1.

Aditivno svojstvo hi-kvadrat testa odnosi se na mogućnost spajanja susjednih

kategorija ukoliko je broj opažanja u pojedinoj kategoriji relativno mali. N
2. McNemarov test možemo računati kada je broj kategorija u pojedinom opažanju veći
od 2. N
3. Opažene frekvencije hi kvadrat testa su one frekvencije u pojedinim kategorijama
koje očekujemo pod nekom određenom hipotezom. N
4. Yatesova korekcija kod računa hi kvadrat testa ide u prilog nul-hipotezi. T
5. Što je hi kvadrat numerički veći, to ima više šanse da bude stat značajan T
6. U nekim situacijama možemo na istim podacima primijeniti hi-kvadrat test (kao
neparametrijski test) i t-test (kao parametrijski test) T(t-test za proporcije)
7. Za račun hi-kvadrat testa potrebna je barem intervalna mjerna ljestvica N
8. Ukoliko bi željeli provjeriti je li se jedna igrača kocka okreće pošteno na sve svoje
strane, te to testirati hi-kvadrat testom, onda bismo u tom slučaju teoretske
frekvencije izveli prema normalnoj raspodjeli
9. Ukoliko je u nekom slučaju postotak kategorija u kojem su opažene frekvencije manje
od 5, tada se pri računu hi-kvadrat testa treba raditi određena korekcija ( npr.
Yatesova) N
10. Ako je dobiveni hi-kvadrat test vrlo mali, onda to može značiti da i on nije dobiven
slučajno. N?
11. Kada neki broj povećamo za određeni postotak, a zatim ga smanjiti za isti postotak,
dobit ćemo broj veći od početnog. N
12. Ako koristimo Yatesovu korekciju pri računanju hi-kvadrat testa manja je vjerojatnost
ostajanja na nul hipotezi nego da nismo. N
13. Hi-kvadrat za sve stupnjeve slobode je uvijek normalna distribucija. N
14. Ako je hi-kvadrat test mali to može značiti da nije rezultat slučajnog djelovanja. (n
značiti ali. Najbolje je što je bliže nuli više šanse da nije slučajnog djelovanja je ako je
veći. Trebamo znati da C kod hi kvadrata iznosi otprilike toliko koliko imamo
stupnjeva slobode.Najbolje da je jednak Df ili manji od njih)
15. Aditivno svojstvo je mogućnost zbrajanja nekoliko t-testa iz različitih istraživanja. (n,
hi kvadrat test)
16. Hi-kvadrat nije statistički značajan uz razine rizika ukoliko je manji od stupnjeva
slobode. T (to vrijedi i za t-test)
17. Ako je teoretska frekvencija u više od 20% kategorija manja od 5 nije opravdano
računati hi-kvadrat test. T

NEPARAMETRIJSKA STATISTIKA
Parametrijske metode se služe mjerljivim podacima koji se normalno distribuiraju.
Neparametrijske metode: nije važno je li distribucija normalna, rezultati su često u
frekvencijama (uglavnom nominalna i ordinalna skala), mogu se upotrijebiti i za intervalne i
omjerne, ali tako namjerno gubimo niz informacija
Snaga testa: vjerojatnost odbacivanja nul-hipoteze ako je pogrešna (i prihvaćanja kad je
točna)

a) 2 nezavisna uzorka 
– medijan test, rang test, test homogenog niza, Siegel-Turkeyev
b) više nezavisnih uzoraka 
– prošireni medijan test, Kruskal-Wallisov test
c) zavisni (2 mjerenja) 
– test predznaka, Wilcoxonov test ekvivalentnih parova (najveća razlika najviše dobije na
težini jer je najveći rang)
d) zavisni (više mjerenja) 
– Friedmanov
Medijan test
- pripadaju li dva uzorka populaciji s istim medijanom
- gruba dihotomizacija rezultata
- ograničenja – sve s Ft ko i za hi-kvadrat (najvažniji broj rezultata; N>40 – ok, 20-40 nijedna
Ft ne smije biti manja od 5)
- više rezultata=C zanemarimo ih ili stavimo u prilog H0
Rang test (Wilcoxonov t-test)
- bolji i „snažniji“ jer koristi rangove, a ne samo podjelu u 2 kategorije
- pripadaju li dva uzorka populaciji s istim medijanom
- čim se skupine malo preklapaju, suma rangova je veća ŕ veća vjerojatnost da nije značajno
- u bilo kojoj skupini N<10 ŕ TABLICA!
