DUOMENŲ ANALIZĖS ĮVADAS

(Paskaitų konspektas)
Parengė: doc., dr. Romualdas Valkauskas

1. Kiekybiniai metodai ekonomikos ir vadybos mokslų sistemoje

1.1.Socialiniai mokslai ir jų vieta mokslų sistemoje

Socialiniai mokslai yra visi mokslai, kurie teoriškai ir empiriškai tiria žmonių
tarpusavio santykius visuomenėje. Nagrinėjama socialinių sistemų struktūra ir
funkcijos taip pat šių sistemų sąveika su atskirais individais.
Socialiniai mokslai glaudžiai susiję su humanitariniais mokslais. Nuo
humanitarinių mokslų socialiniai skiriasi tuo, kad pabrėžia mokslinius metodus ir
kitus griežtus žinių rinkimo standartus, be to daugelis jų plačiai naudoja kokybinius
metodus. Be to, humanitariniai mokslai orientuojasi į praeitį, o socialiniai į dabartį.
Socialiniai mokslai skiriasi objektu. Štai politikos mokslas arba politologija tiria
grupių ir valstybių valdymą; ekonomika domisi gamybos ir turto paskirstymo
visuomenėje klausimais; komunikacija tiria diskurso srautą per skirtingas terpes
(the flow of discourse via various media).
Ekonomika (graik. Eco(οίκω=namas) ir nemo(νέμω=platinti)) gali būti
suprantama kaip:
 tam tikros šalies arba teritorijos ūkinės veiklos visuma, pvz., "Lietuvos
ekonomika";
 socialinių mokslų šaka (sritis), kurios objektas yra ekonominė tikrovė. Tiria kaip
žmonės daro sprendimus siekdami patenkinti savo poreikius. Šia prasme
ekonomika susijusi su etika kaip pačiu pagrindiniu socialiniu mokslu - tiek
ekonomika, tiek etika nurodo priežastis "kodėl žmonės daro tai ką jie daro" ir labai
dažnai šių mokslų išvados dėl to nesutampa.
Su ekonomikos mokslu susijusios ir smulkesni dalykai, tarpusavyje
besiskiriantys pažinimo objektais: vadyba, marketingas, rinkotyra, įmonių
ekonomika, finansinė ir valdymo apskaita ir kt.
Kaip savarankiškas mokslas ekonomika išsiskyrė XVIII a. pasirodžius A. Smito
knygai "Tyrimai apie žmonių turto priežastis ir kilmę" (1776).
1.Matematika. Statistika. Duomenų analizė
Kiekviena mokslo sritis turi savo tyrimo objektą ir savus jo tyrimo metodus.
Pačius mokslus pagal jų tyrimo tikslus įprasta skirstyti į fundamentaliuosius ir
taikomuosius. Fundamentalieji mokslai orientuoti į gamtos ir visuomenės procesų
pagrindinių (giluminių) struktūrų, pokyčių bei tarpusavio santykių tyrimus, dėsnių
formulavimus. Taikomųjų mokslų tikslas – praktiškai pritaikyti fundamentaliųjų
mokslų tyrimų rezultatus. Taikomuosiuose tyrimuose gali būti nagrinėjamos ir
teorinės problemos.
Ypatinga vieta mokslų sistemoje tenka matematikai, tiriančiai kiekybinius
santykius ir erdvines formas. Nuo kitų mokslų ji labiausia skiriasi tuo, kad nustato
sąryšius ne tarp realių, bet abstrakčių, logiškai įmanomų objektų, gautų
apibendrinus ir idealizavus tikrovės reiškinių kiekybinės analizės rezultatus. Bent
kuriai matematinei disciplinai būdinga nuosekli abstrakcija, logiška griežta dedukcija
ir tolesnis apibendrinimas. Tiesa, abstrahavimas bei idealizavimas būdingi ir kitiems
mokslams, bet čia tai suabsoliutinta: naujos sąvokos formuojamos remiantis jau
turimomis, todėl dažnai sunku išaiškinti, kurio tikrovės ar objektų sąryšio atspindys
yra nagrinėjama matematinė sąvoka.
Užbaigtai matematikos teorijai būdingas aksiominis dėstymas, kuris galimas tik
sukaupus pakankamai daug tos teorijos faktų ir išanalizavus jų tarpusavio ryšius.
Matematikos teiginiai priklauso ne tik nuo pagrindinių teiginių – aksiomų, bet ir nuo
logikos taisyklių, kurių laikantis jie išvedami. Loginės taisyklės ir dėsniai sudaro
matematikos loginį pagrindą.
Abstraktus, fundamentalus matematikos mokslas yra ir tikimybių teorija. Ji tiria
masinių atsitiktinių reiškinių dėsningumus. Per paskutinius dešimtmečius didelę
pažangą padarė ir statistika. Savo bendrumu ir abstraktumu dabar ji mažai
tesiskiria nuo tikimybių teorijos.
Norint tikimybių teoriją ir statistiką pritaikyti ūkiniams ir socialiniams procesams
tirti, reikia jų metodus dalykiškai, ekonomiškai ar sociologiškai suvokti.
To moko statistikos metodologija, taikomosios statistikos teorija, įvairūs kiti
dalykai. Iš jų sužinome, kaip reikia taikymo požiūriu suvokti pagrindinius tikimybių
teorijos teiginius, tikimybių teoriją ir matematinę statistiką susieti su taikomaisiais
ūkio ir socialiniais, politiniais, demografiniais tyrimais, ūkio praktika. Be bendrosios
statistikos metodologijos, taikomosios statistikos teorijos negalima empirinio
statistinių duomenų pasaulio susieti su tikimybiniais modeliais, statistikos
išvadomis.
Taikomoji statistikos teorija moko suderinti statistinių dydžių empirinį ir teorinį
nagrinėjimą, matyti tikimybinių sąvokų (tikimybės, atsitiktinio dydžio, tikimybinių
funkcijų ir pan.) ryšį su tikrove, empiriniais jų analogais, įžvelgti konkrečių masinių
reiškinių dėsningumus, nustatyti jų išraiškos formas. Savo ruožtu, statistika nėra
paprastas skaičiavimas. Štai, Lietuvos gyvenamųjų vietovių gyventojų surašymai
arba sisteminis bibliotekos knygų katalogas ne statistika, nes nėra tikslingo ir
sistemingo medžiagos sugrupavimo ir suskaičiavimo.
Bendrai taikomosios statistikos teorija – tai matematiniais, dažniausiai
tikimybiniais, skaičiavimais paremta statistinė masinių procesų ir reiškinių tyrimų
metodologija. Ji jungia tikimybių ir matematinės statistikos teorijas su konkrečių
masinių procesų empiriniais statistiniais skaičiavimais, įrodymais ir samprotavimais.
Kiekybinė ekonominė analizė neįmanoma be taikomosios statistikos teorijos.
Pastaroji toliau plėtojama ir konkretizuojama ekonometrijos dalyke, rinkotyros, ūkio
statistikos ir kt. mokymo dalykuose.
Kita vertus, visa tai kiek aukštesnio lygmens dalykai. Dalykai, kurie susiję su
teiginiu: duomenų analizė yra taikomosios statistikos komponentas. Dalykai, kurių
įgyvendinimas sudėtingas nesiekiant teisingo požiūrio į matematikos poreikį
ekonomikos teorijai ir taikomiesiems ekonomikos mokslams.

2. Duomenų analizė taikomuosiuose tyrimuose

2.1.Skaičiaus modulis
Modulis (absoliutinis didumas) suprantamas kaip tam tikra realiojo skaičiaus
skaitinė charakteristika. Skaičiaus moduliu vadinamas atstumas nuo atskaitos
pradžios iki taško, atitinkančio tą skaičių.
 Bet kurio teigiamojo skaičiaus modulis lygus pačiam skaičiui; bet kurio
neigiamojo skaičiaus modulis lygus jam priešingam skaičiui; nulio modulis lygus 0.
Pagal šį apibrėžimą:

 x , kai x  0,
x 
 x ,kai x  0.
Iš modulio apibrėžimo tiesiogiai matyti, kad
 x 0;

 x  x ;
 x y  yx .

 xy  x  y ;
x x

 y y , kai y  0 ;
k
 xk  x , k  Z ;

 x y  x  y .
2.2.Skalės
Matavimų skalė (angl. measurement scale) – tai požymių reikšmių matavimo
būdas. Matavimo skalė apibrėžiama tokiu rinkiniu:
<E, S, M(E→ S)>,
čia: E – empirinė sistema, S – skaitmeninė sistema, M – matavimas.
Jei pavyzdžiu imtume pažymius, tai empirinė sistema būtų studento atsakymai,
skaičių sistema – 5 ar 10 balų sistema, matavimas – žinių įvertinimas, dėstytojo
rašomas pažymys. Matavimo skalės empirinei sistemai ir skaičių sistemai privalo
galioti tie patys santykiai. Matavimų skalės yra įvairios:
 Nominalioji matavimų skalė – tai požymio reikšmių matavimo būdas, kuriuo
tiriamieji objektai, atsižvelgiant į nagrinėjamo požymio kategorijas, skirstomi į
grupes. Grupės numeruojamos laisvai, o jų numeriai turi ne skaičių, bet tam
tikrų grupių (vardų) prasmę.
 Dichotominė matavimų skalė – taikant šią skalę, požymių reikšmės yra
priskiriamos prie vienos iš dviejų galimų kategorijų.
 Ranginė matavimų skalė – tai požymio reikšmių matavimo būdas, kuriuo
skirtingai nei nominaliosios matavimų skalės, tiriamieji objektai gali būti
sudėlioti matuojamo požymio didėjimo arba mažėjimo tvarka.
 Intervalinė matavimų skalė – tai požymių reikšmių matavimo būdas, taikomas
kiekybiniam dviejų požymių reikšmių skirtumui nustatyti. Šios skalės
absoliutinis nulis nežinomas, bet nulinė reikšmė gali būti nustatoma bendru
susitarimu.
 Santykių matavimų skalė – tai požymio reikšmių matavimo būdas, kuriuo
nulinė požymio reikšmė yra nustatoma ne susitarimu (kaip kad yra intervalo
matavimų skalės), o yra absoliuti, susijusi su reiškinių esme.
  Proporcijų skalei turi galioti asociatyvumo ir komutatyvumo dėsnis (santykis).
Turi būti ir sąlyginis atskaitos (nulio) taškas. Šios skalės skaičius – ženklus –
galima įprastu būdu sudėti ir dauginti iš koeficiento.
 Absoliutinei skalei turi galioti asociatyvumo, komutatyvumo dėsnis (santykis).
Atskaitos taškas čia yra ne sąlyginis, bet absoliutus. Šios skalės pavyzdžiu
yra natūrinių skaičių eilė. Absoliutinės skalės skaičius galima sudėti, dauginti;
būtent jie ir yra „tikrieji“ skaičiai.
2.3.Tikimybė. Atsitiktiniai dydžiai
Vienodai tikėtini įvykiai vadinami elementariaisiais įvykiais. Įvykio X tikimybe
vadinamas palankių įvykiui A elementariųjų įvykių skaičiaus ir visų elementariųjų
įvykių skaičiaus santykis:
Palankių įvykiui A elementariųjų įvykių skaičius ,
P (A ) 
Visų elementariųjų įvykių skaičius
arba P (A)  m
n
Įvykis, kuris papildo įvykį A iki būtinojo įvykio, yra įvykiui A priešingas įvykis ir
žymimas A :
P ( A )  1  P (A )
Pavyzdys.
Vieną kartą metamos dvi monetos. Įvykį, kad bus atsivertęs nors vienas herbas,
pažymime X. Mes ne visada atspėsime, kas atsivers, todėl X – atsitiktinis dydis.
Bandymo baigtys yra šios:
E1=(S, S), E2=(S, H), E3=(H, S), E4=(H, H).
Bandymo reikšmės yra šios:
X(E1)=0, X(E2)=1, X(E3)=1, X(E4)=2.
Galime apskaičiuoti tikimybes, kada X įgys reikšmes 0, 1 arba 2:
1 2 1 1
P ( X  0)  ; P( X  1)   ; P ( X  2)  ;
4 4 2 4
Sudarome tikimybių lentelę:
m 0 1 2
P(X=m) 1 1 1
4 2 4
Tokią lentelę vadiname atsitiktinio dydžio X tikimybių skirstiniu. Bendruoju atveju
skirstinys užrašomas taip:
m x1 x2 ... xk
P(X=m) p1 p2 ... pk
čia :
X – atsitiktinis dydis;
x1, x2, ..., xk – atsitiktinio dydžio įgyjamos reikšmės;
p1, p2, ..., pk – atsitiktinio dydžio X įgyjamų reikšmių tikimybės.
Visų reikšmių tikimybių suma yra 1, t.y.
P(X = x1) + P(X = x2) + ... + P(X = xk) = p1 + p2 + … + pk = 1.
Atsitiktiniai dydžiai X, Y vadinami nepriklausomais, jeigu su visomis jų
reikšmėmis x, y yra teisingos lygybės
P(X = x, Y = y) = P(X = x) ∙ P(Y = y).
Kitaip tariant, du atsitiktiniai dydžiai yra nepriklausomi, jei vienam jų įgijus reikšmę,
kito dydžio reikšmių įgijimo tikimybės lieka tos pačios kaip anksčiau.
Jeigu atsitiktinis dydis X gali įgyti reikšmes 0, 1, ... n ir
P( X  m)  C m m n m , ( 0 < p < 1, q = 1 – p )
np q
tai X vadinamas binominiu atsitiktiniu dydžiu.
Niutono binomo formulė:
(a  b) n  C 0n a n  C1n a n 1b  ...  C k
na
n  k b k  ...  C n b n .
n
n!
Cm
n 
m! (n  m)!
Jei atsitiktinis dydis įgyja reikšmes x1, ..., xk, tai jo matematine viltimi (arba
vidurkiu) vadiname skaičių
E(X) = M(X) = x1∙P(X = x1) + x2∙P(X = x2) + … + x2∙P(X = xk).
Jeigu atsitiktinis dydis X įgyja reikšmes x1, x2, …, xk su tikimybėmis p1, p2, ...,
pk, tai atsitiktinio dydžio X dispersija vadiname skaičių
D(X) = (x1 – EX)2 ∙ p1 + (x2 – EX)2 ∙ p2 + … + (xk – EX)2 ∙ pk.
Standartiniu nuokrypiu (kvadratiniu nuokrypiu) vadiname skaičių
 (X)  DX .
Pavyzdys.
Atsitiktinio dydžio X skirstinys toks:
m 0 1 2
P(X = m) 0,5 0,3 0,2
Apskaičiuokite atsitiktinio dydžio X dispersiją ir standartinį nuokrypį.
Pirmiausia reikia apskaičiuoti matematinę viltį:
EX = 0 ∙ 0,5 + 1 ∙ 0,3 + 2 ∙ 0,2 = 0,7;
Dispersiją apskaičiuojame pagal formulę:
DX = (0 – 0,7)2 ∙ 0,5 + (1 – 0,7)2 ∙ 0,3 + (2 – 0,7)2 ∙ 0,2 = 0,61;
Nesunku apskaičiuoti standartinį nuokrypį:
(X)  DX  0,61  0,781.

