STATISTIKA Skripta Cizmic 2009 PDF

Doc.dr.sc. Draenka izmi predavanja 2009.g.
UPLOADANO NA: www.referada.hr
STATISTIKA
Doc.dr.sc.Draenka izmi
- predavanja 2009.g -
SADRAJ:
1. UVOD
Statistiki skup...................................................................................
Vrste i izvori statistikih podataka....................................................
4
4
2. UREIVANJE PODATAKA
Statistiki nizovi i tabele ...................................................................

Numeriki nizovi ................................................................................
5
7
3. OSNOVNA ANALIZA VREMENSKIH NIZOVA
Grafiko prikazivanje vremenskih nizova ........................................

Individualni indeksi ...........................................................................
10
10
4. SREDNJE VRIJEDNOSTI STATISTIKOG NIZA
Mod....................................................................................................
Medijan............................................................................................. .
Aritmetika sredina...........................................................................
Geometrijska sredina.......................................................................
Skupni indeksi.................................................................................. .
12
13
15
17
18
5. MJERE DISPERZIJE
Raspon varijacije, Interkvartil, Koeficijent kvartilne devijacije.......

Srednje apsolutno odstupanje (MAD)..............................................
Varijanca, Standardna devijacija, Koeficijent varijacije..................
Standardizirana varijabla..................................................................
19
22
23
25
6. MJERE ASIMETRIJE
Koeficijent asimetrije, Pearsonova mjera, Bowleyjeva mjera........
26
7. MJERE ZAOBLJENOSTI
Koeficijent zaobljenosti....................................................................
29
8. MJERE KONCENTRACIJE
Koncentracijski omjer, Ginijev koeficijent.......................................
31
9. OSNOVNI POJMOVI VJEROJATNOSTI
Definicije i svojstva vjerojatnosti......................................................

Modeli distribucija vjerojatnosti.......................................................
32
34
10. OSNOVNI POJMOVI INFERENCIJALNE STATISTIKE
Plan uzorka....................................................................................... .
Sampling distribucija........................................................................
37
38
11. PROCJENE PARAMETRA
Procjena aritmetike sredine...........................................................

Procjena totala osnovnog skupa......................................................
Procjena proporcije osnovnog skupa............................................. .
2
39
42
44
12. TESTIRANJE HIPOTEZA O PARAMETRU
Testiranje hipoteza o pretpostavljenoj vrijednosti aritmetike

sredine osnovnog skupa................................................................ ..
Testiranje hipoteza o razlici aritmetikih sredina dvaju
osnovnih skupova nezavisnim uzorcima..........................................
44
49
13. REGRESIJSKA ANALIZA
Model jednostavne linearne regresije...............................................

deskriptivno statistika analiza modela...............................
inferencijalno statistika analiza modela............................
testiranje hipoteza o modelu................................................
52
52
57
58
14. MODEL VIESTRUKE REGRESIJE
Analiza modela viestruke regresije................................................
Testiranje hipoteza o modelu viestruke regresije.........................
58
59
15. MODELI VREMENSKIH SERIJA
Komponente vremenskih serija.......................................................

Modeli trenda....................................................................................
60
61
PREDAVANJE #1
STATISTIKA znanstvena metoda koja se bavi prikupljanjem, ureivanjem, analizom i tumaenjem
podataka.
DESKRIPTIVNA u okviru deskriptivne statistike zakljuci se donose na temelju svih

podataka. Ona obuhvaa postupke ureivanja, grupiranja, tabeliranja, grafikog prikazivanja
te izraunavanja razliitih statistiko-analitikih veliina
INFERENCIJALNA u sklopu inferencijalne statistike zakljuci se dodose na temelju dijela
podataka (uzoraka). Temelji se na teoriji vjerojatnosti
STATISTIKI SKUP ine jedinice koje su predmetom promatranja statistikom metodom. Moemo
promatrati osobe, poduzea, zemlje, proizvode itd.
OPSEG SKUPA broj jedinica. S obzirom na opseg statistiki skupovi se dijele na:
KONANI STATISTIKI SKUP studenti upisani na efzg
BESKONANI STATISTIKI SKUP bacanje novia ili proizvodnja
Statistiki skupovi definiraju se pojmovno, prostorno i vremenski.
OSNOVNI SKUP (POPULACIJA) skup podataka o promatranom svojstvu za svaku jedinicu statistikog
skupa.
UZORAK podskup, dio osnovnog skupa. Dio podataka izdvojen iz cjelovite evidencije.
STATISTIKO OBILJEJE (VARIJABLA) svojstvo koje stupnjem ili oblikom varira od jedinice do jedinice
statistikog skupa.
VRSTE STATISTIKOG OBILJEJA:
1. NUMERIKO (KVANTITATIVNO) izraava se brojevima
DISKRETNO (diskontinuirano) poprima iskljuivo cjelobrojne vrijednosti. npr. broj uenika u
razredu, broj djece u obitelji
KONTINUIRANO moe poprimiti bilo koju vrijednost iz nekog intervala. npr. visina, teina,
cijena...
2. KVALITATIVNO
NOMINALNO (atributivno i geografsko) izraava se opisno ili rijeima. npr. atributivno
spol, zanimanje ; geografsko mjesto roenja
REDOSLIJEDNO (obiljeje ranga) npr. ocijena, stupanj kvalitete
MJERENJE postupak pridruivanja numerikih i nenumerikih oznaka jedinicama statistikih skupova na
temelju odreenog pravila. Temelji se na primjeni mjerih skala.
MJERNE SKALE:
1. NOMINALNA sastoji se od liste naziva
2. ORDINALNA ovom skalom jedinicama statistikih skupova pridruuju se slovne oznake, simboli ili
brojevi sukladno intenzitetu mjernog svojstva
3. INTERVALNA - ovom skalom jedinicama statistikih skupova pridruuju se brojevi sukladno
intenzitetu mjernog svojstva. Za ovu skalu karakteristino je da ima definiranu mjernu jedinicu i
dogovorno utvrenu nulu. npr. temperaturna ljestvica.
4. OMJERNA - ovom skalom jedinicama statistikih skupova pridruuju se brojevi sukladno intenzitetu
mjernog svojstva. Za ovu skalu karakteristino je da ima definiranu mjernu jedinicu i nulu koja
oznaava nepostojanje svojstva. npr. plaa, broj zastoja rada stroja.
4
IZVORI PODATAKA:
PRIMARNI prikupljaju se u skladu s ciljem istraivanja.
SEKUNDARNI prikupljaju ih razne institucije (dravni zavod za statistiku, banke, agencije
za istraivanje trita, osiguravajui zavodi...)
PREDAVANJE #2
UREIVANJE PODATAKA ureivanjem podataka nastaju statistiki nizovi
STATISTIKI NIZOVI:
1. NOMINALNI NIZ nastaje ureivanjem podataka o nominalnom obiljeju
2. REDOSLIJEDNI NIZ nastaje ureivanjem podataka o rang varijabli
3. NUMERIKI NIZ nastaje ureenjem podataka koji predstavljaju vrijednosti numerike varijable
4. VREMENSKI NIZ nastaje kronolokim nizanjem podataka o nekoj pojavi (proizvodnja,uvoz,izvoz)
STATISTIKE TABELE:
JEDNOSTAVNA
Poljoprivredna povrina po kategorijama u tisuama
hektara u RH, 2003.g
KATEGORIJE
POVRINA
oranice i vrtovi
1460
vonjaci
68
vinogradi
57
livade
396
panjaci
1156
izvor: SLJRH, 2004.g., str.250
SKUPNA sadri barem dva niza koji su grupirani prema modalitetima istog obiljeja
Izvoz i uvoz prema pretenoj ekonomskoj namjeni u
milijunima am. $ u RH, 2003.g.
EKONOMSKA NAMJENA
IZVOZ
UVOZ
proizvodi za reprodukciju
2959
6583
proizvodi za investicije
1341
3316
proizvodi za iroku potronju
1886
4311
KOMBINIRANA (TABELA KONTIGENCE, TABELA S DVA ULAZA) podaci su grupirani prema
modalitetima dvaju ili vie varijabli
Stanovnitvo prema spolu i starosti u tisuama u RH, popis iz 2001.g.
STAROST
SPOL
0 14
15 64
65 -
M
388
1482
266
5
370
1501
430
RELATIVNI BROJEVI omoguavaju elementarnu analizu podataka u sklopu deskriptivne statistike

proporcije (dio/cjelina), postoci (dio/cjelina*100) odnosno relativne frekvencije
indeksi
relativni brojevi koordinacije omjerni brojevi koji nastaju diobom dvaju koordinirajuih
veliina (npr.gustoa stanovnitva, dohodak po stanovniku, BDP per capita)
NIZOVI KVALITATIVNIH PODATAKA
Kvalitativni podaci su oblici nominalne ili redoslijedne varijable.
ako ih je mali broj navode se nekim redom odabranim po volji ili prema intenzitetu mjernog
obiljeja kod redoslijednih podataka (npr.ocjene od najmanje prema najveoj)
ako se radi o veem broju podataka pristupa se grupiranju. Grupiranjem se skup podataka
ralanjuje na podskupove koji se meusobno ne preklapaju.
FREKVENCIJA broj podataka istog ili slinog modaliteta varijable
NOMINALNI ILI REDOSLIJEDNI NIZ ine parovi razliitog oblika kvalitativne varijable oi i pripadajuih
frekvencija fi (oi, fi), i=1,2,....,k
Uenici i studenti koji su zavrili osnovnu ili
srednju kolu odnosno diplomirai na visokim
uilitima u RH, 2003.g.
STUPANJ OBRAZOVANJA
BROJ OSOBA
oi
fi
osnovno
51211
srednje
47092
struni studij
6489
sveu.studij
9243
ukupno
114035
OPSEG SKUPA zbroj frekvencija
RELATIVNA FREKVENCIJA omjer frekvencije i opsega skupa p
i
fi
k
i 1
fi
POSTOTNA RELATIVNA FREKVENCIJA relativna frekvencija pomonoena sa 100 P

i
fi
i 1
nizovi sa relativnim frekvencijama (oi, pi) ili (oi, Pi)

Kvalitativni nizovi grafiki se prikazuju povrinskim grafikonima:
STUPCI (poloeni, uspravni)
STRUKTURNI KRUGOVI I POLUKRUGOVI
RAZDIJELNI STUPCI
VIESTRUKI STUPCI
100
fi
NUMERIKI NIZOVI nastaju ureenjem numerikih podataka. Nain njihova ureivanja ovisi o tome
da li su podaci diskretni ili kontinuirani.
NAINI UREIVANJA:
1. mali broj podataka - ureuje se nizanjem po veliini. Pojedinani numeriki podaci grafiki se
prikazuju dijagramom s tokama i dijagramom stablo-list (S-L dijagram)
Primjer 1.
Podaci o prodaji proizvoda A za 15 dana jednog razdoblja:
Xi: 8, 15, 9, 17, 20, 14, 34, 27, 30, 18, 10, 18, 24, 25, 29
Podaci ureeni po veliini:
Xi: 8, 9, 10, 14, 15, 17, 18, 18, 20, 24, 25, 27, 29, 30, 34
dijagram s tokama:
dijagram stablo-list:
0
1
2
3
8
0
0
0
9
4 5 7 8 8
4 5 7 9
4
O|8 predstavlja 8
2. diskretno obiljeje - velik broj podataka i manji broj oblika pristupa se grupiranju. Numeriki niz
odnosno distribucija frekvencija se sastoji od parova (xi, fi), i=1,2,....,k
xi modaliteti numerikog obiljeja
fi pripadajue frekvencije
Primjer 2.
Dnevna prodaja garnitura sobnog namjetaja
BROJ GARNITURA
BROJ DANA
xi
fi
1
1
2
5
3
8
4
26
5
19
6
12
ukupno
71
3. kontinuirano obiljeje/ diskretno obiljeje s veim brojem oblika grupiranje se provodi na temelju
razreda. Svaki razred ima donju i gornju granicu.
frekvencija razreda broj podataka omeen donjom i gornjom granicom razreda
Numeriki niz odnosno distribucija frekvencija sastoji se od parova razreda i pripadajuih
frekvencija (Li1 xi Li2, fi), i= 1,2,....,k
Li1 donja granica i-tog razreda; Li2 gornja granica i-tog razreda; fi frekvencija i-tog razreda
7
Primjer 3.
Radnici poduzea A prema
starosti
STAROST
BROJ RADNIKA
18 26
5
26 34
6
34 42
10
42 50
5
50 58
4
ukupno
30
Formiranju distribucije frekvencija prethodi odreivanje broja razreda i njihove veliine. Za
odreivanje broja razreda koristi se Sturgesovo pravilo: k 1 + 3,3 logN
k-broj razreda; N-zbroj frekvencija
Ako su razredi jednakih veliina, veliina im se aproksimira tako da se raspon varijacije podijeli sa
brojem razreda:
ii
x max x min
k
Razredi jednakih veliina primjenjuju se kada su podaci simetrino rasporeeni.

Razredi razliitih veliina primjenjuju se kada su podaci asimetrino rasporeeni.
Pri brojanoj analizi numerikog niza potrebno je utvrditi da li su granice prave, a nakon toga
odrediti veliinu razreda i rezredne sredine.
GRANICE RAZREDA:
PRAVE donja granica tekueg razreda je jednaka gornjoj granici prethodnog razreda
NOMINALNE pretvaraju se u prave tako da se svaka donja granica umanji za
polovicu jedinice, a svaka gornja se uvea za polovicu jedinice. To vrijedi za sve
sluajeve osim za navrene godine ivota. Kod navrenih godina ivota svaka se
gornja granica povea za jedinicu.
VELIINA RAZREDA odreuje se kao razlika gornje i donje prave granice razreda
REZREDNA SREDINA i-tog razreda odreuje se kao poluzbroj gornje i donje prave granice razreda
Distribucija frekvencija grafiki se prikazuje histogramom i poligonom frekvencija.
Primjer 4.
Nepismeno stanovnitvo staro 10.g. i vie prema starosti u RH prema popisu iz 2001.g.
STAROST
BROJ
PRAVE
RAZREDNA
VELIINA
KORIGIRANE
OSOBA
GRANICE
SREDINA
REZREDA
FREKVENCIJE
fi
xi
ii
1
2
3
4
5
6
10-19
1845
9.5-19.5
14.5
10
2768
20-34
3160
19.5-34.5
27
15
3160
35-49
4457
34.5-49.5
42
15
4457
50-64
11108
49.5-64.5
57
15
11108
65-(99)
49207
64.5-(99.5)
82
35
21089
UKUPNO
69777
Prvi i posljednji razred mogu biti otvoreni razredi. Njihove se veliine procjenjuju i procjena se
stavlja u zagradu.
Kada su razredi razliitih veliina potrebno je korigirati frekvencije:
f ci
fi
- ova se formula koristi kada su svi razredi razliitih veliina, a moe se
ii
koristiti i generalno
f ci
fi
i i - bazna veliina razreda (najee se pojavljuje)
ib
IZVEDENI NIZOVI:
KUMULATIVNI NIZ nastaje postupnim zbrajanjem apsolutnih ili relativnih frekvencija.