Kruskal-Wallisov test
- predstavlja test analize varijance, ali se umjesto brojčanih podataka služi rangovima
- ako su uzroci dovoljno veliki (N>5), H se distribuira kao hi-kvadrat
- minimalno rangovna (ordinalna?) ljestvica
- interpretacija – možemo izračunati M skupina jer visoko koreliraju sa sumama rangova ili
izračunati prosječnu sumu rangova (i dalje ne znamo razlike između skupina ŕ rang test za
skupine koje nas zanimaju)
- osjetljiv na vezane rangove (korekcija ako ima 20-25% vezanih rangova)
Friedmanov test
- gotovo jednaka snaga kao i analiza varijance
- rangovna ljestvica
Test predznaka
- Ho točna – pola ljudi se poboljšalo, pola pogoršalo (podjednak broj pozitivnih i negativnih
promjena)
- bitno odrediti granični broj promjena koji se može dogoditi, a da je i dalje sve po slučaju

1. Scheffe je opravdano koristiti samo kada dobijemo F-omjer značajan kako kod zavisnih
tako kod nezavisnih N (samo kod nezavisnih?)
2. Distribucija F-omjera je uvijek pozitivno asimetrična T
3. Kod zavisnih uzoraka dobro je što sudionici sami sebi služe kao kontrola T
4. Kod SAVA zbroj kvadrata između grupa sadrži ZK1,ZK2, i interakcije T
5. U teoriji namjernog uzimanja ispitanika u uzorku oni su uzeti po načelu slučaja N
6. Kod JAVA f-omjer predstavlja omjer zbroja kvadrata između grupa i zbroja kvadrata unutar
grupa N
7. Ukoliko je N=30 i ispitanici su raspoređeni u 3 eksperimentalne situacije znači da je df1=2
T
8. F-omjer i t-test dijele u načelu istu logiku: omjer razlike i njezine pogreške T
9. Teoretski minimalna vrijednost F-omjera je -1 N
10. Ako smanjimo razinu rizika sa 5% na 1% veća je mogućnost pogreške II T
11.Kod alternativne hipoteza M1=M2=M3 N
12.ako provodimo t-test na više od dva uzorka rizik značajnosti se linearno povećava N
13.Ukoliko je kod SAVA djelovanje oba faktora izazvano slučajem znači da ja i interakcija
nastala kao posljedica slučaja N
14.Povećanje variranja unutar grupa utječe na smanjenje F-omjera T
15.Ako je f-omjer značajan za 1% onda je nužno značajan i pri 5% rizika T
1.Parametrijski testovi imaju uvijek veću snagu od neparametrijskih testova N
4.Koeficijen umnoška možemo računati između intervalne i omjerne skale(valjda su bile te
dvije) T*
ako je F-omjer manji od 1 možemo reći da su razlike nastale u zavisnoj varijabli slučajne. T
* koeficijent determinacije pokazuje proporciju zajedničkih faktora za obje varijable. T
* kada bismo izbacili ekstremne vrijednosti iz grupa došlo bi do povećanja F- omjera. N
* maksimalna vrijednost koeficijenta kontingencije ovisi o broju ćelija. T
* snaga testa leži u vjerojatnosti da će test odbaciti nul-hipotezu kada je ona netočna. T
* značajnost multiple korelacije provjerava se F-testom. T
* Wilcoxonov test zahtjeva da su rezultati na intervalnoj skali. T
* ako vrijednost H iznosi 1 to znači da možemo reći da je nul- hipoteza točna. T
* distribucija F-testa je kao i distribucija t-testa normalna distribucija. N
*point biser se racuna sa 1 kontinuiranom i 1 umjetno dihotomnom varijablom N5.
