interval u kome sa pouzdanošću γ = 95% leži pravi sadržaj bakra. zα = 2. sa datom pouzdanošću možemo da tvrdimo da je srednja vrednost populacije.1 66 . Primer 4. σ). srednja masa proizvedene čokolade manja od deklarisane.5 b) Iz datog uzorka procenjena je greška metode.1 %.06 + 0.46 g b) Za pouzdanost 99%.46.06 − 0.9.3 Procenat bakra u nekoj supstanci meren je 6 puta i aritmetička sredina 6 merenja je x = 14. Prema očekivanju. tj.60.2 Ocena srednje vrednosti normalne raspodele nepoznate disperzije U slučajevima kada je disperzija σ2 nepoznata i uzorak nije veliki (n < 30) određivanje intervala pouzdanosti srednje vrednosti populacije sa normalnom raspodelom N (µ.

U konkretnom slučaju kako je pouzdanost 95%. Deg_freedom – je broj koji označava broj stepeni slobode karakterističan za raspodelu. i upisuje se u polje Deg_freedom. verovtanoća je 1-0. Dobijeni rezultat je vrednost td. Deg_freedom) Probability – verovatnoća da vrednost x bude izvan intervala (–x.95=0. Funkcija se poziva iz padajućeg menije Insert. opcije Function.05.α pomoću funkcije TINV.x). koja se dalje koristi za izračunavanje intervala po formuli: 67 . Rezultat funkcije je vrednost za koju Studentova raspodela „t“ ima zadatu verovatnoću. Sintaksa: TINV(Probability.α. izračunava se td. a broj stepeni slobode je n-1=6-1=5. i odabirom TINV iz statističkih funkcija. što se i upisuje u polje Probability.Na osnovu ovih podataka prema formuli se na sledeći način izračunava interval: Kada je poznata procenjena greška metode.

177. 3.177.179 sa 95% nivoom pouzdanosti.173. Radi provere tačnosti metode.177. Srednja vrednost x se izračunava pomoću funkcija AVERAGE. 3.169 a) Proceniti interval pouzdanosti za sistematsku grešku (bias) metode. dobija se kao b = b* ± t9. b: b = µ − 3. interval pouzdanosti za njenu srednju vrednost b. fotometrijskom titracijom je određivan berilijum u probi sa poznatom količinom berilijuma od 3. 3.1733. 3. b * = −0.177.167.05 Iz datog uzorka izračunava se: s 10 x = 3. 3. Rešenje Prvo sve podatke treba uneti u tabelu na sledeći način: a) Ocena sistematske greške iz datog uzorka od 10 merenja je: b* = x − 3. gde je µ srednja vrednost zamišljenog osnovnog skupa. 3.171.Primer 4.169. koji sadrži beskonačan broj svih mogućih rezultata određivanja berilijuma u datoj probi.0.179 . 3. 3. Rezultati ponovljenih analiza (mg) su: 3.179mg.177. 3.0057 Zatim se pomoću funkcije TINV izračunava t: 68 .4.

Interval je dalje : Primer 4.s se izračunava pomoću funkcije STDEV Funkcija STDEV procenjuje standardnu devijaciju na osnovu uzorka. number2.. Funkcija STDEV poziva se iz menija Insert. number2.2 izračunati intervalnu ocenu standardnog odstupanja sa pouzdanošću 90%. je 1 do 30 brojeva koji se odnose na uzorak populacije.. To može da bude i samo jedan niz ili referenca niza umesto argumenata rastavljenih zarezom. Sintaksa: STDEV(number1. Rešenje: Prvo treba formirati sledeću tabelu: 69 .) Number1..5 Za uzorke u Primeru 3. STDEV. Statistical . izborom opcije Function .

funkcija CHIINv pravi iteracije dok se ne dobije rezultat tačan do ±3 10-7. Sintaksa: CHIINV (Probability. rezultat će biti vrednost greške #N/A.57.1− α 2 = χ14. Pa je : 70 . Deg_freedom) Probability .05 = 23.verovatoća raspodele hi-kvadrat za koju se izračunava x.kvadrat.Zatim treba upisati sledeće podatke i izračunati disi2 i d Dalje se izračunava s2 i s po formuli: 2 2 2 2 Pomoću funkcije CHIINV izračunava se : χ14. 0. Ako funkcija ne kovergira ni posle 100 iteracija.α 2 = χ14. Rezultat funkcije je inverz funkcije raspodele hi. Deg_freedom – broj stepeni slobode.69 Funkcija CHIINV se takođe nalalazi u statističkim funkcijama.95 = 6. Kada se zadda vrednost verovatnoće. χ14. 0. Funkcija CHIINV do rezultata dolazi iteracijama.

71 .

Analiza korelacije 72 .5.

. Ilustracije linearne korelacije: a) jaka pozitivna.1). i = 1. da li sa porastom sadržaja posmatrane komponente čvrstina građevinskog materijala raste ili opada. neophodno je raspolagati parovima (odgovarajućih) vrednosti promenljivih: (xi .. • koliko je ta korelacija izražena (jaka). da li je ona linearna ili nelinearna. Drugi primer je uticaj sadržaja neke komponente u složenom materijalu. c) negativna 73 . n (5. umesto sa dva nevezana ili nezavisna uzorka: (xi . recimo čvrstinu. b) slaba pozitivna. Na osnovu rasporeda tačaka u dijagramu.2. Prvi korak u analizi korelacije je ucrtavanje uređenih parova (xi.m ) gde su merenja xi i yi nepovezana. Dobijeni dijagram se naziva dijagram rasipanja (scatter diagram)..1..1) ili tzv.. yi). dođemo do zaključka da li posmatrani sadržaj komponente utiče na čvrstinu građevinskog materijala i uz to. Slika 5.n ) i ( yi . već stohastička veza između ta dva obeležja.. recimo građevinskom. kao tačaka. da li je ona slaba ili jaka. Najočigledniji primer međuzavisnosti dve slučajne veličine su visina i masa čoveka i u pitanju je ne funkcionalna. • da li je ona pozitivna ili negativna. i = 1. Dijagram rasipanja Za statističku analizu korelisanosti dve slučajne promenljive (obeležja) X i Y. na osnovu merenja..2..Predmet ove glave je analiza međuzavisnosti (korelacije) dve neprekidne slučajne promenljive.. Želimo metodama statistike da..2. na bazi paralelnog praćenja njihovih vrednosti. vezanim uzorkom (5. tj. yi ). i = 1. • ako postoji korelacija. može se grubo proceniti: • da li postoji stohastička zavisnost promenljivih (korelacija). • ako postoji korelacija. u xy koordinatni sistem. na neko svojstvo tog materijala.

Dalje.Y). ograničićemo se na linearnu korelaciju. (b) Nema korelacije Na slikama 5. 5. tj. korelacija je slaba (Sl.2a ilustruje slučaj nelinearne korelacije ili nelinearne stohastičke veze. dok Sl.2. Iz teorije verovatnoće znamo da dijagrami (5.y y a) x b) x Slika 5. gde su velike vrednosti za X praćene uglavnom malim vrednostima za Y.1a. uglavnom.2a). Konačno. (a) Nelinearna korelacija. u paru sa velikim vrednostima X. linija na dijagramu rasipanja. Slike (5.1).1a). jer su velike vrednosti za Y . što daje osnovu za pretpostavku da su X i Y približno ili tačno. a ako je rasipanje tačaka oko prave veliko. ukazuju na pozitivnu korelaciju ili pozitivan trend. eksperimentalne tačke leže oko neke prave. u pitanju je jaka korelacija.5.1a-c. Slika 5. kao mera jačine i pokazatelj pozitivne ili negativne korelacije 74 . što znači. u blizini koje leže eksperimentalne tačke. na Sl. linearno povezane. jer se tačke rasipaju oko neke krive. Ako tačke leže blizu prave (Sl 5.1a . predstavlja u stvari grubu ocenu iz datog uzorka (5. ne uočava se povezanost između X i Y.5. na kojima su eksperimentalne tačke raspoređene duž neke prave ili krive ukazuju na (funkcionalnu) zavisnost uslovne srednje vrednosti slučajne promenljive Y od druge promenljive X. znači da dvodimenzionalna promenljiva (X.Y) ima normalnu raspodelu. • da će predmet analize biti uzorački koeficijent korelacije. U ovom materijalu. • da će se statistička analiza bazirati na pretpostavci o normalnoj raspodeli dvodimenzionalne promenljive (X. 5.2b. funkcije (linije) regresije: µ y x = ϕ1 ( x) Pri tom. ako je zavisnost pravolinijska.c. nema ni pozitivnog ni negativnog trenda.1c ilustruje negativnu korelaciju ili trend.1). pa zaključujemo da su one nezavisne ili nekorelisane.b).