On se grafiki prikazuje kumulantom.
Primjer 5.
Stanovnitvo prema starosti u RH u tisuama prema popisu iz 2001.g.
STAROST
BROJ OSOBA
PRAVE GRANICE
KUMULATIVNI NIZ
0-14
758
-0.5 14.5
758
15-64
2983
14.5 64.5
3741
65-(99)
696
64.5 (99.5)
4437
PREDAVANJE #3
VREMENSKI NIZ skup kronoloki ureenih vrijednosti koje predstavljaju neku pojavu (proizvodnja,
uvoz, izvoz).
LANOVI NIZA vrijednosti koje tvore niz
Vremenski niz noe biti:
INTERVALNI nastaje trajanjem vrijednosti pojave po intervalima vremena (godina,
kvartal, mjesec) npr. proizvodnja, uvoz, izvoz...
TRENUTANI sastoji se od kronoloki ureenih vrijednosti koje predstavljaju stanja
pojave u odabranim vremenskim tokama (poetak, sredina, kraj) npr. stanje na
raunima, zakljune cijene dionica..
GRAFIKO PRIKAZIVANJE VREMENSKIH NIZOVA:
INTERVALNI NIZOVI prikazuju se povrinskim i linijskim grafikonima.

TRENUTNI NIZOVI prikazuju se samo linijskim grafikonima
Radi lakeg praenja u grafikon se ucrtava mrea. Prikaz je u pravokutnom koordinatnom sustavu s
aritmetikim mjerilima na osima. Na osi apscisa je mjerilo za varijablu vrijeme, a na osi ordinata za
lanove vremenskog niza.
OKOMITI PREKID GRAFIKONA ako se ne raspolae podacima za dio razdoblja mogue je izostaviti dio
mjerila na osi apscisa.
VODORAVNI PREKID GRAFIKONA ako neka pojava varira na velikim razinama mogue je izostaviti dio
mjerila osi ordinata.
Prekidaju se samo linijski grafikoni.
POLULOGARITAMSKI GRAFIKON koristi se ako se na istom grafikonu usporeuju raznorodni podaci
(nizovi izraeni u razliitim mjernim jedinicama). To je grafikon sa aritmetikim mjerilom na osi apscisa, a
logaritamskim na osi ordinata.
INDIVIDUALNI INDEKSI njima se prati razvoj jedne pojave u vremenu
verini indeksi njima se prati razvoj pojave u uzastopnim vremenskim razdobljima. Verini
indeks Vt razdoblja t dobije se tako da se vrijednost toga razdoblja podijeli s vrijednou
yt
V
100
t
prethodnog razdoblja te se pomnoi sa sto
y t 1
Verini indeksi se grafiki prikazuju specifinim linijskim grafikonom i grafikonom
jednostavnih stupaca.
KOEFICIJENT DINAMIKE vrijednost tekueg razdoblja podijeljena sa vrijednou
prethodnog razdoblja ne pomnoena sa sto Vt
yt
y t 1
STOPA PROMJENE od verinog indeksa se odbije sto
10
S t Vt 100
Primjer 1.
Izvoz RH u milijunima US$ u razdoblju od 1999. do 2003.g.
GODINA
IZVOZ
VERINI INDEKSI
STOPA PROMJENE
yt
Vt
St
1999
4302
2000
4432
103,2
3,02
2001
4665
105,26
5,26
2002
4904
105,12
5,12
2003
6197
126,36
26,36
izvor: SLJRH 2004., str.384
Indeks se interpretira kao postotna promjena u odnosu na 100. Ako je vei od 100
predstavlja postotno poveanje, a ako je manji od 100 predstavlja postotno smanjenje.
npr. Izvoz u RH u 2003.g. poveao se za 26.36% u odnosu na 2002.g.
indeksi na stalnoj bazi njima se mjere promjene u odnosu na neko odabrano bazno
razdoblje. Izraunavaju se tako da se svaki lan niza podijeli s vrijednou baznog razdoblja
te pomnoi sa 100 I t
yt
100
yb
BAZNO RAZDOBLJE razdoblje u kojemu pojava nije bila izloena nekim neuobiajenim
utjecajima (prirodne katastrofe, rat). Ponekad se uzima neka vrijednost izvan niza ili
nekakav prosjek.
STOPA PROMJENE kad od indeksa odbijemo sto S t I t 100
Bazni indeksi se grafiki prikazuju linijskim grafikonom jednostavnih stupaca.
*
Primjer 2.
GODINA
IZVOZ
BAZNI INDEKSI
STOPA PROMJENE
1999 = 100
1999
4302
100,00
0,00
2000
4432
103,02
3,02
2001
4665
108,44
8,44
2002
4904
113,99
13,99
2003
6197
144,05
44,05
U 2003.g. izvoz se poveao za 44.05% u odnosu na baznu 1999.g.
SREDNJE VRIJEDNOSTI STATISTIKOG NIZA konstante kojima se predstavljaju nizovi varijabilnih

podataka.
POTPUNE raunaju se na temelju svih podataka. U njih se ubrajaju aritmetika,

geometrijska i harmonijska sredina.
POLOAJNE u pravilu su jednake jednom modalitetu statistike varijable. U njih se ubrajaju
MOD i MEDIJAN.
11
MOD najei modalitet varijable, odnosno to je modalitet varijable s najveom frekvencijom

1. pojedinani podaci kod pojedinanih podataka MOD je vrijednost koja se najee pojavljuje
Primjer 3.
Slijedei niz predstavlja cijene jednog proizvoda evidentirane na 10 prodajnih mjesta u kn:
25 24 25 23 25 22 21 25 20 25 Najea prodajna cijena (MOD) je 25 kn.
2. distribucija frekvencija formirana na temelju pojedinanih vrijednosti tu je MOD modalitet
varijable s najveom frekvencijom
Primjer 4.
BROJ GARNITURA
BROJ DANA
xi
fi
1
1
2
5
3
8
4
26
5
19
6
12
UKUPNO
71
MOD distribucije dnevne prodaje garnitura

namjetaja iznosi 4, tj. najea dnevna prodaja
iznosila je 4 garniture
3. distribucija frekvencija sa razredima MOD se aproksimira pomou izraza:
M o L1
(b a )
i
(b a ) (b c )
b najvea korigirana frekvencija

a frekvencija ispred nje
c frekvencija iza nje
L1 donja prava granica modalnoga razreda
i njegova veliina
MODALNI RAZRED razred s najveom korigiranom frekvencijom
Primjer 5.
Aktivno stanovnitvo u RH u 2003.g. (2.polugodite) u tisuama
STAROST
BROJ
PRAVE
VELIINE
KORIGIRANE
OSOBA
GRANICE
RAZREDA
FREKVENCIJE
fi
ii
fci
15-24
216
14,5-24,5
10
216,0
25-49
1152
24,5-49,5
25
460,8
50-64
370
49,5-64,5
15
246,7
65-(74)
55
64,5-(74.5)
10
55,0
Mo = 24.5 + (460.8-216.0)/(460.8-216.0)+(460.8-246.7) * 25 = 37.84 god
Najea starost aktivnog stanovnitva u RH u 2003.g. iznosi 37.84 godine.
12
MEDIJAN srednja vrijednost koja numeriki niz ureen po veliini dijeli na dva jednakobrojna dijela
1. pojedinani podaci (neparan broj) MEDIJAN je jednak vrijednosti varijable sredinjeg lana u nizu
N
INT
2
M e xr
N
r INT 1
2
Primjer 6.
Podaci moraju biti ureeni po veliini
1 3 5 8 10 12 14 7/2 = 3.5 ; r =4 ; Me = x4 = 8
2. pojedinani podaci (paran broj) MEDIJAN je jednak poluzbroju vrijednosti varijable sredinjih
dvaju lanova niza ureenog po veliini N/2 = INT ; Me = (xr+Xr+1)/2 ; r = N/2
Primjer 7.
11 24 29 37 40 53 65 72 N=8 ; r=4 ; Me = (37+40)/2 = 38.5
3. distribucija frekvencija formirana na temelju pojedinanih vrijednosti odreivanje MEDIJANA se
pojednostavljuje uporabom kumulativnog niza manje od. MEDIJAN je jednak vrijednosti varijable
ija kumulativna frekvencija prva ukljuuje N/2.
Primjer 8.
Dnevna prodaja
BROJ GARNITURA
BROJ DANA
KUMULATIVNI NIZ
xi
fi
S(xi)
1
1
1
2
5
6
N/2 = 35.5
3
8
14
Me = 4
4
26
40
5
19
59
6
12
71
UKUPNO
71
4. distribucija frekvencija s razredima MEDIJAN se aproksimira pomou izraza:
N
fi
2
M e L1
i
f med
L1 donja prava granica medijalnog razreda
N zbroj apsolutnih ili relativnih frekvencija
fi zbroj frekvencija do medijalnog razreda
fmed frekvencija medijalnog razreda
i veliina medijalnog razreda
MEDIJALNI RAZRED onaj ija kumulativna frekvencija prvi put ukljuuje N/2.
Primjer 9.
STAROST
BROJ OSOBA
PRAVE
VELIINE
KUMULATIVNE
GRANICE
RAZREDA
FREKVENCIJE
fi
ii
S(xi)
15-24
216
14,5-24,5
10
216
25-49
1152
24,5-49,5
25
1368
50-64
370
49,5-64,5
15
1738
65-(74)
55
64,5-(74,5)
10
1793
13
N/2 = 896.5
Me = 24.5 + (896.5-216)/1152 * 25 = 39.27 god
Prvih 50% osoba imalo je 39 godina i manje, a preostalih 50% osoba bilo je starije od 39 godina
KVANTILI numeriki niz ureen po veliini dijele na jednakobrojne dijelove. Medijan spada meu kvantile
KVARTILI niz ureen po veliini dijele na 4 jednakobrojna dijela
DECILI niz ureen po veliini dijele na 10 jednakobrojnih dijelova
PERCENTILI niz ureen po veliini dijele na 100 jednakobrojnih dijelova
Broj kvartila je za jedan manji od njihova reda, tj. 3 su kvartila, 9 decila i 99 percentila
PREDAVANJE #4
ARITMETIKA SREDINA dobije se tako da se zbroje vrijednosti numerike varijable i podijele sa
njihovim brojem.
TOTAL zbroj vrijednosti numerike varijable; aritmetika sredina je jednaki dio totala po jedinici
Svojstva aritmetike sredine:
1. zbroj vrijednosti odstupanja numerike varijable od njezine aritmetike sredine jednak je nuli
2. zbroj kvadrata odstupanja vrijednosti numerike varijable od njezine aritmetike sredine minimalan
je
3. aritmetika sredina nalazi se izmeu najmanje i najvee vrijednosti niza za koji je izraunata
N
JEDNOSTAVNA ARITMETIKA SREDINA rauna se kod pojedinanih kvantitavnih podataka x
x
i 1
Primjer 1.
Slijedei niz predstavlja cijene jednog proizvoda evidentirane na 10 prodajnih mjesta u kn:
25 24 25 23 25 22 21 25 20 25 235/10=23.5 prosjena prodaja iznosila je 23.5 kn
Aritmetika sredina izraena je u istim mjernim jedinicama kao i obiljeje.
VAGANA (PONDERIRANA) ARITMETIKA SREDINA primjenjuje se za grupirane podatke, tj. za distribuciju
frekvencija
k
1. ponderi: APSOLUTNE FREKVENCIJE (fi)
fixi
x
fi
i 1
2. ponderi: RELATIVNE FREKVENCIJE U VIDU POSTOTAKA (Pi) x
3. ponderi: RELATIVNE FREKVENCIJE U VIDU PROPORCIJA (pi) x
pixi
i 1
100
k
pixi
i 1
14
Primjer 2. Distribucija frekvencija formirana na temelju pojedinanih vrijednosti

BROJ GARNITURA
BROJ DANA
kol. 1*2
xi
fi
fixi
1
1
1
2
5
10
3
8
24
4
26
104
5
19
95
6
12
72
PRAVI TOTAL ukupan broj
UKUPNO
71
306
prodanih garnitura
306
4,31 4 garniture dnevno
71
Primjer 3. Distribucija frekvencija formirana na temelju razreda

Aktivno stanovnitvo u RH u 2003.g. (drugo polugodite) u tisuama
STAROST
BROJ
PRAVE
RAZREDNE
kol.2*4
OSOBA
GRANICE
SREDINE
fi
xi
fixi
15-24
216
14.5-24.5
19.5
4212.0
25-49
1152
24.5-49.5
37.0
42624.0
50-64
370
49.5-64.5
57.0
21090.0
65-(74)
55
64.5-(74.5)
69.5
3822.5
UKUPNO
1793
71746.5
PROCIJENJENI
PODTOTALI
PROCIJENJENI TOTALukupna starost

promatranih osoba
71748,5
40,02 godina
1793
Prosjena starost aktivnog stanovnitva iznosila je 40.02 godina.
x
ARITMETIKA SREDINA ARITMETIKIH SREDINA odreuje se kao vagana sredina u kojoj se za pondere
uzima broj podataka za koje su pojedine sredine raunate ili tom broju proporcionalne veliine.
k
Nixi
i 1
k
Ni
i 1
15
Primjer 4.
Odabrane kompanije zaposlenih i prosjene mjesene plae u kn
KOMPANIJA
BROJ
PROSJENA
UKUPNA
ZAPOSLENIH
PLAA
PLAA
Ni
x
Ni xi
ALFA
550
3500
1925000
GAMA
320
2300
736000
TRADE
250
4200
1050000
UKUPNO
1120
3711000
Prosjena plaa za sve kompanije:
3711000
3313,39
1120
Ako se svaka individualna vrijednost numerikog obiljeja zamijeni aritmetikom sredinom dobiva se
polazna veliina tj. total ili zbroj vrijednosti numerikog obiljeja.
ARITMETIKA SREDINA RELATIVNIH BROJEVA KOORDINACIJE odreuje se kao vagana sredina u kojoj su
k
ponderi baze tih brojeva R
BiRi
i 1
k
Bi
i 1
RELATIVNI BROJEVI KOORDINACIJE omjerni su brojevi koji nastaju diobom dviju koordinirajuih veliina
Vi
Ri
Bi
Grafiki se prikazuju na 2 naina:
1. jednostavnim stupcima
2. pravokutnicima ije su osnovice proporcionalne bazama tih brojeva, a visine samim relativnim
brojevima koordinacije
Primjer 5.
Najvee drave svijeta, povrina u km2 i broj stanovnika na km2
DRAVA
POVRINA U km2
STANOVNITVO/ km2
UKUPAN BROJ
STANOVNIKA
Bi
Ri
Vi= Ri*Bi
RUSIJA
17075400
8
136603200
KANADA
9970610
3
29911830
SAD
9629091
30
288872730
KINA
9596961
135
1295589735
BRAZIL
8514215
21
178798515
UKUPNO
54786277
1929776010
16
Prosjean broj stanovnika

na km2 za sve navedene
drave:
1929776010
R
35.22 35st. / km2
54786277
GEOMETRIJSKA SREDINA jednaka je N-tom korijenu produkta N pojedinanih vrijednosti
x1 x 2 .... x i .... x N
Za grupirane podatke geometrijska sredina dana je izrazom:
Primjer 6. zadani su koeficijenti dinamike

GODINA
2000
2001
2002
2003
Vt
1,06
1,05
1,03
prosjena stopa raunata pomou geometrijske sredine:
x1 1 x 2 2 .... x i i .... x k
fk
2004
1,02
S (G 1) 100
G n 1 V2V3 .....Vn
Promatrana pojava prosjeno se godinje