Značajnost eta koeficijenta je što se računa na standardan način, po formuli sličnoj za
značajnost Pearsonovog koeficijenta korelacije 
6. Veličina uzorka ima utjecaj na sve statističke vrijednosti povečavajući njihovu stabilnost
8. Statistička snaga je vjerojatnost odbacivanja netočne nul hipoteze 
9. Kada postoji visoka pozitivna povezanost između zavisnih varijabli, rezultati tih varijabli
prikazanih u koordinatnom sustavu formiraju oblik elipse: elipsa je šira što je povezanost
manja 
10. Kruskal-Wallisov test predstavlja analizu varijance na rangovnim zavisnim podatcima 
11. Veličina učinka, Cohenov d, predstavlja omjer razlike aritmetičkih sredina i standardne
devijacije 

12. Kad prognoziramo iz jedne varijable u drugu, standardna pogreška prognoze je veća što
je povezanost između dvije varijable veća 
13. Logika koeficijenta multiple korelacije
14. Definiraj standardnu pogrešku prognoze
15. Definiraj: 
a. Zavisnu varijablu 
b. Nezavisnu varijablu
16. 4 parametra o kojima ovisi snaga statističkog postupka
18. 4 parametra o kojima ovisi snaga statističkog postupka
19. Poveži:
2 omjerne varijable Spearmanov k.k. rho 
2 nominalne varijable Kendallov k.k. tau 
1 omjerna i 1 intervalna varijabla Fi k.k. 
2 ordinalne varijable Pearsonov k.k. r 

16. Vrijednost “b” u jednadžbi pravca Y=a+bX, predstavlja: B

a)konstantu
b)nagib pravca
c)parameter
d)odsječak na osi Y
e)odsječak na osi X
18. Varijabla čiju vrijednost predviđamo na temelju pravca regresije nazivamo:
a)zavisna varijabla
b)nezavisna varijabla
c)prediktorska varijabla
d)kriterijska varijabla
e)slučajna varijabla

19. Ukoliko između 4 nezavisne skupine sudionika testiramo razliku t-testom, umjesto
ANOVom razina rizika iznosit će: B
a)0,05
b)0,1854
c)0,143
d)0,01
e)ništa od navedenog
20. Ako je povezanost između dvije varijable negativna, što je od navedenog točno: NIJE D
a)vrijednost “b” mora biti pozitivna
b)vrijednost “b” mora biti negativna
c)vrijednost “b” može biti pozitivna
d)vrijednost “b” može biti negativna
21.Najveći stupanj povezanosti među navedenim primjerima je: D
a)0,45
b)-0.65
c)0,81
d)-0,85

26.Koji zahtjevi moraju biti zadovoljeni da bi bilo opravdano računanje jednostavne analize
varijance na nezavisnim podacima?
1.UZORCI MORAJU BITI NEZAVISNI JEDAN O DRUGOM
2.UZETI IZ POPULACIJE KOJA SE DISTRIBUIRA NORMALNO
3.BIRANI PO NAČELU SLUČAJA
27.Postoji li linearna povezanost između dvije varijable provjeravamo upotrebom/pomoću:
SCATTEROV DIJAGRAM
28.Ukoliko nas zanima slaganje između više nizova rangova koristimo koeficijent
__konkordancije_____________.
(nije Tau)
29.Definirajte “homoscedascitet”!
30.Definirajte veličinu učinak:
31.Skupina od N=14 sudionika sudjelovala je u program gubljenja kilograma. Za svakog
sudionika prikupljen je podatak o vremenu koje je proveo u tretmanu ( u danima) kao i broj
koligrama koje je izgubio.