3) i (5.6) konzistentna i asimptotski nepristrasna.3) a sxy kao: s xy = tj. 1990] datog u Tabeli 5.2) i transformacije analogne onoj. može se dati ocena jačine linearne korelacije na osnovu empirijskog pravila [Vukadinović.6) 2 n     n∑ x 2 −  ∑ x   n∑ y 2 −  ∑ y        i =1 i  i =1 i   i =1 i  i =1 i      U matematičkoj statistici se dokazuje da je ocena koeficijenta korelacije ρxy dobijena formulom (5.1 Uzorački koeficijent korelacije Ocenu koeficijenta korelacije slučajnih promenljivih X i Y : ρ xy = σ xy σ xσ y iz uzorka (5. Smena izraza (5.5. kao vrednost statistike: 1 n ∑ ( xi − x )( yi − y ) n − 1 i =1 (5.1) dobićemo iz ocena kovarijanse σ xy . sx = 1 n −1 ∑ ( xi − x ) 2 .2) Nepristrasne ocene sx i sy standardnih odstupanja.1.4) u (5.5) za koju se može pokazati da predstavlja nepristrasnu ocenu kovarijanse σ xy (3. daju sledeću praktičnu formulu za izračunavanje uzoračkog koeficijenta korelacije: . dobijaju se iz vrednosti statistike S2. rxy ≤ 1 (5. i standardnih odstupanja σx. 75 .16b). i =1 i =1 i =1 n n 2 rxy = n∑ xi yi − (∑ xi )(∑ yi ) n n n n Iz izračunate vrednosti uzoračkog koeficijenta korelacije. iz istog uzorka: rxy = s xy sx s y (5.14a). σy.4) S xy = 1 n ∑ ( X i − X )(Yi − Y ) n − 1 i =1 (5. i =1 n 2 sy = 1 n −1 ∑(y i =1 n i − y)2 (5. koja je primenjena za izvođenje praktične formule za računanje uzoračke disperzije (4.

933 76 .1. praćen je porastom sadržaja druge. rxy = 10 ⋅ 9228 − 499 ⋅174 10 ⋅ 27115 − 499 2 10 ⋅ 3182 − 174 2 = 0. Kao meru jačine linearne veze između sadržaja supstanci A i B. Rezultati su dati u prve dve kolone Tabele 5.9 r > 0. obično praćen i visokim sadržajem supstance B. Očigledan je pozitivan linearan trend: porast sadržaja jedne suspstance.6) uzorački koeficijent korelacije.1 Primećeno je da je visok sadržaj supstance A u sirovini.7 ≤ r ≤ 0. (5.5 < r < 0. mže se izračunati po jedn.Jačina linearne korelacije rxy r ≤ 0.Tabela 5. Pomoćni proračuni su dati u tabeli.9 jačina linearne veze: neznačajna korelacija značajna korelacija jaka korelacija vrlo jaka korelacija Primer 5.1 .7 0. yi) treba ucrtati u dijagram rasipanja.3 0.1 x (% A) 67 54 72 64 39 22 58 43 46 34 y (% B) 24 15 23 19 16 11 20 16 17 13 174 x2 4489 2916 5184 4096 1521 484 3364 1849 2116 1156 27175 y2 576 225 529 361 256 121 400 256 289 169 3182 xy 1608 810 1656 1216 624 242 1160 688 782 442 9228 ∑ 499 Rešenje Tačke (xi. Tabela uz Primer 5. Radi utvrđivanja eventualne linearne korelacije između sadržaja dve komponente izvršeno je merenje sadržaja A i B u 10 slučajnih uzoraka sirovine.

30 25 20 y(%B) 15 10 5 0 0 10 20 30 40 x(%A) 50 60 70 80

Dakle uzorački koeficijent se može izračunati po formuli, ali postoji i znatno jednostavniji način za njegovo izračunvanje, gde nisu potrebni pomoćni proračuni. Uzorački koeficijent korelacije može se izračunati i korišćenjem funkcije PEARSON. Funkcija PEARSON nalazi se u statističkim funkcijama, rezultat je Pearson-ov koeficijent korelacije r koji pokazuje linearnu korelaciju dva skupa podataka. Sintaksa: PEARSON(Array1, Array2) Array1 – je skup nezavisnih podataka. Array2 – je skup zavisnih podataka.

77

Prema empirijskom kriterijumu (Tab.5.1), u pitanju je vrlo jaka linearna veza.

5.2 Regresione prave
Ako smo na osnovu veličine uzoračkog koeficijenta korelacije rxy, zaključili da posmatrane slučajne promenljive nisu nezavisne, korisno je izračunati koeficijente u pravolinijskim zavisnostima jedne od druge promenljive, koje predstavljaju ocene iz datog uzoraka (5.1), linearnih regresionih funkcija:

µ y / x = µ y + ρ xy
µ x / y = µ x + ρ xy

σy σx

(x − µx )

(3.35b) (3.36b)

σx (y −µy) σy

Dobijene pravolinijske zavisnosti zvaćemo regresione prave (regression lines) i iz njih možemo da procenimo ili predvidimo (predict) vrednost jedne slučajne promenljive na osnovu vrednosti druge. Regresionu pravu y(x), kao ocenu regresione funkcije (3.35b) ćemo, logično, tražiti u obliku:

y = y + rxy

sy sx

( x − x ) = b0 + b1 x

odakle slede formule za izračunavanje nagiba b1 i odsečka b0:

78

b1 = rxy

sy sx

=

s xy s
2 x

=

n∑ xi yi − (∑ xi )(∑ yi )
i =1 i =1

n

n

n

  n∑ xi2 −  ∑ xi  i =1  i =1 
n n

i =1 2

(5.7a)

b0 = y − b1 x
sx ( y − y ) = c0 + c1 y sy

(5.7b)

Slično, regresionu pravu x(y), dobijamo kao ocenu regresione funkcije (3.36b):
x = x + rxy

i formule za nagib c1 i odsečak c0 su:
c1 = rxy s x s xy = 2 = sy sy n∑ xi yi − (∑ xi )(∑ yi )
i =1 i =1 n n n

  n∑ yi2 −  ∑ yi  i =1  i =1 
n n

i =1 2

(5.5a)

c0 = x − c1 y

(5.8b)

Primer 5.2 Iz podataka datih u prethodnom primeru, potrebno je a) proceniti sadržaj komponente B u sirovini, ako ona sadrži 55% supstance A b) proceniti sadržaj komponente A u sirovini, ako ona sadrži 20% supstance B Rešenje a) Traženu procena dobija se iz regresione prave y(x). Dakle prvo je potrebno izračunati parametre ove prave. Parameti se mogu izračunati korišćenjem statističkih funkcija SLOPE i INTERCEPT.

Za x = 55, računa se y iz regresione prave, odnosno procenu sadržaja supstance B:

79

Known_x's – je skup nezavisnih pojedinačnih podataka. Sintaksa: SLOPE(Known_y's. koja predstavlja ocenu regresije x po y i čiji su parametri: 80 . već iz prave. b) Procena sadržaja x supstance A za dati sadržaj y supstance B. ne računa se iz prethodno dobijene prave (rešavajući njenu jednačinu po x).je matrica ili skup ćelija zavisnih numeričkih pojedinačnih podatak.Rezultat funkcije SLOPE je nagib linearne regresije. Known_x's) Known_y's . Rezultat funkcije INTERCEPT je tačka preseka linearne regresije sa y osom. Sintaksa: INTERCEPT(Known_y's. Known_x's) Known_y's .je matrica ili skup ćelija zavisnih numeričkih pojedinačnih podatak. Known_x's – je skup nezavisnih pojedinačnih podataka.

približavanje linearne stohastičke zavisnosti. Zato proveravamo statističku značajnost izračunatog uzoračkog koeficijenta korelacije ili.9) Teorijska osnova za formulisanje testa je sledeći stav (teorema): Ako slučajna promenljiva (X.Za sadržaj komponente B. tada slučajna promenljiva: T= Rxy n − 2 1 − Rxy 2 (9. ili je samo rezultat slučajnih varijacija vrednosti statistike Rxy.53 ⋅ 20 = 59% što se veoma dobro slaže sa eksperimentalnom vrednošću (58%). 5.9) gde su: n .6 + 3.1) 81 . s obzirom na jaku korelaciju (rxy > 0.3 Provera značajnosti korelacije Ako je dobijena vrednost uzoračkog koeficijenta korelacije (5.6) mala po apsolutnoj vrednosti. oko nule kao njene srednje vrednosti. sa nultom vrednošću koeficijenta korelacije ρxy (X i Y su nezavisne). y = 20. To se moglo očekivati.Y) ima dvodimenzionalnu normalnu raspodelu.obim uzorka (5. tj. definisane formulom (5. funkcionalnoj. drugim rečima hipotezu: H 0 : ρ xy = 0 (5. procenjeni sadržaj x druge komponente biće: x = b0 + a1 y = −11.6). postavlja se pitanje da li ona ukazuje na postojanje linearne korelacije između slučajnih promenljivih X i Y .9).

