 Populacija – skup elemenata koji se proučava

 Obeležje – zajednička karakteristika svih

elemenata populacije
 Uzorak – slučajno odabrani deo populacije na
kome se vrše merenja

 Osnovni
cilj statistike je određivanje
raspodele posmatranog obeležja
 sample(b, n, replace = F) #daje n slučajnih
vrednosti iz skupa 1:b, sa ili bez ponavljanja,
sa jednakim verovatnoćama
 sample(0:b, n, replace = F) #daje n slučajnih
vrednosti iz skupa 0:b, sa ili bez ponavljanja,
sa jednakim verovatnoćama
sample(x, n, replace = F) #daje n slučajnih
vrednosti iz skupa x, sa ili bez ponavljanja, sa
jednakim verovatnoćama
 sample(0:10^k, n, replace = T)/10^k
#simulira n vrednosti iz intervala [0, 1] sa
uniformnom raspodelom
Za većinu raspodela postoji splet od 4 funkcije
koje računaju vrednost gustine raspodele,
funkcije raspodele, kvantile raspodele i
simuliraju vrednost iz raspodele

 drasp(x,parametri_rapodele)
 prasp(x,parametri_rapodele)
 qrasp(p,parametri_rapodele)
 rrasp(n,parametri_rapodele)
dnorm(x,m,s) #normalna raspodela
dt(x,df) #Studentova raspodela
dchisq(x,df) #Hi kvadrat raspodela
df(x,df1,df2) #Fišerova raspodela
dunif(x,a,b) #uniformna raspodela
dexp(x,l) #eksponencijalna raspodela
dgamma(x,shape,rate) #gama raspodela
dbeta(x,shape1, shape2) #beta raspodela
dbern(x, p) #Bernulijeva raspodela
dbinom(x,n,p) #binomna raspodela
dpois(x,lambda) #Puasonova raspodela
dnbinom(x,r,p) #negativna binomna raspodela
dgeom(x,p) #geometrijska raspodela
 varijacioni niz #elementi poređani u neopadajući
redosled po posmatranom obeležju
 sort(x)

 tabela učestanosti #za obeležja diskretnog tipa

 table(faktor1)

 intervalno sređivanje podataka #za obeležja apsolutno

neprekidnog tipa
 cut(x,vektor_granica, right=F) #formira faktor
(diskretizuje) vrednosti aps. neprekidnog obeležja po
intervalima koji su zadati vektorom granica
 findInterval(x,vektor_granica, rightmost.closed=F)
 apsolutne učestanosti #broj pojavljivanja neke
vrednosti (ili kategorije) u uzorku
 relativne učestanosti #udeo (procenat)
pojavljivanja neke vrednosti u uzorku
 zbirne (kumulativne) apsolutne učestanosti #broj
pojavljivanja neke vrednosti i svih manjih
vrednosti u uzorku
 zbirne relativne učestanosti #udeo pojavljivanja
neke vrednosti i svih manjih vrednosti u uzorku
 histogram
 hist(x, breaks="Sturges", freq=NULL,
probability=!freq, include.lowest=TRUE, right=TRUE,
xlim, ylim, xlab, ylab,...)

pitasti dijagram
pie(x, labels, edges, radius, col, ...)

trakastidijagram
barplot(height, width, space, names.arg, horiz, ...)
 dijagram rasipanja
 plot(x, y, type=“p”)

kutijadijagram (kutija-dlaka, box-whisker)

boxplot(x, horizontal,...)
 tačkaste ocene parametara

 mean(x)
 var(x)
 sd(x)
 median(x)
 mode(x)
 quantile(x, prob)
 max(x)
 min(x)
 raspon uzorka – max(x)-min(x)
 mean(x)
1 n 1 k
X =  X i =  ni X i
n i =1 n i =1

 var(x)
~2 1 n 1 k
S =  i
n − 1 i =1
( X − X ) 2
=  i i
n − 1 i =1
n ( X − X ) 2

 sd(x)
~ ~
S = S2
 median(x)
n
 X (( n +1) / 2) , n neparno −  M −1
 Me = aM + hM  2
Me =  X ( n / 2) + X (( n + 2) / 2)
 , n parno NM
 2

 mode(x)
N  +1
Mo = a + h 
N  −1 + N  +1
 quantile(x, prob_list)

 X (1+( n −1) p ) , ( n − 1) p ceo broj

Mp = 
( k − ( n − 1) p ) X ( k ) + (1 + ( n − 1) p − k ) X ( k +1) , k  1 + ( n − 1) p  k + 1

np −  M −1
Mp = aM + hM 
NM