SUDIONIK 1 2 3 4 5 6 7 8 9 10 11 12 13 14 
Dani (X) 70 68 50 54 44 43 41 37 32 25 25 19 15 13 
Kilogrami (Y)1,5 7,8 4,4 2,9 8,0 4,6 8,4 4,5 11,0 12,1 13,O 14,2 13,5 10,5
a)Uz uvjet da zanemarimo činjenicu da je u istraživanju sudjelovalo samo N=14 sudionika,
izračunajte adekvatnim postupkom postoji li povezanost između dvije eksperimentalne
situacije i je lit a povezanost statistički značajna?
R=0,81; t=-4,84; (4,96) SS=12; p<0,05; p<0,01
b)Interpretirajte dobivene rezultate!
Postoji vrlo visoka povezanost između vremena provedenog u tretmanu i br.kilograma koje
je sudionik izgubio.
c)Izračunajte pravac regresije za navedene podatke!
Y=15,32-0,18X
d)Koliko je najvjerojatnije kilograma izgubio sudionik koji je u tretmanu sudjelovao 50 dana?
Y=6,43 (6.3 kg)
e)U kojem se intervalu nalazi pravi rezultat sudionika iz prethodnog zadatka (uz 1% rizika)?
4,68 – 8
f)Koliki je postotak zajedničke varijance između dana i kilograma?
V=-0,81=0.65,tj, 65% (67,24%)
32.Koja jednadžba pravca regresije najbolje opisuje sliku ispod: B-pravac poz.kor. je prikazan
a)Y=14,86 - 0,945X
b)Y=14,86 + 0.945X
c)Y= -14,86 - 0,945X
d) Y= -14,86 + 0,945X
e) ništa od navedenog
33.Ukoliko je vrijednost X=-5, vrijednost Y će iznositi: A
a)10,135
b)19,585
c) -10,135
d) -129,585
e) ništa od navedenog
34.Ukoliko bi svim rezultatima dodali konstantu npr.4 (i u X i u Y varijabli), nova jednadžba
pravca imala bi oblik: NIJE A
a)Y=18,84 + 0,945X
b)Y=18,84 - 0,945X
c) Y= - 18,84 - 0,945X
d)Y= - 18,84 + 0,945
e) ništa od navedenog
35.U sklopu istraživanja o utjecaju različitih načina poučavanja na znanje iz matematike, u
nekoj školi je u šest paralelnih razreda na različite načine poučavana je matematika. Iz
svakog razreda po slučaju je odabrano N=6 učenika te je ispitano njihovo znanje iz
matematike. Broj ostvarenih bodova u testu naveden je u donjoj tablici. U testu je bilo
moguće ostvariti 70 bodova.
Adekvatnim neparametrijskim postupkom provjerite postoji li utjecaj različitih načina
poučavanja na znanje iz matematike.
Razred A Razred B Razred C Razred D
45 46 47 48
52 51 50 49
56 53 54 55
57 59 58 60
63 64 61 62
65 66 67 68
a)Definirajte nul-hipotezu:
Različiti načini poučavanja ne utječu na znanje iz matematike - nema razlike u načinu
poučavanja
b)Izračunajte postoji li stat.značajna razlika u znanju matematike u navedene 4
eksperimentalne situacije?
H=0,065; SS=7; p>0,05
c)Interpretirajte dobivene rezultate!
Ne postoji stat.znač.razlika u znanju matematike u razredima 4 eks.sit.
d)Navedite kojim parametrijskim postupkom biste odgovorili na postavljeni problem i
pretpostavite što biste dobili!
Analizom varijance za nezavisne uzorke i dobili bismo da se razlikuju.
e)Grafički prikažite distribucije rezultata za uvjet da je nul-hipoteza točna!