1 522 44.9 525 44. u cilju smanjenja rizika prihvatanja pogrešne nulte hipoteze. % y. odnosno odbacivanja hipoteze (5.6) ima t .1 513 43.2 stepena slobode. %) i odgovarajuće izmerene tačke topljenja (y. H1 ρ≠0 ρ>0 ρ<0 Statistika: Rxy n − 2 1 − Rxy 2 Kriterijum odbacivanja hipoteze: t > t n − 2 .8 513 44. 2 α t > t n − 2.6 514 45.0 514 44. 2 α T= vrednost za Rxy se računa iz Primer 5.4 511 44.Testiranje hipoteze H0: ρ = 0 Alternativna hipoteza.3 526 45.5 521 44. Odatle slede kriterijumi značajnosti uzoračkog koeficijenta korelacije.3 Izmerene vrednosti sadržaja kalaja u leguri (x.9 512 45.7 521 44. tj. % y.1 513 44.2 Tabela 5.2 519 44.9) i dati su u Tab.0 537 45. alternativna hipoteza: H1: ρ < 0 82 .raspodelu sa d = n .5 514 Proceniti koeficijent korelacije između sadržaja kalaja i tačke topljenja i testirati njegovu značajnost sa α=0. 0C x.1 513 45.2 .5. 0C 44. 0C) date su u prve dve kolone tabele: x. bira jednostrani test.2 512 46.α t > t n − 2.05.uzorački koeficijent korelacije (5. Rešenje Pomoću funkcije PEARSON izračunava se koeficijent korelacije r Testira se hipoteza: H0: ρ = 0 Pošto je poznato da povećanje sadržaja kalaja u leguri po praviliu snižava temperaturu topljenja legure (negativna korelacija) to se.7 510 45.Rxy .

Tako. treća promenljiva.. 83 . 5. sa kojom su rasle posmatrane dve jeste vreme.1 = 1. uprkos jakoj vezi. 1978].4 Interpretacija koeficijenata korelacije S obzirom na smisao teoretskog koeficijenta korelacije ρxy. visoka vrednost rxy može biti rezultat delovanja treće promenljive. [Box G. Da li iz toga treba zaključiti da je porast nataliteta prouzrokovan porastom broja roda (rode donose decu?)? U ovom primeru. da bi se utvrdila suštinska povezanost između dve promenljive. izvodimo zaključak da rezultati merenja ne ukazuju na značajnu korelaciju između sadržaja kalaja i tačke topljenja legure. U periodu od 7 godina. njegovu procenu rxy. 0. Ako je veza nelinearna. ima smisla računati samo kada ima indikacija (teoretska znanja.statistike izračunava se pomoću funkcije TINV.302 2 = −1.75 Pošto je 1.27.302 16 1 − 0. Takođe je važno imati u vidu da statistički značajna vrednost koeficijenta korelacije nije dokaz da između posmatranih promenljivih postoji kauzalna (suštinska) veza. koja deluje na veliki broj fizičko-hemijskih parametara i ako se ne kontroliše (drži konstantnom) u toku praćenja neke dve veličine.27 < 1. Hunter W i Hunter S. U laboratorijskim i pogonskim merenjima. neophodno je dobro poznavati njihovu fizičko-hemijsku prirodu s jedne strane. a zatim se po formuli računa kritična vrednost: t= r n−2 1− r 2 = − 0. i vrlo pažljivo kontrolisati eksperimente.75.Vrednost T . Tako. dijagram rasipanja) da je veza između posmatranih promenljivih linearna ili približno linearna. s druge strane. može stvoriti privid kauzalne veze izmedju njih. Instruktivan i duhovit primer daju Boks i sar. uzorački koeficijent korelacije r xy nije merilo jačine korelacije i može biti i blizak nuli. je određivan broj stanovnika Oldenburga i broj roda i zapažena je jaka linearna korelacija između te dve veličine. na kraju svake godine. t16. primer "treće" ili "nekontrolisane" promenljive je temperatura. koja se menja u toku eksperimenata. a koja je prouzrokovala istovremene promene posmatranih promenljivih i privid njihove međuzavisnosti.

0C y. 0C y.2 21.01 c) Izračunati odsečak regresione prave y(x) sa jednom decimalom i nagib sa 4 decimale. 5.4 Praćen je prinos (y. y približno linearno opada sa vremenom. min Temper. % x.1 Radi provere Njutnovog zakona hlađenja. N Istezanje.5 11.5 30.0 28.3 Dati su eksperimentalni podaci: x: y: a) b) c) d) e) 6 8 5 7 8 7 8 10 7 5 6 8 10 10 4 6 9 8 7 6 Nacrtati dijagram rasipanja i na osnovu njega proceniti jačinu i znak korelacije Izračunati koeficijent korelacije na tri decimale Izračunati koeficijente regresionih pravih y(x) i x(y).3 62.ZADACI 5. prema kome temperatura hlađenog medijuma.6 1225 57. 0C 4 46 8 34 10 30 12 26 16 24 22 20 Izračunati na tri decimale koeficijent korelacije i na osnovu njegove vrednosti oceniti jačinu korelacije i njen znak. 5.0 1150 29.5 40 42.2 Radi provere Hukovog zakona (linearna veza između jačine sile i deformacije) dobijeni su sledeći rezultati merenja: Sila. d) Izračunati prinos na temperaturi 1160 0C 84 . sa tačnošću od 3 decimale Izračunati. y za x = 6 i x za y = 9 Testirati značajnost koeficijenta korelacije sa nivoom značajnosti α = 0. % 1100 8.8 1200 50. na različitim temperaturama (x. %) neke supstance u procesu.6 1175 37.5 50. mm 2 2 5 23 8 62 11 119 15 223 Izračunati na tri decimale koeficijent korelacije i na osnovu njegove vrednosti oceniti jačinu korelacije i njen znak. x izvršena su merenja i dobijeni rezultati: Vreme.7 a) Nacrtati dijagram rasipanja i na osnovu njega proceniti jačinu i znak korelacije b) Izračunati koeficijent korelacije (sa tri decimale) i proveriti njegovu značajnost sa nivoom α = 0.05 5. sa jednom decimalom. 0C): x.3 1125 19.2 60.