G 4 1.06 1.05 1.03 1.02 1.03988 poveavala
za 3.99%.
S (1.03988 1) 100 3.99%
Geometrijska i harmonijska sredina relativno se rijetko primjenjuju. Geometrijska sredina se primjenjuje u
analizi vremenskih nizova. Pomou nje se rauna prosjena stopa promjene pojave. Geometrijska sredina
poprima niu vrijednost od aritmetike sredine.
HARMONIJSKA SREDINA reciprona vrijednost aritmetike sredine recipronih vrijednosti varijable x
negrupirani pojedinani podaci H
N
N
x
i 1
grupirani podaci H
f
i 1
k
fi
x
i 1
Harmonijska sredina manja je od aritmetike i geometrijske sredine

Primjer 7.
Ugostiteljska poduzea, ukupan promet (u tisuama kn) i promet po zaposlenom (u tisuama kn)
UGOSTITELJSKA
PROMET
PROMET PO
ZAPOSLENI
PODUZEA
ZAPOSLENOM
Vi
Ri
Vi/Ri = Bi
HOTELI
6272146
199
31518
KAMPOVI
272070
158
1722
RESTORANI
814160
178
4574
BAROVI
716065
131
5466
KANTINE
331094
137
2417
17

UKUPNO
8405535

-
Prosjean promet po zaposlenom za sva ugostiteljska poduzea: R
45697
8405535
184 tis . kn
45697
Ako nazivnici relativnih brojeva koordinacije nisu poznati, a brojnici jesu ili se lake procjenjuju do sredine
e se doi pomou izraza za vaganu ponderiranu harmonijsku sredinu:
k
V
i 1
k
Vi
R
i 1
Ako imamo zadano Bi koristimo formulu za aritmetiku, a ako su nam zadane Vi koristimo harmonijsku
vaganu sredinu.
SKUPNI INDEKSI njima se prati dinamika skupine pojava u vremenu npr.proizvodnja, uvoz, izvoz....
SKUPNI INDEKSI CIJENA
SKUPNI INDEKSI KOLIINA
SKUPNI INDEKS VRIJEDNOSTI
U pravilu se raunaju kao vagana aritmetika sredina individualnih indeksa. Ponderi su obino vrijednosti.
Uglavnom se izraunavaju:
LASPEYRESOV INDEKS CIJENA I KOLIINA
PAASCHEOV INDEKS CIJENA I KOLIINA
FISHEROV INDEKS CIJENA I KOLIINA
INDEKS VRIJEDNOSTI
Skupne indekse izraunavaju i objavljuju statistiki uredi. Obino su Laspeyresova tipa: INDEKS
POTROAKIH CIJENA mjera inflacije; INDEKS INDUSTRIJSKE PROIZVODNJE
Skupni indeksi cijena koriste se u postupku deflacioniranja tj. uklanjanja utjecaja promjena cijena na
vrijednosno izraene pojave.
PREDAVANJE #5
MJERE DISPERZIJE
Reprezentativnost srednje vrijednosti ovisi o stupnju varijabilnosti podataka.Varijabilnost numerikog
obiljeja predoava se i pomou grafikih prikaza: dijagram s tokama i dijagram s pravokutnikom
Mjere za varijabilnost podataka su:
1. raspon varijacije
2. interkvartil
3. koeficijent kvartilne devijacije
4. varijanca
5. standardna devijacija
6. koeficijent varijacije
7. srednje apsolutno odstupanje (MAD)
18
1. RASPON VARIJACIJE
pojedinani podaci odreuje se kao razlika izmeu najvee i najmanje vrijednosti
Rx xmax xmin
distribucija frekvencija formirana na temelju pojedinanih podataka odreuje se kao

razlika izmeu posljednje i prve vrijednosti
R x x k x1
distribucija frekvencija s razredima aproksimira se kao razlika izmeu gornje granice
posljednjeg i donje granice prvog razreda ili kao razlika razrednih sredina posljednjeg i prvog
razreda.
Raspon varijacije je apsolutna (izraena je u istim mjernim jedinicama kao i obiljeje) i nepotpuna (dobiva
se iz samo dvije vrijednosti) mjera disperzije.
2. INTERKVARTIL
KVARTILI:
PRVI ILI DONJI KVARTIL (Q1) vrijednost numerike varijable koja lanove niza dijeli u dvije
skupine. U prvoj je skupini 25% elemenata s vrijednostima varijable koja je jednaka ili manja od
donjeg kvartila, a u drugoj je skupini 75% elemenata s vrijednostima veim od donjeg kvartila.
DRUGI ILI MEDIJAN (Q2)
TREI ILI GORNJI KVARTIL (Q3) - vrijednost numerike varijable koja lanove niza dijeli u dvije
skupine. U prvoj je skupini 75% elemenata s vrijednostima varijable koja je jednaka ili manja od
gornjeg kvartila, a u drugoj je skupini 25% elemenata s vrijednostima veim od gornjeg kvartila.
Interkvartil se odreuje kao razlika kvartila I Q Q3 Q1
Interpretira se kao raspon varijacije sredinjih 50% podataka:
50%
Interkvartil je takoer apsolutna i nepotpuna mjera disperzije.

3. KOEFICIJENT KVARTILNE DEVIJACIJE njime se usporeuje stupanj disperzije raznorodnih nizova.
Odreuje se kao omjer interkvartila i zbroja kvartila:
Q Q1
VQ 3
0 VQ < 1
Q3 Q1
Ovo je relativna i nepotpuna mjera disperzije.
GRAFIKI PRIKAZ VARIJABILNOSTI PODATAKA dijagram s pravokutnikom box-plot (B-P) dijagram
Za njegovu konstrukciju koristi se 5 pokazatelja numerikog niza 5's (five summary numbers)
najmanja vrijednost
najvea vrijednost
medijan
donji kvartil
gornji kvartil
Na ovom grafikom prikazu ouava se raspon varijacije i interkvartilni raspon te se prosuuje o moguoj
asimetriji kao i o pojavi netipinih vrijednosti ( out lier)
19
Primjer 1. Negrupirani tj. pojedinani podaci

Mjereno je vrijeme u minutama potrebno za rjeavanje jednog zadatka iz statistike za 10 studenata.
Dobiveni su ovi rezultati : 20 22 25 27 28 28 30 30 33 35
Podaci moraju biti ureeni po veliini.
raspon varijacije: 3015 = 15 min
Vrijeme potrebno za rjeavanje zadatka bilo je izmeu 20 i 35 min. Odnosno u raponu od 15
min.
interkvartil:
donji kvartil: N/4 = 10/4 = 2.5 INT
r = INT (N/4) + 1 = 2+1 = 3,
Q1=x3=25
Prva etvrtina studenata imala je vrijeme 25 min i manje, a preostale 3
etvrtine imale su vrijeme vee od 25 min.
gornji kvartil: 3N/4 = 30/4 = 7.5 INT
r = INT (3N/4) + 1 =7+1=8,
Q3=xr=x8=30
Prve tri etvrtine studenata imale su vrijeme 30 min i manje, a preostala
etvrtina imala je vrijeme vee od 30 min.
IQ = Q3 Q1 = 30 - 25=5 min
Raspon varijacije sredinjih 50% studenata iznosio je 5 min, tj. njihova vremena bila su
izmeu 25 i 30 min.
koeficijent kvartilne devijacije
VQ= (Q3-Q1)/(Q3+Q1) = (30-25)/(30+25) = 0.09
Raspon varijacije sredinjih 50% studenata u relativnom iznosu je 0.09.
B-P dijagram
N/2 = 10/2 = 5 = INT , r=5
Me = (xr+Xr+1)/2 = (x5+x6)/2 = (28+28)/2 = 28
20
Primjer 2. Distribucija frekvencija formirana na temelju pojedinanih vrijednosti

Pismeni ispit iz statistike sadri 5 zadataka. Distribucija frekvencija prema broju rjeenih zadataka dana je
u tabeli:
BROJ
BROJ
KUMULATIVNI NIZ
ZADATAKA
STUDENATA
manje od
xi
fi
S(xi)
0
10
10
1
25
35
2
55
90
3
125
215
4
50
265
5
15
280
UKUPNO
280
raspon varijacije: Rx = xk x1 = 5-0 = 5 zadataka

Broj rjeenih zadataka bio je izmeu 0 i 5 odnosno u rasponu od 5 zadataka.
interkvartil:
donji kvartil: N/4 = 70 ; Za Q1 se uzima vrijednosti varijable s prvom kumulativnom frekvencijom
koja sadri vrijednost N/4 Q1= 2
gornji kvartil: 3N/4 = 210 Q3=3
IQ = Q3 Q1= 3 2= 1
Raspon varijacije sredinjih 50% studenata iznosio je 1 zadatak, tj. broj rjeenih zadataka bio je
izmeu 2 i 3.
koeficijent kvartilne devijacije
VQ= (Q3-Q1)/(Q3+Q1) = (3-2)/(3+2) = 0.2
Raspon varijacije sredinjih 50% studenata u relativnom iznosu je 0.2
Primjer 3. Distribucija frekvencija s razredima

Distribucija studenata prema vremenu potrebnom za rjeavanje jednog zadatka iz statistike u min.
UTROENO
BROJ
KUMULATIVNI NIZ
VELIINA
VRIJEME
STUDENATA
manje od
RAZREDA
fi
S(xi)
ii
10-15
15
15
5
15-20
20
35
5
20-25
30
65
5
25-30
10
75
5
UKUPNO
75
raspon varijacije
Rx = 30 10 = 20 min
Rx = 27.5 12.5 = 15 min
interkvartil
N/4 = 75/4 = 18.75
Kvartilni razred je razred ija kumulativna frekvencija prva ukljuuje vrijednost N/4
21
N
f1
4
Q1 L1
i
f k var
3N
f1
4
Q3 l1
i
f k var
Q1 15
Q3 20
18.75 15
5 15.9 min
20
56.25 35
5 23.5 min
30
IQ = 23.5 15.9 = 7.6 min

Raspon varijacije sredinjih 50% studenata iznosio je 7.6 min.
VQ= (Q3-Q1)/(Q3+Q1) = (23.5 15.9)/(23.5 15.9) = 0.19
Raspon varijacije sredinjih 50% studenata u relativnom iznosu je 0.19.
4. SREDNJE APSOLUTNO ODSTUPANJE (MAD) za mjerenje disperzije moe se koristiti i prosjeno
apsolutno odstupanje vrijednosti varijable od njezine aritmetike sredine ili medijana:
N
pojedinani podaci: MAD
x
i 1
x
i 1
Me
MADMe
N
N
za distiribuciju frekvencija apsolutne razlike ponderiraju se apsloutnim ili relativnim
frekvencijama
Primjer 4.
Dnevna prodaja hladnjaka u 10 prodavaonica iznosila je: 2 5 3 3 7 3 4 6 4 3
x 40 4
x
PRODAJA
PRODAJA
N
10
xi
xi
x x
i
2
5
3
3
7
3
4
6
4
3
40
2
1
1
1
3
1
0
2
0
1
12
MAD = 12/10 = 1,2

2 3 3 3 3 4 4 5 6 7
N/2 = 5 = INT, r = 5
Me = (x5+x6)/2 = (3+4)/2 = 3.5
2
5
3
3
7
3
4
6
4
3
40
xi M e
1,5
1,5
0,5
0,5
3,5
0,5
0,5
2,5
0,5
0,5
12,0
PREDAVANJE #6
5. VARIJANCA aritmetika sredina kvadrata odstupanja vrijednosti numerike varijable od njezine
aritmetike sredine. Varijanca je mjera disperzije u drugom stupnju koju je potrebno vratiti u prvi stupanj.
22

N
2
negrupirani podaci
x
i 1
2
grupirani podaci
f (x
i 1
x)2
f
i 1
6. STANDARDNA DEVIJACIJA pozitivni drugi korijen iz varijance. Potpuna i apsolutna mjera disperzije.
N
(x
negrupirani podaci
i 1
N
k
grupirani podaci
x)2
f (x
i 1
x )2
f
i 1
7. KOEFICIJENT VARIJACIJE realtivna mjera disperzije. Odreuje se kao omjer srtandardne devijacije i
aritmetike sredine pomnoen sa sto.
V
100
Standardna devijacija se interpretira kao prosjeno odstupanje od prosjeka izraeno apsolutno, a

koeficijent varijacije kao to isto odstupanje izraeno relativno i to u vidu postotka.
Primjer 1. Negrupirani tj. pojedinani podaci
Mjereno je vrijeme (u minutama) potrebno za rjeavanje jednog zadatka iz statistike za 10 stuudenata.
Dobiveni su ovi rezultati:
N
VRIJEME
xi
xi
( xi x )2
278
i 1
x
27.8 min
20
60.84
N
10
22
33.64
N
25
.
( xi x ) 2
27
.
191.60
2 i 1
19.16
28
.
N
10
28
.
30
.
2 19.16 4.38 min
30
.
33
.
4.38
35
.
V 100
100 15.76%
UKUPNO
191.60
x
27.8
23
Interpretacija:
Prosjeno vrijeme rjeavanja zadataka iznosilo je 27.8 minuta s prosjenim odstupanjem od 4.38 minute
odnosno 15.76%.
Primjer 2. Distribucija frekvencija formirana na temelju pojedinanih podataka
Pismeni ispit iz statistike sadri 5 zadataka. Distribucija studenata prema broju rjeenih zadataka dana je
u tabeli:
k
BROJ
BROJ
kol. 1x2
f i xi
ZADATAKA STUDENATA
785
i 1
x k
2.80 zadataka
2
xi
fi
fixi
280
f ( x x)
i
i 1
0
1
2
3
4
5
UKUPNO
10
25
55
125
50
15
280
0
25
110
375
200
75
785
78.4
81.0
.
.
.
.
344.2
f
i 1
( xi x ) 2
k
f
i 1
344.2
1.23
280
2 1.23 1.11 zadataka
1.11
100
2.80
100 39.64%
Prosjeni broj rjeenih zadataka iznosio je 2.80 zadatka. S prosjenim odstupanjem od 1.11 zadataka
odnosno 39.64%.
Primjer 3. Distribucija frekvencija s razredima
Struktura aktivnog stanovnitva u drugom polugoditu 2003.g. u RH
STAROST STAROST%
PRAVE
RAZREDNE kol. 2x4
VELIINA
GRANICE
SREDINE
RAZREDA
Pi
xi
Pixi
P ( x x)2
i
15-24
25-49
50-64
65-(74)
UKUPNO
12
64
21
3
100
14.5-24.5
24.5-49.5
49.5-64.5
64.5-(74.5)
-
19.5
37.0
57.0
69.5
-
234.0
2368.0
1197.0
208.5
4007.5
5043.00
.
.
.
14298.75
10
25
15
10
-
KORIGIRANE
FREKVENCIJE
Pci
12
25.6
14.0
3.0
-
Px
i
i 1
100
k
P (x
i 1
4007.5
40 godina
100
x) 2
Pi
14298.75
142.99
100
i 1
2 142.99 11.96 godina
11.96
100
40.00
Interpretacija:
Prosjena starost aktivnog stanovnitva iznosila je 40
godina. S prosjenim odstupanjem od 11.96 godina
odnosno 30%.
100 30%
24
STANDARDIZIRANA VARIJABLA linearna transformacija numerike varijable x. Odreuje se tako da

se odstupanja numerike varijable od njezine aritmetike sredine podijele sa standardnom devijacijom, tj.
da se izraze u jedinicama standardnih devijacija. Aritmetika sredina standardizirane varijable jednaka je
nuli, a standardna devijacija jednaka je jedan.
x x
z 0 ; z 1
PRAVILO EBIEVA govori da je najmanja proporcija lanova bilo kojeg niza obuhvaenih bilo kojim
intervalom x k , k 1 , jednaka 1 12 .
k
U pojasu x 2 nalazi se najmanje 0.75 tj. 75% svih podataka.