Normalna distribucija za sve A,B,C,D
1. Scheffe je opravdano koristiti samo kada dobijemo f-omjer značajan kako kod zavisnih
tako kod nezavisnih. N
2. Distribucija f-omjera je uvijek pozitivno asimetrična. T
3. Kod zavisnih uzoraka dobro je što sudionici sami sebi služe kao kontrola. T
4. U teoriji namjernog uzimanja ispitanika u uzorku oni su uzeti po slučaju. N
5. Ukoliko je N=30, a ispitanici raspoređeni u 3 eksperimentalne situacije znači da je df1=2. T
6. F-omjer i t-test dijele u načelu istu logiku: omjer razlike i njezine pogreške. T
7. Teoretski minimalna vrijednost f-omjera je -1. N
8. Karakteristika Friedmanovog testa je da ima snagu kao i analiza varijance za nezavisne
podatke. N
9. Pri računanju test predznaka, što je veći broj “manjih promjena”, veća je i vjerojatnost da
je razlika između dvije situacije statistički značajna. N
10. Kod 2x2 kontigencijskih tablica uvijek kada je N<40 ne smijemo koristiti hi kvadrat test
već Fisherov egzaktni test. N
11. Kod alternativne hipoteza M1=M2=M3. N
12. Ako provodimo t-test na više od dva uzorka rizik značajnosti se linearno povećava. N
13. Test ekvivalentnih parova zahtjeva najmanje rangovnu mjernu ljestvicu. N
14. Povećanje variranja unutar grupa utječe na smanjenje F-omjera. T
15. Ako je f-omjer značajan za 1% onda je nužno značajan i pri 5% rizika. T
16 .Parametrijski testovi imaju uvijek veću snagu od neparametrijskih testova. N
17. Distribucija r za r=0.8 je pozitivno asimetrična. N
18. Ukoliko je dobiveni H < ss, tj. Df, možemo reći das u razlike u sumama rangova u zavisnoj
varijabli među skupinama najvjerojatnije posljedica slučaja. T
19. Koeficijent umnoška možemo računati između intervalne i omjerne skale. T
20. Kada su podaci izraženi na omjernoj ili intervalnoj ljestvici nije dopušteno koristiti
neparametrijske metode već se koriste parametrijski postupci. N
21. Ako je F-omjer manji od 1 možemo reći da su razlike nastale u zavisnoj varijabli slučajne.
T
22. McNemarov test je neparametrijska inačica t-testa za proporcije kada imamo male
zavisne uzorke. T
23. Kada bismo izbacili ekstremne vrijednosti iz grupa došlo bi do povećanja F- omjera. N
24. Neparametrijski testovi u svim slučajevima imaju manju snagu od parametrijskih testova.
N
25. Vrijednost H (dobivena nakon izračuna Kruskal–Walisovog testa) uvijek se interpretira na
temelju tablice hi kvadrat vrijednosti. N
26. Snaga testa leži u vjerojatnosti da će test odbaciti nul-hipotezu kada je ona netočna. T
27. Značajnost multiple korelacije provjerava se F-testom. T
28. Wilcoxonov test zahtjeva da su rezultati na intervalnoj skali. T
29. Ako vrijednost H iznosi 1 to znači da možemo reći da je nul- hipoteza točna. T
30. Distribucija F-testa je kao i distribucija t-testa normalna distribucija. N
31. Načelno vrijedi, što je veći hi kvadrat test to ima veću šansu da bude proglašen statistički
značajnim. T
32. U iznimnim slučajevima (ukoliko je N>1000) hi kvadrat test je opravdano računati na
proporcijama jer u tom slučaju vrijednost hi kvadrat testa nije pod utjecajem veličine uzorka.