6. Regresiona analiza 85 .

k. β1 . y ( x) = ϕ( x.1).1... koji figurišu u funkciji (6. Zadatak regresione analize obuhvata: • Izbor oblika regresione funkcije..1.. intervali poverenja teorijskih regresionih koeficijenata itd.1)..... j = 0. Tako je u Primeru 8....3. Budući da daje srednju vrednost promenljive Y za zadatu vrednost X. od dve slučajne promenljive..2) zovu predstavlja što bolju aproksimaciju regresione funkcije (6.1) gde su βj. j = 0. bk ) (6. b0 . tj. Koeficijenti bj se empirijski regresioni koeficijenti ili parametri u empirijskoj formuli.1. sledi da izbor oblika regresione jednačine (6. određivanje njihovih približnih vrednosti: b j.1) i zovu se pravi ili teorijski regresioni koeficijenti. logično sadržaj kalaja u leguri smatrati nezavisno-. a temperaturu topljenja legure zavisno-promenljivom. β0 = µ y − β1µ x Regresiona jednačina ili empirijska formula tada glasi: y ( x) = b0 + b1 x 86 . 3. • Ocenjivanje regresionih koeficijenata βj. Tako..Y). β0 . tako da regresiona jednačina. koje se nazivaju regresione jednačine ili empirijske formule (jednačine). izveli smo (Pogl... najbolja funkcija za predskazivanje vrednosti Y za dato X je regresiona funkcija: µ y x = ϕ1 ( x) Tako je u mnogim praktičnim problemima u nauci i tehnici od interesa naći približnu regresionu funkciju i predmet regresione analize je formulisanje približnih regresionih funkcija. j = 0. µ y x = ϕ( x..k. na osnovu uzorka (8. Izbor oblika regresione jednačine (empirijske formule) Iz definicije regresione funkcije.. b1 ... ako je ona normalna.Često. • Statističku analizu dobijene jednačine: preciznost predskazivanja. β k ) (6. a drugu (Y) zavisno-promenljivom.k parametri ili koeficijenti. jednu promenljivu (X) smatramo nezavisno-..1) zahteva poznavanje raspodele verovatnoće dvodimenzionalne slučajne promenljive (X.6) pravolinijsku zavisnost: µy/x = µy + ρ sa teorijskim koeficijentima regresije: σy σx ( x − µ x ) = µ y − β1µ x + β1 x β0 β1 = ρ σy σx .

8. c2 ..2. 8. ovaj uslov će biti zadovoljen ako su slučajne varijacije (greške merenja) u vrednostima slučajne promenljive Y mnogo veće od onih u vrednostima X ( σ 2 >> σ 2 )... i = 1.. poznato je da temperatura ima jak uticaj na brzinu hemijske reakcije. Statistička analiza regresione jednačine Ovo je veoma složen problem.7a. T ) = k (T ) f (c1 .2. Tako se pri ispitivanju uticaja temperature na brzinu neke reakcije.k kao ocenama teorijskih regresionih koeficijenata.....4). Tako je on.1. kao empirijske formule se često koriste polinomi drugog i višeg stepena: y ( x) = b0 + b1 x + b2 x 2 + Ako odabrana empirijska formula. a k(T) se zove konstanta brzine hemijske reakcije.. meri temperatura T(K) i eksperimentalno određuju odgovarajuće vrednosti konstante brzine hemijske reakcije k. eksperimentalne vrednosti xi. i = 1...b). Drugim rečima.. yi ).. bk ) (6. već ima čisto empirijski karakter. 4. empirijsku jednačinu k(T) tražimo u obliku poznate Arenijusove (Arrenius) formule: k (T ) = k0 e − E / RT = b0 e − b1 / T Zbog svoje jednostavnosti i osobine da mogu dobro da aproksimiraju različite funkcije. u opštem slučaju rešiv samo uz pretpostavku da nezavisna promenljiva nije slučajna. mada zavisi od temperature. Na primer. j = 0.... Na osnovu poznavanja osnovnih zakonitosti u hemijskoj kinetici. c2 . U hemijskoj kinetici se izraz za brzinu r nepovratne hemijske reakcije.1) su unapred odabrane ili fiksirane.)  3   s⋅m  gde su c1.1.c2.k . jer zahteva poznavanje raspodela empirijskih regresionih koeficijenata.. pri određivanju koeficijenata u Arenijusovoj zavisnosti konstante brzine y x 87 . Kako u opštem slučaju.4) nema kao osnovu regresionu funkciju (3..2 (Jedn.. molske koncentracije reaktanata.31a). dakle one koje bi dobili primenom metode maksimalne verodostojnosti (Pogl. j = 0.. kao funkcija uzorka.. b1 .. najčešće traži u obliku:  mol  r (c1 . bj. tada se naravno ne može govoriti o parametrima bj. bk x k (k ≥ 2) (6. već determinisana (kontrolisana) promenljiva. Praktično..n u uzorku (8. dvodimenzionalna raspodela nije poznata. n Na primer.. problem izbora oblika regresione jednačine ili empirijske formule se rešava približno na osnovu: • teoretskih znanja i iskustva u vezi sa uticajem neke fizičke veličine X na drugu fizičku veličinu Y • dijagrama rasipanja eksperimentalnih tačaka ( xi ..... b0 ...3) y ( x) = f ( x. Može se pokazati da te formule daju najverodostojnije ocene teorijskih regresionih koeficijenata.čiji parametri b0 i b1 predstavljaju ocene teorijskih koeficijenata β0 . β1 i intuitivno smo ih izveli u Pogl.

4. b1 .1 Metod najmanjih kvadrata Princip najmanjih kvadrata je formulisao Ležandr (Legendre): najverovatnija vrednost bilo koje veličine. da su svih n vrednosti nezavisno promenljive u uzorku različite tj. bude manji od broja eksperimentalnih tačaka: k+1<n Traže se vrednosti parametara bj. sa rezultatima: xi.2. izvedeno n ponovljenih merenja.. Uzmimo na primer da je radi procenjivanja tačne vrednosti r neke fizičke veličine. j = 0... da nema ponovljenih merenja zavisno promenljive za jednu vrednost nezavisne.yi).3).. reakcije od temperature. da predstavlja najverodostojniju ocenu srednje vrednosti rezultata merenja kao slučajne veličine..5 pokazali..1... je ona za koju je suma kvadrata odstupanja merenja od te vrednosti najmanja.. kao najverovatniju vrednost za r uzimamo onu za koju suma kvadrata odstupanja: S (r ) = ∑ (xi − r ) i =1 n 2 ima minimum. Određivanje parametara u empirijskoj formuli Neka raspolažemo eksperimentalnim tačkama (xi. koju određujemo na bazi ponovljenih merenja.k u odabranoj empirijskoj formuli.... pod uslovom da merenje ne sadrže sistematske i grube greške. upravo jednaka tačnoj vrednosti merene veličine (Pogl.n i pretpostavimo da merenja imaju normalnu raspodelu i da ne sadrže sistematske i grube greške.4). bk ). Dobijamo je iz uslova minimuma funkcije S(r): n dS = −2∑ ( xi − r ) = 0 dr i =1 kao: r= 1 n ∑ xi = x n i =1 Prepoznajemo aritmetičku sredinu. 6.. b0 . i = 1..2. za početak.. za koju smo u Pogl. i = 1. Prema principu najmanjih kvadrata. pri čemu je neophodno da broj parametara (k+1) u formuli.. koja je.hem. i = 1. takve da se računske vrednosti zavisno promenljive dobijene iz nje: yirac = f ( xi . Pretpostavimo.5) 88 .2..2. n (6. Neka smo odabrali oblik empirijske formule (6..n. slučajne greške merenja temperature su daleko manje od slučajnih grešaka pri određivanju konstanti brzine reakcije (posredna merenja)...

Problem izračunavanja parametara bj.6)...1.6) i kojih ima tačno onoliko koliki je broj traženih parametara: ∂S (b0 . i = 1.1.Provlačenje krive između eksperimentalnih tačkaka Primetimo da je suma kvadrata odstupanja S. yi ). i = 1.... funkcija samo nepoznatih parametara. Tada...1).4) "provlači" što bliže eksperimentalnim tačkama (Sl.. a računske vrednosti yirac .2. n poznate.2... broj njenih vrednosti u grupisanom uzorku) veći od broja parametara (k+1) u empirijskoj formuli: m > k+1 važe sva prethodna razmatranja.2... koji predstavljaju potreban uslov minimuma funkcije (6. što znači da među vrednostima xi. b1 ... 89 .5). funkcije parametara. Slika 6. j = 0... k ∂b j Jednačine (6.7) Neka u uzorku.. b1 ... bk ) = 0... Oni se dobijaju rešavanjem sistema jednačina. prema (6.najmanje razlikuju od eksperimentalnih (iz uzorka): yi. yi ).n eksperimentalnih od računskih vrednosti zavisno promenljive: S = S (b0 . Geometrijski interpretirano... pri čemu je mera odstupanja krive od eksperimentalnih tačaka.. suma kvadrata odstupanja (6..... i = 1.n u smislu principa najmanjih kvadrata.k se tako svodi na problem određivanja minimuma funkcije više promenljivih (6... n ima ponovljenih merenja zavisno promenljive Y pri jednoj vrednosti za x.. bk ) = ∑ ei2 = ∑ ( yi − yirac ) 2 i =1 i =1 n n (n > k + 1) (6... i = 1. uz uslov da je broj različitih vrednosti nezavisno promenljive m (tj. n su.6).6. i = 1.. (xi . a to znači da suma kvadrata odstupanja ei.1 .2.2. i = 1.n ima jednakih. jer su vrednosti (xi .7) su u literaturi poznate pod nazivom normalne jednačine.2.. (6. biraju se tako vrednosti parametara.6) bude najmanja... da se kriva (6. j = 0....