U pojasu x 3 nalazi se najmanje 0.889 tj. 88.89% svih podataka.
Ako su podaci rasporeeni po normalnoj distribuciji onda:

pojas x 1 obuhvaa oko 68% podataka
pojas x 2 obuhvaa oko 95% podataka
pojas x 3 obuhvaa oko 99.73% podataka
3
Primjer 4.
Prosjean broj bodova na 1. kolokviju iz statistike iznosi 15, a prosjeno odstupanje od prosjeka iznosi 5.
Na drugom kolokviju postignut je prosjean broj bodova 17 s prosjenim odstupanjem od prosjeka 4.
Student je na prvom kolokviju postigao 20, a na drugome 22 boda. to se moe zakljuiti o uspjehu
studenta na kolokvijima?
x1 15
x2 17
1 5
x1 20
2 4
x2 22
x1 x
20 15
1.00
1
5
x x 22 17
Vrijednost standardiziranog obiljeja na drugom kolkviju: z 2 2
1.25
2
4
Student je na oba kolokvija postigao iznad prosjean rezultat. Bolji je na drugom kolokviju jer je
odstupanje od prosjeka na vie 1.25 , a na prvome 1 .
Vrijednost standardiziranog obiljeja na prvom kolokviju: z 1
Primjer 5.
Mjereno je vrijeme u minutama potrebno za rjeavanje jednog zadatka iz statistike za 10 studenata.
Dobiveni su ovi rezultati: 20 22 25 27 28 28 30 30 33 35
Je li vrijeme rjeavanja od 35 minuta netipino?
Netipian je podatak koji se nalazi izvan pojasa x 2 tj. ako od prosjeka odstupa za vie od 2.
Ako se podaci rasporeuju po normalnoj distribuciji netipian je podatak koji se nalazi izvan pojasa
x 3 tj. ako od prosjeka odstupa za vie od 3.
25
x 27.8 min
4.38 min
z
xx
Budui da se vrijeme od 35 minuta nalazi u pojasu x 2 ne moe se
35 27.8
1.64
4.38
smatrati netipinim.
PREDAVANJE #7
MJERE ASIMETRIJE njima se mjeri nain rasporeda podataka prema aritmetikoj sredini ili nekoj
drugoj vrijednosti.Najvanije su:
1. Koeficijent asimetrije 3 - potpuna mjera
2. Pearsonova mjera
nepotpune
3. Bowleyeva mjera
mjere
1. KOEFICIJENT ASIMETRIJE 3
MOMENTI OKO SREDINE aritmetike sredine odstupanja vrijednosti numerike varijable od
njezine aritmetike sredine podignuti na neku potenciju
N
pojedinani podaci r
(x
i 1
grupirani podaci r
f (x
i 1
x)
x)r
f
i 1
- s obzirom na veliinu r govori se o nultom, prvom, drugom, treem ili etvrtom momentu oko
sredine
- koeficijent asimetrije 3 je omjeru treeg momenta oko sredine i standardne devijacije podignute
M3
na treu potenciju 3 3 obino se kree u intervalu z, a u odreenim sluajevima moe
biti izvan toga intervala:

3 = 0 simetrina distribucija
3 < 0 negativno asimetrina distribucija
3 > 0 pozitivno asimetrina distribucija
2. PEARSONOVA MJERA temelji se na odnosu srednjih vrijednosti u distribucijama frekvencija
simetrina distribucija
26
pozitivno asimetrina distribucija
negativno asimetrina distibucija
- Pearsonova mjera definira se kao standardizirano odstupanje vrijednosti medijana ili moda od
aritmetike sredine:
St
3( x Me)
St
( x Mo)
St = 0 simetrina distribucija
St > 0 pozitivno asimetrina distribucija
St < 0 negativno asimetrina distribucija
3. BOWLEYJEVA MJERA temelji se na odnosu medijana i kvartila
simetrina distribucija
Me Q1 Q3 Me
Q1 Q3 2 Me 0
pozitivno asimetrina distribucija

Me Q1 Q3 Me
Q1 Q3 2 Me 0
27
kree se u intervalu
negativno asimetrina distibucija

Me Q1 Q3 Me
Q1 Q3 2 Me 0
S ka
Q1 Q3 2 Me
Q3 Q1
kree se u intervalu 1
Ska = 0 simetrina distribucija
Ska > 0 pozitivno asimetrina distribucija
Ska < 0 negativno asimetrina distribucija
Primjer 1. pojedinani podaci

Radi kontrole deklarirane teine izabran je uzorak od 10 proizvoda pakiranih u vreice. Mjerenjem su
dobiveni ovi rezultati u gramima: 10 12 15 13 10 11 12 11 11 15
xi
( xi x )
( xi x )2
( xi x )3
xi 120 12 g
10
-2
4
-8
x
12
0
0
0
N
10
15
.
.
.
Mo 11g
13
.
.
.
x x6 11 12
N
10
.
.
.
Me 5 INT 5
11.5 g
2
2
2
11
.
.
.
N
12
.
.
.
2.5 Q1 x3 11
4
11
.
.
.
11
.
.
.
3N
7.5 Q3 x8 15
15
.
.
.
4
120
0
30
36
1.koeficijent asimetrije
N
(x
i 1
x )3
N
N
2 2
(x
i 1
36
3.6
10
x)2
30
3
10
2 3 1.73g
3
M3
3.6
0.69
1.733
- 3 je pozitivan, distibucija je umjereno pozitivno asimetrina

2. Pearsonova mjera
Sk
x Mo 12 11
0.53
173
3. Bowleyjeva mjera
Q Q3 2Me 11 13 2 11.5
S ka 1
0.5
Q3 Q1
13 11
28
Primjer 2. distribucija frekvencija s razredima

Distribucija studenata prema vremenu potrebnom za rjeavanje jednog zadatka iz
statistike
UTROENO
BROJ
RAZREDNE
VRIJEME
STUDENATA
SREDINE
fi
xi
f i xi
f i ( x i x)3
f i ( xi x )2
10-15
15-20
20-25
25-30
UKUPNO
15
20
30
10
75
12.5
17.5
2.5
17.5
-
187.5
350
675
275
1487.5
187.5
1716.67
f x 14875.5 19.83 min

75
f
f ( x x ) 1076.29 14.35
75
f
f ( x x ) 1716.67 22.87

75
f
i
-5907.49
-1076.29
M3
Mo 21.67 min
M2
Me 20.42 min
Q1 15.94 min
2 22.89 4.78 min

3
M3
Q3 23.54 min
14.35
0.13
4.783
Distribucija je blago negativno asimetrina.

19.83 21.67
0.38
4.78
Q Q3 2Me 15.94 23.54 2 80.42
1
0.18
Q3 Q1
23.54 15.94
Pearsonova mjera: S k
Bowleyjeva mjera: S ka
x Mo
MJERA ZAOBLJENOSTI
KOEFICIJENT ZAOBLJENOSTI 4 njime se mjeri zaobljenost modalnog vrha distribucije. Izraunava se kao
M
omjer etvrtog momenta oko sredine i standardne devijacije podignute na 4. potenciju 4 44
negrupirani podaci M 4
(x
i 1
grupirani podaci M 4
f
i 1
x )4
( x i x )4
k
f
i 1
29
4 = 3 NORMALNA DISTRIBUCIJA najvanija teorijska

distribucija
4 > 3 iljatija distribucija od normalne
4 < 3 plosnatija distribucija od normalne
4 1.8 pravokutna
4 < 1.8 U-distibucija
distribucija
EKSCES alternativna mjera zaobljenosti K 1 3

K = 0 ---- normalna distribucija
K > 0 ---- iljatija distribucija
K < 0 ---- plosnatija distribucija
Primjer 3. pojedinani podaci
xi
( xi x )4
10
16
12
0
15
.
13
.
10
.
11
.
12
.
11
.
11
.
15
.
120
198
x 12 g
1.73g
M4
(x
x)4
198
19.8
10
N
M
19.8
4 44
2.21
1.73 4
K 3 3 2.21 3 0.79
Distribucija je plosnatija od normalne.
Primjer 4. distribucija frekvencija s razredima

UTROENO
BROJ
RAZREDNE
VRIJEME
STUDENATA
SREDINE
10-15
15-20
20-25
25-30
UKUPNO
x 19.83 min
4.78 min
fi
xi
f i ( xi x )
15
20
30
10
75
12.5
17.5
22.5
27.5
-
13 301.92
.
.
.
80 024.41
30
M4
f (x x)
f
i
M4
80024.41
1066.99
75
1066.99
2.04
4.78 4
K 4 3 2.04 3 0.96
Distribucija je plosnatija od normalne.

MJERE KONCENTRACIJE njima se mjeri nain rasporeda totala po jedinicama niza
apsolutne najee se koriste koncentracijski omjeri
relativne najee se koristi Ginijev koeficijent koncentracije

1. KONCENTRACIJSKI OMJER reda r se odreuje tako da se zbroj r vrijednosti (od njih N) podijeli sa
zbrojem N vrijednosti. Pri tome se pretpostavlja da su podaci poredani od najveeg prema
najmanjem.
r
Cr
i 1
N
i 1
1
Cr 1
N
Ako se radi o ravnomjernoj raspodjeli, koncentracijski omjer poprima vrijednost od 1 do N.

A ako se radi o maksimalnoj raspodijeli, koncentracijski omjer poprima vrijednost 1.
- u analizi koncentracije koristi se grafiki prikaz LORENZOVA KRIVULJA
1) na osi apscisa nalazi se aritmetiko mjerilo za kumulativni niz relativnih frekvencija
2) na osi ordinata nalazi se aritmetiko mjerilo za kumulativni niz proporcija podtotala
3) prva toka ima koordinate (0,0); posljednja toka ima koordinate (1,1); koordinate ostalih
toaka odreene su vrijednostima lanova kumulativnih nizova
4) u grafiki prikaz ucrtava se pravac jednolike raspodjele, on prolazi tokama (0,0) i (1,1)
2. GINIJEV KOEFICIJENT temelj za njegovo utvrivanje je povrina izmeu pravca jednolike
raspodjele i Lorenzove krivulje. to je koncentacija vee to se Lorenzova krivulja vie udaljuje od
toga pravca
negrupirani podaci
i 1
i 1
2 ixi ( N 1) xi
N
N xi
i 1
podaci moraju biti ureeni od najmanjeg prema najveem

kree se u intervalu od 0 do 1
G = 0 ravnomjerna raspodjela
G = 1 maksimalna koncentracija
N
NORMIRANI KOEFICIJENT GINIJA G G

N 1
31
xi - pojedinane vrijednosti varijable

i - redni broj podatka
PREDAVANJE #8
OSNOVNI POJMOVI VJEROJATNOSTI
VJEROJATNOST brojana mjera nastanka neizvjesnih, tj. sluajnih dogaaja. Vjerojatnost nastanka
dogaaja A jednaka je P(A) pri emu je 0 P(A) 1. Nekada se izraava i u obliku postotka.
DEFINICIJE VJEROJATNOSTI
SLUAJNI POKUS pokus je sluajan ako se u definiranim uvjetima moe ponavljati, ako postoje barem 2
razliita ishoda te ako se ishodi ne mogu predvidjeti sa sigurnou.
PROSTOR UZORKA S skup svih moguih ishoda sluajnog pokusa
SLUAJNI DOGAAJ jednolani ili vielani podskup skupa S te su sa dogaajima doputene skupovne
operacije.
1. KLASINA DEFINICIJA (vjerojatnost a priori) pretpostavlja se da se pokus ponavlja konaan broj puta,
pri emu se vjerojatnost odreuje kao omjer povoljnog broja ishoda m i ukupnog broja ishoda n
m
P ( A)
n
2. STATISTIKA VJEROJATNOST (vjerojatnost a posteriori) broj ponavljanja pokusa je beskonaan, a
vjerojatnost se aproksimira relativnom frekvencijom, tj.omjerom apsolutne frekvencije opsega i opsega
statistikog skupa.
3. SUBJEKTIVNA VJEROJATNOST to je broj iz intervala [0,1] odreen na temelju prosudbe okolnosti
relevantnih za nastup sluajnog dogaaja.
SVOJSTVA VJEROJATNOSTI:
1) vjerojatnost da dogaaj A nee nastupiti jednaka je P()=1-P(A)
2) vjerojatnost istodobnog nastupa dogaaja A1 i A2 jednaka je P(A1A2)
3) ako su dogaaji meusobno iskljuivi, vjerojatnost da e nastupiti dogaaj A1 ili A2 jednaka je
P(A1UA2)=P(A1)+P(A2)
4) ako dogaaji nisu meusobno iskljuivi, vjerojatnost nastupa barem jednog od njih jednaka je
P(A1UA2)=P(A1)+P(A2)-P(A1A2)
5) ponekad je potrebno odrediti vjerojatnost nastupa dogaaja A uz uvjet da se dogodio dogaaj B.
P( A B)
Takva se vjerojatnost naziva uvjetnom vjerojatnou P( A | B)
P( B)
6) ako su dogaaji neovisni tada vrijedi da je P(AB)=P(A)P(B)
SLUAJNA VARIJABLA X numerika funkcija koja svakom ishodu sluajnog pokusa pridruuje realan broj.
diskretna- ako poprima konaan broj vrijednosti
kontinuirana moe poprimiti bilo koju vrijednost iz nekog intervala

DISTRIBUCIJA VJEROJATNOSTI
diskretne sluajne varijable skup ureenih parova razliitih vrijednosti sluajne varijable xi i
pripadajuih vjerojatnosti p(xi). Ima slijedea svojstva:
- p(xi) 0
- p(xi) = 1
Kumulativna funkcija ili funkcija distribucije F(xi) pokazuje kolika je vjerojatnost da sluajna
varijabla x poprimi vrijednost xi ili manju.
32
kontinuirane sluajne varijable opisuje razdiobu vjerojatnosti na intervalu vrijednosti varijable.