2.4. Modelis. Modeliavimas

Modelis – tai tam tikro objekto, proceso arba reiškinio analogas, atspindintis
originalo savybes ir charakteristikas, galintis tam tikroms sąlygoms pakeisti
originalą. Modelis, palyginus su originalu, turi esminius privalumus ir patogumus
(vaizdingumas, galimybė atlikti su juo eksperimentus, lengva operuoti ir t.t.).
Kad modelį būtų lengva tirti ir eksperimentuoti su jo, jis turi būti kuo
paprastesnis. Tačiau kuo paprastesnis modelis, tuo mažiau jis atitinka
modeliuojamą objektą arba procesą. Todėl, modeliuojant ką nors, visada egzistuoja
kompromisas tarp modelio paprastumo ir jo tikslumo užtikrinimo.
Modeliuoti galima objektus, reiškinius, procesus.
Objektų bruožas yra tas, kad jie kopijuoja pradinį objektą. Jie daromi iš kitokios
nei originalas medžiagos – dažniausiai iš pigesnės. Kaip taisyklė, jų išmatavimai
skiriasi nuo modeliuojamo objekto - yra patogesni žmogui, dirbančiam su jais.
Modeliai gali būti ir virtualūs, t.y. sukurti kaip vaizdas kompiuterio ekrane arba
kituose specialiuose įrenginiuose, leidžiančiuose ne tik pamatyti, bet ir “pajusti” jį.
 Kuriant procesų modelius, modeliuojami veiksmai su materialiais objektais: eiga,
nuosekli vieno objekto ar visos sistemos būsenos, plėtojimosi stadijų kaita.
Pavyzdžiui, galima sukurti ekonominių arba ekologinių procesų, visuomenės raidos
modelius ir pan.
Tam pačiam objektui (procesui, reiškiniui) gali būti sukurta labai daug modelių.
Pasirinkto modelio tipas priklauso nuo tikslo - kam kuriamas šis modelis, ir nuo to,
kokiais metodais (būdais) pateikiama informacija apie modelio prototipą.
Duomenų analizėje sukurti matematinį modelį reiškia nagrinėjamam objektui
suteikti matematinę išraišką. Čia gali pasireikšti du kraštutinumai: realistinis ir
idealistinis.
Realistinis modelis paprastai gana tiksliai aprašo tiriamą objektą, reiškinį, bet
būna toks sudėtingas, kad neįmanoma jo nei ištirti, nei įvertinti. Kita vertus,
idealistinis modelis, su kuriuo lengva dirbti, gali būti perdaug nutolęs nuo realaus
tiriamo ekonominio fenomeno. Todėl geras modelis yra tam tikras kompromisas
tarp realaus ir idealaus.
Daugelis tradicinių ekonominių teorijų, ypač jei ryšiai tarp ekonominių objektų ir
procesų išreiškiami diagramų ar algebrinių lygčių pagalba, postuluoja tikslią
nagrinėjamų procesų funkcinę priklausomybę. Pavyzdžiui, paklausos teorija
nustato, kad prekės paklausa priklauso nuo jos kainos:
q = f(p);
čia: q - kurios nors prekės paklausos kiekis;
p - tos prekės kaina.
Tačiau akivaizdu, kad faktorių, įtakojančių prekės paklausą, yra kur kas daugiau: tai
komplektuojančių dalių ar komponenčių kainos, vartotojo pajamos bei jų teikiamos
pirmenybės ir t.t.
Norėdami aprėpti absoliučiai visus faktorius įtakojančius prekės paklausą,
turėtume nagrinėti modelį:
q = f(p; p0; Y; T; x1; x2; … ),
čia: p0 - kitų prekių kainos;
Y - vartotojo pajamos;
T - dydis, įvertinantis vartotojo prioritetus;
x1; x2; … - kiti faktoriai, darantys įtaką paklausai.
Bet tokį modelį sunku tirti jau vien dėl neapibrėžto kintamųjų skaičiaus.
Situacija paprastėja išskiriant tik pačius svarbiausius, arba didžiausią įtaką
darančius kintamuosius, o likusius aprašant vienu faktoriumi, kurį interpretuojame
kaip atsitiktinį faktorių.
Modeliai aprašomi lygtimis, į kurias įeina atsitiktiniai faktoriai, vadinami
stochastiniais. Stochastiniai modeliai, aprašantys ekonominių reiškinių bei procesų
ryšius, vadinami ekonometriniais.
Klasikiniai ekonominiai modeliai, kaip taisyklė, yra deterministiniais, o
ekonometriniai modeliai - stochastiniais.
Ekonometriniai modeliai aprašo ne konkrečias ekonominių procesų ir įvairių
ekonominių rodiklių reikšmes, bet tų reikšmių tikimybinius skirstinius.
Ekonometriniai modeliai yra analitinės išraiškos, kuriose viena ar kelios lygtys
atspindi esminius ryšius ir dėsningumus. Juose vartojami dviejų tipų dydžiai:
  rodikliai, kurių susiformavimas tiriamas. Tai endogeniniai arba vidutiniai
dydžiai. Ši sąvoka artima rezultatinio rodiklio sąvokai;
 rodikliai, kurių reikšmes žinant, apskaičiuojamas rezultatinio rodiklio lygis. Tai
egzogeniniai arba išoriniai dydžiai. Šių dydžių susiformavimas neanalizuojamas.
Endogeninis dydis gali būti egzogeniniu. Bendrai egzogeniniai dydžiai vadinami
veiksniais.
Reiškiniai ir procesai dažniausiai aprašomi šiomis ekonometrinių modelių
rūšimis:
 simptominiai modeliai. Šiuose modeliuose veiksniais imami rodikliai, kurie su
analizuojamu rezultatiniu rodikliu glaudžiai susiję, nors tiesiogiai jų sąveika gali ir
neturėti priežastinės priklausomybės;
 raidos modeliai. Šiuose modeliuose nepriklausomu kintamuoju imamas
laikas;
 adaptaciniai modeliai. Šiais modeliais aprašomas ūkinio reiškinio pastovus
kitimas, atsižvelgus į jo variacijos dėsningumus.
Rodiklių tarpusavio sąveikos apibūdinimo detalumo požiūriu, skiriamos šios
reiškinių ir procesų ekonometrinių modelių grupės:
 paprastieji ekonometriniai modeliai. Tai tiesinės lygčių sistemos, kurios
sudarytos taip, kad iš koeficientų, esančių prie endogeninių dydžių, būtų gauta
diagonalinė matrica, rodanti, kad tiriamoje sistemoje nenagrinėjami kiti
priklausomybės dydžiai;
 grandininiai (rekursiniai) ekonometriniai modeliai. Šie modeliai apibūdina
priežastinius grandininius endogeninių dydžių ryšius;
 tarpusavio sąveikos ekonometriniai modeliai. Šie modeliai atspindi
grįžtamuosius endogeninių dydžių ryšius.
2.5.Sistema. Optimalumas. Operacija
Sistema visada kuriama tam, kad išspręsti kokią nors užduotį arba pasiekti kokį
nors tikslą. Sistemos tikslas suprantamas kaip sistemos būsena, kurią reikia
pasiekti, arba kaip rezultatas, kurį reikia gauti.
Tikslo nustatymas, savo ruožtu, taip pat sudėtinga problema. Neteisingas arba
nepakankamai tikslus tikslo apibrėžimas gali atvesti prie to, kad sistema neduos
laukiamų rezultatų.
Kad teisingai nustatyti sistemos tikslus, reikia:
 apibrėžti sistemos, į kurią įeina nagrinėjama sistema, tikslus.
 Nustatyti, ką reikia daryti, kad pasiekti šios sistemos tikslus.
 Patikrinti, ar mes pasieksim sistemos tikslus, jei bus pasiekti posistemių
tikslai.
 Išanalizuoti pradinę sistemos būseną, aprašyti norimą sistemos būseną ir jos
efektyvumo vertinimo kriterijus.
Jeigu kalbame apie optimalius sprendimus, tai reikalingi ir kriterijai, pagal
kuriuos vertinsime optimalius sprendimus. Optimaliu kriterijumi taip pat vadinama
tikslo funkcija.
Sudėtingose sistemose proceso efektyvumas dažniausiai priklauso nuo kelių
kintamųjų, be to dalį jų reikia maksimizuoti, dalį – minimizuoti. Kyla klausimas: ar
egzistuoja toks sprendimas, kuris tenkintų visus reikalavimus? Tokio sprendimo
nėra. O jei ir yra – tai tik tada, kai akivaizdu kokį sprendimą reikia pasirinkti.
 Realiuose uždaviniuose dažnai atsižvelgiama į tai, kad vieni iš kriterijų yra
svarbesni, kiti – mažiau svarbūs. Todėl tenka nustatinėti kriterijų santykinį
svarbumą. Esant tokioms sąlygoms, optimaliu sprendiniu galima laikyti tokį
sprendinį, kuriame pats esminis kriterijus įgyja ekstremumą, o visi kiti kriterijai
neišeina iš leistinų ribų.
Dažniausiai sistemos tikslai dekompozuojami. Žodis dekompozicija
suprantamas kaip vieno objekto padalijimas į dalis, numatant ateityje suvienyti šias
dalis į vieną, t.y. į pradinį objektą.
Pradinio tikslo pateikimas visuma supaprastintų (lokalinių) tikslų pagalba
vadinamas pradinio tikslo dekompozicija. Savo ruožtu, supaprastinti tikslai gali būti
suskaidomi į dar smulkesnius tikslus ir uždavinius.
Vieno lygio posistemių tikslų visuma turi garantuoti aukštesnio lygio sistemos
tikslų pasiekimą. Todėl, vykdant tikslų dekompoziciją būtina kiekvieną kartą
patikrinti, ar bus pasiektas tikslas, jeigu mes pasieksime visus tikslus į kuriuos jis
buvo padalintas.
Sudėtingose pakankamai aukšto lygio sistemose ne visada pasiseka
vienareikšmiškai apibrėžti vienintelį tikslą. Atsiranda būtinumas vienu laiku pasiekti
kelis tikslus, kurių visumą galima laikyti kaip tam tikrą bendrą sistemos tikslą. Jeigu
šitie tikslai lygiaverčiai ir nepriklausomi, turime daugiatikslę sistemą.
Jeigu tarp tikslų visumos vienas pagal savo reikšmę dominuoja virš kitų, jis
vadinamas pagrindiniu, o kiti – papildomais. Kad nustatyti tikslo svarbumą, reikia
kiekvienam iš jų priskirti taip vadinamą svorio koeficientą. Svorio koeficientas rodo
santykinį duoto tikslo svarbumą. Jeigu q(i) – svorio koeficientas i-ojo tikslo, tai
q(1)+q(2)+q(3)+…+ +q(k)=1,
čia k – tikslų skaičius.
Išreikšti tikslo svarbumą skaitiniu koeficientu būna gana sunku, šį dydį, kaip
taisyklė, nustato ekspertai.
Priemonių kompleksas skirtas iškeltam tikslui pasiekti vadinamas operacija.
Dėl to, kad realių objektų ir reiškinių, kuriems reikia sukurti matematinį aprašymą,
prigimtis labai įvairi, tai egzistuoja keli matematinių modelių tipai.
Operacijų tyrinėjimo matematinį modelį galima užrašyti funkcijos pavidalu:
W=F(x, y),
Čia: W – sistemos funkcionavimo kokybės kriterijus (kiekybinis),
x – kontroliuojamas kintamasis (arba daug kintamųjų),
y – nekontroliuojamas kintamasis (arba daug kintamųjų).
Kintamasis x priklauso tam tikrai leistinų kontroliuojamų kintamųjų aibei X,
kintamasis y priklauso tam tikrai leistinų nekontroliuojamų, įtakojančių sistemą,
kintamųjų aibei Y. Kintamieji x dažnai vadinami strategija, o funkcija W – tiksline
funkcija. Uždaviniai su viena tiksline funkcija vadinami matematinio programavimo
uždaviniais.
Operacijų tyrimo modeliai yra trejopi:
1. Determinuotas modelis. Tai toks modelis, kuriame nėra
nekontroliuojamų faktorių. Tokiame modelyje kiekvienam kontroliuojamų kintamųjų
reikšmių rinkiniui atitinka vienintelis rezultatas. Determinuotame modelyje tikslas –
rasti tokią strategiją, kad kokybės rodiklis W būtų aukščiausias.
 2. Tikimybinis modelis. Gyvenime realius procesus įtakoja daugybė
nekontroliuojamų faktorių. Dažnai būna žinoma, kokios faktorių reikšmės atsiranda
ir su kokia tikimybe. Iš to seka, kad taikydami vienodas strategijas galime gauti
skirtingus rezultatus. Tokio modelio išėjimo reikšmė gali būti nusakyta tik
matematinės vilties pagalba, t.y. mes galime numatyti su kokią tikimybę mes galime
laukti to ar kito rezultato.
Kaip tokiu atveju išrinkti geriausią strategiją. Šiuo atveju įvertinami vidutiniai
rezultatai.
Tegu turime N tikimybinių faktorių y1, y2, y3, …, yn, kurie atsiranda atitinkamai
su tikimybėmis p1, p2, p3, …, pn. Tada sieksime maksimalios tikslinės funkcijos
reikšmės
W= pi × F(x, yi).
3. Neapibrėžtas modelis. Šiuo atveju, nekontroliuojamų faktorių atsiradimo
tikimybės nežinomos, bet žinoma aibė Y – aibė visų įmanomų nekontroliuojamų
faktorių. Prie tokių faktorių galima priskirti gamtines sąlygas, konkurento arba priešo
veiksmus. Neapibrėžtame modelyje galima įvertinti tik ribas, kuriose mes galime
gauti rezultatą. Nes aibė Y žinoma, pasirinksime patį blogiausią rezultatą –
A=min(F(x, y)), ir patį geriausią rezultatą – B= max(F(x, y)). Tada galima garantuoti,
kad mūsų operacijos rezultatas bus neblogesnis, nei A, ir negeresnis, nei B.
Modelis gali būti ir imitaciniu. Imitacinis modelis gali būti suprastas plačiai ir
susiaurintai.
 Pirmu atveju imitacinis modelis skirtas analizei tiriamos sistemos ar objekto
struktūros pokyčių ir išorinių sistemos ar objekto funkcionavimo sąlygų
poveikiui pačiai sistemai ar objektui.
 Antru – siauresniu supratimu, imitacinis modelis atkartoja tiriamos nedidelės
sistemos ar objekto struktūrą ir sistemos ar objekto funkcionavimo prielaidas.
Tai nedidelių informacinių sistemų bei technologinių procesų modeliai.
Imitacinis modelis yra tiriamos paprastos ar sudėtingos sistemos ar objekto
ekonominis matematinis modelis. Jis skirtas kompiuteriniam naudojimui ir iš esmės
yra speciali programinė įranga - programa. Pats eksperimentas taikant imitacinį
modelį savo turiniu artimas registravimui rezultatų, kurie gaunami atliekant
skaičiavimus šia programa pastoviai keičiant egzogeninių kintamųjų reikšmes.
Nustatomos rezultatinių rodiklių – endogeninių (vidinių) kintamųjų apimtys pastoviai
kintant požymių, kurių reikšmės žinomos (egzogeninių kintamųjų) reikšmėms.

Imitacinio modelio svarbiausios ypatybės:

 Jis dinamiškas. Šiame modelyje svarbus laiko veiksnys. Šio veiksnio
pasireiškimo formos yra dvejopos:
 tiriamos sistemos ar objekto vystimasis laike;
 vienkartinis skaičiavimas kuomet konkrečiam laiko momentui nustatoma
tiriamos sistemos ar objekto būsena.
 Jis adaptyvus, nes imitacinio modelio paskirtis tikslinti, tobulinti
analizuojamą sistemą ar objektą.
 Jis gali būti:
 determinuotas, griežtai atribotas nuo išorinio koregavimo galimybių su
vienareikšme sprendinių gavimo eiga;
  tikimybinis, turintis stochastiškumo elementų, numatančių išorinio koregavimo
galimybę, palankių ne tik įvairių sprendinių variantų gavimui, bet ir sprendinių
subjektyvumo lygmens padidinimui.
Imitacinis modelis yra ir ekonomikos kompiuterinio tyrimo priemone. Šis tyrimas
dažnai vadinamas imitaciniu modeliavimu.
Imitacija ekonomikoje būna tuomet, kai dėl tų ar kitų priežasčių nėra realių
galimybių ekonominiam eksperimentui. Šis eksperimentas ir pakeičiamas imitacija.
Imitacija naudinga ir tuomet, kai reikia pagrįsti ekonominio eksperimento
reikalingumą ar tikslingumą. Jos pagrindu susidaromas apytikris ar artimas jam
vaizdas apie sistemą ar objektą ir šis vaizdas imamas pagrindu ekonominio
eksperimento tikslingumo pagrindimui.
3. Elementarioji matematika duomenų analizės sistemoje
3.1. Logaritminės funkcijos
Eksponentinė funkcija y = 10x yra teigiama ir didėjanti: y  , kai x   ir y
Jei y > 0, tuomet egzistuoja vienintelis realusis skaičius x, toks kad 10x = y.
Šis skaičius x vadinamas y dešimtainiu logaritmu , ir žymimas x = lg y.

Logaritminės funkcijos reikšmių sritis yra teigiamų realiųjų skaičių aibė. Jos
sąvybės:
 Funkcija y = lg x yra apibrėžta su visais x > 0.
 Funkcija y = lg x didėja kai x didėja: Jei x1 < x2, tada lg x1 < lg x2.
 y  - , kai x  0.
 y  , kai x  .
 Kiekviena tiesė y = c kerta funkcijos y = log x grafiką tik viename taške.

Pirmoji savybė sako, kad kiekvienas teigiamas skaičius turi logaritmą, penktoji
savybė pažymi, kad kiekvienas realusis skaičius yra tik vieno konkretaus teigiamo
skaičiaus logaritmas. Todėl galime rasti teigiamą skaičių iš jo logaritmo.
Logaritmus galima apibrėžti ne vien kaip funkciją 10x , bet ir kaip kitas
eksponentines funkcijas. Tarkime funkcija y = b x, kur b>1.
Jei y > 0, tuomet egzistuoja vienintelis realusis skaičius x, toks kad bx = y. Šis
skaičius x vadinamas y logaritmu pagrindu b , ir žymimas taip:
x  log b y
(b>0, b1)

Kai pagrindas b = 10, gauname dešimtainį logaritmą. Jis žymimas lgx.

3.2. Skaičius e
1
Nepaprastai svarbi matematikoje, statistikoje yra tokia ši riba: lim (1  ) n  e .
n  n
Ši vertė, vadinama skaičiumi e, yra viena svarbiausių konstantų.
3.3. Aritmetinė progresija
Aritmetinė progresija yra skaičių seka, kurios kiekvienas narys, pradedant
antruoju, lygus prieš jį esančio nario ir pastovaus skaičiaus sumai. Seka yra
aritmetinė progresija tada, kai su kiekvienu natūraliuoju skaičiumi n (n >= 2) yra
teisinga lygybė an = an-1 + d. Skaičius d - aritmetinės progresijos skirtumas, o n-ojo
nario formulė tokia: an = a1 + (n − 1)d
Kiekvienas aritmetinės progresijos narys, išskyrus pirmąjį (ir paskutinįjį, kai
aritmetinė progresija yra baigtinė), lygus gretimų narių aritmetiniam vidurkiui:
a  a n 1
a n  n 1 , (n >= 2). Pirmųjų n narių sumos skaičiavimo formulės yra tokios:
2
 Sn = a1 + a2 + ... + an ;
 S n  (a 1  a n ) n ;
2
2a1  (n  1)d
 Sn  .
2
3.4. Geometrinė progresija
Geometrinė progresija yra tokia skaičių seka, kai kiekvienas sekantis elementas
yra praeito elemento ir bendro sekos daugiklio sandauga. Tokia seka gali būti
užrašyta taip: ar 0  a, ar1  ar, ar 2 , ar3 ,.... Čia r ≠ 0 yra bendras daugiklis.

Priklausomai nuo daugiklio reikšmės, sekos riba skiriasi:

 Jei 0 < r < 1, seka artėja į 0

 Jei r = 1, sekos riba yra a (visi sekos elementai yra lygūs)
 Jei r > 1, seka artėja į begalybę
 Jei 0 > r > −1, seka artėja į 0. Šiuo atveju yra du posekiai (teigiamų ir
neigiamų narių), artėjantys į 0
 Jei r = −1, egzistuoja du posekiai, kurių vieno riba a, kito −a
 Jei r < −1, egzistuoja du posekiai, kurių vieno riba yra ∞ (begalybė), kito −∞

Skirtingai nei aritmetinės progresijos, geometrinės progresijos augimas arba

mažėjimas yra eksponentinis, o ne tiesinis. Geometrinės progresijos narių suma yra
b (1  q n ) . Begalinės mažėjančios geometrinės progresijos narių suma yra
S 1
1 q
b
S 1 .
1 q

4. Duomenų rinkimas
4.1. Pirminiai ir antriniai duomenys
Duomenys yra skirstomi į pirminius ir antrinius. Pirminiai duomenys – tai
duomenys, kuriuos susirenka pats asmuo arba jo įgaliotas asmuo. Jie tiksliai
apibūdina tiriamą temą (pvz., jei individas nori išmatuoti gamybos kaštus, jis renka
informaciją apie patį gamybos procesą, gamyboje naudojamas medžiagas, žaliavas
ir pan.).
 Antriniai duomenys – tai kitų asmenų ar organizacijų surinkti duomenis, kuriuos
galima panaudoti savo darbe. Antrinius duomenis dažniausiai galima gauti greičiau
ir pigiau nei pirminius, ypač jei tai statistiniai duomenys.
Antriniai duomenys gali būti klasifikuojami pagal:

 šaltinį;
 kategoriją;
 priemones;
 duomenų bazės formą.

