TEORIJA MATEMATIKE STATISTIKE I

VJEROJATNOSTI

Skinuto sa EFAX stranica za razmjenu materijala http://www.efax.net84.net/

VJEROJATNOST
Kombinatorika je dio matematike koji prouava odreena svojstva konanih skupova
(obrauje probleme prebrojavanja,strukturu konanog skupa te konstrukcije i svojstva
njihovih podskupova).
Ako u skupu ima elemenata koji su meusobno jednaki onda se taj skup naziva
MULTISKUP.
Permutacije. Neka je S konaan skup od od n elemenata tada svaku bijekciju skupa S na
S nazivamo permutacija skupa S. Permutacija (bez ponavljanja) skupa S od n elemenata
je svaka ureena n-torka skupa S kojoj su sve komponente meusobno razliite.Dvije e
takve permutacije biti jednake ako su im odgovarajui elementi jednaki. (kutije u boji)
P(n)=n!=n(n-1)(n-2)...21 Neka skup S ima n elemenata,od kojih n1
meusobno jednakih onda emo svaku ureenu n-torku elemenata skupa P n = n!
S zvati permutacija s ponavljanjem. (br. permutacija BARBARA)
n1 n1!n 2!
Kombinacije. Neka je S konaan skup od od n razliitih elemenata.
Tada za svaki podskup od S koji ima r elemenata(r n) kaemo da je kombinacija r-tog
n razreda od n elemenata. Redosljed elemenata nije bitan.
n!
K r ( n) =
= Na koliko naina r elemenata moemo izabrati iz skupa od n
r!(n r )r! r elemenata. Kombinacije s ponavljanj.
n + r 1

r-tog razreda skupa S od n elemenata su r-lani multiskupovi koji K r ( n ) =

r

su podskupovi skupa S.
Varijacije. Neka je S konaan skup od od n elemenata tada za svaki ureen podskup od S
koji ima r elemenata kaemo da je varijacija r-tog razreda skupa S od n elemenata
(r<n).Varijaciju moemo dobiti da na formirane kombinacije primjenimo permutacije.
n
n!
Vr (n) = K r (n) P(r ) = r!=
= n(n 1)...( n r + 1) , r<n
(n r )!
r
Varijacije s ponavljanjem. Neka je S konaan skup od od n elemenata.Tada svaka
ureena r-torka elemenata skupa S ini varijaciju s ponavljanjem r-tog razreda skupa od
n elemenata. Vr (n) = n r (od slova A i B form.sve ifre s 3 slova =8)
Vjerojatnost dogaaja. Funkcija P:A R definirana na algebri A s vrijednostima u
skupu realnih brojeva R naziva se vjerojatnost na algebru A ako vrijedi: 1) za svaki
A A P(A) 0 (nenegativnost) 2) P( )=1 (normiranost) 3) A A, B A, A B=0
P(A B)=P(A)+ P(B) (aditivnost) Za broj P(A) R kaemo da je vjerojatnost dog. A.
A
n
Klasina vjerojatnost: P( A) = lim A , P(A)=

n n
Neka je skup svih moguih ishoda i A algebra dogaaja. Tada funkciju X: R
nazivamo sluajnom varijablom ako za svaki x R vrijedi:
Ax = { : X ( ) (, x)} A
Uvijetna vjerojatnost. Preslikavanje funkcije P iz algebre dogaaja A u skup R (P:A R)
i B A, P(B)>0 tada je uvijetna vjerojatnost funkcija:
P( A B)
P( B ): A R , P( A B )=
. Broj P(A|B) je vjerojatnost da e nastupiti dog.A ako
P( B )
je nastupio dog.B. B je pretpostavljeni dogaaj ili dogaaj hipoteze.
-2-

Uvijetna svojstva: 1) Neka su A A, B A nezavisni dogaaji i P(A)>0 i P(B)>0. Tada

je: P(A|B)=P(A) i P(B|A)=P(B) 2) Neka su A A, B A bilo koja dva nezavisna
dogaaja,takva da vrijedi P(A)>0 i P(B)>0 tada zbog svojstva komutativnosti presjeka
dogaaja A i B ( A B = B A) dobivamo P ( A B ) = P(A)P(B|A)-P(B)P(A|B)
3) Neka je P:A R vjerojatnosti na algebri A i neka skup B= {B1 , B2 ,...Bn } ini potpunu
familiju dogaaja u A.Tada za proizvoljni dogaaj A A vrijedi formula potpune
vjerojatnosti koja ima oblik P( A) = i =1 P(Bi ) P ( A Bi ) ili Bayesova formula
n

P(Bk A) =

P ( B k ) P ( A Bk )

P (B ) P ( A B )
n

i =1

k=1,2,...,n

Funkcija razdiobe.Funkciju F:R R definiranu s F(x)=P(X x) nazivamo funkcija

razdiobe ili funkcija distribucije vjerojatnosti sluajne varijable X. Sluajna varijabla x
je diskretna R(x)={ x1 , x 2 ...} ako je skup njezini vrijednosti prebrojiv i ako za svaki

xi R (x) s pripadnom vrijednou P(x= xi )=p( xi )= pi 0 vrijedi da je suma

= 1.

Skup svih parova ( xi , pi ) ine diskretnu razdiobu vjeroj. sluajne varijable x.