Njena svojstva:
- f(x) 0
f ( x)dx 1
Primjer 1.
KVALITETA PROIZVODA
(KLASA)
I
II
III
UKUPNO
BROJ PROIZVODA
DOB A
DOB B
20
10
10
10
30
20
60
40
UKUPNO
KVALITETA PROIZVODA
(KLASA)
I (A1)
II (A2)
III (A3)
UKUPNO
BROJ PROIZVODA
DOB A (B1) DOB B (B2)
0.2
0.1
0.1
0.1
0.3
0.2
0.6
0.4
UKUPNO
30
20
50
100
0.3
0.2
0.5
1
marginalne vjerojatnosti
a) Kolika je vjerojatnost odabira proizvoda I. klase? P(A1)=0.3

b) Kolika je vjerojatnost odabira proizvoda dobavljaa B? P(B2) = 0.4
c) Kolika je vjerojatnost izbora proizvoda III. klase dobavljaa A? P(A3B1) = 0.3
d) Kolika je vjerojatnost izbora proizvoda I. ili III. klase? P(A1UA3) = P(A1)+P(A3) = 0.3+0.5 = 0.8
e) Kolika je vjerojatnost da se izabere proizvod III. klase ili proizvod dobavljaa B?
P(A3UB2) = P(A3)+P(B2)-P(A3B2)= 0.5 + 0.4 0.2 =0.7
f) Kolika je vjerojatnost izbora proizvoda dobavljaa A ako je poznato da je III. klase?
P( A3 B1 ) 0.3
P( B1 | A3 )
0.6
P( A3 )
0.5
g) Jesu li varijable kvaliteta i dobavlja neovisne?
Ako bi varijable kvaliteta i dobavlja bile neovisne, vjerojatnosti bi u polju tabele bile jednake umnoku
P( Ai B j ) P( Ai ) P( B j )
marginalnih vjerojatnosti
P( A1 B1 ) P( A1 ) P( B1 ) 0.3 0.6 0.18
Budui da je 0.20.18, izmeu kvalitete proizvoda i dobavljaa postoji zavisnost.
Primjer 2.
xi
0
1
2
3
4
UKUPNO
p(xi)
0.1
0.2
0.4
0.2
0.1
1.0
xi p(xi)
0
0.2
0.8
0.6
0.4
2.0
F(xi)
0.1
0.3
0.7
0.9
1.0
-
a) Pokaite da je navedena distribucija, distribucija vjerojatnosti!

1) p( xi ) 0
DA
2) p( xi ) 1
b) Odredite oekivanu vrijednost! F x xi p( xi ) 2.00
c) Odredite vrijednosti funkcije distribucije! (tablica)
d) Odredite vjerojatnost p(x2)! p( x 2) 0.1 0.2 0.4 0.7
33
MODELI DISTRIBUCIJA VJEROJATNOSTI temelj inferencijalne statistike

Distribucije vjerojatnosti diskretne sluajne varijable: (najee se koriste binomna i poissonova)
1. BINOMNA
2. POISSONOVA
3. HIPERGEOMETRIJSKA
4. UNIFORMNA
1. BINOMNA DISTRIBUCIJA njena je definicija povezana sa Bernaulijevim pokusom. Bernaulijev pokus je
sluajni pokus slijedeih svojstava: - ima dva ishoda (uspjeh i neuspjeh)
- vjerojatnost ishoda uspjeh je p, a neuspjeh q=1-p
- pokusi su neovisni
n
P ( x ) p x q n x
x
n-broj ponavljanja Bernaulijevih pokusa
p-vjerojatnst ishoda uspjeh
x-sluajni broj ishoda uspjeha
n
n!

x x!( n x )!
Oekivana vrijednost Ex n p
2
Varijanca n p q
2. POISSONOVA DISTRIBUCIJA granini sluaj binomne distribucije. Prikladna je za opis rijetkih

dogaaja, tj. dogaaja koji se javljaju s malom vjerojatnou.
e n x
x!
Oekivana vrijednost E x
p( x )
x-broj povoljnih ishoda
2
Varijanca
Primjer 3.
Prema raspoloivim podaciima banke u prosjeku 5 stranaka po satu zahtijeva usluge oroavanja depozita.
Pretpostavi li se da stranke prispjevaju u banku neovisno, po satima u random vremenu s itom
vjerojatnosti, kolika je vjerojatnost da se pred elterom za oroavanje nau: (broj stranaka koje u jednom
satu za radnog vremena dolaze neovisno i s istom vjerojatnosti diskretna je sluajna varijabla koja se
ravna prema Poissonovoj distribuciji s parametrom = 5.)
a) 3 stranke?
P(3)
e 5
0.14037
3!
b) vie od 1 stranke?
P( x 1) 1 p(0) p(1) 0.95957
e 5 5 0
0.00674
0!
e 5 51
p(1)
0.03369
1!
p(0)
34
PREDAVANJE #9
Distribucije vjerojatnosti kontinuirane sluajne varijable:
1. NORMALNA (GAUSSOVA)
2. STUDENTOVA (T-DISTRIBUCIJA)
3. 2 (HI-KVADRAT)
4. F-DISTRIBUCIJA
5. UNIFORMNA KONTINUIRANA
6. EKSPONENCIJALNA
1. NORMALNA (GAUSSOVA) DISTRIBUCIJA najvanija distribucija vjerojatnosti.
- dvoparametarska funkcija (odreena s 2 parametra) : oekivana vrijednost i varijanca N ( , 2 )
- zvonolika je i simtrina
- budui da aritmetika sredina i standardna devijacija ovise o mjernim jedinicama varijable uvodi se
x
2
jedinina (standardizirana) normalna distribucija z
N (0,1); 2 0; 2
Jedinina normalna distribucija je tabelirana. U poljima tabele nalaze se povrine koje predstavljaju
vjerojatnosti. U pred-stupcu tabele su sve vrijednosti izraene kao brojevi s jednom decimalom. Druga
decimala nalazi se u zaglavlju.Budui da je distribucija simetrina u tabeli su dane samo vrijednosti z.
oznaena povrina oznaava vjerojatnost da

sluajna varijabla poprimi vrijednost iz intervala od 0
do z.
Primjer 1.
Sluajna varijabla x distribuirana je po normalnoj distribuciji N ( ,2 ). Odredite vjerojatnost da varijabla
poprimi vrijednost:
a) - < x < +
z
( z)
z
1
( z)
z
1
p( x ) p(1 z 1)
2 P( z 1.00) 2 0.3413 0.6826
Kaemo da je 68.26% vjerojatno da e sluajna varijabla z zauzeti vrijednosti izmeu -1 i 1 ili da e
sluajna varijabla x zauzeti vrijednost izmeu - i +.
35
b) -2 < x < +2
p( 2 x 2 )
p(2 z 2) 2 P( z 2.00)
2 0.4772 0.9544
Kaemo da je 95,44% vjerojatno da e sluajna varijabla z zauzeti vrijednost izmeu -2 i 2 ili da e
sluajna varijabla x zauzeti vrijednost izmeu -2 i +2.
2. STUDENTOVA DISTRIBUCIJA
- njen oblik je odreen veliinom n
- za n>30 (veliki uzorak) distribucija se po obliku pribliava normalnoj distribuciji
- za n<30 (mali uzorak) distribucija je vie razvuena na obje strane uzdu apscise
- i ona je zvonolika i simetrina te tabelirana
- u pred-stupcu tablice nalaze se stupnjevi slobode, u zaglavlju su vjerojatnosti. U poljima tabele su
kritine vrijednosti.
Vjerojatnost da e sluajna varijabla koja se ravna po Studentovoj

distribuciji poprimiti vrijednost veu od t iznosi .
Primjer 2.
Sluajna varijabla t distibuirana je po Studentovoj distribuciji s 8 stupnjeva slobode. Odredite slijedee
vjerojatnosti:
a) P (t 1.397)
pt 1.397 1 pt 1.397 1 0.100 0.900
b) P (t -1.397)
Pt 1.397 Pt 1.397 0.100
36
OSNOVNI POJMOVI INFERENCIJALNE STATISTIKE

INFERENCIJALNA STATISTIKA skup analitikih metoda koje polaze od uzorka.. Budui da se zakljuci
donose na temelju dijela podataka oni sadre pogreku nastalu zbog primjene uzorka (Sampling error).
Faktori koji uvjetuju primjenu uzorka su slijedei:
1. pojedini konani skupovi sadre veliki broj lanova pa bi njihovo istraivanje zahtijevalo velika
financijska sredstva
2. do rezultata se dolazi u kraem vremenu
3. uzorak se primjenjuje kada bi se istraivanjem unitio itav statistiki skup (npr.istraivanje
trajnosti elektrinih arulja)
4. beskonani skupovi istrauju se iskljuivo metodom uzorka (pr.beskonanog skupa:proizvodnja)
Dvije su osnovne zadae metode uzorka:
1. procjenjivanje parametra
2. testiranje hipoteza
PLAN UZORKA plan izbora jedinica u uzorak. Osnovna svrha plana je izbor reprezentativnog uzorka, tj.
uzorak mora biti umanjena slika osnovnog skupa.
S obzirom na nain izbora jedinica uzorka razlikuju se namjerni i sluajni uzorci.
1. namjerni uzorci jedinice uzorka izabiru se prema odluci istraivaa
prigodni uzorak ispituju se dostupne jedinice (npr.javno miljenje)
uzorak izabran na temelju prosudbe istraivaa istraiva izabire reprezentativne

jedinice pri emu je potrebno da dobro poznaje osnovni skup
kvotni uzorak anketari se slobodno odluuju za jedinice u sklopu kvota

Namjerni uzorci jednostavni su za primjenu te se esto koriste. Analiziraju se metodama
deskriptivne statistike.
Nedostatak: nije mogue izraunati greku nastalu zbog primjene uzorka.
2. sluajni uzorci svaki elemnt ima vjerojatnost izbora veu od nule. Kod ovih uzoraka mogue je
izraunati greku. Analiziraju se metodama inferencijalne statistike.
jednostavni sluajni uzorak svaki element ima jednaku vjerojatnost izbora.

primjenjuje se kod homogenih skupova.
stratificirani uzorak prikladniji je kod skupova koji pokazuju vei stupanj

varijabilnosti. Jedinice se izabiru iz homogenih dijelova osnovnog skupa koji se nazivaju
STRATUMI.
uzorak skupina u uzorak se ne izabiru pojedini elementi nego njihove skupine.

Ponekad se primjenjuje sistematski izbor (npr.ako iz skupa od 10 000 lanova biramo uzorak
veliine 1000 birat emo svaki 10. lan). Budui da se radi o sluajnom uzorku potrebno je
odrediti sluajni poetak.
OKVIR IZBORA popis lanova statistikog skupa (npr.biraki popis)
37
PREDAVANJE #10
SAMPLING DISTRIBUCIJA teorijska distribucija vjerojatnosti procjenitelja parametra. Zasniva se na
konceptu ponovljenih izbora sluajnih uzoraka iz danog osnovnog skupa pri emu razliiti uzorci dovode do
razliitih vrijednosti procjena.
Primjer 1.
Vrijednosti numerike varijable x koje tvore osnovni skup su 1, 3 i 5. Iz skupa se izabiru uzorci veliine
n=2. Izbor je s jednakom vjerojatnou svakog elementa skupa odnosno svakog uzorka.
N
aritmetika sredina osnovnog skupa ()
9
3
3
(x
)2
i 1
1;1
1;3
1;5
3;3
3;1
8
3
3;5
standardna devijacija osnovnog skupa

vrijednosti varijabla
elemenata u uzorku
aritmetika sredina
uzorka xi
5;1
5;3
5;5
Provest emo izbor s ponavljanjem izbor u kojem se svaki izabrani element za uzorak nakon izbora vraa
u osnovni skup i tako sudjeluje u izboru sljedeeg elementa za uzorak.
Budui da je vjerojatnost izbora svakog sluajnog uzorka veliine n=2 jednaka, iznosi 1/9, distribucija je
sredina:
aritmetika
P ( xi )
xi P ( x i )
sredina uzorka xi
1
1/9
1/9
2
2/9
4/9
Ex xi p( xi ) 3
3
3/9
9/9
4
2/9
8/9
5
1/9
5/9
ukupno
1
27/9=3
sampling distribucija
Oekivana vrijednost sampling distribucije aritmetikih sredina uzoraka jednaka je aritmetikoj sredini
osnovnog skupa. Standardna devijacija sampling distribucije sredina prosjeno je odstupanje aritmetikih
sredina od aritmetike sredine osnovnog skupa. Ona izraava pogreku koja nastaje zbog primjene uzorka,
stoga se naziva standardnom pogrekom aritmetike sredine.
38
PROCJENE PARAMETARA parametar se procjenjuje brojem i intervalom.

Intervalna procjena sastoji se od odreivanja granica u kojima e se nai nepoznati parametar.
( greka. procjene .. .. greka. procjene )
- karakteristika uzorka, a ujedno i procjena broja
- karakteristika osnovnog skupa koja se procjenjuje (npr. aritmetika sredina, total i proporcija)
Procjenitelj :
nepristran ako je njegova oekivana vrijednost jednaka parametru koji se procjenjuje E
konzistentan ako njegova standardna devijacija s porastom uzorka tei nuli
PROCJENA ARITMETIKE SREDINE moe biti brojem i intervalom
procjena brojem jednaka je aritmetikoj sredini uzorka
intervalna procjena za veliki uzorak (n>30) koristi se normalna distribucija (Gaussova)
P x z x x z x 1
2
2
x aritmetika sredina uzorka

z koeficijent pouzdanosti koji se odreuje na temelju
2
povrina ispod normalne krivulje

x standardna pogreka procjene aritm.sredine
aritmetka sredina osnovnog skupa,a ujedno i
parametar koji se procjenjuje
1 razina signifikantnosti
intervalna promjena za mali uzorak (n30) koristi se Studentova T distribucija
P x t x x t x 1 t -koeficijent pouzdanosti koji se odreuje na temelju

2
2
2
studentove distribucije
Primjer 2.
Odredite vrijednost standardne pogreke procjene aritmetike sredine osnovnog skupa za ove
sluajeve:
a) Procjenjuje se sredina konanog skupa od 125 768 lanova pomou sluajnog uzorka veliine 1250
lanova. Standardna devijacija osnovnog skupa iznosi 64.
N 125768
N-broj elemenata osnovnog skupa

n-broj elemanata uzorka
n 1250
f
n
1250
0.0099 ;
N 125768
f 0.05 Frakcija izbora (f) pokazuje da je u uzorak izabrano

priblino 1% osnovnog skupa.
N n
, f 0.05
N 1
, f 0.05
n
39
64
1.81019
1250
b) Sredina se procjenjuje pomou sluajnog uzorka veliine 600 formiranog izborom svakog desetog lana
konanog osnovnog skupa, a varijanca skupa iznosi 100.
n
600
n 600
f
0.1, f 0.05
N 6000
N
10 N 10 n 6000
N n
10
6000 600
n
x
0.38733
2
6000 1
100 10
n N 1
600
c) Uzorak veliine 36 izabran je iz beskonanog osnovnog skupa N(, 52)
beskonani skup f<0.05 (kad u zadatku nemamo N pretpostavljamo da je skup beskonaan i f<0.05)
5
5
x
0.83333
n
36 6
d)
N 35679
n 2500
10
- nepristrani procjenitelj standardne devijacije populacije (osnovnog skupa)
N n
, f 0.05
n N 1
, f 0.05
n
n
2500
0.07 , f 0.05
N 35679
N n
10
N 1
2500
35679 2500
0.19287
35679 1
e) Veliina je uzorka 256 i ini 2% osnovnog skupa, a standardna devijacija uzorka je 32.
s standardna devijacija uzorka
s 32
n 256
256
2
100 N 12800
N
f 0.02 , f 0.05
32.06268
x
2.00392
n
n
n1
faktor korekcije
Primjer 3.
Tvrtka isporuuje vijke pakovanih po 100 komada. Kupac je primio poiljku od 10000 pakovanja. Radi
kontrole izabran je sluajni uzorak od 60 pakovanja. Kontrolom je ustanovljen slijedei broj neispravnih
vijaka po pakovanju: 4, 3, 3, 1, 3,. Njihov zbroj je 117.
60
xi 117 ,
i 1
60
x
i 1
293
Procjenite brojem i intervalom prosjean broj neispravnih vijaka po pakovanju za cijelu poiljku. Razina
povjerenja je 95%.
40
n 60 veliki uzorak
f
n
60
0.006 , f 0.05
N 10000
procjena brojem procjenitelj aritmetike sredine je aritmetika sredina uzorka

xi 117 1.95 2 procjena prosjenog broja neispravnih vijaka po pakovanju
x
N
60
intervalni procjenitelj
P x z x x z x 1
2
2
0.95:2 = 0.4750
z(P=0.4750) = 1.96
Kako nije poznata standardna devijacija osnovnog skupa potrebno je izraunati njezinu procjenu pomou
podataka iz uzorka.
1
293 117 2
2
1
2
60