4). bolja ona koja sadrži manji broj parametara. yi. veza je slabija) 6. koristi se srednje kvadratno odstupanje empirijske formule ili regresione jednačine (6.. Srednje kvadratno odstupanje (6.2.n. kao tražena mera. Da bi smo definisali opštu meru jačine veze (linearne ili nelinearne) između slučajne promenljive Y i kontrolisane promenljive x.6. b0 . b0 . • analizu adekvatnosti neke regresione jednačine Ako se neka regresiona jednačina oceni kao adekvatna (adekvatno opisuje zavisnost srednje vrednosti slučajne promenljive Y od kontrolisane promenljive x). razmotrićemo značenje dve sume kvadrata odstupanja izračunate iz uzorka (xi.1. Za rešavanje tog problema... odaberemo najbolju... onda njeno srednje kvadratno odstupanje s2: • daje nepristrasnu ocenu disperzije slučajne promenljive Y • predstavlja meru jačine stohastičke zavisnosti Y od x (ukoliko je s2 veće. j = 0..4): y ( x) = f ( x..8) se u regresionoj analizi koristi za: • poređenje kvaliteta više regresionih jednačina.2 Srednje kvadratno odstupanje empirijske formule Neka smo metodom najmanjih kvadrata odredili parametre bj.. Tako se mogu porediti regresione jednačine sa različitim brojem parametara. suma kvadrata odstupanja eksperimentalnih od računskih vrednosti iz dobijene empirijske formule. onu koja najbolje opisuje ili "fituje" (od glagola to fit) date eksperimentalne podatke. deli se razlikom ukupnog broja eksperimentalnih tačaka i ukupnog broja parametara u formuli.3 Koeficijent determinacije Kao mera jačine linearne stohastičke veze između promenljivih služi koeficijent korelacije (Glava 5). Suma. U skladu sa principom najmanjih kvadrata.k u odabranoj empirijskoj formuli (6.. definisano kao: s2 = ∑ ( yi − yirac ) 2 i =1 n n − (k + 1) = ∑(y i =1 n i − f ( xi ... bk ) Nekada smo međutim suočeni sa problemom da od više empirijskih jednačina. pri čemu je pri jednakim sumama kvadrata odstupanja za dve formule. b1 . odnosno najmanje u određenom smislu odstupa od njih. bk )) 2 n − (k + 1) (6. potrebna nam je neka mera odstupanja empirijske formule.. b1 . koje mogu da sadrže različit broj paramatara.8) Kao što vidimo. od eksperimentalnih podataka. tj. 90 . čiji su parametri izračunati metodom najmanjih kvadrata. Suma: SST = ∑ ( yi − y ) 2 i =1 n predstavlja meru ukupne varijacije u eksperimentalnim vrednostima.... yi) i = 1..

Za koeficijent determinacije važi: 0 ≤ R2 ≤ 1 pa se on može interpretirati kao deo ukupne varijacije koji je objašnjen empirijskom formulom. n pa će količnik dve sume biti jednak jedinici: SSF =1 SST Dakle.. odnosno količnik dve sume blizak nuli: SSF ≈0 SST Drugi granični slučaj je funkcionalna veza između dve promenjive što znači da ni Y nije slučajna promenljiva.. Tada će.2... i = 1. kao pogodna mera jačine veze između x i Y nameće se količnik dve sume: R2 = ∑(y i =1 n i =1 n rac i − y)2 ∑(y ..4 Određivanje pravolinijske zavisnosti Pretpostavimo da srednja vrednost slučajne promenljive Y linearno zavisi od kontrolisane promenljive x: µ y x = β0 + β1 x (6... odnosno da je: µy/x = µy empirijska jednačina.6) − y) 2 koji se zove koeficijent determinacije. n što kao rezultat ima vrednost SSF blisku nuli. i 0 ≤ R2 ≤ 1 (6. pod pretpostavkom da je forma regresione jednačine tačna. će kao procene dati yirac ≈ y . ona tačno reprodukovati eksperimentalne tačke : yirac = yi . Može se reći da SSF predstavlja objašnjenu (empirijskom formulom) varijaciju oko y .. b0 . i = 1. 6..8). koeficijent determinacije je pogodnija mera jačine veze između Y i x nego srednje kvadratno odstupanje s2 (6.10) 91 .. oko aritmetičke sredine y kao odabrane referentne vrednosti. bk ) − y ) 2 i =1 i =1 n n meri varijacije računskih vrednosti koje daje regresiona jednačina. U slučaju da Y ne zavisi od x.. koja daje ocene srednje vrednosti za Y. b1 .SSF = ∑ ( yirac − y ) 2 = ∑ ( f ( x.2. S obzirom na ovu osobinu..

M (E ) = 0 (6.12) izgleda: S (b0 .2.. izračunavamo parametre b0.12) Metodom najmanjih kvadrata.10) i slučajnog odstupanja (greške) E : Y = βo + β1 x + E. i = 1.. nakon deljenja jednačina sa (-2) i sređivanja: ∑ yi − nb0 − b1 ∑ xi = 0 i =1 i =1 n ∑ xi yi − b0 ∑ xi − b1 ∑ xi2 = 0 i =1 i =1 i =1 n n n Konačno.13b) koje predstavljaju normalne jednačine (6. koja u slučaju formule (6. uzoračke regresione koeficijente b0.b): 92 .6).13a) (6.Drugim rečima.. b1 dobijamo iz uslova minimuma sume kvadrata odstupanja eksperimentalnih od računskih vrednosti (6.7) za slučaj pravolinijske regresije. yi ).. nakon prebacivanja poznatih vrednosti na drugu stranu jednačina. dobijamo sistem od dve linearne jednačine po traženim parametrima: n  n  nb0 +  ∑ xi b1 = ∑ yi i =1  i =1  n  n   n   ∑ xi b0 +  ∑ xi2 b1 = ∑ xi yi i =1  i =1   i =1  (6. b1 (odsečak prave i njen nagib) u empirijskoj formuli: y = b0 + b1 x (6. β1 . b1 ) = ∑ ( yi − yirac ) 2 = i =1 n ∑[ y i =1 n i − (b0 + b1 xi )]2 Primenjujući pravilo da je prvi izvod sume jednak sumi prvih izvoda.11) Iz uzorka (xi . zavisno promenljivu Y možemo da prikažemo u obliku zbira njene srednje vrednosti (6.7a. n procenjujemo vrednosti teorijskih regresionih koeficijenata β0 . Rešenja dobijenog sistema jednačina se mogu prikazati u obliku identičnom formulama (5. za uslove minimuma dobijamo: ∂S = ∂b0 ∂S = ∂b1 ∑ 2[ y i =1 n i − (b0 + b1 xi )](−1) = 0 − (b0 + b1 xi )](− xi ) = 0 ∑ 2[ y i =1 n n i odnosno. ili drugim rečima.

na bazi podataka datih u prve tri kolone tabele − 93 . pri sledećim pretpostavkama: • • važi linearan model (6.16) ekvivalentna je sledeća: s2 = n −1 2 2 ( s y − b12 s x ) n−2 (6..b1 = n∑ xi yi − (∑ xi )(∑ yi ) i =1 i =1 n n n   n∑ xi2 −  ∑ xi  i =1  i =1  n n i =1 2 (6. s 2 y ∑y = 2 i − ( ∑ yi ) 2 / n n −1 (6.2.14b) D(E ) = σ 2 = const... y • merenja Yi. x(%) u vodi. pokazuje se da srednjekvadratno odstupanje računskih vrednosti (6.18) 2 2 gde su s x i s y srednji kvadrati odstupanja: s 2 x ∑x = 2 i − (∑ xi ) 2 / n n −1 .11) za merenja Yi.n su nezavisna i imaju normalnu raspodelu metod najmanjih kvadrata daje saglasne i nepristrasne ocene regresionih koeficijenata: M (B j ) = β j . Bj su statistike čije se vrednosti računaju formulama (6. U Jedn. i = 1.19) Primer 6. 6.2. y(%) u vodi.n disperzija slučajnih varijacija zavisno promenljive Y je konstantna: (6. a) Formulisati empirijsku jednačinu za procenjivanje rastvorljivosti BaCl2 pri različitim sadržajima CaCl2 u vodi. Uz to.1 Zbog zajedničkog jona Cl rastvorljivost BaCl2.. s2 = kao vrednost statistike: 1 n 2 ∑ ( yi − b0 − b1 xi ) n − 2 i =1 1 n 2 ∑ (Yi − b0 − b1 xi ) n − 2 i =1 M S 2 = σ2 y (6.1 (6.b)..11a.17) predstavlja nepristrasnu ocenu disperzije zavisno promenljive: ( ) Formuli (6.. pri konstantnoj temperaturi približno linearno opada sa porastom koncentracije CaCl2.12..8). j = 0.14a) b0 = y − b1 x Tako.. i = 1.15) identične onima koje daje metod maksimalne verodostojnosti.16) S2 = (6.