Diskretna varijabla. Sluajna varijabla X je diskretna ako postoji prebrojiv skup A
takav je P(X A)=1.
Numerike karakteristike diskretne sluajne varijable.
Matematiko oekivanje. Neka je X diskretna sluajna varijabla sa skupom vrijednosti
R(x)={ x1 , x 2 ...} s odgovarajuim vjerojatnostima P(X= xi )= pi 0, xi R (x) i ako je
sljedei red konvergentan

x i pi tada broj E [X ] = i =1 xi pi nazivamo matematiko

i =1

oekivanje ili sredina sluajne varijable X.

Varijanca pokazuje veliinu rasipanja sluajne varijable oko matematikog oekivanja.
Neka je X diskretna sluajna varijabla sa skupom vrijednosti R(x)={ x1 , x 2 ...} i pripadnim

vjerojatnostima pi = P ( X = xi ) tada kaemo da je broj V [x ] = E ( x E [x ])

ili disperzija sluajne varijable x u odnosu na matem.oekivanje E [X ] .

] varijanca

[ ]

V [x ] = E x 2 ( E [x]) 2
Stand.devijacija. Kao mjera odstupanja sluajne varijable X od matem.oekivanja E [X ]

uzima se broj = V [x] koji nazivamo standardna devijacija ili srednje kvadratno
odstupanje sluajne varijable X.
Momenti diskretne sluajne varijable. Neka je x diskretna sluajna varijabla tada broj
r [X ] = E ( X E [ X ])r r=0,1,2,... nazivamo centralni moment r-tog reda sluajne
varijable X u odnosu na matematiko oekivanje E [X ] .

Centralni moment treeg reda 3 [ X ] = E ( X E [ X ])3 ponitava se za sluajnu

varijablu,ija je razdioba vjerojatnosti simetrina u odnosu na oekivanje E [X ] . Zato broj

-3-

3
, = V [X ] nazivamo koeficijent asimetrije. Ako je K=0 onda je razdioba
3

simetrina u odnosu na matematiko oekivanje. Broj E= 44 3 gdje je

4
4 = E [( X E [X ]) ] nazivamo koeficijent spljotenosti ili eksces pripadne razdiobe.
Binomna razdioba X~B(p,n). Za diskretnu sluajnu varijablu X iji je skup vrijednosti
n
R(x)={0,1,2,...,n} s pripadnim vrijednostima P( x = k ) = p k = p k q n k ili
k
n
nk
P( x = k ) = p k = p k (1 p ) (Bernullijeva form. ) kaemo da ima binomnu
k

razdiobu s parametrima n i p (n N, 0<p<1). Binomna razdioba je najznaajnija izmeu
svih zakona razdioba diskretne sluajne varijable.Binomnu razdiobu ima sluajna
varijabla koja oznaava broj pogrenih mjerenja u "n" mjerenja ili broj neispravnih

K=

proizvoda iz skupa od n proizvoda.

n k +1 p
Rekurzivna formula: p k =
p k 1
k
q
x
n
Funkcija razdiobe: F(X)= p k = p k q n k
kx
k =0 k
Matematii izvodi: Matem.oekivanje: E [ X ] =np , Varijacija: V [X ] =npq ,
1 6p q
pq
Koef.asimetrije: K=
, Spljotenost: E=
n pq
n pq

Poissonova razdioba X~P(). Ako u Binomnoj razdiobi B(n,p) napravimo granini

prijelaz n uz uvijet da je produkt np ( p=p(n), p ovisi od n),onda dobivamo
Poissonovu razdiobu. Za diskretnu sluajnu varijablu X iji je skup vrijednosti

R(x)={0,1,2,...,n,...}=N {0} s pripadnim vrijednostima p k =

e kaemo da ima

k!
Poissonovu razdiobu s parametrom . Za n dovoljno velik i p potrebno malen binomnu
razdiobu moemo aproksimirati Poissonovom. U praksi se obino uzima np 10 a n>50
ali aproksimacija je bolja to je n vei a p manji, moemo pisati:
n k n k k
p q
e , np= 10 , n>50
k!
k

Funkcija razdiobe: F(x)= p k =

e Rekurzivna form.: p k =

p k 1
k
k!
Matematii izvodi: Matem.oekivanje: E [X ] = , Varijacija: V [X ] = , Koef.asimetrije:
k<x

K=

k =0

1
, Spljotenost: E=

-4-

Hipergeometrijska razdiobaX~H(n,m,d). Za diskretnu sluajnu varijablu X iji je skup

d n d

[
A] k m k
vrijednosti R(x)={0,1,2,...,m} s pripadnim vrijednostima p k =
=
,
[]
n

m
k R(X) kaemo da ima hipergeometrijsku razdiobu s parametrima n,m,k gdje je
n,m,k N, k m d<n .Neka je S skup od n elemenata (proizvoda) takav da d n
elemenata tog skupa ima obiljeje D (neispravni proizvodi),a n-d ima obiljeje D C
(ispravni proizv.).Pokus se sastoji u sluajnom izboru m d elemenata iz skupa S. Ako je
A dogaaj: "u promatranoj m-torki ima k elemenata s obiljejem D",onda odgovarajua
diskretna sluajna varijabla X ima vrijednosti u skupu R(x)={0,1,2,...,m}. Traiemo
vjerojatnost da u m-torki ima k elemenata s obiljejem D i biljeiti vrijednost
P(X=k)= p k .
d n d