1.04840
xi
xi
59
n

1.04840
n1
x
0.13535
n
60
P1.95 1.96 0.13535 1.95 1.96 0.13535 0.95

P0.68471 2.21529 0.95
Interpretacija: S vjerojatnou od 0.95 odnosno 95% oekuje se da e se prosjean broj neispravnih

vijaka po pakovanju kretati izmeu 0.68471 i 2.21529.
Primjer 4.
Ispituje se prosjeno trajanje pozivnih telefonskih razgovora preko telefonske centrale poduzea Market.
Trajanje u minutama 10 sluajno odabranih razgovora iz evidencije 8967 razgovora bilo je slijedee:
xi : 2 1 1 2 3 4 2 1 1 3
Pretpostavlja se da je trajanje pozivnih razgovora na centrali normalno distribuirano s nepoznatom
aritmetikom sredinom i nepoznatom standardnom devijacijom.
Odredite granice za koje se moe oekivati da obuhvaaju prosjeno trajanje razgovora za osnovni skup.
Pouzdanost procjene je 90%.
41
n 10 mali uzorak
P x t x x t x 1
2
2
xi 20 2 min
x
n
10
koeficijent pouzdanosti t odreuje se pomou tablice studentove T-distribucije.
1 0.90
0.05
2
s.s. n 1 9
t0(.905) 1.833
2
1
20 2
50
xi n xi
10 1.05409

n 1
9
1.05409
x
0.33333
n
10
n
10
f
0.0011152 f 0.05
N 8967
2
P2 1.833 0.33333 2 1.833 0.33333 0.90

P1.38901 2.61099 0.90
S vjerojatnou od 90% oekuje se da e se prosjeno trajanje razgovora za osnovni skup kretati izmeu
1.38901 i 2.61099.
PREDAVANJE #11
PROCJENA TOTALA OSNOVNOG SKUPA
TOTAL zbroj vrijednosti numerikog obiljeja. Taj je parametar povezan s aritmetikom sredinom.
x
N
T
N
T N
Zbog toga se postupak procjenjivanja totala svodi na postupak procjenjivanja aritmetike sredine.
procjena totala brojem - T N x

-
T N x
intervalna procjena za veliki uzorak - P T z T T T z T 1

2
2
42
- koeficijent pouzdanosti
z
2
T - standardna pogreka procjene totala

1 - razina pouzdanosti (povjerenja)
intervalna procjena za mali uzorak kao koeficijent korisnosti koristi se t .
2
ODREIVANJE VELIINE UZORKA ZA PROCJENU ARITMETIKE SREDINE OSNOVNOGA SKUPA

Veliina uzorka ovisi o slijedeim elementima:
1. vrsti osnovnog skupa (konaan ili beskonaan)
2. razini pouzdanosti procjene
3. eljenoj pouzdanosti procjene
4. stupnju varijabilnosti podataka
PRETHODNA VELIINA UZORKA n0 :
z
2
ako su pogreka (d) i stupanj varijabilnosti izraeni apsolutno: n0

d
z .V
2
ako su pogreka (dr) i stupanj varijabilnosti izraeni relativno: n0

dr
KONANA VELIINA UZORKA:
n , f 0.05
0
0
n
frakcija:
n
, f o 0.05
f
0
f0
n0
N
Primjer 1.
U grafikoj djelatnosti zaposlena su 9 754 zaposlenika. Koliko zaposlenika treba izabrati u uzorak pomou
kojega se procjenjuje prosjeni radni sta svih zaposlenika. Procjenjuje se s 95% pouzdanosti. Tolerira se
pogreka od najvie 0.5 godine. Pretpostavlja se da je osnovnog skupa 6 godina.
N 9754
n0 2
d
0.95
2
0.4750
(1 ) 0.95
1.96 6
2
n0

0. 5
d 0.5
z P 0.4750 1.96
n0 553
6
n0
553
0.05669 f 0 0.05
N 9754
n0
553
n
523
1 f 0 1 0.05669
f0
Prema navedenim uvjetima u uzorak treba izabrati 523 zaposlenika.

43
PROCJENA PROPORCIJE OSNOVNOG SKUPA

PROPORCIJA OSNOVNOG SKUPA parametar koji predstavlja omjer broja lanova osnovnog skupa s
odreenim modalitetom obiljeja i opsega statistikog skupa
m
procjenitelj procjene brojem: P
n
m - broj elemenata s odreenim modalitetom obiljeja u uzorku
n - broj elemenata uzorka

Sampling distribucija proporcija uzoraka ima oblik binomne ili hipergeometrijske distribucije. Za dovoljno
veliki uzorak aproksimira se normalnom distribucijom.
intervalna procjena za veliki uzorak: P p z p p p z p 1

2
2
p-proporcija osnovnog skupa
TESTIRANJE HIPOTEZA O PARAMETRU

STATISTIKA HIPOTEZA tvrdnja o veliini parametra ili o obliku distribucije osnovnog skupa ija se
istinitost ispituje pomou sluajnog uzorka.
TESTIRANJE STATISTIKIH HIPOTEZA postupak kojim se donosi odluka o prihvaanju ili ne prihvaanju
tvrdnje.
STATISTIKI TESTOVI:
parametarski polazi se od danog oblika numerike varijable u osnovnom skupu
neparametarski
Svaki postupak testiranja polazi od nulte (H0) i alternativne hipoteze (H1)
U postupku donoenja odluka mogu se pojaviti dvije vrste pogreaka:
POGREKA TIPA I nastaje ako se odbaci istinita nulta hipoteza
POGREKA TIPA II nastaje ako se prihvati lana nulta hipoteza

RAZINA ZNAAJNOSTI (RAZINA SIGNIFIKANTNOSTI) vjerojatnost odbacivanja istinite nulte hipoteze
vjerojatnost prihvaanja lane nulte hipoteze
SNAGA TESTA (1-) vjerojatnost odbacivanja lane nulte hipoteze
TESTIRANJE HIPOTEZA O PRETPOSTVLJENOJ VRIJEDNOSTI ARITMETIKE SREDINE

OSNOVNOG SKUPA ovo se testiranje provodi na temelju sluajnog uzorka od N lanova
N > 30 veliki uzorak TEST VELIKIM UZORKOM
N 30 mali uzorak TEST MALIM UZORKOM
Testiranje se provodi u slijedeim koracima:
1. postavljanje hipoteza
2. identificiranje izraza za testnu veliinu i odreivanje njene vrijednosti
3. odabir razine signifikantnosti i odreivanje kritinih granica
4. donoenje odluke
44
Test moe biti:
dvosmjeran
jednosmjeran (na donju ili na gornju granicu)

Odluka se moe donijeti na idue naine:
pomou kritinih granica
Z-test ; T-test
pomou empirijske razine signifikantnosti tj. p-vrijednosti

DVOSMJERNI TEST nije ogranien smjer odstupanja. Pretpostavka je da je aritmetika sredina jednaka
pretpostavljenoj. Pretpostavka se formulira kao nulta hipoteza.
H 0 ........... 0
H 1 ........... 0
Primjer 2.
Prema standardu prosjena trajnost elektrinih arulja od 75W iznosi 2000 h s prosjenim odstupanjem
250 h. Iz serije arulja izabran je, uz frakciju izbora manju od 5%, sluajni uzorak 64 arulje. Ispitivanjem
je ustanovljeno da je prosjena trajnost arulja u uzorku 1935 h. Moe li se prihvatiti pretpostavka da je
uzorak izabran iz osnovnog skupa kojemu je aritmetika sredina prema standardu tj.2000 h. testirati na
razini znaajnosti 5%.
H 0 ........ 2000
veliki uzorak normalna distribucija
H1........ 2000
250
f 0.05
n 64
x 1935
250
64
31.25
5%
Koeficijent znaajnosti za danu razinu znaajnosti odreuje se pomou povrina ispod normalne krivulje.
Postupak odreivanja toga koeficijenta jednak je postupku odreivanja koeficijenta povjerenja pri procjeni
parametra. Meutim koeficijent znaajnosti odraava razinu znaajnosti tj. vjerojatnost pogreke tipa I., a
koeficijent povjerenja razinu povjerenja procjene.
zP 0.5 0.025 zP 0.4750) 1.96
1. C1 0 z x 200 1.96 31.25 1938.75
2
C 2 0 z x 2000 1.96 31.25 2061.25

2
Ove kritine granice izraene su u mjernim jedinicama varijable.

ODLUKA:
C1 x C 2 H 0
x C1 H 1
1935 1938.75 H1
x C2 H1
45
Na danoj razini znaajnosti odbacuje se nulta hipoteza tj. ne prihvaa se pretpostavka da je uzorak
izabran iz skupa arulja s prosjenom trajnou 2000 h.
2. Z-test
test veliina ( empirijski z-omjer)
x 0
1935 2000
2.08
31.25
ODLUKA:
z z H 0
2
z z
H1
2.08 1.96 H1
3. Pomou empirijske razine signifikantnosti tj. p-vrijednosti

Teorijska razina signifikantnosti sastavni je element. Ona predstavlja odabranu vjerojatnost
odbacivanja istinite nulte hipoteze.
Empirijska razina signifikantnosti ili opaena razina signifikantnosti (p-vrijednost) vjerojatnost je
odbacivanja istinite nulte hipoteze izraunata pomou podataka iz uzorka odnosno test veliina
(empirijskog z odnosno t omjera)
z 2.08
p vrijednost 2 P z z 2 Pz 2.08 20.5 0.4812 0.0376
ODLUKA:
p H0
p H1
0.0376 0.05 H1
JEDNOSMJERNI TEST NA GORNJU GRANICU - od interesa je promatrati odstupanje na vie. Pretpostavlja

se da je aritmetika sredina osnovnog skupa vea od pretpostavljene. Pretpostavka se formulira kao
alternativna hipoteza. (vie od, najmanje, barem)
H 0 ........... 0
H 1 ........... 0
Primjer 3.
Radi poveanja produktivnosti strojeva predloena je njihova preinaka. Prema proraunima preinaka je
poslovno opravdana ako se postigne povean broj operacija po satu i ako u prosjeku iznosi vie od 120.
Na jednom stroju provedena je preinaka i evidentiran je broj operacija po satu 144 mjerenja. Prosjean
broj operacija po satu iznosi je 125. Zbroj kvadrata vrijednosti mjerenja iznosi 2 307 600. Do kojeg se
zakljuka dolazi na temelju provedenog ispitivanja? Vjerojatnost odbacivanja istinite nulte hipoteze iznosi
5%.
H 0 ....... 120
H1....... 120
46
n 144 veliki uzorak

x 125
2
i
2307600
nx 2
2307600 144 1252

20.06981
n 1
143
f 0.05 besk .skup
20.06981
x
1.67248
n
144
z P 0.5 0.05 z P 0.4500 1.65
1. pomou kritinih granica

C2 0 z x 120 1.65 1.67248 122.76
ODLUKA:
x C2 H 0
125 122.76 H1
x C2 H1
Odstupanje aritmetike sredine uzorka na vie znaajno je pa se prihvaa pretpostavka da je preinaka
strojeva opravdana.
2. Z-test
x 0 125 120
z
2.99
x
1.67248
ODLUKA:
z z H 0
z z H 1
2.99 1.65 H1
3. pomou empirijske razine signifikantnosti tj. p-vrijednost

z 2.99
p vrijednost Pz z Pz 2.99 0.5 0.4986 0.0014
ODLUKA:
P H0
P H1
0.0014 0.05 H1
47
PREDAVANJE#12
JEDNOSMJERNI TEST NA DONJU GRANICU od interesa je promatrati odstupanje na nie. Pretpostavlja se
da je aritmetika sredina osnovnog skupa manja od pretpostavljene. Pretpostavka se formulira kao
alternativna hipoteza. (manje od, najvie, ne vie od)
H o ......... 0
H 1 ......... 0
Primjer 1.
Poslovodstvo banke odluilo je promijeniti programsku potporu alterskog poslovanja kako bi se smanjio
prosjeni utroak vremena obrade naloga stranaka i time skratilo vrijeme ekanja stranaka. Analizom je
utvreno da se promjena potpore isplati ako prosjeno vrijeme obrade iznosi najvie 30 sekundi po
nalogu. Razvojna sluba banke izradila je programsku potporu koja se testira u odabranom broju
poslovnica. Na temelju podataka o trajanju obrade pomou nove programske potpore za 453 sluajno
odabrana naloga izraunano je prosjeno utroeno vrijeme po nalogu koje iznosi 28 sekundi s prosjenim
odstupanjem 4 sekunde. Do kojeg se zakljuka dolazi na temelju provjere rada s novim programom?
Testirati na razini znaajnosti 2%.
H 0 ........ 30
Uzorak je velik pa koristimo normalnu distribuciju.
H1........ 30
n 453
x 28
s4
2% 0.02
n
453
4
4.0042
n 1
452
4.0042
x
0.18814
453
besk.skup f 0.05
z P 0.5 0.02 z P 0.4800 2.05
1. pomou kritine granice

C2 z x 30 2.05 0.18814 29.61430
ODLUKA:
x C1 H 0
28 29.61430 H1
x C1 H 1
Odstupanje aritmetike sredine uzorka nanie je znaajno na danoj razini signifikantnosti pa se
zakljuuje da nova programska potpora skrauje vrijeme obrade naloga.
2. Z-test
test veliina (empirijski z-omjer) je:
x 0
28 30
z
10.630
x
0.18814
ODLUKA:
z z H 0
10.630 2.05 H1
z z H 1
Empirijski z-omjer manji je od teorijske vrijednosti pa se na danoj razini signifikantnosti odbacuje nulta
hipoteza.
48
TESTIRANJE HIPOTEZA O RAZLICI ARITMETIKIH SREDINA DVAJU OSNOVNIH SKUPOVA