Šaltinis. Kiekviena organizacija duomenis skirsto į vidinius ir išorinius Daugeliui tiriamųjų

darbų pagrindinis duomenų šaltinis yra vidinių duomenų šaltiniai. Todėl norint juos gauti,
pirmiausia reikia identifikuoti tų šaltinių sudarytojus.
Išoriniai šaltiniai yra sukurti už įmonės ribų. Paprastai tai rinką tiriančių įmonių
duomenys, reklaminių agentūrų publikacijos, įmonių leidžiama literatūra, ūkio
statistika ir t.t.
Kategorija. Duomenų šaltiniai yra šių kategorijų: duomenų bazės, periodika,
knygos, vyriausybės dokumentai ir specialūs rinkiniai.
Priemonės. Tai antrinių duomenų klasifikavimo požymis, atsižvelgiantis į duomenų
gavimo priemonę: duomenys, nuskaityti nuo kompiuterio (hard copy), vietinio
regiono tinklo (local-area on-line) ar interneto.
Duomenų bazės forma. Antriniai duomenys gali būti tiek duomenų bazės, tiek ir
ne duomenų bazės formos. Duomenų bazė – tai standartinės formos duomenų
rinkinys, kuriame įrašai gali būti žodiniai, skaitmeniniai arba žodinių ir skaitmeninių
įrašų derinys. Duomenų bazės paprastai sudaromos pagal atitinkamas temas ir
retai gali būti kieno nors nuosavybė.
Biblioteka. Joje kaupiamos didelės antrinių duomenų atsargos. Čia, neturint kito
varianto, taip pat galima pasinaudoti ir internetu (pvz., Nacionalinėje Martyno
Mažvydo bibliotekoje internetu gali pasinaudoti kiekvienas skaitytojas). Kai kurios
duomenų bazės bibliotekoje prieinamos tik vietiniame tinkle.
Internetas. Internetas yra tobulesnė technologija nei telefonas ar televizija. Tai
milžiniškas kompiuterinių sistemų tinklas, leidžiantis kiekvienam prisijungti prie kitų,
nesvarbu kaip toli esančių.

Surinkti duomenys gali būti tikslinami. Juos galima tikslinti trimis būdais:
 Pirmas. Sukauptus duomenis reikia kruopščiai atrinkti, nes kai kuri
informacija yra naudinga, o kai kuri ne. Be to, paimta iš skirtingų šaltinių
gali kartotis. Informacija turi atitikti vykdomos paieškos tikslą. Apie jos
pobūdį reikia galvoti prieš pradedant rinkti duomenis, o ne jų rinkimo
eigoje.
 Antras. Nuspręsti, kaip surastą informaciją užrašyti: ar pateikiant viską
pažodžiui, ar pabrėžti tik pagrindines mintis. Galima taikyti abu principus,
t.y. išskirti tik pagrindines mintis, bet svarbiausias vietas pacituoti
pažodžiui.
  Trečias. Plėtoti jau surinktą informaciją, patikrinant šaltinių patikimumą
ir išdėstant informaciją tinkamiausiu būdu.
Pirminiai duomenys - tai informacija, renkama tiesiogiai bendraujant su rinkos
subjektais - juos apklausiant bei stebint. Tyrėjas renka šią informaciją pats,
nesinaudodamas kitų šaltinių (bibliotekų, tyrimų organizacijų, žiniasklaidos ir pan.)
duomenimis.
4.2. Stebėjimas
Stebėjimo metodas yra vienas duomenų rinkimo metodų. Stebėjimo būdų yra
keletas: standartizuotas ir nestandartizuota, slaptas ir atviras, vienkartinis ir
daugkartinis, individualus ir grupinis stebėjimas ir kt. Norint, kad tyrime būtų galima
pritaikyti stebėjimo metodą, reikia atsižvelgti į šias sąlygas:
 duomenys turi būti prieinami.
 Tiriamas įvykis, reiškinys neturi užimti ilgo laiko tarpo.
 Tiriamas žmonių elgesys turi būti dažnai pasikartojantis.
Standartizuotas (uždaras) stebėjimas atliekamas tuomet, kai nustatytas
pakankamai tiksliai tyrimo uždavinys. Stebėtojas iš anksto žino, į kurias situacijos
puses reikės atkreipti dėmesį ir užrašyti.
Nestandartizuotas (atviras) stebėjimas naudojamas tyrimuose, kuriuose
užduoties formuluotė nėra griežta, t.y. leidžiamas stebėtojų lankstumas
priklausomai nuo situacijos.
Ar stebėjimas vykdomas slaptai ar atvirai, priklauso nuo to, ar individas, fizinis ar
juridinis asmuo žino, jog yra stebimas. Kai kuriais atvejais slaptas stebėjimas
vykdomas stebėtojams ne slapčia stebint žmonių elgesį, o tiesiog tampant proceso
dalyviais.
Viena iš priežasčių dėl kurios dažniausiai pasirenkamas slaptas stebėjimas yra
tendencija keistis žmonių elgesiui žinant, jog esi stebimas. To siekiama išvengti.
Slaptas stebėjimas gali būti vykdomas tiesiogiai ir netiesiogiai. Tiesioginis
stebėjimas vyksta tada, kada stebimas žmogaus elgesys. Netiesioginis stebėjimas
vyksta, kai stebimi to elgesio rezultatai.
4.3. Apklausa
Universalus duomenų rinkimo būdas yra apklausa. Atliekančiam apklausą
pagrindiniu duomenų šaltiniu yra tos “žinios”, kurias suteikia “pranešėjas”.
Apklausa jos procedūros požiūriu - tai, iš vienos pusės, tyrinėtojas-klausėjas su
tam tikros rūšies klausimais, o iš kitos pusės - tai respondentas, turintis atsakyti į
tuos klausimus. Apklausa gali būti ištisinė (apklausiami visi apklausos dalyviai) ir
atrankinė (apklausiama dalis potencialių apklausos dalyvių. Dalis, kurios apimtis
nustatoma imties metodu), žodinė ir rašytinė. Komunikacijos su apklausiamuoju
būdo požiūriu, apklausa gali būti asmeninė (akivaizdinė) ir neakivaizdinė. Pagal
užduodamų klausimų pobūdį, apklausa gali būti atvira (respondentas atsakinėja į
klausimus laisva forma), uždara (atsakymų į klausimus variantai yra numatyti ir
surašyti klausimų sąraše iš anksto. Respondentui tereikia klausimų sąraše
rekomenduota tvarka pažymėti jam priimtiną atsakymų variantą) ir pusiau uždara
(mišrus, pirmųjų dviejų atvejų savos rūšies kombinacija).
Apklausos skirstomos į: anketines apklausas (anketavimą), interviu ir kt.
Anketinės apklausos svarbiausiu komponentu yra pati anketa. Ji - tai struktūriškai
organizuotas klausimų rinkinys. Pagal klausimų turinį, klausimai suskirstyti į dvi
grupes:
 klausimai apie faktus veikusius ar buvusius praeityje ir dabar
egzistuojančius;
 klausimai, įvertinantys apklausiamųjų motyvus, vertinimus ar nuomones.
(Norint įsiskverbti į respondento elgsenos motyvus, jam pasiūlomas
situacijų rinkinys prašant nurodyti jo manymu palankesnę).
Klausimų formos požiūriu, klausimai gali būti atviri, uždari (alternatyvų sąrašas),
tiesioginiai ir šalutiniai. Klausimai pagal tipus yra filtruojantys (šiais klausimais
siekiama išsiaiškinti nekompetentingus respondentus, patikrinti jų informatyvumo
laipsnį ir pan.) ir kontroliniais (šiais klausimais įsitikinama ar respondentai teisingai
atsakė į pagrindinius anketos klausimus, įvertinama suteiktų žinių kokybė ir pan.).
Svarbu prisilaikyti ir anketos kompozicijos reikalavimų. Anketą turi sudaryti trys
dalys:

1) įvadinė dalis. Šioje anketos dalyje nurodoma kas organizuoja ir praveda tyrimą,
kokie tyrimo tikslai, kuriems reikalams bus panaudoti anketavimo rezultatai.
Pabrėžiama respondento asmeninio dalyvavimo svarba bei reikšmingumas, o ir
tai, kad užtikrinamas atsakymų anonimiškumas. Surašomos ir taisyklės kaip
užpildyti anketą bei ją pateikti atliekančiam anketavimą.
2) Pagrindinė dalis. Šioje anketos dalyje surašomi klausimai, kurie atskleidžia
tiriamos temos turinį. Vienas trečdalis klausimų skiriami respondentų
sudominimui anketavimu, nuteikimui juos bendradarbiauti, įtraukti į darbą su
anketa. Kitas trečdalis klausimų yra sunkiausiais, orientuotais į tiriamą temą,
problemą ar pan. Paskutiniu trečdaliu klausimų renkami papildomi duomenys,
surašomi ir įvairūs kontroliniai klausimai, kuriais siekiama patikslinti atsakymus į
prieš tai pateiktus klausimus.
3) demografinė dalis. Šioje anketos dalyje pateikiami duomenys, identifikuojantys
respondentą.

Taigi, anketa yra klausimų lapas. Pats anketavimas gali būti atliekamas įvairiai:
pasitelkus paštą, telekomunikacijos tinklus, spaudą ar tiesiog išdalijant anketas
respondentams.
Gana specifiniu apklausos būdu yra interviu. Pagal tikslinę paskirtį interviu gali
būti nuomonių ar pažiūrų ir dokumentinis, kurio tikslas atkurti praeities faktus,
kitokią panašaus atitikmens informaciją. Pagal apklausiamųjų tipą interviu gali būti
atsakingų asmenų, ekspertų ir respondentų, t.y. tam tikros grupės žmonių atstovų,
kuriuos parenkant pasitelkiamas tikimybinis mechanizmas ar kiti būdai,
užtikrinantys apklausiamųjų sudėtį, reprezentuojančią esamą situaciją. Galiausiai,
pagal interviu techniką ir formą jie skirstomi į formalizuotus (iš anksto numatomi
klausimai, jų formulavimas, interviu tvarka, atsakymų užrašymo tvarka ir pan.) ir
neformalizuotus. Beje, aukščiausias interviu neformalizavimo laipsnis pasiekiamas
tada, kai interviuotojas pokalbio metu respondento atsakymų neregistruoja.
Prieš pravedant interviu reikia sudaryti klausimų sąrašą ir numatyti interviu
vedimo tvarką (numatyti draugiškos, šiltos, nuoširdžios pokalbio atmosferos
suformavimo būdus, klausimų pateikimo būdus, atsakymų protokolavimo tvarką. Ši
tvarka turi talkinti tiksliam atsakymų bei pastabų protokolavimui, nebūti “įkyri” ar
varžanti respondentą ).

4.4. Imties metodas

Tai dalinio stebėjimo metodas. Jo turinys:
 turime aibę, kurios charakteristikos yra nežinomos.
 Iš jos atrenkama n vienetų, sudarančių imtį.
 Imtį apibūdinantys požymiai stebimi.
 Imties duomenimis remiantis, nustatomos imties charakteristikos, kurios imamos
visos aibės charakteristikomis.
Dažniausiai duomenys renkami atliekant atsitiktinę imtį. Šį metodą naudojant
sudėtingiausia suformuoti imtį. Žinoma, kad imties vidurkio paklaida yra jo
nuokrypis nuo visos aibės vidurkio. Tariant, kad imties klaidos pasiskirsčiusios

normaliai, vidutinė imties paklaida bus lygi:  ,
n

čia:  - visos aibės aibės standartinis nuokrypis, prilyginamas imties standartiniam

nuokrypiui; n – imties dydis.


Ribinė imties paklaida lygi:   t*  t ,
n

čia: t - normuoti (standartizuoti) nuokrypiai.

t 2 2
Iš šios formulės turime: 2  2 /n . Tuomet: n  .
2
4.5. Kokybiniai tyrimo metodai
Kokybinis tyrimas nėra vientisas metodas, bet visa eilė technikų. Į tai įeina:
 technikos, numatančios tirti vartotojų pasirinkimo reikšmes ir vartojimo sudėtį,
tam kad surinktų informaciją paremtą nuomonėmis bei požiūriais ir tobulinti
darbines žodžių ir frazių reikšmes, kurias naudoja vartotojai susijusiose vartojimo
veiklose;
 individualūs ir grupiniai interviu, kuriuose klausimai ir diskusijos tarp
interviuotojų ir subjektų naudojami plėsti hipotezes ir metodus, kurie gali būti
naudojami norint jas patikrinti vėlesnėse tyrimo etapuose.

Kokybinis tyrimas tradiciškai naudojamas kaip anketos tobulinimo pagrindas.

Grupinė diskusija (Focus group) – tai specialiai tyrėjų parinktos žmonių grupės
diskusija, kurios metu respondentai (remdamiesi asmenine patirtimi) komentuoja
faktus ir argumentuoja juos pasirinkta tema.
Grupinė diskusija yra grupinio interviu forma, tačiau svarbu pabrėžti esminius jų
skirtumus. Grupinis interviu daugiau remiasi tyrėjų ir respondentų klausimais ir
atsakymais, tuo tarpu grupinė diskusija suteikia daugiau laisvės respondentų
nuomonėms, tyrėjas tik paskelbia diskusijos temą ir nukreipia pokalbį norima
linkme.
Todėl esminė grupinės diskusijos charakteristika yra ta, kad reikiami duomenys
pateikiami per respondentų tarpusavio sąveiką. Pagrindinės grupinės diskusijos
charakteristikos:
 grupė sudaroma iš 8 -12 žmonių.
 Natūrali, neformali aplinka.
 Posėdžio trukmė 1- 2 valandos.
 Tarpininko (moderatorius) dalyvavimas.
 Diskusija gali būti įrašinėjama į audio arba video juostą o vėliau
analizuojama.
Prieš pradedant tiriamąjį darbą, svarbu tiksliai apibrėžti jo tikslą. Tik tada,
atsižvelgiant į tyrimo tikslą, sudaromas diskusijos klausimų sąrašas. Vizualus
klausimų pateikimas padės respondentams geriau suprasti tyrėjų reikalavimus.
Grupinės diskusijos ne tik suteikia naudingą informaciją. Jos taip pat padeda
sukurti gerus santykius su tais žmonėmis, su kuriais dirbate.
Grupinės diskusijos planavimą rekomenduojama atlikti tam tikrais etapais
(žingsniais).
1 žingsnis: ketinimų apibrėžimas.
2 žingsnis: darbotvarkės nustatymas.
3 žingsnis: dalyvių parinkimas ir pakvietimas.
4 žingsnis: sugalvokite klausimus.
5 žingsnis: sukurkite scenarijų.
Yra trys diskusijų grupės scenarijaus dalys:
 Įžanginėje dalyje moderatorius pasveikina grupę, pristato grupinės diskusijos
tikslą ir esamą situaciją, paaiškina kas yra grupinė diskusija ir kaip ji vyksta, be
to padaro pristatymą.
 Klausimų dalis. Čia moderatorius užduoda klausimus, kuriuos sukūrėte ir
kurie buvo pratestuoti.
 Baigiamojoje dalyje apibendrinama grupinė diskusija. Į tai įeina padėka
dalyviams, taip pat jiems pasakoma kaip bus panaudota informacija ir
paaiškinama kada procesas bus užbaigtas.
6 žingsnis: moderatoriaus parinkimas.
7 žingsnis: vietos parinkimas.
8 žingsnis: grupinės diskusijos vedimas.
Atkreipkite dėmesį į sekančius punktus, kurie padės užtikrinti sėkmę:
 Pasirinkite toną, dalyviai turėtų smagiai ir gerai jaustis per sesiją.
 Prižiūrėkite, kad diskusija nenukryptų į šonus.
 Užbėkite už akių nuomonių apie individualias temas pasikeitimui.
9 žingsnis: interpretavimas ir rezultatų pranešimas.

Yra trys pranešimo etapai grupinei diskusijai aptarti:

 Apibendrinkite kiekvieną susitikimą.
 Išanalizuokite santraukas.
 Parašykite pranešimą.
10 žingsnis: rezultatus pakeiskite veiksmais.
Grupinės diskusijos gali turėti keletą skirtingų variacijų:
 Dvigubo metodo grupinė diskusija. Šis metodas leidžia pagrindinei diskusijos
grupei išklausyti kitos su ja susijusios respondentų grupės nuomonę.
 Dviejų moderatorių grupinė diskusija. Tai grupinė diskusija, reguliuojama
dviejų moderatorių. Vienas iš jų rūpinasi sesijos sklandumu, kitas užtikrina
specifinių klausimų aptarimą.
 Dvilypio tarpininkavimo grupinė diskusija. Ši diskusija vadovaujama taip pat
dviejų moderatorių. Tačiau čia jie specialiai pasirenka priešingas nagrinėjamo
klausimo pozicijas. Tai leidžia tyrėjams ištirti abi dvilypės problemos puses.
 Moderatoriaus-atsakovo vadovaujama grupinė diskusija. Taikant šį diskusijos
metodą moderatorius pasirenka vieną respondentą ir paprašo jo laikinai pabūti
moderatoriumi, taip pagerinant diskusijos dinamiką.
 Dalyvių-tarnautojų grupinė diskusija. Tai diskusija, kurios metu speciali
tarnautojų grupė, yra įtraukiama į diskusiją. Tarnautojų grupės pagrindinis tikslas
yra padidinti diskusijos efektyvumą.
 Mini grupės diskusija. Šioje grupinėje diskusijoje dalyvauja tik 4-5
respondentai. Tokia diskusija rengiama tada, kai tiriamasis klausimas reikalauja
platesnio ir detalesnio tyrimo.
 Telesesija. Grupinė diskusija vedama telefonu naudojant konferenciją arba
internetu specialiai tam skirtuose puslapiuose.
Esminiai grupinės diskusijos privalumai yra šie:
 Grupės žmonių diskusija pateikia daugiau informacijos, skirtingų požiūrių ir
nuomonių, nei individualūs atsakymai tiesioginio interviu metu.
 Diskusijos metu vieno respondento komentarai gali sukelti grandininę
reakciją t.y. kitų dalyvių prieštaravimus. Tokiu būdu pateikiama daugiau skirtingų
nuomonių ta pačia tema ( tuo pačiu metu).
 Diskusijos eigoje bendras grupės susidomėjimas nagrinėjama tema didėja,
todėl paprastai po trumpo įvadinio laikotarpio respondentai patys stengiasi
išreikšti savo mintis ir atskleisti jausmus.
 Diskusijos metu respondentai gali stebėti vieni kitų emocijas, todėl jaučiasi
saugiau ir nebijo išreikšti minčių.
 Diskusijos dalyviai neturi tiesiogiai atsakyti į specifinius klausimus, jų
atsakymai yra spontaniški ir nevaržomi, todėl geriau išreiškia nagrinėjamos
problemos esmę.
 Tyrimo analitikai gali stebėti pokalbį (naudojant vienpusius veidrodžius) arba
peržiūrėti video juostas diskusijai pasibaigus. Tai leidžia detaliau ištirti ir
išanalizuoti duomenis, surinktus diskusijos metu.
 Grupinės diskusijos metu visi respondentai (8-12 žmonių) pasisako tuo pačiu
metu, todėl visa reikalinga informacija surenkama per žymiai trumpesnį laiko
tarpą.
 Grupinės diskusijos metodas leidžia problemą išanalizuoti giliau ir lanksčiau.
 Diskusijos metu kai kurios reikšmingos mintys kyla netikėtai, dėl tam tikrų
asociacijų, kurios gali kilti dėl kitų respondentų išsakytų minčių
 Diskusijoje vienu metu dalyvauja daug respondentų, todėl tyrėjai gali sau
leisti samdyti vieną, brangiai apmokamą, bet aukštos kvalifikacijos moderatorių.
 Lyginant grupinę diskusiją su kitais kokybinio tyrimo metodais galima būtų
apibrėžti tokius pagrindinius jos trūkumus:
 Sudėtingas grupinės diskusijos valdymas. Sunku parinkti moderatorių, kuris
atitiktų visus keliamus reikalavimus. Gautų rezultatų kokybė didžiąja dalimi
priklauso nuo moderatoriaus sugebėjimo vadovauti diskusijai.
 Žymiai sunkiau analizuoti ir interpretuoti nestruktūrizuotus atsakymus į
klausimus, kurie paprastai gaunami grupinės diskusijos metu.
 Kyla grėsmė pernelyg užakcentuoti galutinius, o ne tiriamuosius grupinės
diskusijos rezultatus.
 Grupinės diskusijos metu gauti rezultatai, gali būti neteisingai suprasti
dažniau nei rezultatai, surinkti kitu duomenų rinkimo metodu.
Grupinės diskusijos rezultatai nėra tipiški (būdingi visiems žmonėms) ir iš anksto
numatomi.