k m k

Funkcija razdiobe: F ( x) = p k =
n
kx
k =0

m
(d k + 1)(m k + 1) p
Rekurzivna funkcija: p k =
k 1
k (n d m + k )
d
Matematii izvodi: Matem.oekivanje: E [X ] = m ,
n
d nd nm
Varijacija: V [X ] = m
,

n
n
n 1
Kontinuirana razdioba.Za sluajnu varijablu X kaemo da je kontinuirana sluajna
varijabla ako postoji integrabilna funkcija f :R R ,takva da je f(x) 0 za svaki x R(x) i
x

f ( x)dx = 1 . Iz funkcije gustoe izraunava se funkcija razdiobe vjerojatnosti:

F(x)=P(X x)= f (t )dt . Tada funkciju f nazivamo funkcija gustoe vjerojatnosti

sluajne varijable X a njezin graf nazivamo krivulja gustoe.

a) Krivulja gustoe
b)Vrijednost funkcije
razdiobe vjerojatnosti
F jednaka je povrini
ispod krivulje gustoe
do toke x.

Pretpostavimo sada da je X sluajna varijabla kojoj je skup vrijednosti R(X) neki

interval realnih brojeva (R(X)=(a,b) R) ili skup svih realnih brojevi
(R(X)=(- , ) R).Sluajna varijabla X moe primiti sve vrijednosti iz nekog

-5-

neprebrojivog, neprekinutog (kontinuiranog) podskupa (intervala) skupa realnih brojeva.

To znai da ne moemo sastaviti popis svih moguih vrijednosti sluajne varijable X. Pri
tome je vjerojatnost za svaku vrijednost sluajne varijable jednaka nuli, tj. P(X=x) =0 za
svaki x R(x).Zato nema smisla govoriti o vjerojatnostima pojedinih vrijednosti
varijable X, ve samo o vjerojatnostima intervala ( x1 , x2 ) R(x) tj. P( x1 <X< x 2 ).
Numerike karakteristike kontinuirane sluajne varijable. Neka je X kontinuirana
sluajna varijabla s pripadnom funkcijom gustoe f i neka postoji integral

[x] f ( x)dx <

tada broj E [x ] = xf ( x)dx nazivamo matematiko oekivanje

kontinuirane sluajne varijable X.

2
2
Varijanca: V [x ] = E ( x E [x]) = E x 2 (E [X ]) , Stand.devijacija: = V [x]

Koef.asimetrije: K=

4 = E ( X E [ X ])4

3
, 3
3

] [ ]

= E [( X E [ X ]) ] , Spljotenost: E=

-6-

4
4

Normalna razd. (Gaussova) -najvanija i najea kontinuirana razdioba koju

susreemo u teoriji i primjeni o vjeroj. i mat.statist. i zbog njenih prirod.svojstava druge
se razd. kad god je mogue aproksimiraju normalnom.
Za kontinuiranu sluajnu varijablu X s
pripadnom funkc. gustoe
(x )2
1
, x R ,
f ( x) =
exp
2 2
2

= E[x ] , e=2,718...

= 3,14 .. kaemo da
ima Normalnu ili Gaussovu razdiobu sa
parametrima i te piemo: X~N ( , 2 ).
Funkcija razdiobe:
X~N (0,1) ( x) =

x2
exp , xeR
2
2
1

( x) = ( x)
E [x ] =
V [x ] = 2

K= 0 E= 0

Uniformna razdioba. Za kontinuiranu sluajnu varijablu X s pripadnom funkcijom

gustoe:
0,
xa
1
f ( x) =
,0 < x < b
b a b x
0,
kaemo da ima uniformnu razdiobu s
parametrima a i b u oznaci X~U (a,b).
Funkcija razdiobe:
0,
xa
x a
f ( x) =
,0 < x < b
b

bx
1,
( a + b) 2
a+b
V [x ] =
E [x ] =
2
12

Gama razdioba . Neka je pozitivni broj tada funkciju odreenu nepravim integralom

( ) = x 1 e x dx nazivamo gama funkcija. ( ) = ( 1)( 1) , (1) = 1

0

Funkcija gustoe: f ( x) =

x 1 e x , = 1
( )

(eksponencijalna)
3
Npr. = (1.5) = Tablica V
2

-7-

Eksponencijalna razdioba X~Ex ( ).Za kontinuiranu sluajnu varijablu X s pripadnom

funkcijom gustoe:
0, x 0
f ( x) =
x
e , 0 < x
kaemo da ima eksponencijalnu razdiobu s parametrom
te piemo X~Ex ( ).
Funkcija razdiobe:
0, x 0
f ( x) = x
1 e , x > 0
1
2
1
E [X ] = , E x 2 = 2 , V [x ] = 2

[ ]

Ekspon.razd.koristi se kod rijeavanja mnogih problema

masovnih usluga u operacijskim istraivanjima, fizici,
biologiji i dr.Primenjenim istraivanjima.Ispitivanje
vijeka trajanja otpornika,arulja...
Hi kvadrat razdiobe X~ x 2 (n).Ovo je razdioba koja se esto koristi u teoriji
stat.zakljuivanja,osobito kod usporedbe empirijskih i teorijskih frekvencija te procjene
varijance obiljeja iz normalne razdiobe i dr.testova. Neka je k prirodan broj n N tada
za kontinuiranu sluajnu varijablu X s pripadnom
n
x