NEZAVISNIM UZORCIMA
Uzorci su nezavisni ako rezultati opaanja i mjerenja u jednome uzorku ne ovise o rezultatima opaanja i
mjerenja u drugome uzorku, npr. ispitivanje efikasnosti rada radnika u dvije tvornice.
Uzorci su zavisni ako se vrijednosti iz uzorka dobivaju ponovljenim opaanjem odnosno mjerenjem
odabrane varijable na istim jedinicama u razliitim vremenskim terminima, npr. mjerenje efikasnosti rada
radnika u istoj tvornici prije i nakon provedenog programa strunog usavravanja.
DVOSMJERNI TEST pretpostavlja se da su aritmetike sredine osnovnih skupova jednake (1,2).
Pretpostavka se formulira kao nulta hipoteza.
H 0 ........1 2 0
H 1 ........1 2 0
Primjer 2.
Pomou uzorka se ispituje razlika u prosjenoj mjesenoj potronji mlijeka etverolanih kuanstava u dva
naselja. U naselju Lug je 2500 etverolanih kuanstava, a u naselju Gaj 2000. Kod etverolanih
kuanstava u naselju Lug izabrano je u uzorak svako 50. kuanstvo, a od ukupnog broja etverolanih
kuanstava u naselju Gaj u uzorak je izabrano 2% kuanstava. Na temelju podataka iz uzorka kuanstava
naselja Lug utvrena je prosjena mjesena potronja po kuanstvu 53 litre s prosjenim odstupanjem od
1 litre. Pomou vrijednosti iz uzorka kuanstava iz naselja Gaj utvrena je prosjena mjesena potronja
po kuanstvu 50 litara s prosjenim odstupanjem od 1.41 litre. Moe li se prihvatiti pretpostavka da se
prosjena mjesena potronja mlijeka etverolanih kuanstava u naseljima Lug i Gaj signifikantno ne
razlikuju? Razini signifikantnosti je 3%.
H 0 ........1 2 0
H1........1 2 0
n1 50
n2 40
x1 53 l
x 2 50 l
s1 1l
s 2 1.41l
1 2 s1 2
n1
50
12
1.02041
n1 1
43
2 2 s 2 2
n2
40
1.412
2.03908
n2 1
39
0.03
z P 0.5 0.015 z P 0.4850 2.17
standardna pogreka za velike uzorke: x1 x2
1 2
n1
1. pomou kritinih granica

C1 0 z x1 x2 0 2.17 0.26719 0.57980
2
C 2 0 z x1 x2 0 2.17 0.26719 0.57980
2 2
n2
1.02041 2.03908
0.26719
50
40
test veliina: D x1 x2 53 50 3
49

ODLUKA:
C1 D C 2 H 0
D C H
1
3 0.57980 H1
D C 2 H 1
Ne moe se prihvatiti pretpostavka da se prosjena mjesena potronja mlijeka etverolanih

kuanstava u naselju Lug i Gaj signifikantno se ne razlikuju.
2. Z-test
test veliina (empirijski z-omjer)
x x2
53 50
z 1
11.22997
x1 x2
0.26719
ODLUKA:
z z H 0
2
11.22797 2.17 H1
z z H 1
2
JEDNOSMJERNI TEST NA GORNJU GRANICU pretpostavlja se da je aritmetika sredina prvog osnovnog

skupa vea od aritmetike sredine drugog osnovnog skupa. Pretpostavka se formulira kao alternativna
hipoteza.
H 0 .......1 2 0
H 1 .......1 2 0
Primjer 3.
Ispituje se pretpostavka da su prosjeni izdaci za odjeu poljoprivrednih kuanstava vei od prosjenih
izdataka za odjeu nepoljoprivrednih kuanstava. U tu svrhu odabrani su sluajni uzorci od po 500
kuanstava. Promatrani su godinji izdaci.
poljoprivredna kuanstva
x1 5900.50kn
nepoljoprivredna kuanstva
x 2 5830.70kn
s1 520.30kn
s 2 480.50kn
H 0 .......1 2 0
H1.......1 2 0
0.01
z P 0.5 0.01 z P 0.4900 2.33
standardna pogreka za velike uzorke:
x x
1
1 2
n1
2 2
n2
1 2 s1 2
n1
500
520.30 2
271254,5992
n1 1
499
2 2 s 2 2
n2
500
480.50 2
231342.9359
n2 1
499
271254.5992 231342.9359
31.7048
500
500
50
1. pomou kritine granice

C2 0 z x1 x2 0 2.33 31.7048 73.8722
test veliina: D x1 x2 5900.50 5830.70 69.8
ODLUKA:
D C 2 H 0
69.80 73.8722 H 0
D C H
2
Ne moe se prihvatiti pretpostavka da su prosjeni izdaci za odjeu poljoprivrednih kuanstava vei od

prosjenih izdataka za odjeu nepoljoprivrednih kuanstava.
2. Z-test
x x2 5900.50 5830.70
z 1
2.20
x1 x2
31.7048
ODLUKA:
z z H 0
2.20 2.33 H 0
z z H 1
3. pomou empirijske razine signifikantnosti (p-vrijednost)
z 2.20
p vrijednost PZ z PZ 2.20 0.5 0.4861 0.0139

ODLUKA:
p H0
0.0139 0.01 H 0
p H1
JEDNOSMJERNI TEST NA DONJU GRANICU pretpostavlja se da je aritmetika sredina prvog osnovnog

skupa manja od aritmetike sredine drugog osnovnog skupa. Pretpostavka se formulira kao alternativna
hipoteza.
H o ........1 2 0
H 1 ........1 2 0
Primjer 4.
Ispituje se tvrdnja da su maloprodajne cijene prehrambenih proizvoda nie u diskontima nego u klasinim
prodavaonicama. U tu su svrhu odabrani sluajni uzorci od 50 maloprodajnih cijena u diskontima i 80
maloprodajnih cijena u klasinim prodavaonicama. Uzorci cijena prikupljeni su u istom vremenskom
razdoblju i za isti prehrambeni proizvod.
diskonti
x1 9.90kn
s1 2.30kn
klasine prodavaonice
x 2 11.42kn
s 2 2.10kn
Moe li se na osnovi podataka iz uzorka zakljuiti da je prosjena maloprodajna cijena prehrambenih

proizvoda nia u diskontima nego u klasinim prodavaonicama? Razina signifikantnosti je 1%.
51
H o ........1 2 0
H1........1 2 0
z P 0.5 0.01 z P 0.4900 2.33
n1
50
2.30 2
5.3980
n1 1
49
1 2 s1 2
n2
80
2.10 2
4.4658
n2 1
79
standardna pogreka za velike uzorke:
2 2 s 2 2
x x
1
1 2
n1
2 2
n2
5.3980 4.4658
0.4047
50
80
1. Z-test
x x2 9.90 11.40
z 1
3.7064
x1 x2
0.4047
ODLUKA:
z z H 0
3.7064 2.33 H1
z z H 1
Moe se prihvatiti pretpostavka da je prosjena maloprodajna cijena prehrambenih proizvoda nia u
diskontima nego u klasinim prodavaonicama.
PREDAVANJE #13
REGRESIJSKA ANALIZA njom se ispituje ovisnost jedne varijable o drugoj varijabli ili o vie drugih
varijabli, npr.proizvodnja o broju zaposlenih, potronja o visini plae
ZAVISNA VARIJABLA varijabla ije se varijacije objanjavaju
NEZAVISNE VARIJABLE varijable kojima se objanjavaju varijacije zavisne varijable
REGRESIJSKI MODEL jednadba ili skup jednadbi s konanim brojem parametara i varijabli
linearni
nelinearni
MODEL JEDNOSTAVNE LINEARNE REGRESIJE njime se izraava odnos meu dvjema pojavama.
Model sadri jednu zavisnu i jednu nezavisnu varijablu. Primjenjuje se za varijable koje su u linearnom
statistikom odnosu.
DESKRIPITVNO STATISTIKA ANALIZA MODELA JEDNOSTAVNE LINEARNE REGRESIJE
opi oblik modela jednostavne regresije: y f x e
f(x) funkcionalni dio modela
e stohastika varijabla koja odraava nesistemske utjecaje na zavisnu varijablu
Ako je funkcionalni dio modela oblika f x x model postaje: y x e
52
Ako su a i b procjene nepoznatih parametara i , a ui procjene nepoznatih vrijednosti varijable e, model

se moe izraziti na slijedei nain: y i a bx i ui
linearna regresijska jednadba: y i a bx i
Do procjene a i b dolazi se primjenom metode najmanjih kvadrata: b
x y nxy
x nx
i
a y bx
KONSTANTNI LAN a - predstavlja vrijednost regresije u sluaju kada je nezavisna varijabla jednaka nuli
REGRESIJSKI KOEFICIJENT b - pokazuje za koliko se u prosjeku mijenja zavisna varijabla ako se nezavisna
varijabla povea za jedinicu.
JEDNADBA ANALIZE VARIJANCE
2
2
2
y y i y yi y i
ST
SP
SR
ST ukupan zbroj kvadrata

SP protumaeni zbroj kvadrata
SR rezidualni ili neprotumaeni zbroj kvadrata
yi - empirijske ili stvarne vrijednosti zavisne varijable
y - aritmetika sredina zavisne varijable
y i - regresijske vrijednosti
Osnove za mjerenje reprezentativnosti regresije su rezidualna odstupanja.
Varijanca regresije aritmetika je sredina kvadrata rezidualnih odstupanja: y
Standardna devijacija regresije: y
Koeficijent varijacije regresije: V y
2
y i
SR
n
SR
n
100
y
Standardna devijacija regresije interpretira se kao prosjeno odstupanje empirijskih vrijednosti od
regresijskih izraeno apsolutno.
Koeficijent varijacije je to isto odstupanje izraeno relativno.
Specifian pokazatelj reprezentativnosti regresije je koeficijent determinacije:
SP
r
ST
y
y
0 r2 1
2
y
i
Regresija je to reprezentativnija to se koeficijent determinacije vie pribliava jedinici.
2
53
KORELACIJSKA ANALIZA njome se odreuju jakosti veze. Mjera jakosti veze je koeficijent korelacije.
2
Koeficijent korelacije drugi je korijen iz koeficijenta determinacije: r r
sign r sign b
1 r 1
Ako je koeficijent korelacije jednak nula, meu pojavama ne postoji veza.

Ako je koeficijent korelacije jednak -1, veza je potpuna i negativnog smjera.
Ako je koeficijent korelacije jendak +1, veza je potpuna i pozitivnog smjera.
Primjer 1.
U 6 prodavaonica na podruju A registriran je slijedei broj zaposlenih i ostvareni promet u tisuama kn.
2
2
broj
promet
xi y i
yi
xi
zaposlenih
xi
yi
2
25
4
625
50
3
31
9
961
93
8
85
.
.
.
4
51
.
.
.
7
69
.
.
.
6
65
.
.
.
30
326
178
20 398 1900
a) Odredite status varijabli u modelu!
Zavisna varijabla (y) promet u tisuama kuna
Nezavisna varijabla (x) broj zaposlenih
b) Nacrtajte dijagram rasipanja!
Konstruira se u pravokutnom koordinatnom sustavu. Na osi-x nalazi se aritmetiko mjerilo za nezavisnu
varijablu (x), a na osi-y mjerilo za zavisnu varijablu (y). Predstavlja pomono sredstvo za izbor oblika
funkcije u modelu.
30
5
60
326
54.33
6
Iz dijagrama rasipanja se zakljuuje o :

1. obliku veze oblik veze je linearan
2. smjeru veze smjer je pozitivan
3. jakosti veze veza je relativno jak
54
c) Kako glasi linearna regresijska jednadba s procijenjenim parametrima?

xi yi nxy 1900 6 5 54.33 9.65
b
y a bx
2
2
2
178
5
x
n
x
i
y 6.08 9.65 x
a y bx 54.33 9.65 5 6.08
Interpretacija:
a (konstantni lan) Kada je broj zaposlenih jednak 0 regresijska vrijednost ukupnog prometa je 6.08
tisua kuna.
b (regresijski koeficijent) Ako se broj zaposlenih povea za jednu osobu tada e se ukupan promet
poveati linearno i u prosjeku za 9.65 tisua kuna.
d) Odredite regresijske vrijednosti i vrijednosti rezidualnih odstupanja te relativnih rezidualnih odstupanja!
Regresijske vrijednosti odreuju se tako da se u regresijsku jednadbu redom uvrtavaju stvarne
vrijednosti nezavisne varijable.
y1 6.08 9.65 2 25.38
.
.
.
.
Interpretacija:
Za dva zaposlena oekivana vrijednost ukupnog prometa iznosi 25.38 tisua kuna.
yi y i
Rezidualna odstupanja izraunavaju se tako da se od stvarne varijable y i oduzme pripadajua

regresijska vrijednost y i :
ui yi y i
ui 25 25.38 0.38 tis . kn
Relativna rezidualna odstupanja definiraju se izrazom:
ui ,rel
yi y i
100
yi
u1,rel
25 25.38
100 1.52%
25
Interpretacija:
Prema regresiji za 2 zaposlena precijenjen je ukupan promet za 0.38 tisua kuna ili 1,52%.
e) Regresijski pravac ucrtajte u dijagram rasipanja!
f) Kolika varijanca, standardna devijacija i koeficijent varijacije regresije?
2
SR y i a y i b xi y i 20298 6.08 326 9.65 1900 80.92
2
SR y i y i
80.92
y
13.49
n
n
6
SR
y
13.49 3.67 tis .kn
n
2
V y
y
y
100
3.67
100 6.76%
54.33
55
Prosjeno odstupanje empirijskih vrijednosti prometa od regresijskih vrijednosti iznosi 3.67 tisua kuna
ili relativno 6.76%
g) Izraunajte vrijednosti lanova u jednadbi ralambe zbroja kvadrata odstupanja vrijednosti zavisne
varijable od njezine aritmetike sredine! (jednadba analize varijance)
ST yi ny 20398 6 54.33 2 2687.51
2
SP a yi b xi yi ny 2 6.08 326 9.65 1900 6 54.33 2 2606.89

SR ST SP 80.92
h) Odredite koeficijent determinacije i koeficijent linearne korelacije!

SP 2606.59
r2
0.97
ST 2687.51
Interpretacija:
Linearnom regresijskom vezom protumaeno je 97% svih odstupanja. Na temelju toga moe se
zakljuiti da je model reprezentativan.
r r 2 0.97 0.98
koeficijent determinacije
r2
0
0,00-0,25
0,25-0,64
0,64-1
1
apsolutna vrijednost
koeficijenta linearne
korelacije
r
0
0,00-0,50
0,50-0,80
0,80-1
1
tumaenje
odsutnost korelacije
slaba korelacija
korelacija srednje jaine
vrsta korelacija
potpuna korelacija (perfektna)
Radi se o vrstoj korelaciji pozitivnog smjera

i) Koliko iznosi korigirani koeficijent determinacije?
n 1
1 r 2 , r 2 r 2
r 2 1
n2
6 1
1 0.97 0.96
r 2 1
6 1
j) Sastavite tabelu ANOVA!
Tabela ANOVA za jednostavnu regresiju:
izvor varijacije stupnjevi slobode zbroj kvadrata
protumaen
1
SP
modelom
1
2606.59
neprotumaena
(rezidualna)
odstupanja
UKUPNO
sredina kvadrata
SP/1
2606.59
n-2
4
SR
80.92
SR/(n-2)
20.23
n-1
5
ST
2687.51
/
56
empirijski t-omjer
SP
128.85
SR
n 2
/
/
PREDAVANJE #14
INFERENCIJALNO-STATISTIKA ANALIZA MODELA JEDNOSTAVNE LINEARNE REGRESIJE empirijske
vrijednosti zavisne varijable smatraju se uzorkom iz zamiljenoga beskonanoga osnovnog skupa. U
sklopu inferencijalno-statistike analize provodi se procjenjivanje parametara i testiranje hipoteza.
yi x i ei
model osnovnog skupa (populacije):
i nepoznati parametri populacije
e nepoznate vrijednosti sluajne varijable
y i x i e i
model uzorka:
i - procjene nepoznatih parametara
e - procjene nepoznatih vrijednosti sluajne varijable
Procjene parametara brojem u sklopu inferencijalne statistike jednake su procjenama u sklopu

deskriptivne statistike, tj. a , b
n
2
procjena varijance brojem:
y
i 1
2
y i
n2
n
procjena standardne devijacije:
y
i 1
2
y i
n2
intervalna procjena parametra :
P t t 1
2
2
mali uzorak
veliki uzorak P z z 1
2
2
2
i
nx 2
Primjer 1.
x
Dana je regresijska jednadba : y 125 0.092
.03