5. Duomenų tikslumas ir palyginamumas

5.1. Su imtimi nesusijusios duomenų klaidos
Visos su imties formavimu nesusijusios klaidos gali būti skirstomos į sekančias
grupes:
 neužpildytų anketų problema;
 duomenų rinkimo klaidas;
 duomenų apdorojimo klaidas;
 duomenų analizės klaidas;
 interpretacijos klaidas.
Dauguma su imtimi nesusijusių klaidų atsiranda renkant duomenis. Šias klaidas
tikslinga suskirstyti į du pagrindinius tipus. Pirmasis tipas tai tyrimą atliekančio asmens
(apklausėjo) klaidos. Tyrimą atliekančio asmens klaidos gali atsirasti ir profesionaliam
apklausėjui apklausinėjant ir respondentui pačiam pildant anketą. Antro tipo klaidos yra
vadinamos respondentų klaidomis, kurias daro atsakinėjantys į klausimus asmenys. Jos,
be abejo, apima ir duomenų rinkimo pagrindinių principų nepaisymo. Be to, kiekvieno tipo
klaidas dar galima suskirstyti į dvi klases: sąmoningas, arba klaidas daromas tyčia ir
nesąmoningas klaidas, arba klaidas daromas ne savo noru.

Su imtimi nesusijusios klaidos

Apklausėjų klaidos Respondentų klaidos

Sąmoningos klaidos Nesąmoningos klaidos Sąmoningos klaidos Nesąmoningos klaidos

1. Sukčiavimas 1. Apklausėjo 1. Melas 1. Nesupratimas

2. Apklausėjo savybės 2. Duomenų 2. Spėjimas
įtakojimas 2. Nesupratimas nepateikimas 3. Dėmesio stoka
3. Nuovargis 4. Išblaškymas
5. Nuovargis
 Yra dvi pagrindinės strategijos, kurios gali padėti išvengti sąmoningai daromų
apklausėjų klaidų: priežiūra ir patvirtinimas.
I. Klaidų II. Kontrolės mechanizmas
tipai
Sąmoningos Sukčiavimas Patvirtinimas
apklausėjų Respondento
klaidos įtakojimas Priežiūra arba stebėjimas
Nesąmoningo Apklausėjo Tyrėjų atranka ir apmokymas
s apklausėjų savybės Orientacijos užsiėmimai ir apklausos imitavimas
klaidos Nesupratimas Reikia pertraukų ir kintamo tyrimo
Nuovargis
Sąmoningos Melas Užtikrinti anonimiškumą ir konfidencialumą
respondentų Duomenų Paskatos
klaidos nepateikimas Patikimumo tikrinimas
“Trečio asmens” metodas
Užtikrinti anonimiškumą ir konfidencialumą
Paskatos
“Trečio asmens” metodas
Nesąmoningo Nesupratimas Gerai sudaryta anketa
s respondentų Spėjimas Tiesioginiai klausimai
klaidos Dėmesio stoka Gerai sudaryta anketa
Išblaškymas Atsakymo variantai Pvz. “neužtikrintas”
Nuovargis
Sufleriai

Daugelyje tyrimų pateikiamas atsakymų lygis (koeficientas). Atsakymų lygis - tai

procentas visų atsakytų anketų nuo visos imties. Taigi tai yra priešingas dydis
duomenų nepateikimo klaidų rodikliui. Pavyzdžiui, jei atsakymo koeficientas yra
75%, tai duomenų nepateikimo klaidų koeficientas bus 25%.
Duomenų nepateikimo klaidų skaičius visada turi būti išmatuotas ir jei
neatsakytų klausimų skaičius yra gana didelis ir kelia problemų, privalome daryti
korektūras. Žinoma, jei neatsakytų klausimų skaičius nėra didelis ir nieko nekeičia,
nėra reikalo keisti ar koreguoti rezultatus. Bet jeigu reikia koreguoti, yra du
pagrindiniai metodai, kaip kompensuoti klaidų atsiradimą. Tai – svertinių vidurkių
metodas ir permodeliavimo metodas.
Svertinių vidurkių metodas – tai toks metodas, kuriame naudojami taip vadinami
svoriai, kurie atspindi tam tikros imties dydį ir reikšmę visoje generalinėje aibėje.
Formulė, kurioje naudojami svertiniai vidurkiai, yra tokia:

x = (xa  svorisa ) + (xb  svorisb ) + … + (xm  svorism )

čia xa , xb ir t.t. yra skirtingų imčių reikšmės;
svorisa , svorisb ir t.t. yra tam tikros imties dydis lyginant su visa aibe.

Kitas būdas klaidoms, kurios atsiranda dėl neatsakytų apklausų, tyrime ištaisyti
yra žymiai brangesnis, tačiau jis yra taikomas esant tik tam tikroms aplinkybėms.
Naudojant šį būdą, tyrėjas naudoja perviršio metodą, tai reiškia imti modelį, kuris
yra didesnis nei grupė, kuri yra analizuojama. Svarbu pastebėti, kad mes remiamės
pavyzdžiu, kuriame galutinis modelis bus kur kas didesnis nei mūsų tikslinis
modelis ir tai nėra atvejis, kai imamas didelis respondentų skaičius, kad pasiektume
tikslinio modelio dydį. Tada tyrėjas sudaro subimtį respondentų, kuri tiksliai atspindi
tikslinę grupę. Dažnai esant atsisakymui atsakyti į pateiktus klausimus, perviršio
metodas gali padėti surinkti pakankamą kiekį respondentų, kurie atsako į
specifinius klausimus.
Nepaisant pastovių anketų tikrinimų informacijos rinkimo fazėje, yra naudinga
šiuo metu atlikti detalesnį patikrinimą. Galimi du pasirinkimai: nesistemingas ir
sistemingas tikrinimas. Vykdydamas nesistemingą tikrinimą, tyrėjas savo nuožiūra
pasirenka kurias anketas tikrinti. Vykdydamas sistemingą tikrinimą, tyrėjas anketas
pasirenka atsitiktine tvarka arba pagal sisteminį modelį. Kitu atveju, tyrėjas gali
tikrinti kiekvieną užpildytą anketą, atsižvelgdamas į laiko sąnaudas ir būtinybę.
Nepaisant visų atsargumo priemonių, vis tiek egzistuoja pavojus, kad
probleminiai klausimai yra įtraukti į užpildytų anketų šūsnį. Taigi, užbaigtų anketų
tikrinimo tikslas yra nustatyti “blogų” anketų skaičių šūsnyje, ir jei tokios anketos
egzistuoja tai jas būtina išmesti. Probleminiai klausimai yra tokie, kuriuose
pasireiškia tokie veiksniai:
 abejotinas pagrįstumas, svarumas;
 nepriimtinos neužbaigtumo formos;
 nepriimtinas kiekis aiškių respondento nesupratimų;
 neįskaitomas respondento raštas, transportavimo sugadinimai ar kitos
akivaizdžias problemos.
Pagrindinės problemos, kurios įvardinamos patikrinus užpildytas anketas, gali
būti apibūdintos: neužpildytos anketos, neatsakyti specifiniai klausimai, “taip ar ne
atsakymų” modeliai, “pusiaukelės” modeliai ir nepatikimi atsakymai.
Problema Apibūdinimas
Neužpildyta anketa Anketa yra nepilnai užpildyta. Kažkuriuo metu respondentas
akivaizdžiai nustojo atsakinėti į klausimus.
Neatsakyti specifiniai Respondentas atsisakė atsakyti į tam tikrus specifinius
klausimai klausimus, nors atsakė į visus kitus klausimus.
“Taip ar ne sakymo” Respondentas parodo užsispyrimą atsakyti teigiamai ar
modeliai neigiamai, nepaisant klausimo.
“Pusiaukelės” Respondentas nurodo “nežinau” daugelyje klausimų.
modeliai
Nepatikimi atsakymai Respondentas nėra pastovus atsakinėdamas į filtruojančius
klausimus arba kitaip parodo savo nepatikimumą.
5.2. Tikslumas ir patikimumas
Tikslumas susijęs su tikslu, kurio skaičiavimais siekiama, nuo kiekybinių
duomenų praktini naudojimu. Skaičiavimų tikslas ir praktinė nauda yra sudedamo-
sios tikslumo dalys, neatsiejamos nuo tikslumo laipsnio nustatymo. Paklaida ir jos
ribos – tikslumo komponentas, kuris gali būti nurodytas arba nenurodytas.
Paklaida ir jos ribos – įvertina pasitikėjimo skaičiavimais mastą. Nenurodyta paklai-
da reiškia trejopą padėtį.
 Pirma, manoma, kad tos srities skaičiavimams dėl jų ypatumų šito nerei-
kia.
 Antra, paklaida nenurodoma, nes ji visiems žinoma ir aiškiai suvokiama.
 Trečia, į paklaidą atsižvelgta tiksliųjų mokslų teorijoje, apibūdinančioje leis-
tinas jos ribas.
Svarbu ir tai. Pavyzdžiui, įmonės ekonominės politikos tikslą formuojant šitaip:
"didinti kapitalo rentabilumą", bet nenurodant konkretaus skaičiaus ar atitinkamų
orientyrų, atsiranda patogus neapibrėžtumas. Tačiau, kiek racionalus skaičiaus ir jo
paklaidos žinojimas, jeigu rentabilumo nežymus, menko dėmesio tevertas pokytis
gali suformuoti netikėtus rezultatus?
Visas klaidų priežastis galima suskirstyti į dvi grupes: bendras ir specifinės klai-
dos.
Bendros klaidos pasitaiko visais tyrimo etapais. Tai matavimo, reprezentatyvu-
mo, tyčinės ar nesąmoningai daromos klaidos, atsitiktinio ar sisteminio pobūdžio.
Štai, matavimo patikimumas (valdumas) – tai matavimo kokybės apibūdinimas,
rodantis, ar tikrai yra pamatuojama tai, ką siekiama pamatuoti. Matavimo
patikimumas gali būti apibūdintas šiais rodikliais:

 turinio patikimumu -tai matas, kuriuo matuojami visi tiriamojo reiškinio

dėmenys. Pavyzdžiui, tiriant gyvenimo kokybę, būtina vertinti kasdienę,
darbinę asmens veiklą, santykius šeimoje, socialinius santykius ir kt.;
 konstrukcijos patikimumas – tai matavimo atitikimas su teorišku tiriamojo
reiškinio modeliu. Pavyzdžiui, jei tiriamasis reiškinys yra susijęs su amžiumi,
tai matavimas turi rodyti tuos amžiaus pokyčius;
 kriterijaus patikimumas – tai matavimo atitikimas su išorišku tiriamojo
reiškinio vertinimo standartu. Kriterijaus patikimumas gali būti dviejų rūšių:

 konkurencinis kriterijaus patikimumas - rodo matavimo atitikimą tam

tikram standartui tuo pačiu laiko momentu (pvz., įmonės pelningumo
atitikimas nustatytam pelningumo standartui, intervalinei reikšmei),
 prognozuojamasis kriterijaus patikimumas – tai galimybė numatyti
matavimo standartą (pvz., intelekto testo vartojimas profesinei karjerai
numatyti).
Specifinės klaidos dažnai yra sudėtingų tiksliųjų mokslų metodų taikymo išdava.
Svarbesni šių klaidų šaltiniai yra:
 klaidingai interpretuotas reiškinys arba procesas jį modeliuojant atitinkamais
metodais;
 tolesni, daugkartiniai skaičiavimai kaupia pradinių duomenų klaidas;
  kompiuterinės klaidos, atsirandančios dėl to, kad griežti, matematiškai
nepriekaištingi sprendimai pakeičiami jiems artimais sprendimais.
Dabar tarkime, kad turime tokią situaciją: skaičiavimo rezultatas – rodiklis, imamas ba-
ze ūkiniam sprendimui priimti, nepatikimas. Alternatyvaus rodiklio nėra arba reikalingi daug
sąnaudų reikalaujantys kiti ir iš dalies tepakeičiantys šį rodiklį skaičiavimai. Situacija
prieštaringa. Akivaizdi nuostolių dėl nepatikimo sprendimo galimybė. Tai ekonominio turi-
nio nuostoliai ir juos vadinsime ekonominiais nuostoliais.
Minėtą situaciją papildysime šia klasikine situacija. Didesnės dalies skaičiavimų
normalios sklaidos sąlygomis, imant  2 (tiriamo rodiklio vidutinius standartinius
nuokrypius nuo šio rodiklio vidutinės reikšmės), kas atitinka pasikliautinę tikimybę,
lygią 0,95, paklaida 5 proc. atvejų bus už šios ribos. Šios situacijos padariniai yra
ekonominiai. Jiems šalinti reikia papildomų sąnaudų. O sąnaudoms apskaičiuoti rei-
kia duomenų, kurių dažniausiai nėra arba jų neįmanoma surinkti.
Skaičiavimų duomenų patikimumo klasės ir laipsniai yra minėtų situacijų švelninimo
priemonės. Jas parenkant atsižvelgiama į skaičiavimų neapibrėžtumo aplinkybes, psi-
chologinius ir kitus veiksnius.
Vertinant skaičiavimus ir būtina nustatyti jų patikimumo klases. Reikia įvertinti pa-
tikimumą ir rizikos laipsnį dėl klaidos. Galiausiai reikia atsižvelgti ir į šiuos klasių for-
mavimo veiksnius:
 nuostolių dydis, suformuotas remiantis nepatikimais skaičiavimais;
 paskesnio nuokrypių kompensavimo galimybė;
 skaičiavimų prielaidų apibrėžtumo ir psichologiniai veiksniai.
Skaičiavimų patikimumo klasė ir laipsnis neatsiejami nuo naudos ir nuostolio
kainos. Šie dydžiai netapatūs ir juos reikia pertvarkyti į skalę, apibendrinančią
naudą ir nuostolį. Jeigu A – naudos kaina, B – nuostolio kaina, tai C = A/ B yra api-
bendrinimo (perskaičiavimo) koeficientas, kuriuo nuostolio kaina pakeičiama skale.
Šiuo atveju naudos kaina yra tam tikras apibendrinimo matas.
Dabar aptarsime šį pavyzdį: skaičiavimų rezultatas yra x. Empirinių reikšmių
nuokrypiai nuo x pasiskirstę normaliai ir riboti intervalu  3.
Dažniausiai formuluojant sprendimą imami ne ribiniai intervalai, o optimalūs pa-
sikliautiniai intervalai. Tarkime, kad t1 – optimalus normuotas nuokrypis iš kairės, o
t2 – toks nuokrypis iš dešinės. Šioms prielaidoms optimaliais pasikliautiniais interva-
lais bus t1  ir t2 . Ribiniai nuostoliai iš patikimumo ribos dešinės bus lygūs: B = C
(3  – t2 ), o ribinė nauda yra ši išraiška: A=3  +t2 . Optimali riba bus ta, kuri turi mi-
nimalius nuostolius dėl rizikos: B+(–A)= C (3  – t2 )  (3  + t2 ). Taip bus, jeigu
A=B. Kai A>B, turėsime patikimumo perviršį, o kai A<B – atvirkščiai, t. y.
nepagrįstai rizikavome. Atlikę nesudėtingus pertvarkymus turime:
C (3  – t2 )  (3  + t2 );
C (3   t 2 ) (3  t 2  )
 ,
(3   t 2 ) (3  t 2  )

turime: C=(3+t2) : (3–t2). Panašiai pertvarkę surandame: t2=3(C–1) : (C+1).

Šių formulių pakanka skaičiuojant optimalias patikimumo ribų reikšmes. Nuosto-
lio kainai viršijus naudos kainą keturis kartus (C=4), optimali patikimumo riba bus
1,8 (3(4–1) : (4+1)), o tai atitinka pasikliautinę tikimybę, lygią 0,92.
5.3. Palyginamumas
Duomenų nepalyginamumo priežasčių yra daug. Socialiniuose ekonominiuose
tyrimuose dažniau „operuojama” su kiekybišką išraišką turinčiais duomenimis,
“gautais” tais ar kitais metodais ar būdais. Čia galime išskirti šias duomenų
nepalyginamumo priežasčių grupes:
 skaičiavimų objektas (erdvė);
 rodikliai. Indikatoriai;
 fizinė skaičiavimų išraiška ir laikas.