Iako funkcije SLOPE i INTERCEPT ne izračunavaju nagib i odsečak po metodi najmanjeg kvadrata.355 x U dijagram su ucrtane eksperimentalne tačke i dobijena prava. nego se traže parametri koji daju najbolje slaganje sa eksperimentalnim podacima. 94 .b) Proceniti rastvorljivost BaCl2 pri koncentraciji CaCl2 od 13%.1 N0 1 2 3 4 5 6 ∑= Rešenje a) Nagib i odsečak u traženoj empirijskoj pravolinijskoj zavisnosti mogu se dobiti pomoću funkcija SLOPE i INTERCEPT. Tabela uz Primer 6. x 0 5 8 10 15 20 58 y 32 25 20 17 11 5 110 x2 0 25 64 100 225 400 814 xy 1024 625 400 289 121 25 720 pa je empirijska prava: y = 31.43 − 1. rezultat će svakako biti dobar pa njihovo korišćenje ne predstavlja grešku.

3553x + 31.35 30 25 20 y 15 10 5 0 0 5 10 x 15 20 25 y = -1. (odabere se Linear). To se radi na sledeći način: Pošto je nacrtan dijagram desnim tasterom klikne se na neku od tačaka i odabere opcija Add Trendline. zatim se klikne na karticu Options 95 .1 Prvo se nacrta dijagram na osnovu eksperimentalnih podataka. Nakon toga otvara se novi prozor u kome se bira tip linije. a zatim se dodaje prava (trendline).434 Series1 Linear (Series1) Slika uz Primer 6.

a) izračunati temperaturni koeficijent otpornosti metala α.355 ⋅13 = 13.77 55 99.8% Primer 6. koji je definisan jednačinom temperaturne zavisnosti otpora: R (t ) = R0 (1 + αt ) b) proceniti standardnu grešku primenjene metode merenja otpornosti.Gde se vrše ostala podešavanja vezana za pravu. b) Smenom zadate rastvorljivosti CaCl2. y = R.01 40 93. dobijamo procenu odgovarajuće rastvorljivosti BaCl2: y = 31. Potvrđuje se sa OK.67 35 92.82 Potrebno je iz podataka. x = 13 u dobijenu empirijsku jednačinu.92 45 96.2 Merene su električne otpornosti R metalnog provodnika na različitim temperaturama t: t. računa se nagib i odsečak pomoću funkcija INTERCEPT i SLOPE: 96 .60 50 97. između ostalog može se na dijagramu prikazati i jednačina ove prave.43 − 1. ukoliko se označi polje Display equation on chart. Ω 30 86. i linija je na dijagramu. Rešenje a) Pošto su u datoj pravolinijskoj zavisnosti otpora od temperature: R(t ) = R0 (1 + αt ) = R0 + R0 αt = b0 + b1t odsečak i nagib jednaki: b0 = R0 b1 = R0α traženi temperaturni koeficijent α se dobija iz njih kao: α= b1 b1 = R0 b0 Uz x = t.77 60 101. 0C R.

674 Slika uz Primer 6.43Ω n − 2 i =1 Koje se takođe može izračunati kvadriranjem rezultata dobijenog korišćenjem funkcije STEYX. može se uz pretpostavke navedene u prethodnom tekstu.2 b) Kao ocenu standardne greške merne metode σR. Known_x's) Known_y's – niz ili skup zavisnih pojedinačnih podataka.125 2 ∑ ( yi − b0 − b1 xi ) = 5 = 1. da uzmemo srednje kvadratno odstupanje (6.16): sR = 1 n 7. Known_x's .niz ili skup nezvavisnih pojedinačnih podataka 97 . a njen rezultat je standardna greška predviđene vrednosti y za svako x u regresiji. Sintaksa: STEYX(Known_y's.0062 b0 Dijagram rasipanja eksperimentalnih tačaka i regresiona prava su dati na slici uz primer.463x + 74.i iz njih koeficijent α: α= b1 = 0. Funkcija se nalazi u statističkim funkcijama. 104 102 100 98 96 94 92 90 88 86 84 30 40 50 60 70 Series1 Linear (Series1) y = 0.

Ako parametar b1 izrazimo preko koeficijenta korelacije rxy. (8.7a): b1 = rxy sy sx dobijamo da je koeficijent determinacije jednak kvadratu koeficijenta korelacije: 2 R 2 = rxy ili R = R 2 = rxy što smo. ne daje (za razliku od rxy) informaciju o tome da li Y opada ili raste sa x.14 b ) ∑(y i − y) ∑(y i =1 = ∑b i =1 n i =1 n 2 1 ( xi − x ) 2 i − y) 2 ∑(y − y) 2 2 sx =b 2 sy 2 1 (6.19). 98 .20) 2 2 gde su s x .Koeficijent determinacije i koeficijent korelacije Koeficijent determinacije. ali pošto je uvek pozitivan. pomoću Jedn. u slučaju pravolinijske zavisnosti dobija oblik: R = 2 ∑(y i =1 n i =1 n rac i − y)2 = 2 ∑ (b i =1 n n 0 + b1 xi − y ) 2 i ( 9. U slučaju linearne zavisnosti Y od x. s y srednji kvadrati odstupanja (6. R 2 dakle daje jačinu linearne veze. s obzirom na značenje tih koeficijenata mogli da očekujemo. kao opšta mera jačine veze između Y i x.

18): Iz izloženog sledi. a c0 i c1 koeficijenti. i =1..1 dobijamo kada u Jedn. Sa pretpostavkama navedenim u prethodnom poglavlju.1 (6.2 upoznali. zamenimo njenu ocenu s2: y 2 sb j = c j s 2 .1 definisani jednačinama (6.1 sa disperzijama: 2 σb1 = (6. tj. Formule (6.1 linearne kombinacije slučajnih promenljivih Yi. Kao što smo se u Pogl. može se pokazati da uzorački regresioni koeficijenti imaju normalne raspodele: Bj: N (β j .21a.6.2. j = 0.b) ima raspodelu N (0. i = 1.24) gde je statistika S definisana jednačinom (6.1).57) i (2. statistika Bj. to dalje znači da bezdimenziona statistika: T= B j − M (B j ) Sb j = Bj − β j cj S .2.21b) 2 gde je s x srednji kvadrat odstupanja (6.16) ili (6. definisani samim jednačinama (6. j = 0.. (6.. ima t .1 (6. j = 0.58). n i tako relacije (6.21a) 2 σb0 = ∑x i =1 2 i 2 x n(n − 1) s σ 2 = c0 σ 2 y y (6.10)..21a-b) slede iz osobine linearnosti normalne raspodele.raspodelu sa d=n-2 99 .17). j = 0. zahteva poznavanje raspodela njihovih ocena.. 2 Ocene disperzija uzoračkih regresionih koeficijenata sb j . j = 0.21a-b) umesto disperzije σ 2 zavisno promenljive.21.14a. tj. 6.5 Intervali poverenja odsečka i nagiba Određivanje intervala poverenja odsečka β0 i nagiba β1 u pravolinijskoj regresionoj funkciji (6.21a-b). σ y ). j = 0.22) koja se računa formulom (6. da standardizovana slučajna veličina: Z= B j − M (B j ) σb j = Bj − β j cj σy ..1 (6. koje prema pretpostavkama imaju raspodele: Yi: N (β0 + β1 xi . iz jednačina (2.b) pokazuju da su statistike Bj. j = 0.16). 6.n.21) σ2 y (n − 1) s 2 x n = c1σ 2 y (6.. j = 0. σb j ).23) gde su koeficijenti cj.1.