1
funkcijom gustoe : kaemo da ima x 2 razdiobu
x2 e 2 x > 0
n
vjerojatnosti s parametrom n te piemo X~ x 2 (n).
f ( x) = 2
,
2 (n 2)
x 0 Parametar n zovemo broj stupnjeva slobode

sluajne varijable X.
Matem.oekivanje: E [X ] =n Varijanca: V [X ] =2n Stad.devijacija: = V [x]
8
12 3n
, Spljotenost: E=
n
n
Studentova T razdioba X~t(n). Za kontinuiranu sluajnu varijablu X s pripadnom
n + 1
n +1

2
2

x
2
1 + gdje je n N ,kaemo da ima
funkcijom gustoe f ( x) =
n
n
n
2
Studentovu t-razdiobu s parametrom n,te piemo X~t(n).Parametar n zovemo broj
stupnjeva slobode od X. Koristi se u statistikim istraivanjima koja se odnose na male
uzorke npr.u vezi s proraunavanjem procjene
oekivanja normalnih sluajnih varijabli i testiranje
hipoteza. Matem.oekivanje: E [X ] = 0 ,n>1,
n
Varijanca: V [X ] =
, n > 2 Koef asimetrije: K=0
n2
Koef.spljotenosti: E<0

Koef.asimetrije: K=

-8-

STATISTIKA
Statistiki skup S. Skup elemenata koje statistika prouava nazivamo statistiki skup ili
osnovni skup ili populacija koji emo oznaiti sa S. Ukupan broj elemenata statistikog
skupa S nazivamo total i oznaavamo ga s N, tj. |S|=N. Svojstvo po kojemu se elementi
statistikog skupa razlikuju ili jedan drugom nalikuju nazivamo statistiko obiljeje ili
samo obiljeje. Vrijednost obiljeja u pravilu su numerike vrijednosti dobivene
mjerenjem ili nekim drugim pokusom (eksperimentom), a dobiveni niz brojeva
{ x1 , x 2 , x3 ... x n }nazivamo skupom statistikih podataka ili empirijskih podataka
odnosno empirijska razdioba. Prema svojstvu obiljeja elemenata statistiki skup
moe biti kontinuirani ili diskretni statistiki skup. Kaemo daje statistiki skup
diskretan ako njegova obiljeja koja oznaavamo s X primaju konani ili beskonani niz
vrijednosti x1 , x 2 ... Kaemo da je statistiki skup kontinuiran ako njegova obiljeja X
mogu primiti svaku vrijednost iz nekog intervala (a, b) R.
Razdioba frekvencija. Promatramo li neke empirijske podatke, esto moemo uoiti da
medu njima ima i jednakih vrijednosti. Prvo to treba uiniti je sreivanje podataka tako
da ih grupiramo u razrede. Ako je podruje rasipanja vrijednosti obiljeja X razliito,
onda u jedan razred stavljamo sve vrijednosti obiljeja x X koje pripadaju
odgovarajuem intervalu <a,b> (vrijedi a x b). Predstavnika (reprezenta) dobijemo
a + bi
, i =1,2,...m. Neka je S statistiki skup od N
aritmetikom sredinom xi = i
2
elemenata (tj. |S|=N). Kaemo da je f i apsolutna frekvencija i-tog razreda ako u tom
1
razredu ima f i elemenata statistikog skupa. Broj pi = f ri =
f i i=1,2,...,m
N
nazivamo relativna frekvencija i-tog razreda. Tada esto kaemo da je S statistiki skup
s grupiranim elementima. Suma svih apsolutnih frekvencija jednaka je ukupnom broju
elemenata statistikog skupa i =1 fi = N zbog ega vrijedi i =1 fri = 1 gdje je f i
m

apsolutna frkvencija i-tog razreda, m broj razreda,a N broj elemenata statistikog skupa.
Ako elemente statistikog skupa grupiramo u razrede i odredimo pripadne frekvencije,
onda kaemo da smo definirali razdiobu (distribuciju) frekvencija.
Za empirijsku razdiobu {( xi , f ri ), i = 1,2,..., m}
x1 x2 ... xm

= f1 f 2 ... f m = {(xi , f i ) i = 1,..., m} kaemo da je priblino distributivna nekoj

teorijskoj razdiobi (binomnoj, normalnoj i dr.),
p p ... p
m
1 2
ako se njen poligon frekvencija priblino
podudara s krivuljom odgovarajue teorijske razdiobe.Odreeni uvid u zakonitost
razdioba frekvencije daje kumulativna funkcija koja je je definirana kao suma
f
t R, K (t ) = x ili t R, K (t ) = f rx .
x t
x t N
Graf kumulativne funkcije izgleda kao i graf distribucije
(stepenasto).