N
33. Ukoliko se rezultati nekog mjerenja negativno asimetrično distribuiraju, te podatke
smijemo obraditi samo neparametrijskim testovima. T
34. Ako medijan testom utvrdimo razliku između dvije grupe rezultata, tu razliku ćemo
pronaći i upotrebom rang testa. T
35. Kod računa hi kvadrat testa, Yatesova korekcija u načelu ide u prilog direktivnoj hipotezi.
N
36. Ukoliko želimo testirati postoji li razlika u varijabilitetu dvaju grupa (a nije opravdano
koristiti parametrijske postupke) koristit ćemo Siegel-Tuleyev test. T
37. U nekim situacijama možemo na istim podacima primijeniti hi-kvadrat test (kao
neparametrijski test) i t-test (kao parametrijski test) T(t-test za proporcije)
38. Scheffeeovu metodu nije opravdano koristiti ako F-omjer nije statistički značajan, tj.kada
ostajemo pri nul-hipotezi. T
39.Ukoliko upotrebom metode diferencije na nekim zavisnim podacima odbacimo nul-
hipotezu, primjenom Wilcoxonovog testa ekvivalentnih parova na istim podacima sigurno
ćemo, također, odbaciti nul-hipotezu. N
40.Statistička snaga jest vjerojatnost odbacivanja netočne nul-hipoteze. T
41.Ukoliko neki hipotetski podaci daju “U-raspodjelu” tada koristimo neparametrijske
testove. T
42. Osnova za računanje hi-kvadrata je tzv. kontingencijska tablica u koju unosimo opažene i
teoretske frekvencije.
43. Ako koristimo Yatesovu korekciju pri računanju hi-kvadrat testa manja je vjerojatnost
ostajanja na nul hipotezi nego da nismo. N (obratno, time smo fo smanjili za o,5 svaku koja je
veća od očekivane a za isto toliko povećali svaku koja je manja od očekivane. Razlika se
između ft i fo smanji za o,5.)
44. Hi-kvadrat za sve stupnjeve slobode je uvijek normalna distribucija. N (za jedan recimo
nije)
45. Ako je hi-kvadrat test mali to može značiti da nije rezultat slučajnog djelovanja. (n značiti
ali. Najbolje je što je bliže nuli više šanse da nije slučajnog djelovanja je ako je veći. Trebvamo
znati da C kod hi kvadrata iznosi otprilike toliko koliko imamo stupnjeva slobode.Najbolje da
je jednak Df ili manji od njih)
46. Ako je teoretska frekvencija u više od 20% kategorija manja od 5 nije opravdano računati
hi-kvadrat test. T (i ako niti jedna kategorija nema očekivanu f manju od 1, za Df veće od 1 to
vrijedi)
47. Aditivno svojstvo- mogućnost zbrajanja nekoliko t-testa iz različitih istraživanja. N (hi
kvadrat test)
48. Hi-kvadrat nije statistički značajan uz razine rizika ukoliko je manji od stupnjeva slobode.
T(vrijedi i za t-test) 
49. Aditivno svojstvo hi-kvadrat testa odnosi se na mogućnost spajanja susjednih kategorija
ukoliko je broj opažanja u pojedinoj kategoriji relativno mali. N
50. McNemarov test možemo računati kada je broj kategorija u pojedinom opažanju veći od
2. N
51. Parametar predstavlja vrijednost u populaciji, a može se odnositi na aritmetičku sredinu,
proporciju, varijancu i bilo koju drugu izmjerenu i izračunatu vrijednost. T
52. Yatesova korekcija kod računa hi kvadrat testa ide u prilog nul-hipotezi. T
53. Za račun hi-kvadrat testa potrebna je barem intervalna mjerna ljestvica – N
54. Ukoliko je u nekom slučaju postotak kategorija u kojem su opažene frekvencije manje od
5, tada se pri računu hi-kvadrat testa treba raditi određena korekcija ( npr. Yatesova) – N
55. Ukoliko bi željeli provjeriti je li se jedna igrača kocka okreće pošteno na sve svoje strane,
te to testirati hi-kvadrat testom, onda bismo u tom slučaju teoretske frekvencije izveli prema
normalnoj raspodjeli – N
56. Ukoliko je u nekom slučaju postotak kategorija u kojima su opažene frekvencije manje od
5 veći od 20%,tada se pri računu hi kvadrat testa treba raditi određena korekcija
(npr.Yatesova). N
57. U slučaju kad na prikupljenim podacima značajnost razlike testiramo metodom
diferencije,možemo jednakopravno primijeniti i hi kvadrat test. T?