Pirmoji duomenų nepalyginamumo priežasčių grupė apima priežastis, kurios

atsiranda dėl skirtingų stebėjimo objektų buvimo. Skirtingais laiko tarpais,
skirtinguose šalies rajonuose ar kituose administraciniuose dariniuose buvo
nevienodas stebėjimo vienetų skaičius.
Antroji duomenų nepalyginamumo priežasčių grupė apima priežastis, kurios
atsiranda dėl to, kad:
 skirtingai aiškintos (aiškinamos) sąvokos “ekonominis statistinis rodiklis” ir
“indikatorius” arba šios sąvokos tapatintos (tapatinamos).
 ekonominiai statistiniai rodikliai ar indikatoriai sudaryti ar apskaičiuoti skirtingu
metodu.
Trečioji duomenų nepalyginamumo priežasčių grupė apima priežastis, kurios
atsiranda dėl to, kad:
 duomenys išreikšti skirtingais mato vienetais, skirtingais piniginiais vienetais;
 duomenys nepalyginami laike.
Svarbiu duomenų palyginamumo užtikrinimo keliu yra Tarptautinėje praktikoje
naudojamų standartų praktiškas vartojimas. Didžioje daugumoje tyrimų krypčių,
naudojamus svarbiausius duomenų palyginamumo užtikrinimo būdus galima
sugrupuoti taip:
Pertvarkymo Pakeitimo Suvienodinimo Perskaičiavimo
   
Duomenų palyginamumo užtikrinimo būdai
   
1.Aibės 1.Duomenų, išreikštų 1.Specialus 1.Duomenų
suskaidymas absoliutiniais dydžiais duomenų perskaičiavimas
pakeitimas pergrupavimas
išreikštais
santykiniais dydžiais
2. Aibės 2.Duomenų, išreikštų 2.Antrinis 2.Duomenų
struktūros absoliutiniais dydžiais duomenų perkainojimas
standartizavima pakeitimas vidurkiais grupavimas
s
3.Duomenų 3.Duomenų mato
standartizavimas vienetų
suvienodinimas

Pirmasis būdas yra duomenų pertvarkymo, numatantis du tokios “procedūros”

atvejus:
1. Iš duomenų aibės išskiriama ta jų dalis, kuri konkretaus tyrimo atvejui yra
palyginama.
2. Aibės struktūros standartizavimas. Aibių struktūros dažniausiai
standartizuojamos joms parenkant standartinę, etaloninę ar pan. struktūrą. Tokių
struktūrų aibėms apskaičiuoti rodikliai yra palyginami. Dažniausiai šitokie rodikliai
pavadinami standartizuotais.
Antrasis duomenų palyginamumo užtikrinimo būdas apima šiuos jo atvejus:
1. Duomenų, išreikštų absoliutiniais dydžiais pakeitimas išreikštais santykiniais
dydžiais.
2. Duomenų, išreikštų absoliutiniais dydžiais pakeitimas vidurkiais.
Trečiasis duomenų palyginamumo užtikrinimo būdas apima šiuos jo atvejus:
1. Specialus duomenų pergrupavimas.
2. Antrinis duomenų grupavimas. Veiksmingas būdas tiems atvejams, kai
duomenys, objektai buvo grupuoti skirtingoms teritorijoms ar istoriškai skirtingais
laikotarpiais..
3. Duomenų standartizavimas. Yra veiksmingu metodu užtikrinant duomenų
palyginamumą. Juo duomenys “paverčiami” bevardžiais dydžiais, neturinčiais
konkretaus mato vieneto, tačiau tinkamais tolesniems tyrimams. Metodas
populiarus atliekant ūkio konjunktūrinės raidos tyrimus. Skaičiavimams naudojama
ši formulė: x ij  x i . Šioje formulėje: xij - i - jo rodiklio lygis j objekte; x i - to rodiklio
i
aritmetinis vidurkis; i - jo standartinis nuokrypis.
Ketvirtasis duomenų palyginamumo užtikrinimo būdas apima šiuos jo atvejus:
perskaičiavimas, perkainojimas ir duomenų mato vienetų suvienodinimas. ŠtaI
perskaičiavimas remiasi perskaičiavimo koeficientais, kurie sudaromi atsižvelgus į
objekto tą ar kitą vartotojišką savybę. Skaičiavimų tvarka yra šitokia. Tarkime,
produktas x apibūdinamas n vartotojiškomis savybėmis (i  1,2,...,n), o šio
produkto kiekvienos vartotojiškos savybės kiekis yra m (j  1,2,...,m). Šioms
prielaidoms, perskaičiuojant skirtingų vartotojiškų savybių produkto kiekius į vienos
vartotojiškos savybės kiekį, reikia parinkti bazinę arba etaloninę vartotojišką savybę
(i  e). Toliau ši savybė imama perskaičiavimo koeficientams (Ki) apskaičiuoti. Šie
koeficientai apskaičiuojami taip:
Ki  xi  xe .
(Šiuose skaičiavimuose, etaloninės savybės produkto perskaičiavimo koeficientas
yra lygus 1). Perskaičiuoti produkto kiekiai apskaičiuojami taip: xij x Ki. Atsižvelgus
į tai, bendras etaloninės savybės produkto kiekis sudarys:  (xij x Ki ).
ij

Prekės Parduota, vnt Perskaičiavi Pardavimai perskaičiavus į

pavadinim mo prekės etaloninę sąvybę
as Kovo Balandžio koeficientas Kovo mėn. Balandžio mėn.
mėn. mėn.
Klo5415 25 22 1 25 22
Klo5430 7 12 30/15=2 14 24
Klo5475 4 3 75/15=5 20 15
Iš viso: - - - 59 61
 Lentelėje pardavimų apimtis natūrine išraiška perskaičiuota atsižvelgus į jos
etaloninę savybę. Tos prekės rinkoje, etalonine savybe imama prekės Klo5415
galingumas. Jis lygus 15 kw.
Pagal lentelės duomenis, prekės pardavimai etalonine savybe padidėjo 3,39% ,
t.y.: 6159=(103,39100)-100. Šis prekės pardavimų dinamikos vertinimas yra
tikslesnis, lyginant su vertinimu piniginių matų pagrindu.

6. Duomenų pateikimas
6.1. Duomenų išdėstymas lentelėse

Galima išskirti:
 pirminių duomenų lenteles (informacines);
 iliustruojančias lenteles. Dažniausiai šios lentelės sudaromos siekiant
aptariamus momentus “papildomai įrodyti”, pakomentuoti. Šiose lentelėse
esantys duomenys rodo ar padarytos išvados artimos tikrovei, ar teisingai
apskaičiuoti rodikliai ir pan.

Pirminius duomenis apibūdinančios lentelės yra informacinės. Šiomis lentelėmis

“išsaugomi” tolesniems tyrimams reikalingi duomenys. Kita vertus, informacinėse
lentelėse gali būti surašyti pirminių duomenų tyrimo rezultatai bei duomenys, kurie
reikalauja tolesnio ar pakartotino tyrimo. Gali būti ir taip, kad informacinėse
lentelėse patalpinami duomenys, kurių turinys tyrėjui yra neaiškus ar
nesuprantamas. Šis jo žingsnis yra “korektiškas”, sakantis, kad jam tie duomenys
buvo nesuprantami ir juos adresuoja kitam, kuriam tie duomenys bus suprantami.
Tuo žingsniu palengvinamos kito tyrėjo pastangos “įsigyti” duomenis, jį nukreipia į
aiškų tolesnių paieškų kelią.
Pagrindiniais lentelių sudarymo principais yra šie:
 lentelės turi būti vaizdžios ir lengvai suprantamos.
 Tipinėje lentelėje turi būti nurodytas numeris, pavadinimas ir paantraštė virš
pačios lentelės.
 Toliau turi būti pateikta pagrindinė lentelės dalis - jos šaknis ir antraštė, t.y.
eilučių ir stulpelių pavadinimai, statistinė informacija. Išnašos ir duomenų
šaltiniai turi būti po pagrindine lentelės dalimi.

Lentelės numeris. Monografijose, pranešimuose, tezėse, kasmetinėse firmų

ataskaitose ir kt. statistinės lentelės numeruojamos taip: lygiagrečiai su pavadinimu
kairiajame lapo krašte rašome „1 lentelė“, „2 lentelė“ ir t.t.
Jeigu tekste yra daug lentelių, tai šias lenteles galima numeruoti pagal atskirus
teksto skyrius taip: pirmo skyriaus – „1.1 lentelė“, „1.2 lentelė“ ir t.t.; antro skyriaus –
„2.1 lentelė“, „2.2 lentelė“ ir t.t.
Lentelės pavadinimas. Pavadinimas - tai įžanga į pagrindinę statistinės lentelės
dalį. Lentelės pavadinimas turi trumpai, aiškiai ir tiksliai apibūdinti lentelės turinį.
Lentelės pavadinime turėtų būti nurodoma teritorija ir laikotarpis, kuriam priklauso
šie duomenys.
 Paantraštė. Ji turi du tikslus: nurodyti pagrindinėje lentelės dalyje esančių
duomenų matavimo vienetą (pvz., milijonas eurų, tūkstantis tonų, km2 , % ir t.t.) ir
suteikti trumpą informaciją apie esamus duomenis.
Pagrindinė lentelės dalis. Lentelė susideda iš šaknies ir antraštės. Antraštė
rodo, kokia informacija pateikiama stulpeliuose, o šaknyje, t.y. kraštinio stulpelio
kairėje, išvardijami eilutėse išdėstytų rodiklių pavadinimai. Tais atvejais, kai
stulpelių daug, o eilučių nedaug ir jų turinys nesudėtingas, eilučių ir stulpelių
pavadinimus galima sukeisti vietomis. Neužpildyta skaičiais lentelė, turinti bendrą
pavadinimą bei stulpelių ir eilučių pavadinimus, vadinama lentelės maketu. Prieš
sudarant lentelę, pirmiausia ir nubraižomas jos maketas.
Priklausomai nuo eilučių išdėstymo lentelėje skiriamos dvi lentelių rūšys:
paprastosios ir kombinuotosios. Paprastosiomis vadinamos tokios lentelės, kuriose
šaknį sudaro tik tiriamųjų vienetų, datų arba teritorinių-administracinių padalinių
sąrašai. Kombinuotosiomis vadinamos tokios lentelės, kuriose aibės vienetai
sugrupuoti pagal du ar daugiau esminių požymių. Kombinuotoji lentelė parodo, kaip
veikia keletas veiksnių kartu, koks jų tarpusavio ryšys.
Jeigu lentelėje daug stulpelių, tai juos būtina žymėti. Žodiniai stulpeliai žymimi
didžiosiomis raidėmis (A, B, C ir t.t.), o skaitmeniniai stulpeliai - skaičiais (1, 2, 3 ir
t.t.).
Pildant lentelę, gali būti naudojamasi sąlyginiais žymėjimais: jeigu konkretaus
reiškinio visai nėra, dedamas brūkšnys (-); jeigu neturima duomenų apie konkretų
reiškinį, bet jų yra, dedamas daugtaškis (...); jeigu yra duomenų, bet skaitmeninės
reikšmės mažesnės, negu lentelėje priimtas tikslumas, rašoma du nuliai su tašku
viduryje (0.0); jeigu nereikia pildyti eilutės, rašoma iksas (x); jeigu nepakankamas
vertinimo tikslumas yra dedami du priešingi apvalūs skliaustai ( ).
Išnašos. Jei reikalingos išnašos, jos rašomos po pagrindine lentelės dalimi.
Paprastai išnašose patikslinamas vienas ar kitas, paaiškinamas koks nors
praleidimas, patikslinama lentelėje esanti informacija.
Yra įvairių išnašų identifikavimo sistemų. Viena jų - numeravimas skaičiais
1,2,3,4 ar žymėjimas raidėmis a,b,c,d. Kita sistema identifikuoja pirmą įrašą o, kitą
įrašą oo, dar kitą ooo ir t.t.
Šaltiniai. Jei lentelėje skelbiami ne paties autoriaus surinkti duomenys, būtina
nurodyti šaltinį. Duomenys gali būti paimti iš biuletenių, knygų, žurnalų, laikraščių,
ataskaitų ir t.t.
Priklausomai nuo publikacijos tipo turi būti nurodyta šaltinio autoriaus vardas,
pavardė, ministerija, departamentas, žurnalo, laikraščio, ataskaitos pavadinimas,
leidėjas, metai, puslapis.

6.2. Grafinis duomenų vaizdavimo būdas

Duomenys vaizdžiai pateikiami pasitelkus grafinį jų išdėstymo būdą. Grafinis

duomenų vaizdavimo būdas – tai duomenų sąlyginis vaizdavimas geometrinėmis
figūromis, linijomis ir geografiniuose žemėlapiuose ir schemose. Grafinių priemonių
spektras platus. Reikėtų išskirti:
 faktinius duomenis iliustruojantys paveikslai;
  papildomais skaičiavimais gautų duomenų paveikslai. Šiais paveikslais
dažniausiai vaizdžiai išdėstomi skaičiavimų rezultatai, papildomai jie
paaiškinami, išskiriama tai, į ką norima atkreipti dėmesį;
 “etalono” paveikslai. Tai specifinė paveikslų rūšis. Jais, pavyzdžiui, siekiama
teorinę sąvoką ar apibrėžimą interpretuoti “vaizdiniu” atitikmeniu.
Grafinis duomenų vaizdavimo priemonės gali būti klasifikuotos pagal įvairius
požymius. Štai, pagal sudarymo būdą skiriamos diagramos ir statistiniai žemėlapiai.
Savo ruožtu, diagramos pagal vaizduojamų rodiklių turinį grupuojamos išskiriant
šias diagramas:
 palyginimo;
 struktūros;
 dinamikos;
 reiškinių ryšio;
 variacinių (sklaidos) eilučių
Svarbia duomenų apibendrinimo taisykle yra ši: paaiškinančiame skaičiavimus
tekste neturi būti lentelių. Jeigu jos yra, tai šitai reiškia, kad tyrinėtojas jas
pateikdamas siekia papildomų tikslų. Tarkime, šiuo savo žingsniu jis nori iliustruoti
apibendrinančias išvadas ar “sudaryti” duomenų šaltinį tolesniems tyrimams.
Socialiniuose ekonominiuose tyrimuose naudojamos šios diagramų rūšys:
 Sektorinės diagramos.
 Stulpelinės ir juostinės diagramos.
 Tiesinės diagramos.
 Tiesinės pusiaulogaritminės diagramos.

Sektorinės diagramos yra skirtos atskirų aibės dalių struktūrai atvaizduoti.

Sudarant sektorines diagramas, yra brėžiamas apskritimas, kuris padalijamas į
segmentus proporcingai aibės dalių lyginamajam svoriui, išreikštam procentais
Stulpelinės diagramos sudaromos taip pat labai paprastai. Jose įvairių
kategorijų dydžiai atvaizduojami vienodo pločio ir skirtingo aukščio stačiakampiais
(“stulpeliais”). Stulpelinių diagramų sudarymui reikia tik vienos, ordinačių srityje
atidėtos matų skalės. Ji skirta kiekvieno stulpelio aukščiui nustatyti Stulpeliai turi
būti išdėstomi tam tikru vienodu atstumu vienas nuo kito.
Jeigu stačiakampius išdėstytumėme ne vertikalia, o horizontalia kryptimi, gauta
diagrama vadintųsi juostine Stulpelinės ir juostinės diagramos yra naudojamos
tada, kai reikia palyginti tarpusavyje kelis dydžius. Jas sudarant reikia laikytis tokių
reikalavimų:
 skalės, kuria matuojamas stulpelio aukštis (juostos ilgis), pradinis taškas yra
nulis;
 matų skalė turi būti nepertraukiama;
 matų skalė turi apimti visas statistinės aibės reikšmes;
 matų skalėje užrašomi tik sveiki arba suapvalinti skaičiai;
 kai reikia, nurodomas skalės mato vienetas.
Kurią iš šių diagramų - stulpelinę ar juostinę - pasirinkti, priklauso nuo turimų
duomenų. Stulpeliai ir juostos yra naudojami ne tik atskirų dydžių palyginimui
tarpusavyje, bet ir reiškinių kitimui laiko atžvilgiu atvaizduoti.
 Juostinės diagramos yra dažnai naudojamos ir aibės dalių struktūrai
atvaizduoti. Jos būna pranašesnės už sektorines tada, kai aibė susideda iš penkių
ar daugiau dalių. Juostinės diagramos taip pat geriau tinkamos nežymiems
struktūriniams poslinkiams dviejose palyginamose aibėse atvaizduoti.
Tiesinėms diagramoms, skirtingai nuo stulpelinių ir juostinių, reikia ne vienos, o
dviejų matų skalių. Koordinačių sistemos abscisių ašyje yra atidedamas laikotarpis
arba data, o ordinačių - apimtis arba lygis. Tiesinės diagramos - tai tinkamiausias
grafinis būdas reiškinių kitimui laiko atžvilgiu atvaizduoti.
Diagrama būna daug įdomesnė ir naudingesnė tada, kai vienoje diagramoje yra
nubrėžta ne viena, o kelios kreivės. Tada naudojamos skirtingos linijų rūšys.
Rekomenduojama vienoje diagramoje brėžti ne daugiau 5-6 kreivių.
Aptartos grafinės priemonės sudaromos, naudojant įprastinę, taip vadinamą
aritmetinę skalę. Šiai skalei būdinga, kad vienodos jos atkarpos atitinka vienodo
dydžio reikšmes. Tačiau pasitaiko atvejų, kai reikia ypatingai pabrėžti ne absoliutų,
o santykinį arba procentinį reiškinio kitimą laiko atžvilgiu. Tuo tikslu yra naudojama
logaritminė skalė. Atitinkamas paveikslas yra sudaromas pusiaulogaritminiame
grafiniame lauke. Tiesinės pusiaulogaritminės diagramos sudaromos taip:
 ordinačių ašyje atidedama logaritminė matų skalė;
 abscisių ašis graduojama, naudojant įprastą aritmetinę skalę;
 pradinis ordinačių ašies taškas yra 1, o galutinis taškas yra 10. Atstumas nuo
1 iki 10 reiškia vieną augimo ciklą, t.y. dešimteriopą reiškinio apimties
padidėjimą Ordinačių ašyje atstumas nuo 1 iki 2 yra lygus atstumui nuo 2 iki
4, bei atstumas nuo 4 iki 8 yra lygus atstumui nuo 2 iki 4. Atstumas nuo 1 iki
2, kaip ir atstumas nuo 2 iki 4 bei nuo 4 iki 8 yra lygus 100 procentų.

7.Duomenų masyvo formavimas ir tyrimas

7.1.Rodiklis. Indikatorius
Stebėjimo rezultatai išreiškiami apibendrinančiaisiais rodikliais. Apibendrinantieji
rodikliai sudaromi panaudojant individualiuosius rodiklius, todėl jie skiriasi
kokybiškai. Individualieji rodikliai yra empirinio pažinimo, o apibendrinantieji -
teorinio pažinimo rezultatas.
Apibendrinantieji rodikliai skirstomi į dvi grupes: ekstensyviuosius (apimties) ir
intensyviuosius (kokybinius).
Ekstensyvieji rodikliai apskaičiuojami pirminių požymių, o intensyvieji - antrinių
požymių pagrindu. Pirmieji atspindi reiškinių apimtį, dydį. Konkretaus tyrimo
ekstensyvieji rodikliai gali būti skirstomi į šiuos rodiklius: aibės vienetų skaičiaus ir
aibės požymio apimties.
Analizės metu būtina lyginti ir intensyviuosius rodiklius. Jie skaičiuojami lyginant
ekstensyviuosius (rečiau intensyviuosius) rodiklius. Kitaip nei ekstensyvieji, intensyvieji
rodikliai negali būti tiesiogiai sumuojami. Intensyvieji rodikliai skirstomi į dvi grupes:
 santykinius rodiklius;
 vidurkius.
Santykiniai rodikliai skaičiuojami lyginant absoliučius dydžius arba pačius
santykinius dydžius. Santykiniai dydžiai išreiškiami įvairiai, priklausomai nuo
lyginamosios bazės. Paprastai, kai lyginami vieno masto dydžiai, santykiniai dydžiai
išreiškiami procentais (%) ir koeficientais. Jeigu tarpusavyje lyginami įvairiarūšiai
dydžiai, tai santykiniai dydžiai dažniausiai išreiškiami vardiniais skaičiais, promilėmis ir
kt.
Dydis, kurį lyginame, vadinamas lyginamuoju, o dydis, su kuriuo lyginame, -
baze.
Tarpusavyje susiję rodikliai sudaro statistinių rodiklių sistemą.
Rodikliai yra ir ekonominiais statistiniais matais. Jie yra ir indikatoriais. Jų lygiai -
“statistika skaičiais”. Kita vertus, indikatorius (ekonomikoje) – specifinė sąvoka, kuri
yra platesnė lyginant su ekonominio statistinio rodiklio sąvoka. Indikatorius
atskleidžia išoriškai nematomus socialinius ekonominius reiškinius ar procesus,
besiformuojančią ūkinę situaciją, ūkio konjunktūrinės raidos bruožus ar pan.