U kojim se granicama moe oekivati da e se nai parametar ? Pouzdanost procjene je 95%, a n=25.
s.s. n k 1 n 2 23
n 2
23
t 0.025 2.069
P0.92 2.069 0.03 0.92 2.069 0.03 0.95

P0.85793 0.98207 0.95
Uz pouzdanost od 95% oekuje se da e se nepoznati parametar nai unutar ovih granica.
57
TESTIRANJE HIPOTEZA U MODELU JEDNOSTAVNE LINEARNE REGRESIJE moe se provesti na vie

ekvivalentnih naina:
1. F-TEST
H 0 ........ yi ei
H 0 ......... 0
ili alternativno (ee)
H 1 ........ yi xi ei
H 1 ......... 0
n
test veliina (empirijski f-omjer) : F
y
i 1
Odluka se donosi usporedbom empirijskog f-omjera sa teorijskom vrijednou

koja se oitava iz tablica.
2. T-TEST
test veliina (empirijski t-omjer) : t
Odluka se donosi usporedbom empirijskog t-omjera sa teorijskom vrijednou

Test se moe provesti kao dvosmjerni ili jednosmjerni (na donju ili gornju
granicu). Ako je <0 jednosmjerni test na donju granicu
Ako je >0 jednosmjerni test na gornju granicu
Primjer 2.
Dana je regresijska jednadba: y 125 0.92 x

0.03

Moe li se prihvatiti pretpostavka da je varijabla x suvina u modelu? Testirati na razini 5% signifikantnosti.

n=25. Primjenite t-test.
0.05
H 0 ....... 0
0.92
dvosmjerni test
30.667
H 1 ....... 0
t 023
0.03
.025 2.069
ODLUKA:
t t H o
2
t t
H1
30.667 2.069 H1
Nezavisna varijabla x nije suvina u modelu.
MODEL VIESTRUKE REGRESIJE (MULTIPLA REGRESIJA) njime se izraava ovisnost jedne

varijable o vie drugih varijabli.
ANALIZA MODELA VIESTRUKE LINEARNE REGRESIJE
model osnovnog skupa (populacije): y 1 x1 2 x2 ....... k xk e
model uzorka: y 1 x1 2 x 2 ...... k x k e alternativno y y e
linearna regresijska jednadba s procijenjenim parametrima: y 1 x1 2 x 2 ...... k x k
58
Za procjenjivanje parametra koristi se metoda najmanjeg kvadrata.

- konstantni lan predstavlja vrijednost regresije kada su nezavisne varijable jednake 0.
j - regresijski koeficijent pokazuje za koliko se u prosjeku mijenja zavisna varijabla ako se nezavisna
varijabla xj povea za jedan uz uvjet da ostale nezavisne varijable ostanu nepromijenjene.
REGRESIJSKE VRIJEDNOSTI odreuju se uvrtavanjem vrijednosti nezavisnih varijabli u regresijsku
jednadbu.
REZIDUALNA ODSTUPANJA odstupanja empirijskih vrijednosti od regresijskih izraena apsolutno
ei yi y i
RELATIVNA REZIDUALNA ODSTUPANJA - e i ,rel
y i y i
100
yi
STANDARDIZIRANA REZIDUALNA ODSTUPANJE - e i ,rel

NEPRISTRANA PROCJENA VARIJANCE BROJEM -
y i y i
100
2
y i
n k 1
SR
n k 1
2
y i
n k 1
INTERVALNE PROCJENE PARAMETARA - P j t j j t j 1

2
2
KOEFICIJENT VIESTRUKE DETERMINACIJE - R
i
i
SP
opi pokazatelj kvalitete modela
ST
Model je to reprezentativniji to je
koeficijent determinacije blie
jedinici.
TESTIRANJE HIPOTEZA O MODELU VIESTRUKE REGRESIJE najee se koriste slijedei testovi:
1. PARCIJALNI TEST testira se znaajnost podskupa nezavisne varijable
2. POJEDINANI TEST testira se znaajnost jedne nezavisne varijable. Moe se
provesti i kao f-test i kao t-test
3. SKUPNI TEST testira se znaajnost svih nezavisnih varijabli u modelu. Uvijek
se provodi kao f-test.
H 0 ........ 1 2 .... j k 0
H 1 ........ j 0
U hipotezi H0 stoji da nijedna nezavisna varijabla nije znaajna za model.

U hipotezi H1 stoji da je barem jedna nezavisna varijabla znaajna za model.
Test veliina je empirijski f-omjer iz tabele ANOVA.
Odluka se donosi usporedbom empirijskog f-omjera sa teorijskom vrijednou
59

TABLICA ANOVA ZA VIESTRUKU REGRESIJU:
izvor varijacije
stupnjevi
zbroj
slobode
kvadrata
protumaen
k
SP
modelom
neprotumaena
modelom
(rezidualna)
odstupanja
ukupno
sredine
kvadrata
SP
k
n-(k+1)
SR
SR
n k 1
n-1
ST

empirijski
f-omjer
SP
k
SR
n k 1
/
k broj nezavisnih varijabli
ukupna odstupanja: empirijske vrijednosti od prosjeka

protumaena odstupanja: regresijske vrijednosti od prosjeka
neprotumaena odstupanja: empirijske vrijednosti od regresijskih
PREDAVANJE #15
MODELI VREMENSKIH SERIJA njima se opisuje razvoj pojava u vremenu.
Vremenska serija se moe ralaniti na slijedee komponente:
KOMPONENTA TRENDA predstavlja osnovnu tendenciju razvoja pojave u vremenu. Izraava

se nekom funkcijom vremena. S obzirom na tu funkciju vremena trend moe biti linearni i
eksponencijalni.
SEZONSKA KOMPONENTA posljedica je klimatskih faktora, ritma, proizvodnje, potronje

Oituje se onda kada se vremenska pojava obnavlja na priblino isti nain unutar jedne
godine.
CIKLIKA KOMPONENTA oituje se onda kada se vremenska pojava obnavlja na priblino

isti nain s periodom od 2 ili vie godine.
SLUAJNA (STOHASTIKA) KOMPONENTA odraava nesistematske utjecaje na pojavu

opi oblik aditivnog modela: Y T C S e
Y pojava koju promatramo

T vrijednost komponente trenda
C vrijednost ciklike komponente
S vrijednost sezonske komponente
e vrijednost sluajne komponente
U kratkom vremenskom razdoblju trend i ciklus komponente se ne razdvajaju pa se model moe pisati:
Y TC S e ili Y T S e
T komponenta trend ciklusa
opi oblik multiplikativnog modela: Y T I s I
I s sezonska komponenta
I slu . komponenta
60
MODELI TRENDA njima se statistiki opisuje dugorona kovarijacija pojave sa vremenom
Y vrijednosti vremenske serije
1. ADITIVNI MODEL: Y T e
2. MULTIPLIKATIVNI MODEL: Y T I
T vrijednosti komponente trenda

e, I slu . odstupanja od trenda
xt nezavisna var ijabla vrijeme koja
3. MODEL LINEARNOG TRENDA: Yt xt et

4. MODEL EKSPONENCIJALNOG TRENDA: Yt
dogovorno poprima vrijednosti

xt
prvih n prirodnih brojeva

et slu . odstupanja
, parametri
Primjer 1. Linearni trend
Model linearnog trenda identian je modelu jednostavne linearne regresije u kojemu je vrijeme nezavisna
varijabla. Prikladan je kada se vremenska pojava mijenja od razdoblja do razdoblja za priblino isti
apsolutni iznos, tj. kada su prve diferencije priblino konstantne.
Stanovnitvo SAD-a u milijunima, stanje sredinom godine
2
2
godina stanovnitvo
prve
varijabla xt yt
trend
rezidualna
yt
xt
diferencije vrijeme
vrijednosti odstupanja
y t
Ut
yt
xt
y t
1992
255
1
255
1
65025
255.32
-0.32
1993
258
3
2
516
4
.
257.93
0.07
1994
261
3
3
.
.
.
260.53
0.47
1995
263
2
4
.
.
.
263.13
-0.13
1996
266
3
5
.
.
.
265.73
0.27
1997
268
2
6
.
.
.
268.33
-0.33
ukupno
1571
21
5544 91 411459 1571.00
0.00
a) Odredite vrijednosti prvih diferencija! to se zakljuuje na temelju grafa i prvih diferencijacija?
Yt Yt Yt 1
Ako su prve diferencije priblino konstantne radi se o linearnom trendu.
b) Procijenite parametre modela linearnog trenda metodom najmanjih kvadrata!
Yt a bxt
Varijabla vrijeme koliko podataka imamo toliko brojeva poprima (1,.,n)
xt 21 3.5
x
xt yt nxy 5544 6 3.5 261.83 2.604
b
n
6
2
91 6 3.5 2
xt nx 2
y
t 1571 261.83
y
a Y bx 261.83 2.604 3.5 252.716
n
6
jednadba linearnog trenda:
Y 252.716 2.604 x
x 1, 30.06.1992
jedinica za y je milijun s tan ovnika
jedinica za x je jedna godina
61
Interpretacija:
a (konstantni lan) = 252.716
Vrijednost trenda broja stanovnika za godinu koja prethodi prvoj godini u nizu tj.za 1991. iznosi
252.716 milijuna.
b (koeficijent linearnog trenda) = 2.604
Pokazuje prosjenu linearnu pojavu razine pojave za jedinini porast vrijednostii varijable vrijeme,
dakle broj stanovnika poveavao se u prosjeku linearno 2.604 milijuna godinje
c) Odredite trend vrijednosti!
Raunaju se uvrtavanjem varijable vrijeme u jednadbu trenda.
Y1 252.716 2.604 1 255.32
Procjena broja stanovnika prema trendu za 1992. iznosi 255.32 milijuna.
Y Y
t
d) Odredite rezidualna osdtupanja i protumaite im znaenje!

U t Yt Yt
U t 0 za malu decimalu se moe razlikovati od 0 zbog zaokruivanja
U 1 255 255.32 0.32
Interpretacija:
Stvarni broj stanovnika zta 1992.g. iznosi 255 milijuna, a vrijednost trenda broja stanovnika za tu
godinu 255.32 milijuna. Razlika predstavlja rezidualno odstupanje, tj. prema trendu broj stanovnika je
precijenjen za 0.32 milijuna
e) Formulirajte tabelu ANOVA!
2
ST Yt ny 2 411459 6 261,833 129.31
SR Yt a Yt b xt yt 411459 252.716 1571 2.604 5544 5.59
2
SP ST SR 123.72
izvor varijacije
protumaen
modelom
neprotumaena
odstupanja
ukupno
stupnjevi
slobode
k
1
zbroj
kvadrata
SP
123.72
sredina
kvadrata
SP/k
123.72
n-(k+1)
4
n-1
5
SR
5.59
ST
129.31
SR/n-(k+1)
1.40
/
empirijski f-omjer
SP k
88.37
SR n (k 1)
/
f) Izraunajte varijancu, standardnu devijaciju i koeficijent varijacije trenda! to su mjere reprezentativnosti

trenda.
2
Interpretacija:
Y y SR 5.59
y 2 t t
0.93
Prosjeno odstupanje stvarnog broja stanovnika od
n
n
6
vrijednosti trenda iznosi 0.30 milijuna ili relativno
2
y y 0.30 milijuna s tan ovnika
0.11%. Na temelju ovih pokazatelja moe se zakljuiti
da je reprezentativnost trenda velika.
y
0.30
Vy
100
100 0.11%
y
261.83
62
Primjer 2. Eksponencijalni trend

Prikladan je kada se vremenska pojava mijenja od razdoblja do razdoblja za priblino isti relativni iznos, tj.
kada su verini indeksi priblino konstantni.
primjer eksponencijalnog trenda Y ab x
log y log a x log b
log b
log a
log Yt x log Yt
2
t
nx 2
log Y
log bx
n
Logaritamskom transformacijom model eksponencijalnog trenda svodi se na model linearnog trenda. U
linegriziranom modelu se umjesto originalnih vrijednosti koriste njihovi logaritmi.
t
Interpretacija:
a (konstantni lan)
To je trend vrijednost za razdoblje prije prvoga.
b (koeficijent eksponencijalnog trenda)
Pokazuje za koliko e se puta promijeniti trend vrijednost ako se varijabla vrijeme povea za 1.
63

STATISTIKA Skripta Cizmic 2009 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

STATISTIKA Skripta Cizmic 2009 PDF

Uploaded by

Copyright:

Available Formats

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

Statistiki nizovi i tabele ...................................................................

3. OSNOVNA ANALIZA VREMENSKIH NIZOVA

Grafiko prikazivanje vremenskih nizova ........................................

4. SREDNJE VRIJEDNOSTI STATISTIKOG NIZA

Raspon varijacije, Interkvartil, Koeficijent kvartilne devijacije.......

Koeficijent asimetrije, Pearsonova mjera, Bowleyjeva mjera........

Koncentracijski omjer, Ginijev koeficijent.......................................

9. OSNOVNI POJMOVI VJEROJATNOSTI

Definicije i svojstva vjerojatnosti......................................................

10. OSNOVNI POJMOVI INFERENCIJALNE STATISTIKE

11. PROCJENE PARAMETRA

Procjena aritmetike sredine...........................................................

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

12. TESTIRANJE HIPOTEZA O PARAMETRU

Testiranje hipoteza o pretpostavljenoj vrijednosti aritmetike

13. REGRESIJSKA ANALIZA

Model jednostavne linearne regresije...............................................

14. MODEL VIESTRUKE REGRESIJE

Analiza modela viestruke regresije................................................

Testiranje hipoteza o modelu viestruke regresije.........................

15. MODELI VREMENSKIH SERIJA

Komponente vremenskih serija.......................................................

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

DESKRIPTIVNA u okviru deskriptivne statistike zakljuci se donose na temelju svih

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

RELATIVNI BROJEVI omoguavaju elementarnu analizu podataka u sklopu deskriptivne statistike

POSTOTNA RELATIVNA FREKVENCIJA relativna frekvencija pomonoena sa 100 P

nizovi sa relativnim frekvencijama (oi, pi) ili (oi, Pi)

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

Razredi jednakih veliina primjenjuju se kada su podaci simetrino rasporeeni.

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

KUMULATIVNI NIZ nastaje postupnim zbrajanjem apsolutnih ili relativnih frekvencija.

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

GRAFIKO PRIKAZIVANJE VREMENSKIH NIZOVA:

INTERVALNI NIZOVI prikazuju se povrinskim i linijskim grafikonima.

INDIVIDUALNI INDEKSI njima se prati razvoj jedne pojave u vremenu

STOPA PROMJENE od verinog indeksa se odbije sto

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

SREDNJE VRIJEDNOSTI STATISTIKOG NIZA konstante kojima se predstavljaju nizovi varijabilnih

POTPUNE raunaju se na temelju svih podataka. U njih se ubrajaju aritmetika,

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr

MOD najei modalitet varijable, odnosno to je modalitet varijable s najveom frekvencijom

MOD distribucije dnevne prodaje garnitura

3. distribucija frekvencija sa razredima MOD se aproksimira pomou izraza:

b najvea korigirana frekvencija

Doc.dr.sc. Draenka izmi predavanja 2009.g.

UPLOADANO NA: www.referada.hr