-9-

Srednje vrijednosti statistikog niza. Srednje vrijednosti su konstante kojima se

predstavlja niz varijabilnih podataka (mjere centralne tendencije).Dijele se na potpune i
poloajne. Poloajna srednja vrijednost odreena je mjestom u nizu. Potpune srednje
vrijednosti osjetljive su na ekstremno male i ekstremno velike vrijednosti.Najvanije
potpune srednje vrijednosti su aritmetika,geometrijska i harmonijska sredina a poloajne
su mod i medijan.Specifine srednje vrijednosti su i momenti.Izbor srednje vrijednosti
ovisi od sluaja do sluaja,vrsti statistikog obiljeja,odnosno vrsti niza podataka.
Aritmetika sredina.Neka je S = {x1 , x 2 ,..., x N } statistiki skup. Tada za broj
1 m
xi kaemo daje aritmetika sredina (prosjek) statistikog skupa.
N i =1
Izraunava se u vidu jednostavne ili vagane (ponderirana)
Jednostavne primenjuje se kad je rije o negrupiranim kvantitativnim podacima.
Vagana primenjuje se kod grupiranih podataka pri emu se iz pondere uzimaju
apsolutne ili relativne frekvencije.
Geometrijska sredina. Neka je S = {x1 , x 2 ,..., x N } statistiki skup. Tada za broj
x=

G = N x1 x 2 x N kaemo daje geometrijska sredina statistikog skupa S.

N

Jednostavna G = N xi , xi >0 i
i =1

Vagana G = N x1 x 2 ...x k
f1

f2

fk

N = fi
i =1

Harmonijska sredina. Neka je S = {x1 , x 2 ,..., x N } statistiki skup. Tada za broj kaemo
daje harmonijska sredina statistikog skupa S.
N
H=
Za
aritmetiku sredinu x ,geometrijsku sredinu G i
1 1
1
+ + ... +
harmonijsku
sredinu H statistikog skupa S vrijedi sljedea
x1 x2
xN
relacija H G x .Harmonijska sredina se najee
upotrebljava kao sredina kod omjernih brojeva (razlomaka.)
k

Jednostavna: H =

N
N

x
i =1

Vagana: H =

f
i =1
k

fi

x
i =1

Medijan je poloajna srednja vrijednost koja numeriki niz ureen po veliini dijeli na
dva jednakobrojna dijela.Medijan se ubraja meu kvantile a KVANTILI su vrijednosti
numerike varijable koje ureen numeriki niz dijeli na jednake
x + xr +1
dijelove. Ako se kvantilni niz dijeli na 4 jednakobrojna dijela onda se
Me = r
2
oni zovu KVARTILI.
Medijan numeriki niz ureen po veliini dijeli na pola.
Neka je S = {x1 , x 2 ,..., x N } statistiki skup s N elemenata (|S| = N),ureen po veliini.

N +1

xj,
N = neparan, j = 2

Tada za broj Me = 1
N
2 ( x j + x j +1 ), N = paran, j =
2

kaemo da je medijan ili sredinji element statistikog skupa S.

- 10 -

DECILI ralanjuju numeriki niz ureen po veliini na 10 jednakih dijelova,a PERCILI

na 100.
Interpolacijska formula (kad su zadani podaci u razredima tonosti)
N ukupan broj podataka
N
L1-donja granica medijalnog razreda
f1
i-veliina razreda
Me = L1 + 2
i
f med
fi -vrijedn. kumulativnog niza od broja iznad
Mod (Mo) statistikog skupa S je vrijednost obiljeja (varijable) s najveom
frekvencijom (uestalou), tj. Mo = x j ako je f i = max f i ; i = 1,..., m .

Ako je statistiki skup zadan empirijskom razdiobom grupiranom u razrede, onda se

mod Mo izraunava na sljedei nain:
f k f k 1
gdje je L donja granica modalnog razreda s
Mo = L +
d
( f k f k 1 ) + ( f k f k +1 )
najveom frekvencijom, f k je frekvencija
modalnog razreda, a f k 1 i f k +1 su frekvencije razreda ispred i iza modalnog razreda, dok
je d veliina razreda.
Mod je poloaj srednje vrijednosti tj.predstavlja vrijednost ili modalitet koji se najee
pojavljuje u nizu podataka. To je kategorija (rang) varijable s najveom frekvencijom.
Mod postoji samo ako u nizu podataka imamo samo dva jednaka podatka.
Kvartili Qi , i=1,2,3 su vrijednosti obiljeja koja ureen statistiki skup S dijele na
etiri jednaka dijela. Postoje tri kvartila i to: donji ili prvi kvartil Q1 , medijan ili drugi
kvartil Q2 = Me i gornji ili trei kvartil Q3 .
Ako je S = {x1 , x 2 ,..., x N } ureen statistiki skup, onda se donji kvartil Q1 i gornji
kvartil Q3 odreuju pomou sljedeih formula:
N
N
3N
3N
xj,
Z, j = +1
Z, j =
+1