Iki socialinio ekonominio reiškinio tyrimo tikslų įvardinimo, indikatoriaus sąvoka

tapatintina su ekonominio statistinio rodiklio sąvoka. Todėl, indikatoriaus ir
ekonominio statistinio rodiklio skaičiavimo metodinės nuostatos yra tos pačios.
Atsižvelgus į reiškinio aprėpimo mąstą, indikatoriai gali būti suskirstyti į šias
grupes:
 Bendrieji indikatoriai. Šios grupės indikatorių paskirtis teikti sintetinį socialinės
ekonominės padėties šalyje, viso jos galimo spektro, sintetinį vaizdą. Dažniausiai
tokie indikatoriai yra ekonominiais. Tai bendrasis nacionalinis produktas, bendrasis
vidaus produktas, nacionalinės pajamos ir pan.
 Paprastieji indikatoriai. Šios grupės indikatorių paskirtis teikti socialinių
ekonominių reiškinių komponentės ar šios dalies vaizdą. Tokie indikatoriai yra
svarbūs ekonominiams statistiniams tyrimams įmonėse, kitokiuose objektuose,
identifikuojant jų verslą, verslo veiksnius, rezultatus ar racionalumą.
Indikatoriai klasifikuojami, išskiriant ir du jų tipus - objektyvius bei subjektyvius.
Indikatoriai objektyvūs tiek, kiek jiems apskaičiuoti panaudotų duomenų
objektyvumo laipsnis racionaliai paaiškinamas esama praktika. Patirtis, intuicija ir
panašūs dalykai yra indikatorių subjektyvumo prielaida. Šios prielaidos duomenų
pakeisti negali. Duomenys arba yra, arba jų nėra.
7.2. Procentų skaičiavimas
Vieneto šimtosios dalys dažniausiai naudojamos finansiniuose skaičiavimuose.
Trupmena viena šimtoji vadinama procentu (lot. pro centum – nuo šimto) ir žymima
1 %. Vadinasi, 1  1 % , todėl p  p % . Norint rasti dydžio a dalį b, kuri sudaro jo
100 100
3 3 p .
, dydį a dauginame iš : b  a  3 . Todėl p % dydžio a yra lygu ba
4 4 4 100
Kartais prireikia smulkesnių negu šimtosios dalys. Pavyzdžiui, apibūdinant
gimstamumą ar migraciją šalyje. Tada naudojamos tūkstantosios dalys, kurios
vadinamos promilėmis (lot. pro mile – nuo tūkstančio) ir žymimos ‰. Taigi,
 1
1 ‰  1000  0,001 , p ‰  p . Taigi: 1%  1  0,01 Jei p% nuo skaičiaus a yra
1000 100
skaičius b, tai a
b  p. Dviejų skaičių a ir b procentinis santykis:
100
a
a  100%
b
n
Sudėtinių procentų formulė: S n  S0 1  p  .
 100 
Čia Sn - galutinis dydis, iki kurio per n metu padidėjo (sumažėjo) pradinis
dydis S0 , kasmet didėdamas (mažėdamas) p%.

7.3.Duomenų apjungimas
Duomenys gali būti apjungti duomenų standartizavimo; daugiamačio vidurkio;
santykinių tiesinių nuokrypių sumavimo; pagrindinių komponenčių ir kitais metodais.

Pavyzdžiui, jeigu xit - i-asis indikatorius laikotarpyje t; x i - i-ojo indikatorius

aritmetinis vidurkis (  xit , m – laikotarpių skaičius); i - standartinis
m
nuokrypis   
 x it  x i  , tai tokių duomenų normuotais nuokrypiais yra: u it  x it  x i
 m  i
 
 u it
Normuotų nuokrypių vidurkiai skaičiuojami taip: i
n
Tai paskutinis skaičiavimų duomenų standartizavimo metodu etapas (n -
indikatorių skaičius).
Pavyzdžiui, reikia apjungti trijų (n  3) indikatorių reikšmes už šešis metų
mėnesius panaudojus lentelės duomenis.
Indikatoriai 1 2 3 4 5 6 Vidurkis Standartinis
nuokrypis
1,kg 10 12 14 15 16 13 13,3 1,97
2,t 30 33 37 32 35 34 33,5 2,22
3,m 50 48 45 49 43 48 47,2 2,41

Pagal lentelės duomenis, atlikus skaičiavimus, normuotais nuokrypiais yra

žemiau nurodomoje lentelėje nurodyti skaičiai.
1 2 3 4 5 6
1 -1,68 -0,66 0,36 0,86 1,37 -0,15
2 -1,58 -0,23 1,58 -0,68 0,68 0,23
3 1,16 0,33 -0,91 0,78 -1,74 0,33
Atsižvelgus į šios lentelės duomenis, normuotų nuokrypių vidurkiais bus šie
skaičiai:
- pirmojo mėnesio: (1.68 + 1.58 + 1.16)/3  1.47;
- antrojo mėnesio: 0.41;
- trečiojo mėnesio: 0.95;
 - ketvirtojo mėnesio: 0.76;
- penktojo mėnesio: 1.26
- ir šeštojo mėnesio: 0.24

7.4. Duomenų transformavimas

Duomenų transformavimas (data coding) gali būti vykdomas įvairiai. Dabar
tiesinis transformavimas mažai svarbus, kadangi kompiuterių galingumas leidžia
perskaičiuoti bet kokius duomenis. Tiesinis transformavimas dvejopas:
 daugyba/dalyba iš konstantos;
 pridėta/atimta konstanta.
Transformuoti duomenys Yc=D(Y+C) turi vidurkį Yvid.=Yc-vid/D - C. Čia C yra
konstanta.
Pridėjimas/atėmimas keičia vidurkį, bet nekeičia kitų statistikų, apibūdinančių
duomenų sklaidos bruožus ( nekeičia dispersijos ir standartinio nuokrypio. Apie šias
aprašomąsias charakteristikas dėstoma žemiau).
Daugybos/dalybos veiksmas reikalauja šias statistikas koreguoja. Šiuo atveju,
standartinį nuokrypį reikia padalinti iš transformavimo daugiklio, o dispersiją reikia
padalinti iš daugiklio kvadrato.
Kombinuotoje transformacijoje atstatant dispersiją ir standartinį nuokrypį, į
pridėjimą/atėmimą galima nekreipti dėmesio.
Netiesinis transformavimas, tai aibės narių kėlimas laipsniais, logaritmavimas ir
pan. Šis atvejis yra sudėtingesnis ir naudotinas atsargiai. Būtina atsižvelgti į tiriamo
reiškinio ar proceso bruožus bei laikytis tam tikrų taisyklių. Pavyzdžiui, keliant
trupmeną natūraliuoju laipsniu, tiek skaitiklis, tiek vardiklis keliami tuo laipsniu.
Keliant sandaugą natūraliuoju laipsniu, kiekvienas dauginamasis keliamas tuo
laipsniu, o gauti rezultatai sudauginami.
7.5.Duomenų struktūra
Reiškinio “masiškumas” yra kokybiškai vienarūšių elementų, apibūdinamų
bendrais požymiais - ekonominiais statistiniais rodikliais, aibė. Šitokios aibės
struktūra susideda iš vienetų visumos ir požymių visumos. Tokios aibės struktūra
yra jos vienetų išdėstymas požymių erdvėje. Tai duomenys.
Reikėtų išskirti:
I -duomenis, kuriais yra vienu ar kitu būdu surinkti skaičiai;
II -kitus duomenis, kurių tarpe yra kiekybiškai “neišmatuojamų”, tokių,
kurie yra kokybiniais ir alternatyviais;
III -teoriją, besiremiančią dedukcijos būdu gautais faktais ar
apibendrinančią I ir II dalis.
I, II ir III glaudžiai susiję. Pažvelgus giliau, nesunku pastebėti, kad I ir II, II ir III, o
ir I, II ir III turi bendrų sąlyčio taškų. Šie sąlyčio taškai apima kiekybinius stebėjimus
(I ir II sąlytis) ir aprašymą (II ir III sąlytis).
Duomenys yra platesnė sąvoka, palyginus su moksline informacija, kuri susijusi
su teorija. Ir tik per tą ryšį duomenys tampa moksline informacija. Kitu atveju,
duomenys tėra tik tai, kas reikalinga teorijai sukurti. Skaičiavimai dažniau turi
“reikalų” su kiekybišką išraišką turinčiais duomenimis. Kita vertus, šie duomenys
gali būti nepalyginami, gali būti įvairiai pateikiami. Tik išsiaiškinus duomenų
privalumus ir trūkumus galima juos analizuoti.
 Lyginant ir sugretinant duomenis atskleidžiami dėsningumai ir tendencijos.
Duomenų lyginimas ir sugretinimas - pirmasis jų analizės etapas ir, savo ruožtu, jų
tyrimo būdas (metodas). Išvados apie dėsningumus, tendencijas bus nepatikimos
pamiršus šią taisyklę: lyginti tegalima palyginamus duomenis.

7.6.Paprastos ir sudėtingos struktūros duomenys

Paprastos struktūros duomenis suprasime vienarūšių elementų darinį
(indikatoriaus sklaida statikoje ar dinamikoje), kurių sklaidos dėsningumą apibūdina
žinoma matematinė funkcija. Sudėtingos struktūros duomenimis laikysime
organiškai susietų paprastos struktūros duomenų junginį.
Reiškinių ūkinėje veikloje aprašymui naudojami duomenys dažniau yra
sudėtingos struktūros. Šie duomenys gali būti faktiškais, optimaliais ir hipotetiniais.
Be abejo ir duomenų struktūra gali būti faktiška, optimali ar hipotetinė.
Ekonominis indikatorius sintetina ūkinius reiškinius ūkinėje veikloje (klasikiniu
atveju situaciją šalies ūkyje konkrečiam laikotarpiui sintetina bendrasis vidaus
produktas) ir dažniausiai formuojamas elementariomis procedūromis. Kitaip tariant,
jis yra paprastos struktūros, nes jį sudaro n sudėtinių dalių, apibendrintų tuo ar kitu
aritmetiniu veiksmu. Jeigu xi -i-ji indikatoriaus sudėtinė dalis, tai to indikatoriaus
lygiu yra xi. Šis pavyzdys turi ir kitą pusę, nes i-osios indikatoriaus sudėtinės
dalies lygis gali būti j elementų suma. Tuomet, ekonominis indikatorius, kurio lygiu
yra xij, greičiau sudėtingos, o ne paprastos struktūros. Svarbi ir kita aplinkybė.
Indikatoriaus sklaidos eilutė yra paprastos struktūros duomenimis. Situacija kita,
jeigu atsižvelgsime į jo sudėtines dalis bei pastarųjų elementus.
Reiškinys ar jų dalis sudėtingos struktūros. Jų ypatumus sunku apibendrinti
vienu indikatoriumi. Yra ir taip, kad tiriamą aibę sudaro skirtingo “išsivystymo”
laipsnio dariniai. Kiekybiškai vienarūšiai vienomis aplinkybėmis, dažnai visai
nevienarūšiai kitomis.
7.7.Struktūros pokyčių ir skirtumų analizė
Prieš formuluodami struktūros pokyčių ir skirtumų tyrimo uždavinius, šias
sąvokas konkretizuosime. Struktūros pokyčių (arba poslinkių) sąvoka yra labiau
“dinaminė”. Tai indikatoriaus “vidinės” struktūros pasikeitimas laike. Mūsų
pažymėjimais, i-sios indikatoriaus sudėtinės dalies xi vaidmens pasikeitimas laike.
Struktūros skirtumų sąvoka platesnė. Apima dinaminį ir statinį aspektus. Tai
indikatoriaus lygio xi pokyčiai laike ūkinėje, hierarchijos požiūriu, struktūroje.
Struktūros pokyčių ir skirtumų atskleidimo uždavinius formuluosime taip: turime
n indikatorių Si, kuriuos sudaro m vienodų visiems indikatoriams sudėtinių dalių xij,
t.y. i-jo indikatoriaus apimtis lygi Si =xij. Šiam atvejui, indikatoriaus sudėtinės
dalies lyginamasis svoris sudarys:
fij = (xij : xij)100.
Čia fij = 100. Tai pradinių duomenų pakeitimo santykiniu struktūros matu
procedūra. Kadangi indikatorių yra n, turime Si → Sfij. Žinome faktines ir lyginimo
bazės (praėjusio laikotarpio, etaloninės ar pan.) Sfij reikšmes. Reikia identifikuoti:
 1. Si struktūros pokyčių bruožus lyginant faktinius ir lyginimo baze
paimtus duomenis;
2. Faktinių indikatoriaus sudėtinių dalių reikšmių nuokrypių mastą,
palyginus su bazės situacija;
3. Indikatoriaus j-sios sudėtinės dalies reikšmę, jeigu Si kitimo tempas
būtų lygus Is.
Struktūros pokyčiams išmatuoti gali būti taikomi dvejopi matai:
 absoliutiniai rodikliai, kurie parodo skirtumus tarp dviejų santykinių struktūros
dydžių;
 santykiniai rodikliai, kurie parodo santykius tarp to paties pavadinimo, bet
skirtingo laikotarpio dviejų santykinių dydžių.
Absoliutiniai struktūros pokyčių matavimo rodikliai parodo struktūrinių pokyčių
greitį, t.y. nusako, kiek per analizuojamąjį laikotarpį sumažėjo (padidėjo) visa
nagrinėjamos rodiklio dalies apimtis. Santykiniai struktūros pokyčių matavimo
rodikliai nusako nagrinėjamos dalies rodiklio pakitimo intensyvumo laipsnį.
Atsižvelgus į šiuos apibrėžimus ir priėmus, kad fij1 yra indikatoriaus sudėtinės
dalies faktinis lyginamasis svoris, o fij0 - tos sudėtinės dalies lyginimo bazės
lyginamasis svoris, turime:
absoliutinius struktūros pokyčius - ij = fij1 - fij0 ;
santykinius struktūros pokyčius - iij = fij1 : fij0 .
Šios dvi charakteristikos yra struktūros pokyčius identifikuojantys indikatoriai.
Tai atsakymas į pirmąjį, iš suformuluotų anksčiau, klausimą.
Panašiais matais identifikuojami struktūros skirtumai. Jų tyrimo prielaidomis
gali būti šios: Si - i-jo ūkinio vieneto indikatoriaus lygis. Ūkinių vienetų aibės
indikatoriaus lygiu yra Si. Konkretaus ūkinio vieneto indikatoriaus lygio
lyginamasis svoris sudaro:
fi = (Si : Si)100. Čia fi = 100.
Dabar tarkime, kad Si1 yra faktinė indikatoriaus reikšmė, o Si0 -jo lyginimo
bazės reikšmė. Tuomet indikatoriaus kitimo tempas bus lygus:
Is = Si1 : Si0.
Tegul xij0 - lyginimo bazės indikatoriaus sudėtinės dalies reikšmė. Šią reikšmę
pakoreguokime indikatoriaus kitimo tempu:
xij0 . Is = xkij.
Koregavimo rezultatu yra situacija, kuri “galėjo būti” Tačiau faktiniais
indikatoriais sudėtinės dalies lygiais yra xij1. Faktinės ir “galėjusios būti” situacijos
atotrūkio mąstą, įvertinantį veiklos racionalumą, identifikuos skaičiavimai šia
formule:
xkij = xij1 - xkij.
Šiuose skaičiavimuose: xij1 = xkij.
 Aprašyta skaičiavimų tvarka, bei turint galvoje, kad indikatoriaus sudėtinių dalių
reikšmių nuokrypių mąstą identifikuoja išraiška:
xij = xij1 - xij0,
yra nurodytų anksčiau 2 ir 3 uždavinio sprendiniai. Kita vertus, 3 uždavinio
sprendimas aprašyta tvarka yra elementarių prognostinių skaičiavimų klasės. Be to,
šiuose skaičiavimuose matome ir kitą aspektą. Jis išplaukia iš to, kad indikatorius
gali turėti etaloninę struktūrą. Tokiu atveju galutiniu skaičiavimų tikslu yra išaiškinti
faktiškai susiformavusios ir etaloninės indikatoriaus struktūros atotrūkio mąstą.