58. Što je hi kvadrat numerički veći, to ima više šanse da bude statistički značajan. T
59. Opažene frekvencije kod hi kvadrat testa su one frekvencije koje u pojedinim
kategorijama očekujemo pod nekom određenom hipotezom. N
60. Yatesova korekcija kod računa hi kvadrat testa gubi svoj smisao ako su razlike između
opaženih i teoretskih frekvencija manje od 0,25. T
61. Koja mjerna ljestica je potrebna za račun:
t-testa (razlike između aritmetičkih sredina) - omjerna
t-testa (razlike između proporcija) – iznimka od nominalnih skala
hi kvadrat testa - nominalna
62. Distribucija Hi2 testa za sve stupnjeve slobode je zvonolika distribucija. N
63. Uz uobicajene razine rizika (1 i 5%) Hi2 vrijednost koja je veca od pripadajucih stupnjeva
slobode nikako nemoze biti statisticki znacajna. N
64. U slučaju kada na prikupljenim rezultatima značajnost razlike testiramo t-testom za male
zavisne uzorke, kojeg još nazivamo metoda diferencije, onda se na te podatke može
jednakopravno primjeniti i hi-kvadrat test. 
65. Ako je dobiveni hi-kvadrat test vrlo mali, onda to može značiti da i on nije dobiven
slučajno. T
66. Pojasnite što je to aditivno svojstvo χ² testa. (to znači da imamo pravo zbrojiti nekoliko
rezultata hi kvadrat testa iz istih istraživanja, i na značajnost dobivenih rezultata zaključivati
iz tablice s tim da zbrojimo i Df)
67. Test ekvivalentnih parova ima veću stat snagu nego test predznaka.
68. Ako imamo nezavisne skupine rezultata i testiramo razliku između te tri aritm sredine
jednosmjernom analizom varijance, onda testiramo 3 nul-hipoteze.
69. Kod rang testa, bez obzira na to kako rangiramo rezultate (od najvećeg prema
najmanjem ili obrnuto), konačan rezultat (veličina z-vrijednosti) će uvijek biti isti.
70. F-omjer u nezavisnoj analizi varijance je omjer sume kvadrata između grupa i sume
kvadrata unutar grupa.
71. Kruskal-wallisov test je osjetljiv na postojanje vezanih rangova, tj. vezani rangovi utječu
na konačni rezultat testiranja značajnosti razlike.
72. Između 2 neparametrijska testa pri testiranju razlike između dvije skupine, u pravilu je
bolje izabrati Medijan nego Rang test. 
73. Test ekvivalentnih parova zahtijeva najmanje intervalnu mjernu ljestvicu.
74. Snaga statističkog testa se odnosi na vjerojatnost odbacivanja nul hipoteze kad je ona
netočna, odnosno prihvaćanja nul hipoteze ako je ona točna.
75. Najniža razina mjerenja koju Friedmanov test može iskoristiti je intervalna skala.
76. Medijan test moguće je izračunati i ukoliko su rezultati normalno distribuirani.
77. Ako primjenom parametrijskog postupka dobijemo da je razlika statistički značajna,
primjenom neparametrijskog (ekvivalentnog) postupka dobit ćemo uvijek isti ishod što se
statističke značajnosti tiče.
78. Neparametrijski testovi imaju veću statističku snagu nego parametrijski. 
79. Kruskal – Wallisov test je osjetljiv na postojanje vezanih rangova, tj. Vezani rangovi utječu
na konačni rezultat testiranja značajnosti razlike.
80. Rang test ne smijemo računati ako su nam podaci na omjernoj mjernoj skali.
81. Kod proširenog medijan testa imamo više kategorija pa je stoga moguće da ćemo
rezultate nekog testiranja uvrstiti u kontingencijsku tablicu 3x3.
82. Test ekvivalentnih parova ima veću snagu od testa predznaka.
83. Kod računanja rang testa , ako su teoretske sume rangova dvije skupine različite to znači
da će i razlika među njima najvjerojatnije biti statistički značajna.
84. Ako imate više zavsnih skupina podataka, a trebate primijeniti neparametrijski test ,
trebalo bi primjeniti Kruskal-Wallisov test.