4
4
4
Q3 = x j + x j +1 4
N
N
3N
3N

Z, j =
Z, j =
2
4
4
4
4
gdje je Z oznaka za skup cijelih brojeva.
Donji kvartil Q1 dijeli skup S na dva dijela tako da se u prvom dijelu nalazi 1/4
elemenata s vrijednostima koje su manje ili jednake kvartilu Q1 , dok je u drugom dijelu
3/4 ostalih elemenata koji su vei od kvartila Q1 . Trei kvartil Q3 dijeli skup S na dva
dijela tako da se u prvom dijelu nalazi 3/4 elemenata koji su jednaki ili manji od gornjeg
kvartila Q3 , dok je ostalih 1/4 elemenata vee od kvartila Q3 .
Mjere rasprenja statistikog kupa. Raspon varijacije statistikog skupa S je razlika
izmeu najvee i najmanje vrijednosti obiljeja i pie se Rv = x max x min .
Glavni nedostatak raspona kao mjere rasipanja podataka sastoji se u tome to raspon ovisi
samo o ekstremnim vrijednostima obiljeja.
Da bi se otklonio navedeni nedostatak, uvest emo novu mjeru - razliku kvartila Q3 i Q1
koja iz ureenog statistikog skupa odbacuje etvrtinu najmanjih i etvrtinu najveih
vrijednosti statistikog skupa.
xj,

Q1 = x j + x j +1

- 11 -

Interkvartil Iq ureenog statistikog skupa je razlika izmeu gornjeg i donjeg kvartila,

Iq = Q3 - Q1 .Ako se razlika gornjeg i donjeg kvartila podijeli zbrojem gornjeg i donjeg
kvartila ureenog statistikog skupa S, onda se dobije koeficijent kvartilne devijacije
Q Q1
Kq i pie se K q = 3
. Vrijednost Kq nalazi se izmeu nule i jedan. Za Kq = 0 skup
Q3 + Q1
S nema rasprenja, a za poveanje rasprenja Kq se pribliava jedinici.
Varijanca.Neka je S = {x1 , x 2 ,..., x N } statistiki skup, a x njegova aritmetika sredina.
1 n
2
(xi x ) kaemo da je varijanca ili disperzija statistikog skupa S.
N i =1
Standardna devijacija. Pozitivni drugi korjen iz varijance 2 je standardna devijacija ili
srednje kvadratno odsupanje od aritmetike
sredine x i vrijedi:
m
1 n
=
( xi x ) 2 = f ri ( xi x ) 2 Standardna devijacija je mjera varijabilnosti

N i =1
i =1
iste dimenzije kao varijabla x i predstavlja
prosjeno odstupanje varijabli xi od aritmetike sredine x .
Za usporeivanje dviju razdioba razliite rasprenosti osim standardne devijacije
potrebno je izraunati i relativnu mjeru varijance koju nazivamo koeficijent varijacije.
Koeficijent varijacije V jednak je kvocijentu standardne devijacije i aritmetike

Za broj 2 =

sredine x , tj. V=

.
x
Standardna devijacija je apsolutna mjera, a koeficijent varijacije relativna mjera varijance
statistikog skupa. Za empirijske razdiobe koje su distribuirane priblino po normalnoj
razdiobi vrijedi ope pravilo obuhvata elemenata statistikog skupa po intervalima:
u intervalu ( x - , x + ) nalazi se priblino 68% elemenata;
u intervalu ( x -2 , x +2 ) nalazi se priblino 95% elemenata;
u intervalu ( x -3 , x +3 ) nalazi se priblino 99% elemenata.
Mjere oblika.U statistikoj analizi esto je potrebno prouiti oblike krivulja koje
prikazuju neku razdiobu. Zato nam je potrebno odrediti koeficijent asimetrije K i
koeficijent spljotenosti (eksces) , koji su definirani formulama:

k=

i = 44 3 .Za diskretnu sluajnu varijablu se odreuju centralni momenti r3

1 n
( xi x ) 2 ,r=3,4

n i =1
Neka je zadan statistiki skup S s grupiranim elementima tako da imamo
= {(xi , f i ) : i = 1,2,..., m}, f1 + f 2 + ... + f m = n tada centralni momenti 3 i 4 te
koeficijenti oblika K i izraunavaju pomou formula:
f ( xi x ) r
f ( xi x ) 3

i i
i i
, r=3,4 k =
, i f i = n
r =
3 i f i
i f i

tog reda, u ovom sluaju r = 3,4. Tako da vrijedi: r =

f i ( xi x ) 4

4 i f i

, i f i = n

- 12 -

Koeficijent asimetrije K je standardizirana mjera asimetrinosti razdiobe. Za simetrine

razdiobe koeficijent asimetrije jednak je nuli, tj. K = 0. Ako je K izvan intervala [-2,2],
onda kaemo da je razdioba izrazito asimetrina. Obino za -1/2 < K < 1/2 kaemo da je
razdioba blago asimetrina, a za ostale K (-2,2) kaemo da je umjereno asimetrina. Za
K > 0 kaemo da je razdioba pozitivno asimetrina, a za K< 0 razdioba je negativno
simetrina.