7.8.Struktūros pokyčių ir skirtumų apibendrinimas

Struktūros pokyčių ir skirtumų apibendrinančiomis charakteristikomis yra jų
dalinių charakteristikų - absoliutinių struktūros pokyčių ar skirtumų sklaidos matai.
Dažnesnis yra absoliutinių struktūros pokyčių ir skirtumų reikšmių sumos,
nekreipiant dėmesio į ženklą, ar reikšmių kvadratų sumos vidutinio dydžio
apskaičiavimo kelias. Priimtais pažymėjimais būtų:
vidutinis tiesinis absoliutinių struktūros pokyčių ar skirtumų nuokrypis :
1
TSP= f -f
n ij1 ij0
standartinis absoliutinių struktūros pokyčių ar skirtumų nuokrypis:
KSP= 1  (fij1  f ij0 ) 2
n

8.Duomenų apibendrinimas
8.1. Aibė. Seka. Sklaidos eilutė
Aibė - tai objektų aibė. Aibės objektai vadinami elementais ar nariais. Aibės
žymimos didžiosiomis raidėmis (A, B, C, ..).
Dvi aibės yra lygios (A = B), jei abiejų aibių elementai sutampa.
Aibės, kuriuos turi pasikartojančių elementų vadinamos multiaibėmis.
Aibės dažniausiai apibūdinamos žodžiais arba formaliai:
A = {1, 2, 3}
B = {raudona, balta, mėlyna, žalia}
Aibių apibūdinimas nebūtinai turi sutapti, kad aibės būtų lygios. Elementų eilės
tvarka ar pasikartojimas taip pat neturi įtakos, t.y.
{2, 4}, {4, 2} ir {2, 2, 4, 2}
yra identiškos aibės, nes turi lygiai tokius pat elementus.
Jei aibė neturi nei vieno elemento, ji vadinama tuščia aibe ir žymima .
Aibė taip pat gali turėti begalinį elementų skaičių - pavyzdžiui, sveikųjų skaičių aibė.
Jei kiekvienas aibės A elementas yra ir aibės B elementas, aibė A yra aibės B
poaibis ir tai žymima A ⊆ B. Jei dar tenkinama sąlyga, kad aibė A nelygi B, tai
griežtasis poaibis ir žymima A ⊂ B. Šiuo atveju B yra aibės A viršaibis.
Taip pat natūrali išvada, kad tuščia aibė yra bet kurios kitos aibės poaibis ir kad
kiekviena aibė yra savo pačios poaibis:
∅ ⊆A
A ⊆A
 Aibių sąjunga tai lyg sudėtis - aibių sąjungos rezultatas yra aibė, kurioje yra visi
jungiamųjų aibių elementai. Aibių A ir B sąjunga žymima A ∪ B.
Pagrindinės sąjungos savybės:
A ∪B = B ∪A
A ⊆ A ∪B
A ∪A = A
A ∪∅ = A
Aibių A ir B sankirta yra aibė, sudaryta iš elementų, esančių tiek A, tiek ir B
aibėje. Sankirta žymima A ∩ B. Jei A ∩ B = ∅ , tai A ir B yra nesikertančios aibės.
Pagrindinės sankirtos savybės:
A∩B = B∩A
A∩B ⊆ A
A∩A = A
A∩∅ = ∅
Aibių A ir B skirtumas yra aibė, kurią sudaro elementai, esantys aibėje A, bet
nesantys aibėje B. Aibių skirtumas žymimas A \ B.
Aibė yra skaiti, jei yra būdas išvardinti visus jos elementus vienu ar kitu būdu.
Aibės gali būti:
 baigtinė (objektų skaičius yra fiksuotas, t.y. juos įmanoma
suskaičiuoti);
 begalinė (tai beribė aibė. Ji susideda iš nesuskaičiuojamo objektų
skaičiaus)
 tikslo (aibė, kuri yra artimai susijusi su tyrinėjama aibe. Ši aibė dažnai
tapatinama su dabarties aibe. Iš jos imant objektus tyrimams ir darant
išvadas apie būsimą aibę, pasilieka tų išvadų patikimumo problema).
Kažkokia tvarka išrašyta skaičių (arba kitų elementų) aibė yra seka, pvz.:
{1,2,3,4,5,6,7,…}
Individualūs elementai vadinami sekos nariais. Seka gali turėti baigtinį arba
begalinį narių skaičių. Sekoje svarbi narių tvarka, pvz., šios sekos nėra
ekvivalenčios:
{A,B,C} ir {C,B,A}
Begalinės skaičių sekos apibrėžiamos taip: tegul f(n) yra funkcija, kurios
argumentai yra natūralieji skaičiai. Visų funkcijos reikšmių aibė, išrašyta argumento
didėjimo tvarka, vadinama skaičių seka:
{f(1), f(2), f(3),…,f(n),…}
Kartais funkcijos reikšmė būna neapibrėžta su kai kuriomis argumento
reikšmėmis, pvz.: reiškinys
1
n 1
neapibrėžtas su n = 1. Tokiais atvejais argumentai prasideda ne nuo 1, o nuo
didesnio skaičiaus.
Reiškinys f(n) vadinamas bendruoju sekos nariu, nes iš šios išraiškos galima
gauti bet kurį sekos narį.
Kažkokiu būdu iš sekos išmetę kažkuriuos narius, gauname naują seką, kurią
vadiname senosios sekos posekiu. Pvz., iš sekos
 Skaičių sekos riba vadinama vertė, prie kurios artėja sekos narių vertės, tolstant
į begalybę.
Duomenų rinkimo etape gauta informacija dažniau specifinės sekos. Tai dažniau
skaičiai, išsidėstę be tvarkos. Savotiška jų sklaidos eilutė.
Sklaidos (pasiskirstymo) eilutės, tai skaitmeninių rodiklių eilutės, kurios
apibūdina aibės vienetų pasiskirstymą pagal vieną požymį.
Požymis - reiškinių arba procesų charakteringas bruožas, savybė arba ypatybė,
kuri gali būti apibūdinta statistiniais dydžiais.. Sąlygiškai visus požymius galime
skirstyti į kiekybinius ir kokybinius. Kiekybiniais (variaciniais) požymiais vadiname
tokius, kurių reikšmės viena nuo kitos skiriasi apibrėžtu, išmatuojamu dydžiu
Kokybiniais (atributiniais) vadiname kiekybiškai neišreikštus požymius. Atskirai
paminėtinas atributinių požymių atvejis - alternatyviniai požymiai, kurie gali įgyti tik
priešingas reikšmes (vyras - moteris; lietuvis - nelietuvis; sportininkas -
nesportininkas).
Sklaidos eilutės elementais yra variantas (X) ir aibės vienetų skaičiai, rodantys,
kaip dažnai aptinkami atskiri variantai. Pastarieji rodikliai gali būti išreikšti
absoliučiais arba santykio dydžiais ir vadinami svorio koeficientais arba dažniais (f).
Pasiskirstymo eilutės gali būti sudarytos pagal kokybinį arba kiekybinį požymį.
Priklausomai nuo to, jos skiriamos į:
 kokybines (atributines)
 kiekybines (variacines).
Kiekybinės (variacinės) pasiskirstymo eilutės rodo, kaip aibės vienetai pasiskirstę
pagal kiekybinius požymius. Priklausomai nuo kiekybinio požymio variantų
išreiškimo būdo, skiriamos dvi kiekybinių pasiskirstymo eilučių rūšys: diskretinės ir
tolygios.
Jeigu eilutėje variantų reikšmės viena nuo kitos skiriasi tam tikru apibrėžtu
dydžiu, paprastai sveiku skaičiumi, tai tokia kiekybinė eilutė vadinama diskretine.
Jos gali būti paprastos ir intervalinės.
Tolygios kiekybinės pasiskirstymo eilutės rodo, kaip aibės vienetai pasiskirstę
pagal kiekybinius požymius, kurių variantai yra išreikšti trupmeniniais dydžiais. Jos
paprastai būna tik intervalinės.
Kiekybinėje eilutėje požymio reikšmės gali būti išdėstytos didėjančia arba
mažėjančia tvarka. Taip sutvarkyta pasiskirstymo eilutė yra vadinama ranžiruota
eilute.
Pasiskirstymo eilutės gali būti pertvarkytos į kumuliatyvines eilutes, kurios
sudaromos pagal sukauptus dažnius. Sukaupti dažniai rodo, kiek aibės vienetų
arba kuri jų dalis neviršija konkrečios požymio reikšmės ir apskaičiuojama
nuosekliai pridedant prie pirmos grupės dažnių paskesnių grupių pasiskirstymo
eilutės dažnius.
8.2.Grupavimas
Prieš atliekant surinktų duomenų analizę, pirmiausia reikia panagrinėti kiekvieną
kintamąjį (požymį) atskirai. Tokia analizė, kai kiekvienas kintamasis nagrinėjamas
atskirai, vadinama vienmate. Šiai analizei atlikti naudojami statistinio tyrimo
metodai.
 Statistinio tyrimo metodus sudaro duomenų grupavimas, dažnių lentelės,
statistinių charakteristikų (duomenų padėties ir sklaidos charakteristikų)
skaičiavimas ir grafinis duomenų vaizdavimas.
Surinkti ir aritmetiniu bei loginiu būdu patikrinti duomenys - tai tik didelis kiekis
medžiagos. Ją reikia susisteminti ir susumuoti taip, kad būtų galima išaiškinti
būdingus aibės bruožus bei nustatyti tiriamų reiškinių ir procesų dėsningumus.
Sistemindami duomenis, neapsiribojama tik paprastu atskirų aibės narių
(vienetų) sumavimu. Paprastas sumavimas, neskirstant aibės narius pagal kokį
nors požymį į grupes, tik iš dalies apibūdina tiriamą reiškinį.
Socialiniai ekonominiai reiškiniai bei procesai skiriasi savo sudėtingumu ir
raidos formų įvairumu, todėl juos reikia taip apdoroti, kad būtų galima išskirti visus
esminius bruožus ir išryškinti pagrindines raidos tendencijas. Dėl to suvedami
duomenys turi būti skirstomi pagal esminius požymius į grupes, apskaičiuojant
kiekvienai grupei bendruosius rodiklius. Gautus rezultatus tarpusavyje palyginant
nustatomi esminiai skirtumai tarp grupių, įvertinamas atskirų grupių vaidmuo,
struktūriniai pokyčiai.
Grupavimas yra etapiškas procesas:

 Parenkamas grupavimo požymis. Tai sudėtingas etapas, nes nuo

grupavimo požymių priklauso ne tik duomenų apdorojimo eiga, bet ir
gaunamų rezultatų patikimumas. Todėl grupavimo požymiai turi būti
esminiai ir būdingi tiriamam reiškiniui. Kiekvienas aibės vienetas turi
daug požymių ir kiekvienas iš jų gali būti kaip grupavimo pagrindas.
Grupavimo pagrindu gali būti imami kokybiniai arba kiekybiniai požymiai.
 Nustatoma minimali (xmin) ir maksimali (xmax) aibės nario (požymio
skaitinė) reikšmė.
 Nustatomas intervalų skaičius (n) ir intervalo plotis arba dydis(d) [class
mark - tai klasės vidurio taškas]. Tai galima atlikti įvairiai:

a) n = 1+3,32 lg N [Sterdžeso];
b) o kai N>100: n = 5 lg N [Brukso ir Karuzerso];
c) K = (xmax-xmin);
d) d=K/n;
e) n= K/d.

Atliekant grupavimą matavimo tikslumas užduoda natūralų grupavimą į klases.

Grupuojant diskrečius dydžius, intervalas turi būti sveikas skaičius.
 Suskaičiuojami dažniai.

Dažniai dažniau išdėstomi lentelės pavidalu. Dažnių lentelės sudaromos

kintamiesiems, kurie išmatuoti nominalinėje arba, esant nedideliam kategorijų
skaičiui, rangų skalėje.
Informacija, pateikta bet kokio tipo lentelėje, visada vienokiu ar kitokiu būdu gali
būti pateikta grafiniu pavidalu.
8.3.Absoliučios statistikos
Pradiniai duomenys apibendrinami dvejopai:
 Grafiškai (grafinėmis priemonėmis),
 aprašančiomis statistikomis (descriptive statistics).
Diskretūs duomenys dažniau vaizduojami stulpelinė diagrama (bar diagram).
Diagramoje stulpeliai neturi liesti vienas kito (tai rodo duomenų diskretumą).
Tolydūs duomenys vaizduojami histograma (histogram), kur pakopa rodo
tolydumą klasės intervale. Stulpeliai liečiasi. Smulkinant klasės plotį histograma
virsta tankio funkcija.
Dažnių laužte (frequency polygon) taip pat vaizduojami diskretūs duomenys.

Visas aprašančiąsias statistikas galima suskirstyti taip:

 Absoliučios statistikos [statistics of location] aprašo padėtį skaičių ašyje. Jomis
yra aritmetinis vidurkis, maksimali reikšmė, minimali reikšmė, mediana, moda. Ir
kitos.
 Santykinės statistikos [statistics of dispersion] aprašo sklaidos formą. Jomis yra
dispersija, standartinis nuokrypis, asimetrija, ekscesas, pasiskirstymo plotis [range].
Pagrindinės absoliučios statistikos nustatomos taip:
 Aritmetinis vidurkis [arithmetic mean]. Tipinė aibės charakteristika.
Jeigu aibę žymėsime X, o jos variantus x1,x2,x3,...,xn,tai šią aibę
sudarys n variantų. Aritmetinį vidurkį, kuris skaičiuojamas xi variantų sumą dalijant
iš variantų skaičiaus n, žymėsime x.

 xi
 x1  x 2 ...  x n 1
xa     xi
n n n
Jeigu kuri nors xi reikšmė pasikartoja, tai pakanka ją padauginti iš
pasikartojimų skaičiaus ir bus apskaičiuota bendra šių reikšmių suma. Žinant visų
reikšmių pasikartojimo skaičių, skaičiuojant aritmetinį vidurkį, bus naudojamas
svertinis būdas [weighted average]:

 x ifi
 x f  x 2 f 2  ...  x i f i ...  x n f n
xa  1 1 
f1  f 2 ... f i ... f n
 fi

 Geometrinis vidurkis [geometric mean] – vartojamas, kai duomenys

logaritmuojami. Logaritminės formos formulė yra tikslesnė.
GM y  n y1  y 2  ...  y n  n  y i
arba:
1
GM y  anti log  log y
n
 Harmoninis vidurkis.
1 1 1
 
H y n yi
 Mediana (median).
 Mediana vadinama požymio vertė, kairiau kurios yra pusė visų aibės narių.
Surandama pagal ranžiruotą aibę - jos numeris (n+1)/2. Lengvai surandama, kai
aibės dydis nelyginis. (14, 15, 16, 19, 23 mediana yra 16.).
Kai aibės dydis lyginis, mediana yra vidurio taškas tarp (n/2) ir (n/2+1) narių. (14,
15, 16, 19 Mediana yra 15.5).
Medianos ieškant sugrupuotiems duomenims, tiksliai surasti medianą
nebeįmanoma. Naudojamas apytikslis metodas:
 Nustatomas medianos numeris: n/2.
 medianos vieta:

M n  Sm 1
Me  x 0  d  

 0,5  n  L
 Me 1   , Me  x0  d
fm
f Me  
 

čia:
Me - mediana,
X0 - medianos intervalo apatinė riba,
d - intervalo plotis,
Mn - vidurinio nario eilės numeris arba pusė visų dažnių sumos,
S m 1 - kumuliuotasis dažnis ikimedianiniame intervale,
fm - dažnis medianiniame intervale.

Mediana priklauso kvantiliams (quantiles):

 mediana
 kvartiliai (quartiles)
 kvintiliai (quintiles)
 procentiliai (percentiles).
Kvartilės, decilės ir prodecimilės yra labai artimos medianai tuo, kad taip pat
dalija pasiskirstymo eilutę į lygias dalis. Mediana dalija eilutę į dvi lygias dalis,
kvartilės - į keturias, decilės - į dešimt, procentilės - į šimtą lygių dalių. Dėl
panašumo šiuos rodiklius lengvai galima apskaičiuoti nedaug pakeičiant medianos
formulės variantus. Pirmoji, antroji, trečioji kvartilės žymimos Q1,Q2,Q3 ir atitinkamai
atskiria 25%, 50% ir 75% variacinės eilutės. Antroji kvartilė sutampa su mediana.
Sugrupuotų duomenų kvartilės skaičiuojamos taip:
N 1
 S Q1 1
Q1  x 0  d 4 ,
f Q1
2N  1
 S Q 2 1
Q2  X0  d 4 ,
fQ
2
3N  1
 SQ 3 1
Q3  X 0  d 4 ,
f Q3
 čia: x0 - kvartilės intervalo žemutinė riba;
d - kvartilės dydis;
fQ1 - kvartilės intervalo dažnis;
SQ 1- sukauptų dažnių suma iki kvartilės intervalo.
1

 Moda (mode). Variacinėje eilutėje moda yra vertė su didžiausiu

dažniu. Grupuotų duomenų moda dažnai skaičiuojama pagal formulę:
 f 2  f1 
Mo  x 0  d   ,
f
 2 1 f   f 2  f 
3 
čia:
x0 - intervalo su moda apatinė riba,
f1 - priešmodalinio intervalo dažnis,
f2 - modos intervalo dažnis,
f3 - pomodalinio intervalo dažnis.

Dviviršūniuose skirstiniuose (bimodal) yra dvi modos, daugiaviršūniai

(multimodal) daug.

8.4.Santykinės statistikos
 Skirstinio plotis (range). Tai verčių maksimumo ir minimumo skirtumas. Skirstinio
pločio ir vidurkio santykis yra osciliacijos koeficientas.
 Momentai. Bendra jų skaičiavimo tvarka tokia:
 x i  A ' f i .
 fi
Priklausomai nuo A reikšmės gali būti paprasti (A=0) ir centriniai (A yra vidurkis)
momentai. Nuo laipsnio reikšmės priklauso momento tipas. Jis yra pirmos, antros,
trečios ar ketvirtos eilės ( jei laipsnis 3, turime trečios eilės momentą ir pan.).
 Vidutinis standartinis nuokrypis (standard deviation). Rodo išsibarstimą apie
vidurkį.
Vertės atstumą iki vidurkio rodo nuokrypis (deviate): (xi- x ). Paprastų nuokrypių
suma visada lygi 0. Nuokrypių apibendrinimui skaičiuojamas vidutinis (absoliutus)
nuokrypis (average deviation) - nuokrypių absoliučių verčių vidurkis:
 xi  x
n
Jis nebūna lygus nuliui.
Vidutinis standartinis nuokrypis gaunamas iš dispersijos (variance) ištraukus
teigiamą kvadratinę šaknį.

n
 x i  x 2
  i 1 .
n
 Bendru atveju, standartinis nuokrypis – tai matuojamų dydžių sklaidos apie
vidurkį matas. Imties (empirinis) standartinis nuokrypis žymimas raide s, o
generalinės aibės standartinis nuokrypis - raide σ. Jei duomenų skirstinys yra
normalusis, tai į intervalą, kuris gaunamas atidėjus į abi puses nuo vidurkio po
standartinį nuokrypį s x  s, x  s  patenka apytiksliai 68% visų duomenų. Į intervalą
x  2s, x  2s  patenka apytikriai 95,4% visų duomenų, o į intervalą x  3s, x  3s 
patenka beveik visi duomenys (tiksliau, 99,7%).
Dispersija apskaičiuojama susumuojant kiekvienos reikšmės atstumo
(skirtumo) nuo vidurkio kvadratus ir gautą sumą padalinant iš reikšmių skaičiaus.
Dispersija, kaip ir standartinis nuokrypis, parodo duomenų sklaidą apie vidurkį.
Kadangi dispersija apskaičiuojama keliant reikšmes kvadratu, tai ir dispersijos
matavimo vienetai yra pakelti kvadratu. Standartinis nuokrypis, kuris yra šaknis iš
dispersijos, matuojamas tokiais pačiais matavimo vienetais kaip ir patys duomenys.
 Vidurkio standartinis nuokrypis arba standartinė klaida (Standard Error of Mean)
yra apskaičiuojamas imties standartinį nuokrypį s padalinant iš kvadratinės šaknies
ištrauktos iš visų duomenų skaičiaus. Vidurkio standartinis nuokrypis, kaip ir imties
standartinis nuokrypis, padeda nustatyti atskirų reikšmių išsibarstymo intervalą. Su
99,7 proc. tikimybe galime teigti, kad aibės vidurkis yra intervale, kuris gaunamas
atidėjus į abi puses nuo vidurkio po tris vidurkio standartinius nuokrypius
x  3s, x  3s  ; su 95,4 proc. tikimybe galime teigti, kad aibės vidurkis yra intervale,
gautame atidėjus į abi puses nuo vidurkio po du vidurkio standartinius nuokrypius
x  2s, x  2s  ; o jei nuo vidurkio atidėsime po vieną vidurkio standartinį nuokrypį
x  s, x  s  , tai tikimybė, kad į šį intervalą pateks aibės vidurkis yra apytikriai 68
proc.
 95 proc. vidurkio patikimumo intervalas (95% confidence limits of mean).
Dažniausiai taikomas. Vidurkio standartinis nuokrypis arba standartinė klaida
leidžia apskaičiuoti vidurkio patikimumo intervalą. Su 95,4 proc. tikimybe galime
teigti, kad intervale, kurį sudaro du vidurkio standartiniai nuokrypiai, atidėti į abi
puses nuo imties vidurkio, bus generalinės aibės vidurkis. Jei atidėsime ne po 2, o
po 1,96 vidurkio standartinius nuokrypius gausime tikslią 95 proc. tikimybę. Šis
intervalas ir vadinamas 95 proc. vidurkio patikimumo intervalu.
 Variacijos koeficientas (coefficient of variation). Leidžia palyginti dviejų aibių
išsibarstymą apie vidurkį (kai duomenys nekeičia ženklo). Nepriklauso nuo skirtingų
vidurkių ir skirtingų dimensijų. Dažniausiai tai standartinio nuokrypio ir aritmetinio
vidurkio procentinis santykis.
n
 x i  x 3
 Asimetrijos koeficientas skaičiuojamas taip: i 1
n   3x
Apibūdinant asimetrijos lygį gali būti apskaičiuoti:
x  M0
1-asis Pirsono asimetrijos koeficientas: ;

 
2-asis Pirsono asimetrijos koeficientas: 3 x  M e .