Sada imamo sve što je neophodno. 100 95 90 85 80 75 70 45 50 55 60 x 65 70 75 y 100 .α s c j . da bi mogli da definišemo intervale poverenja teorijskih regresionih koeficijenata.stepeni slobode.1 (6.25) Primer 6. sa nivoom poverenja γ = 1-α: − t n − 2. j = 0. 95%.α s c j + b j < β j < b j + t n − 2.3 Za uzorak od 12 studenata dati su u tabeli brojevi poena osvojeni u testu inteligencije (x) i brojevi poena osvojeni na ispitu iz hemije (y): x: y: 50 74 50 76 55 76 55 85 55 81 55 74 65 85 65 90 65 94 70 87 70 98 70 91 a) Izračunati nagib i odsečak u empirijskoj pravolinijskoj zavisnosti y = b0 + b1 x b) Proceniti jačinu linearne veze c) Dati intervalne ocene za prave regresione koeficijente β0 i β1 sa nivoom pouzdanosti Rešenje a) Nagi i odsečak se izračunaju pomoću funkcija SLOPE i INTERCEPT.

odnosno koeficijent determinacije Sintaksa: RSQ(Known_y's. 101 .8. prema Tab.niz ili skup nezvavisnih pojedinačnih podataka Koeficijent korelacije.4% ukupne varijacije u bodovima ostvarenim na ispitu iz hemije objašnjeno varijacijama u broju bodova osvojenih u testu inteligencije (varijacija objašnjena regresionom jednačinom). kao mera jačine linearne veze može se izračunati kao koren koeficijenta determinacije ili pomoću funkcije PEARSON: (jaka linearna veza.b) Izračunaju se srednji kvadrati odstupanja pomoću funkcije STDEV : a onda pomoću funkcije RSQ se izračunava koeficijent determinacije: Rezultat funkcije RSQ je kvadrat Pirsonovog koeficijenta korelacije. Known_x's) Known_y's – niz ili skup zavisnih pojedinačnih podataka.1) Na osnovu vrednosti koeficijenta determinacije.6% ukupne varijacije u bodovima ostvarenim na ispitu je neobjašnjen. Ostatak od 25. možemo da konstatujemo da je 74. Known_x's .

526 < β1 < 1.1 j = 0.c) Za izračunavanje itervala poverenja (6.26) (6.486 ⋅10 −3 = 0. 102 .27) H1 : β j ≠ β0j .319 ⋅ 5.605 t10.508.18). 0.05 s c1 = 2.486 ⋅10 −3 2 (n − 1) s x Za date podatke pomoću funkcije TINV izračunava se t vrednost: i poluširine intervala poverenja regresionih koeficijenata su: t10.228 ⋅ 4. potrebna je ocena standardnog odstupanja vrednosti Y. Imajući u vidu (Pogl.228 ⋅ 4.371 Konačno.25) sa nivoom poverenja γ = 1 .508 = 22. 12 ⋅11⋅ 61.0.65.5) da interval poverenja regresionog koeficijenta (6.174 c1 = 1 = 1. koja se dobija kao koren srednjeg kvadrata odstupanja dobijene empirijske jednačine od eksperimentalnih tačaka (6.05 s c0 = 2.1 (6.44 < β0 < 52. uključujući i njegove granice. c0 = ∑x i =1 n 2 i 2 x n(n − 1) s = 44470 = 5.268 6. 7.319 ⋅ 1. nasuprot hipoteza: j = 0. odnosno pomoću funkcije STEYX Dalje.6 Testiranje hipoteza u vezi sa odsečkom i nagibom Proveravamo hipoteze: H 0 : β j = β0j . traženi intervali poverenja su: 7. treba izračunati koeficijenti c0 i c1.α.0.25).

33) Pošto izračunamo odsečak A i nagib B iz vrednosti novih promenljivih. j = 0. A = log a.. i = 1. j = 0. b1 ) (6. b0 .29).1 (6. se može linearizovati logaritmovanjem: (6.1 ili.1 predstavlja oblast prihvatanja nulte hipoteze (6. vi = log xi.α s c j . Na primer kod pravolinijske regresije.2. j = 0.α . oblast odbacivanja te hipoteze uz rizik prve vrste α.30) nema oblik (6. samo ako je formula linearna po parametrima.7) za izračunavanje parametara u nekoj dvoparametarskoj empirijskoj formuli.31) log y = log a + b log x i smenom promenljivih: z = log y. normalne jednačine su nelinearne i njihovo rešavanje nije jednostavno.n 103 .. funkcije ϕ0(x) i ϕ1(x) su: ϕ0 ( x) = 1.7 Linearizovane dvoparametarske empirijske formule Može se pokazati da su normalne jednačine (6.α s c j .26) 6.29) gde su ϕ0(x) i ϕ1(x) bilo kakve funkcije. kad god je to moguće. što kao rezultat daje linearnu formulu po novim promenljivima v i z: z = A + Bv. biće..26). b j − β j > t n − 2. zi = log yi. u kojima ne figurišu nepoznati parametri.28) Relacija (6.b j − β j ≤ t n −2. B=b (6. Da bi se računski problemi olakšali pristupa se. “ispravljanju” ili linearizaciji jednačine. što je ekvivalentno: tj = bj − β j s cj > t n − 2. ϕ1 ( x) = x Ako dvoparametarska empirijska formula: y = f ( x. formula: y = ax b gde su a i b parametri. Na primer. linearne.28) daje kriterijume odbacivanja hipoteza (6. a to znači da ima oblik: y = b0 ϕ0 ( x) + b1ϕ1 ( x) (6.. v = log x. pogodnom smenom promenjivih.

ucrtane su eksperimentalne tačke (xi.5 Odabrati formu dvoparametarske empirijske jednačine koja opisuje zavisnost y od x. rigorozna statistička analiza linearizovane formule je nemoguća ili vrlo otežana.2 134. prema (6. yi).1 date su smene promenljivih za linearizaciju nekih dvoparametarskih neliearnih formula. B = lnb 4. y = a ⋅ x b 5.3 134. x 1 2 3 4 5 6 7 y 62.02294 0. jer neophodne pretpostavke. Zamišljena linija. y = y = a + bv x a + bx z = a + bx z = A + bv gde je A = lna z = A + Bx gde je A = lna. koje važe za originalnu zavisno promenljivu (Pogl.03142 0.05189 Rešenje Na slici 1. uz primer.04405 0.7. i = 1.4) zbog izvedene transformacije.01610 0. y = a + 3.2 grafici datih nelinearnih funkcija.5 127.6. z = ln y z = ln y Primer 6..02740 0.03712 0.33).9 x/y 0.Linearizacija dvoparametarskih formula formula 1.2. Na žalost... Tabela 6.6. y = a ⋅ b x v = ln x. y = smena promenljivih linearizovana formula z = a + bx 1 a + bx b x z= v= z= 1 y 1 x x y 2.6..1 . a = 10A U Tab. a na Sl.2: 104 . liči na sledeće krive na Sl. Izračunati parametre u odabranoj zavisnosti i koeficijent determinacije. koja bi približno povezivala tačke.1 87.2 109. dobijamo kao: b = B.originalne parametre a i b.6.. ne važe za novu zavisnu promenljivu.7 136. prema eksperimentalnim vrednostima datim u tabeli (prve od dve kolone).

0 0 b = 1. b = 0 .5 y 10 8 6 4 2 0 4 3 2 1 0 2 4 6 1: a = -0.2 b = 0. a = 2 x 105 .3 y = ab .. y= a + bx b = 0 . a na slici 2 uz primer ucrtane su tačke (xi.7.. b = 0.8 8 10 12 x x . a) jednačina y = x a + bx Smena koja linearizuje jednačinu je: v = x.3 1: a = -0. zi). i = 1.1 2: a = 2 3: a = -0. z = x/y U 3. koloni tabele uz primer. 12 10 5 0 -5 -10 2 1 3 1: a = -0.0 0.3 a + bx 12 10 8 x y = a + b/x.0 2. upisane su izračunate vrednosti za z = x/y.5 1.3 b = 1.2 b = 0.3 2 4 6 b = 0.4 4: a = 4 3 1 2 4 0 2 4 6 x 8 10 12 3.1 2: a = 0.04 b = 1.0 1..2..• • linije 2 i 4 familije krivih sa jednačinom: liniju 2 familije krivih sa jednačinom: y= x a + bx y = ax b Zato u uži izbor formula ulaze navedene dve.95 y 4 2 0 y 6 b = 0.1 3: a = -0.1 2: a = 2 3: a = 4 4: a = 6 4 3 y 0 2 4 6 x 8 10 12 8 10 12 1 y= .5 2.5 0.5 4: a = 0.