Koeficijent spljotenosti usporeuje zaobljenost vrha razdiobe prema zaobljenosti vrha

normalne razdiobe, tako da za normalnu razdiobu ima = 0. Ako je > 0, onda je
pripadna razdioba iljastija od normalne razdiobe, a za < 0 pripadna razdioba je
spljotenija od normalne razdiobe.
Teorija uzorka i procjene. Ispitivanja potpunog osnovnog skupa su u praksi rijetka a
esto su i neostvariva ili iziskuju vrlo velike materijalne izdatke. Zato se ispituje samo
jedan dio osnovnog skupa, tj. ispituje se neki podskup osnovnog skupa kojeg
nazivamo uzorak. Na osnovi rezultata statistikog ispitivanja uzoraka zakljuujemo o
svojstvu i ponaanju potpunog osnovnog skupa. Uzorak treba zadovoljavati neke uvjete
tako da se rezultati ispitivanja uzoraka mogu pripisati njegovom osnovnom skupu. Tada
kaemo da uzorak dobro reprezentira osnovni skup.
Da bi uzorak dobro reprezentirao osnovni skup mora zadovoljavati sljedee uvjete:
Svi elementi osnovnog skupa imaju jednaku vjerojatnost da budu izabrani u uzorak;
Svaka dva element uzorka su nezavisna;
Uzorak ima dovoljan broj elemenata.
Problematiku rezultata dobivenih uzorkom prouava teorija uzoraka ili metoda uzoraka.
Pod teorijom uzoraka podrazumijevamo odabiranje elemenata iz osnovnog skupa u
uzorak i izgradnju matematinog modela na osnovu ijeg rjeenja izvodimo statistiko
zakljuivanje. Vrlo je vano kod statistikih ispitivanja odrediti broj elemenata uzorka.
Smatra se da veliina uzorka treba iznositi izmeu 5% i 10% osnovnog skupa. To znai
da veliinu osnovnog skupa oznaimo s N, a veliinu uzoraka s n, onda treba vrijediti:
Na osnovu veeg uzoraka moemo rei da e zakljuci toniji.
5
10
N n
N Nakon izraunavanja numerikih karakteristika uzorka, vre se
100
100
procjene odgovarajuih karakteristika osnovnog kupa, a zatim se
statistikom metodom odreuje pouzdanost i preciznost te procjene.
Ako uzorak izaberemo iz konanog osnovnog skupa, onda se izborom tog elementa za
uzorak mijenja struktura konanog osnovnog skupa, a time se mijerra i vjerojatnost
izbora sljedeeg elementa za uzorak.
Ako se uzorak izabire iz konanog osnovnog skupa tako da se nakon izbora svakog
elementa za uzorak on ponovno vraa u osnovni skup i sudjeluje u sljedeem izboru,onda
izborom jednog elementa za uzorak ne mijenja se struktura osnovnog elementa, a time se
ne mijenja ni vjerojatnost izbiranja sljedeeg elementa za uzorak. Zato je potrebno
razlikovati izabiranje elemenata za uzorak s ponavljanjem i bez ponavljanja.
- 13 -

Ako varijacija promatranog obiljeja elemenata osnovnog skupa nije velika, tada je
osnovni skup homogen s obzirom na to obiljeje, a ako elementi osnovnog skupa jako
variraju s obzirom na vrijednosti promatranog obiljeja, onda je takav osnovni skup
heterogen s obzirom na promatrano obiljeje.
Aritmetike sredine uzoraka iz osnovnog skupa normalne razdibe.
1 n 1 n
1
Matematiko oekivanje: E [x ] = E xi = E [xi ] = n =
n i =1 n i =1
n
Odavde moemo konstatirati da se aritmetike sredine uzoraka rasipaju oko
matematikog oekivanja sluajne varijable X osnovnog skupa. Isti zakljuak vrijedi
za uzorke koji nemaju normalnu razdiobu jer u jednadbi nije koriten zakon razdiobe
sluajne varijable x.
1
2
1 n 1 n
2
Varijanca: V [x ] = V xi = 2 V [xi ] = n =
n
n
n i =1 n i =1
Standardna greka (standardna devijacija): x =

n
Tako dobiveno s je procjena standardne devijacije osnovnog skupa (standardne
pogreke). Vidimo sada da s izraunavamo samo iz elemenata uzorka, a da ne poznamo
ni sredinu ni standardnu devijaciju osnovnog skupa. Dobiveno s predstavlja samo
procjenu standardne devijacije osnovnog skupa a ta procjena u potpunom odgovara
potrebama prakse. Pomou formule za s moemo procijeniti i vrijednost standardne
devijacije razdiobe uzoraka i moemo na taj nain s velikom vjerojatnou iz sredine
uzoraka odrediti sredinu osnovnog skupa.Razdiobe aritmetikih sredina za velike uzorke
tee prema normalnoj razdiobi kada veliina uzorka u oznaci n tei u (X~N ( , x2 ) ).
Moemo rei da se aritmetike sredine dosta velikih uzoraka pokoravaju zakonima
normalne razdiobe bez obzira na zakon razdiobe varijable X osnovnog skupa.
Tokasta procjena parametara osnovnog skupa.
Osnovni problem statistikog prouavanja jest da se iz uzoraka ( X 1 , X 2 ,...Xn) zakljui
kakva je razdioba obiljeja X. esto na osnovi promatranja znamo da obiljeje X ima
odreenu razdiobu, ali ne znamo parametre koji odreuju razdiobu varijable X.
Na taj nain susreemo se sa problemom procjenjivanja nepoznatih parametara na osnovu
uzorka. Nepoznati parametar razdiobe obiljeja X oznait emo sa . Na osnovu
sluajnog uzorka ( x1 , x2 ,...xn) biramo jednu statistiku Un=h(x1,x2,....,xn), kojom u
primjenama registriramo odreene numerike vrijednosti naeg uzorka ( x1 , x 2 ,...xn) to je
niz od n brojeva koji u naem pokusu daje n-dimenzionalnu sluajnu varijablu
( x1 , x 2 ,...xn). Tako statistika Un kao funkcija od ( x1 , x 2 ,...xn) dobiva jednu odreenu
= h( x , x ,...xn). Tim brojem procjenjujemo nepoznati
numeriku vrijednost
1

parametar .
Procjene dijelimo na: procjene parametra izraene jednim brojem koje nazivamo tokaste
procjene i procjene parametra izraene intervalima koje nazivamo intervalne procjene.
Procjena parametra ili tokasta procjena je jedan broj (toka na brojevnom pravcu) koji
se izraunava iz uzorka i slui kao priblina vrijednost nepoznate vrijednosti parametra
razdiobe vjerojatnosti osnovnog skupa iz kojeg je uzorak uzet.