 Kai asimetrijos koeficientas didesnis už nulį, yra teigiama (dešiniašonė)
asimetrija. Kai jis lygus nuliui, sklaida yra asimetriška. Esant esminei asimetrijai,
asimetrijos koeficientas yra didesnis arba mažesnis už 1.
 Ekscesas surandamas taip:  n x i  x 4 
 i 1  3
 4 
 n  x 
 
Kai ekscesas lygus nuliui, tai skirstinys pagal šį parametrą atitinka normalųjį. Kai
ekscesas didesnis už nulį, ekscesas yra teigiamas, o variacinės eilutės variantai yra
susitelkę apie vidurį. Kai ekscesas mažesnis už nulį, ekscesas neigiamas, o
variacinės eilutės variantai labiau išsisklaidę.

8.5. Duomenų dinamikos aprašymas

Proceso kitimo santykinis dydis parodo proceso kitimą nagrinėjamoje laiko
atkarpoje ir gaunamas sulyginus vieno ir to paties rodiklio lygį konkrečiu laiko
periodu ar momentu (y1) su šio rodiklio lygiu ankstesniu laiko periodu ar momentu
(y0). Tuo atveju kai lyginamos tik dvi reikšmės, gauta reikšmė vadinama kitimo
y
koeficientu arba indeksu: i  1 .
y0
Kai nagrinėjama keletas ar keliolika reikšmių, gaunamas dinaminis indeksas
arba kitimo greitis. Kitimo greitis apskaičiuojamas dviem būdais: skaičiuojant
pirmuoju būdu nagrinėjamas lygis (yi, i=1,2,…,n) lyginamas su pradiniu lygiu (y0) ir
nauja eilutė (santykinis kitimo greitis Ti) yra sudaroma taip: Ti  yi  100, i  1,2, , n.
y0
Čia santykinis kitimo greitis Ti išreikštas procentais.
Kitimo greitį galime apskaičiuoti ir antruoju būdu: nagrinėjama reikšmė lyginama
su prieš tai buvusia reikšme. Šiuo atveju pagal šią formulę gaunamas santykinis
kitimo greitis Ti parodo, kiek pakito rodiklio lygis lyginant su prieš tai buvusiais
metais ar kitu buvusiu laikotarpiu. Šiuo būdu apskaičiuotas santykinis kitimo greitis
vadinamas grandininiu: Ti  y i  100, i  1,2,, n.
y i 1
Jei šių formulių dešiniųjų pusių nedauginsime iš 100, didėjimo greitis bus
išreikštas ne procentais, o kitimo koeficientais. Šios statistikos dar vadinamos
didėjimo tempu.

9. Reiškinių tarpusavio ryšio ir jų būsimo pokyčio aprašymas

9.1.Koreliacija
Požymiai, charakterizuojantys tiriamą objektą, dažnai susiję tarpusavyje,
priklauso vienas nuo kito, sąlygoja vienas kitą ir kinta laike. Ypatingą vietą čia
užima priežastingumas, kai vienas ar keli tarpusavyje susiję reiškiniai, vadinami
priežastimi, sukelia kitus reiškinius, vadinamus pasekme arba rezultatu.
Priežastiniai ryšiai gali būti nusakomi tik tikimybiškai, kadangi, pakeitus kokią tai
sąlygą, kaskart gausime vis kitą rezultatą. Tokia priežastinio ryšio forma, kai
priežastis nusako pasekmę ne vienareikšmiškai, o tik su tam tikra tikimybe, yra
nepilna ir vadinama priežastine priklausomybe.
 Koreliaciniai ryšiai nerodo kuris požymis yra priežastis, o kuris pasekmė. Jie
liudija tik tai, kad vieno požymio kitimas sukelia kito požymio kitimą, tačiau nerodo,
ar kitimo priežastis yra viename iš požymių, ar yra už tyrimo ribų. Kartais galime
stebėti ar kontroliuoti kurio nors požymio kitimą ir sekti, kaip jo kitimas veikia kitus
požymius. Toks požymis vadinamas nepriklausomu. Požymiai, kurie kinta veikiant
nepriklausomiems požymiams, vadinami priklausomais. Priklausomų ir
nepriklausomų kintamųjų bendras kitimas vadinamas koreliacine priklausomybe.
Koreliaciniai ryšiai skiriasi pagal formą, kryptį ir stiprumą. Pagal formą
koreliaciniai ryšiai skirstomi į tiesinius ir kreivinius.
Pagal kryptį koreliaciniai ryšiai yra teigiami (“tiesioginiai”) ir neigiami
(“atvirkštiniai”). Esant teigimam tiesiniam ryšiui, vieno požymio reikšmėms didėjant,
didėja ir kito požymio reikšmės. Esant neigiamam ryšiui, vieno požymio reikšmėms
didėjant, kito požymio reikšmės mažėja.
Ryšiams įvertinti gali būti naudojami šie metodai: statistinių eilučių sugretinimas;
analitinis grupavimas; specialių lentelių (pvz., koreliacinių) konstravimas; grafinis duomenų
vaizdavimas; dispersinė analizė; koreliacija ir regresija; daugiamatė analizė (faktorinė,
komponentinė, daugiamatis grupavimas, kanoninės koreliacijos ir pan.);neparametriniai
testai. Dažniausiai kiekybinių kintamųjų ryšio stiprumas išmatuojamas Pirsono (Pearson)
koreliacijos koeficientu. Didelės šio koeficiento reikšmės, nežiūrint ar jos teigiamos ar
neigiamos, atitinka stiprią koreliaciją, o mažos reikšmės rodo silpną koreliaciją. Jei
koreliacija yra nereikšminga tai nereiškia kad koreliacijos koeficientas tiksliai lygus
nuliui, tačiau jo reikšmė yra arti nulio.
Empirinis koreliacijos koeficientas yra tiesinio ryšio stiprumo tarp kintamųjų x ir y
matas. Jis apskaičiuojamas pagal formulę;
1
 x i  x y i  y 
n 1 ;
r
SxS y
čia x ir y atitinkamai yra stebėjimų x ir y vidurkiai, o S x ir S y - standartiniai
nuokrypiai.
Koreliacijos koeficientas turi tokias savybes:
 Koreliacijos koeficientas yra dydis, kintantis intervale nuo –1 iki 1.
 Kai r=1 tai visi taškai ( xi , y i ) yra tiesėje, kurios krypties koeficientas
teigiamas.
 Kai r=1 tai visi taškai ( xi , y i ) yra tiesėje, kurios krypties koeficientas
neigiamas.
 r=0 kai kintamieji yra tiesiškai nepriklausomi.
Didelėms imtims (t.y. dideliems n) yra nusistovėjusios tam tikros taisyklės, kokią
koreliaciją laikyti stipria:
Koreliacijos koeficiento reikšmė Interpretacija
Nuo 0,9 iki 1,0 arba nuo –0,9 iki -1,0 Labai stipri koreliacija
Nuo 0,7 iki 0,9 arba nuo –0,7 iki –0,9 Stipri koreliacija
Nuo 0,5 iki 0,7 arba nuo –0,5 iki –0,7 Vidutinė koreliacija
Nuo 0,3 iki 0,5 arba nuo –0,3 iki –0,5 Silpna koreliacija
Nuo 0,3 iki –0,3 Koreliacija nereikšminga
Šios taisyklėmis tinka pradiniam koreliacijos stiprumo įvertinimui ir tik esant
didelėms imtims (kai n daugiau už 30). Žymiai tiksliau įvertinsime koreliacinį ryšį
patikrinę hipotezę apie koreliacijos koeficiento lygybę nuliui. Todėl sekančiame
tyrimo etape turime įsitikinti, kad koreliacijos koeficientas statistiškai reikšmingai
skiriasi nuo nulio.
r matuoja tik tiesinį ryšį. Jei gavote koreliacijos koeficientą r=0, nereikia skubėti
daryti išvados kad jokio ryšio tarp kintamųjų aplamai nėra. Gali pasitaikyti netiesinis
ryšys, o iš to kad r artimas nuliui galima padaryti išvadą kad nėra tiesės, kuri tiktų
šiems duomenims.
Kartais gali pasitaikyti apskaičiuoti stiprią koreliaciją tarp kintamųjų, kurių nesieja
jokie loginiai ryšiai. Tai vadinama melaginga koreliacija.
9.2. Rangų koreliacija
Koreliacija duomenų, įšreikštų rangais dažniausiai vykdoma Spirmeno
(Spearman) rangų koreliacijos koeficiento pagrindu. Spirmeno rangų koreliacijos
koeficientas yra naudojamas tiriant ryšį, kuris gali egzistuoti tarp dviejų didėjimo ar
mažėjimo tvarka išrikiuotų kintamųjų.
Skaičiuojant Spirmeno koreliacijos koeficientą lyginami dviejų sekų rangai. Tam
tikslui randami skirtumai tarp rangų, jie pakeliami kvadratu ir sudedami. Tada į
skaičiavimą įtraukiami papildomi koeficientai tam, kad koeficiento reikšmės kistų
nuo +1, o tai rodo labai stiprų teigiamą ryšį, iki –1, t.y. labai stipraus neigiamo ryšio.
Jei koeficientas lygus nuliui, tai rodo, kad statistinio ryšio nėra. Jei skirtumą tarp
vienos rangų poros pažymėsime D i , tada visų porų skirtumų kvadratų suma bus
n 2
 D i , o Spirmeno koreliacijos koeficientas rS apskaičiuojamas pagal formulę
i 1
n
6  Di
rS  1  i 1 .
n3  n

Čia n – lyginamų elementų skaičius.

Šis Spirmeno koeficiento skaičiavimo būdas naudojamas tada, kai visi rangai
skirtingi, t.y. kai tarp stebimų požymių nebuvo pasikartojančių reikšmių.
Tarkime, du ekspertai įvertino 10 jiems pateiktų projektų, juos sunumeruodami
pagal jų efektyvumą. Pirmasis ekspertas suteikė rangus rx=(1; 2; 3; 4; 5; 6 ).
Antrasis ekspertas suteikė rangus ry=(3; 1; 2; 5; 6; 4). Reikia nustatyti ar ekspertai
panašiai įvertino projektus, t.y. ar tarp jų sudarytų rangų sekų yra ryšys.
Sunku pasakyti, kiek šie įverčiai susiję vienas su kitu. Kad nustatyti, ar
egzistuoja statistinis ryšys tarp šių reikšmių stulpelių, apskaičiuosime Spirmeno
koeficientą:
6  2 2  12  12   12   12  2 2 
 
rs  1    0.66.
3
6 6
Gauname vidutinio stiprumo koreliaciją. Gauta reikšmė rodo, kad, nors rangai nė
karto nesutapo, specialistų nuomonės yra panašios. Tai leidžia teigti, kad projektai
įvertinti objektyviai.
9.3. Regresija
Apskaičiavus koreliacijos koeficientą, nustatomas ryšių egzistavimas. Jų
prognozavimui dažnai naudojami regresijos modeliai. Regresinės analizės
prognozės yra kiekybinės – regresijos funkcija aprašo tiriamo rodiklio (kintamojo)
vidurkio priklausomybę nuo kito rodiklio reikšmių kitimo. Svarbiausias regresinės
analizės pranašumas yra tas, kad parenkama kintamuosius siejanti funkcija
(sudaromas modelis).
Pirmiausia pasirenkamas regresijos modelio tipas – nusprendžiama, kokia
priklausomybė sieja kintamuosius.
Dažniau sutinkamas tiesinės regresijos modelis, t. y. atvejis, kai vienas
kintamasis nuo kito priklauso tiesiškai. Šis modelis taikomas, kai procesai kinta lėtai
ir tiesinis modelis juos prognozuoja gana gerai.
Tiesinė kintamojo y priklausomybė nuo kintamojo x nusakoma lygtimi
y=+x+.
Šioje lygtyje  ir  yra nežinomi koeficientai (konstantos), o  – atsitiktinė paklaida.
Ją gali sudaryti matavimo paklaidos arba neįvardytos ir netiriamos priežastys.
Parinkę įvairias koeficientų  ir  reikšmes gausime tiesių šeimą. Apskaičiuoti
koeficientus galima taikant matematinį metodą, vadinamą mažiausių kvadratų
metodu. Šiuo metodu gautos koeficientų  ir  reikšmės, kitaip vadinamos įverčiais
(jas žymėsime raidėmis a ir b), randamos minimizuojant reiškinį
n
SSE   y i    x i 2 .
i 1

Šią sumą SSE minimizuoja šios koeficientų  ir  reikšmės:

 n   n  n 
n   x i y i     x i   y i 
    
b  i 1   i 1  i 1 ,
2
 n 2  n 
 
n  x   xi  
 i   
 i 1   i 1 
n n
 yi  xi
a  i 1  b i 1 .
n n
Lygtis ŷ( x )  a  bx, kurios koeficientai apibrėžti užrašytomis lygybėmis,
vadinama regresijos tiesės lygtimi, o   y( x)  ŷ(x ) vadinama liekamąja paklaida,
arba liekanomis.
Daugelyje praktinių uždavinių naudojama dauginė (daugialypė) regresija, kurios
tiesinis pavidalas bendru atveju kai veiksnių yra n užrašomas taip:
n
ŷ( x i )  a   bi x i  ,
i 1
Daugialypė regresija „nežino” kad priklausomas kintamasis pagal prigimtį yra
dichotominis, todėl sudarytas modelis gali prognozuoti reikšmes didesnes už 1 ir
mažesnes už 0.
9.4. Reiškinių būsimo pokyčio aprašymas
Paprastai laiko eilučių tyrimo etapais yra:
 grafinis laiko eilutės pateikimas ir kitimo aprašymas;
  dėsningai kintančios laiko eilutės dedamosios (trendo) išskyrimas ir jo
matematinio modelio sudarymas;
 laiko eilute aprašomo proceso būsimų reikšmių prognozavimas;
 ryšių tarp atskirų laiko eilučių nustatymas.
Analizuojant laiko eilutę, jos kitimą stengiamasi padalinti į dvi dalis: dėsningai
kintančią dalį (kitaip trendą) ir atsitiktinę dalį. Dėsningai kintanti laiko eilutės dalis
(dedamoji) yra pavaldi kažkokiam tai dėsniui ir todėl prognozuojama.
Dinamikos tyrimuose naudojami aproksimacijos metodai. Aproksimacijos
metodai tai “kreivės pritaikymo” metodai, kai nubraižomi paskutiniųjų metų
duomenys, jiems parenkama geriausiai tinkanti kreivė ir ši kreivė pratęsiama
būsimoms reikšmėms.
Nagrinėjami duomenys retai kada išsidėsto tiksliai tiesia linija ar kreive,
Dažniausiai jie grupuojasi apie šią kreivę, todėl įvedama atsitiktinė paklaida ε.
Paprasčiausia tiesinė funkcija, įvedus paklaidą, užrašoma lygtimi:
y=a+bt+ ε.
Per turimus taškus galima nubrėžti daug linijų Reikia išsirinkti pačią
tinkamiausią. Galimos realizacijos priklauso nuo atsitiktinės paklaidos ε.
Pirmasis žingsnis parenkant galimos aproksimacijos funkcijos pavidalą yra
grafinio duomenų vaizdo piešimas. Prognozavimui aproksimacinės funkcijos gerai
tinka tuo atveju, kai stebima ilga proceso atkarpa. Kai seka trumpa, prognozė
dažnai būna netiksli.
Žinant trendo funkcijos parametrų reikšmes, prognozė sudaroma į funkciją
įstačius t reikšmes. Taip apskaičiuojama “taškinė” prognozė. Intervalinei prognozei
sudaryti naudojama formulė: ŷ t  t   y ,
kur ŷ t - teoriniai laiko eilutės lygiai (apskaičiuojami iš trendo funkcijos į ją įstačius
t reikšmes);
t - Stiudento t kriterijaus reikšmė;
2
 ( y t  ŷ t )
y - standartinis nuokrypis : , kur m - trendo lygties parametrų
nm
skaičius; n - laiko eilutės lygių skaičius.

Pagrindinė literatūra
Valkauskas R. 2011 Duomenų analizės įvadas Vilnius: VU
Schlittgen R. 2012 Einfürung in die Statistik: Analyse und modellierung München,
von Daten Wien:Oldenbourg
Brandt S. 1999 Data Analysis New York: Springer
Verlag
Maringer D. 2008 Statistical and Computational Methods for Data Basel: Universität Basel
Analysis
Curwin J., SlaterR. 2008 Quantitative Methods for Business Decisions London: High Holborn
Berthold M., Hand 2007 Intelligent Data Analysis New York: Springer
D. Verlag
Girdzijauskas S. 1997 Finansiniai skaičiavimai Kaunas: Technologija
Francis A. 1993 Business Mathematics and Statistics London,DP Publications
Valakevičius E. 1998 Finansų aritmetika Kaunas:Technologija
Kardelis K. 2002 Mokslinių tyrimų metodologija ir metodai. Kaunas Kaunas: Technologija