5 1 2 y 3 4 2 4 6 x b 8 10 12 y = ax .02000 0.2 .00000 0 2 4 x 6 8 Slika 2 uz Primer 6. a = 4 Slika 6.3 3: b = -0.3 4: b = -0.5 2: b = 0.z 106 .04000 x/y 0. 6.06000 0.05000 0.5 .Eksperimentalne tačke 0.01000 0.Tačke u koordinatama x .Grafici nelinearnih funkcija iz Tab.14 12 10 8 6 4 2 0 0 1: b = 0.1 160 140 120 100 80 60 40 20 0 0 1 2 3 4 x 5 6 7 8 y Slika 1 uz Primer 6.03000 0.5 .

010229 + 0. z = x / y.U dijagramu sa transformisanim koordinatama tačke približno leže na pravoj liniji. b = 0.Eksperimentalne tačke u koordinatama lnx-lny Parmetri u prihvaćenoj formuli se dobijaju iz parametara linearizovane jednačine: z = b0 + b1v.0056899 i eksperimentalni podaci su približno opisani jednačinom: y= x 0.0056899 x 107 .5 4.5 2 2. b = b1 Pomoću funkcija SLOPE i INTERCEPT dobija se a = 0.4 4. b) jednačina y = ax b Nove promenljive su: v = lnx. Tačke.9 4.2 4.5 Series1 z=lny Slika 3 uz Primer 6.8 4.7 4.5 1 v=lnx 1.1 4 0 0. v = x kao: a = b0 . ne leže duž neke prave i ova jednačina se odbacuje 5 4.3 4.5 .6 4.010229.z. z = lny. ucrtane u korrdinatama v .

004 -5. Primer 6.073 -2.0 0.9) računa se pomoću funkcije RSQ Dakle.62 98.5 0.54 86.02 74. 0C).98 94.018 -4. Odabrati empirijsku formulu i odrediti parametre u njoj.5 0.U tabeli su data odstupanja eksperimentalnih od računskih vrednosti.5 .41 108 .5 0.090 -2.051 -2. (x. dobijena empirijska formula objašnjava 90% od ukupnih promena u vrednostima zavisno promenljive.9 0.52 64.7 0.6 Date su eksperimentalne vrednosti specifične električne provodljivosti stakla (y) u funkciji od temperature.5 0 30. x y lny 14. ei: 160 140 120 100 80 60 40 20 0 0 1 2 3 4 x 5 6 7 8 y Slika 4 uz Primer 6.Eksperimentalne tačke i dobijena kriva Koeficijent determinacije (6.029 -3.

0.1 0.Rešenje Poređenjem izgleda zamišljene linije koja bi spajala eksperimentalne tačke na Sl. 1 uz primer.04 0.03 0.06 0. sa graficima dvoparametarskih emirijskih formula zapaža se da bi moguć adekvatan oblik formule bio: y = ab x Smenom z = lny dobija se linearna jednačina: z = lna + lnbx Smena nije primenljiva na prvu eksperimentalnu tačku jer je: ln(0) = ∞.09 0. Pošto eksperimentalne tačke u transformisanim koordinatama (Sl.07 0. uz Primer 6.Eksperimentalne tačke 109 .01 0 0 20 40 60 x 80 100 120 y Slika 1.02 0.2 uz primer) približno leže duž neke prave.6 . formula se prihvata.08 0.05 0.

nelinearnoj formuli: a = eA = 0. B = 0.897.00 -4.00 -5.00 -6. b = eB = 1.00 -3.001011.00 x Series1 y 20 40 60 80 100 120 Slika 2.00 0 -1. uz Primer 6.Eksperimentalne tačke u transformisanim koordinatama A = -6.046 x 110 .00 -2.0.046 Dobija se empirijska jednačina: y = 1.011⋅10 −3 ⋅1.4518 i parametre u polaznoj.6 .

b) Proceniti gustinu na temperaturi 74 0C c) Dati intervalnu ocenu.63 203.5 a) Ucrtavajući eksperimentalne tačke u odgovarajući koordinatni sistem. 6.05: a) u problemu 8.168 5. 0C m.14 40 27. podataka d) Izračunati koeficijente determinacije i korelacije i dati interpretaciju e) Izračunati intervalne ocene odsečka i nagiba. sa α = 0.6 Date su eksperimentalne vrednosti: x y 1.56 201. sa nivoom poverenja 0.95. b) y = + b . 0C y.1 Povezati rezultate sa značajnošću izračunatih koeficijenata korelacije.083 111 .58 200. %) na raznim temperaturama (x. pri povećanju temperature za 1 0C). uveriti se da podaci o temperaturama (t. 6. % 207.1 Meren je stepen konverzije reaktanta u reaktoru (y.194 3. 6. (kg/ l) 70 692 Odrediti odsečak sa jednom i nagib sa tri decimale u pravolinijskoj zavisnosti gustine od temperature.279 2. 0C) i odgovarajućim masenim protocima (m.95. 0C): x.95.0 0.0 0.2 Proveriti statističku značajnost nagiba regresione prave y(x) (da li je izračunati nagib značajno različit od nule). 6. sa nivoom poverenja 0. 0C 640 652 668 680 684 ρ.3 92. temperaturnog koeficijenta gustine (promena gustine.0 0.3.4 91.83 a) Uveriti se na osnovu dijagrama rasipanja da se može pretpostaviti linearna zavisnost stepena konverzije od temperature b) Izračunati sa 4 decimale odsečak i sa 3 decimale nagib regresione prave y(x) c) Izračunati srednji kvadrat odstupanja regresione prave od eksp.1 91.4 91.120 10.82 b) Dati intervalne ocene odsečka i nagiba sa nivoom pouzdanosti 0. c) = a ( x + 3) + b x y 2 2 d) y = e a x +b b  e) y =  ax +  x  −1 6. g/s) navode na zaključak da maseni protok varira linearno sa korenom temperature: m = a t +b t. b) u problemu 9.0 0.0 0.30 210.1 92.76 20 20.4 Koje smene promenljivih "ispravljaju" sledeće krivolinijske dvoparametarske zavisnosti: a 1 a) y = ax + b .73 80 38. g/s 10 14.3 Merene su gustine ρ (g/ l) neke supstance na različitim temperaturama t: a) 20 30 40 50 60 t.ZADACI 6.47 100 42.

5 40. Rezultati su dati u tabeli: x y 5 0. Izračunati.5 64.7 Pretpostavlja se da za neki gas približno važi sledeća jednačina stanja: gde su: p . m i c -parametri. η na različitim temperaturama T (K): a) Izračunati parametre u formuli: T 283 293 303 313 323 1.083 60 0.469 343 0.9 Dati su viskoziteti vode..8 a) Proveriti pretpostavku.3 71.044 40 0. v -molska zapremina. %) i očitavana vrednost na skali higrometra (y).9 105 7.656 0. Za date podatke: v.0 51.5 81.005 0.pritisak.126 80 0.801 0. 6.406 η = ae b T b) Proceniti viskozitet vode na 300K 112 .011 20 0. cm3/mol p. bar 50.308 1.8 Radi kalibracije higrometra. parametre a i b u empirijskoj jednačini: y= 1 a x +b pv m = c 6. pomoću dijagrama rasipanja b) Izračunati parametre m i c i srednje kvadratno odstupanje empirijske formule. sa tri decimale. 6.170 a) Na osnovu dijagrama rasipanja odabrati dvoparametarsku empirijsku zavisnosti y(x) b) Izračunati parametre u odabranoj formuli.2 25.7 61. variran je sadržaj vode u gasu (x.549 η 333 0.

Literatura Paunović R. maranGraphics Inc. CA. Inc. 113 . Novi Sad.. Omorjan R.. Kompjuter za početnike.. autorska skripta Božić D... 1999. Osnovi inženjerske statistike. Excel 2000 Simplified. Primatron. 2003. Foster City. IDG Books Worldwide.

Sign up to vote on this title
UsefulNot useful