- 14 -

Procjena parametra metodom momenta.

Zadatak procjene jednog parametra osnovnog skupa karakteriziran je sluajnom
varijablom X, ija je gustoa f(x, ), koja se rjeava na sljedei nain: iz osnovnog skupa
uzimamo na sluajan nain uzorak od n elemenata i pomou dobivenih elemenata
izraunavamo procjenu parametra . Vrijednost procjene ovisi od elemenata uzorka
= h( x , x ,...xn).Od elemenata uzorka mogu se izraunati momenti

1
2
1 n
r-ti ishodini moment: mr = xir , r=1,2,... r-ti centralni moment
n i =1
r

1 n
( xi x ) , r=1,2,... i pomou njih se procjenjuju parametri osnovnog skupa.
n i =1
Budui da se za procjenu parametara koriste uzoraki momenti onda se ova metoda
aproksimacija parametara osnovnog skupa naziva metoda momenata.
Nepristrana procjena.
Jedno od poeljnih svojstava procjenitelja Un=h{x1,x2,....,xn), koji je sluajna varijabla,
jest da se njegove vrijednosti gomilaju oko traene vrijednosti parametra . Tada
moemo oekivati priblino tonu procjenu.Za statistiku Un =h(x1x2,....,xn) kaemo daje
nepristrana (centralna) procjeni parametra ako vrijedi E[Un] = .
To znai da je statistika x nepristran procjenitelj za parametar . Takoer kaemo da je
sredina x n centralna procjena matematikog oekivanja obiljeja X. To znai da je
aritmetika sredina osnovnog skupa nepristrano procijenjena aritmetikom sredinom
S2
s2
uzorka. s x2 =
=
S 2 -varijanca s 2 -korigirana varijanca s x2 -nepristrani procjenitelj
n
n 1
varijance, aritmetika sredina: E s x2 = x2
Za isti parametar funkcije vjerojatnosti f(x, ) moe se nai vie nepristranih
procjenitelja.Zato za dva nepristrana procjenitelja Un = h(X1X2,...,Xn) i
V [Z n ]
Zn = g(X1X2,...,Xn), za parametar , definiraju relativnu efikasnost kao omjer
.
V [U n ]
V [Z n ]
Kaemo daje Un efikasniji (bolji) procjenitelj od Zn, ako je omjer
vei od 1.
V [U n ]
Za nepristrani procjenitelj Un parametra kaemo da je najefikasnija
(najbolja) nepristrana procjena ako ispunjava uvjet minimalnosti tj. ako vrijedi
2
V [U n ] = E (U n ) = min . To znai daje od svih nepristranih procjena najbolja ona
koja ima najmanju varijancu.
Intervalna procjena parametara osnovnog skupa.
Kod ispitivanja nepoznatog parametra neke razdiobe osim procjene parametra (tokasta
procjena) osnovnog skupa vano je utvrditi u kojim granicama varira nepoznati
parametar . Udaljenost granica, odnosno interval, je sluajna varijabla jer su mu
granice (krajnje toke) varijabilne koje ovise o sluajnom uzorku. Taj postupak se naziva
intervalna procjena nepoznatog parametra . Intervalna procjena nepoznatog
parametra osnovnog skupa sastoji se u tome da odredimo interval (a1,a2) za koji uz
vjerojatnost = 1 moemo tvrditi da pokriva parametar , a to piemo na sljedei
nain: P(a1 < < a 2 ) = = 1 . Pri tome su a1 i a2 funkcije koje ovise o elementima

r =

[ ]

- 15 -

uzorka xl,x2,...,xn. Vjerojatnost koja pripada intervalu (a1,a2) zove se stupanj

povjerenja, koeficijent pouzdanosti ili samo pouzdanost procjene, a duljina intervala
od a1 do a2 odreuje preciznost procjene.
= h ( X , X ,..., X ) i
Problem se svodi na izraunavanje dvije statistike a1 =
1
1
1
2
n

a = = h ( X , X ,..., X ) takve da vrijedi P( ) = gdje je zadana

2

,
zove se interval povjerenja za . Poeljno
vjerojatnost (pouzdanost). Interval
1
2
,
budu to krai, a to znai da matematiko
je da intervali povjerenja,

, bude to manje. Istovremeno elimo
oekivanje duljine intervala povjerenja E
2
1
da pouzdanost bude to vea (obino uzimamo =0.95 ili =0.99).
Najpogodniji procjenitelj matematikog oekivanja osnovnog skupa je aritmetika
sredina.
Intervalna procjena matematikog oekivanja.
Intervalna procjena vjerojatnosti.

- 16 -