Populacija 

Populacija se sastoji od skupa individua ili individualnih objekata određenog tipa. Primjer: 
ako skuplajmo podatke o visini djece do 6 godina, populaciju predstavljaju sva djeca do 6 
godina. Nije moguće ispitati sve pa uzimamo samo uzorak, odnosno podskup populacije. 
 
Skupljanje podataka 
Podatke možemo skupljati eksperimentalno ili opažanjem.  
 
Moda 
(Aritmetička sredina) Neka je dat niz opažanja uzorka x​ , x​
1​ , x​
2​ , … x​
3​ ­ moda je definisana sa  
n ​
X = (x​  + x​
1​  + x​
2​  + … + x​
3​ ) / n. Aritmetička sredina je jednostavno numerički prosjek. 
n​
 
Medijana 
Neka je dat niz x​ , x​
1​ , x​
2​ , … x​
3​ u rastućem redoslijedu. Medijana je definisana sa: 
n  ​
X = x​  za n​
(n+1)/2​  neparno 
X = ½ * (x​ n/2​ + x​ ) za n ​
(n+2)/2​ parno 
 
Varijansa 
Kod varijanse podaci mogu varirati malo ili mnogo. Rang uzorka se računa kao X​ ­ X​
max ​ min. 
Za izmjerenu vrijednost u uzorku x​ , x​
, … x​
1​ 2​ varijansa je definisana sa: 
n ​
2 ​ 2 ​
s​ = sum(x​ ­ x)​
i ​ / (n ­ 1)​ ­ *napomena [ x u zagradi predstavlja ​ modu​ ] 
 
Standardna devijacija 
2​
Standardna devijacija se predstavlja kao ​ s = sqrt(s​ )​
 i mjeri kvadrat odstupanja od 
aritmetičke sredine. 
 
Stepen slobode 
Stepen slobode računamo kao v = n­1. 
 
Vrste vrijednosti 
Vrijednosti mogu biti diskretne i kontinualne.  
 
Frekvencija iste vrijednosti 
U proračunima gdje se iste vrijednosti više puta ponavljaju koristi se ​ frekvencija, ​
tj. broj 
ponavljanja iste vrijednosti.  
 
Grafičko predstavljanje podataka 
Graf, histogram, histogram­relativna frekvencija. 
 
   
Eksperiment 
U statistici, eksperiment je bilo koji proces koji proizvodi skup podataka. Prilikom izvođenja 
eksperimenta možemo imati konačno mnogo ili beskonačno mnogo ishoda.  
  Ako je on konačan,pišemo ga kao skup sa
Skup S je skup svih mogućih ishod statističkog eksperimenta.  ishodima odvojenim zarezom
  Presjek događaja A i B je skup elemenata iz S koji se nalaze i u skupu A i u skupu B.
Događaj je podskup skupa ishoda.  Unija A i B je skup elem.koji se nalaze ili u A ili u B ili u oba skupa. Komplement od A
u oznaci A' je podskup elemenata iz S koji nisu u A. Ako se događaji ne mogu desiti u
  isto vrijeme kažemo da su uzajamno isključivi ili disjunktni.
Prvi fundamentalni pricnip prebrojavanja 
Ako se operacija 1 može izvesti na n​ načina, operacija 2 može izvesti na n​
1 ​  načina i 
2​
operacija k može izvesti na n​ načina, onda se operacije 1, 2, …, k mogu izvesti na n​
k ​ * n​
1 ​ * 
2 ​
… * n​  načina. 
k​
 
Permutacija 
Permutacije je utvrđivanje redoslijeda u skupu objekata. 
Br.permutacija od n objekata je n!. Ako od n objekata tražimo mogući redoslijed ali samo od r objekata dolazimo do pojma
 
varijacije,imamo: n!/(n-r)!. Cirkularne permutacije (n-1)!
Broj načina da n objekat smjestimo u r ćeliju gdje je n​ objekat u prvoj ćeliji, n​
1 ​ objekat u 
2 ​
drugoj ćeliji itd. gdje je n​  + n​
1​ + … + n​
2 ​ = n je: 
r ​

Ekvivalentno je problemu permutacija sa

ponavljanjem.
Ako zelimo od n objekata izabrati r bez obzira na redoslijed
takvi izbori se nazivaju kombinacije:
(n nad r)= n!/r!(n-r)!- bez ponavljanja
 (n+k-1 nad k)- sa ponavljanjem
 
Vjerovatnoća događaja 
Vjerovatnoća događaja je suma težina svih tačaka koje pripadaju A i obilježavamo sa P(A). 
Imamo 0 <= P(A) <= 1, P(S) = 1 i P(O) = 0.  
 
Ukoliko su događaji uzajamno isključivi, onda možemo računati: 
P(A U B U C U D) = P(A) + P(B) + P(C) + P(D) 
 
Ako događaj može rezultirati sa bilo kojim N jednako vjerovatnih događaja, a n od njih 
odgovara događaju A, tada je P(A) = n / N. 
 
Vjerovatnoća​  ­ relativna frekvencija događaja. Svakoj tački u skupu ishoda S pridruzujemo tezinu, tj.
 vjerovantoću da će se taj ishod desiti.Što je izgled pojavljivanja veći to je P bliza 1.
Uslovna vjerovatnoća  
Ako posmatramo događaj uz neku restrikciju dolazimo do pojma uslovne vjerovatnoće. 
 
Ako su A i B događaji ­ vjerovatnoća da se desio događaj A ako znamo da se desio događaj 
B nazivamo ​ uslovna vjerovatnoća ​ događaja A pod uslovom B ­ P(A | B). 
 
P(A | B) = P(A ⋂  B) / P(B) 
 
Ako postoje uslovne vjerovatnoće, za događaje A i B kažemo da su (statistički) nezavisni 
akoe je P(A | B) = P(A) ili P(B | A) = P(B).  
 
Nezavisni događaji 
Dva događaja su nezavisna akko P(A ⋂  B) = P(A) * P(B). Za događaje kažemo da su 
uzajamno nezavisni ​ ako svaki podskup ovog skupa događaja čini nezavisne događaje. 
 
Slučajna varijabla 
Slučajna varijabla je funkcija koja svakom elementu u skupu ishoda pridružuje realan broj. (X 
­ funkcija, x ­ specifična vrijednost funkcije). Svaka vrijednost x slučajne varijable X 
predstavlja podskup tj. događaj u skupu ishoda datog eksperimenta. 
 
Bernulijeve slučajne promjenljive  
Slučajne promjenljive sa dvije moguće vrijednosti 0 i 1. 
 
Za skupa A kažemo da je prebrojiv ako je konačan ili postoji bijekcija sa skupa A u skup 
prirodnih brojeva. Skup cijelih brojeva Z i racionalnih brojeva su prebrojivi. 
 
Ako skup ima u sebi bar jedan interval iz skupa realnih brojeva, tad nije prebrojiv. 
 
Ako skup ima ​ konačno ili prebrojivo mnogo ishoda ​ tada ga nazivamo ​ diskretni ​skup 
ishoda. 
 
Ako skup ishoda ima neprebrojiv skup ishoda, tj. sa kojeg postoji bijekcija na neki interval 
realnih brojeva, nazivamo ga ​ neprekidni ​ skup ishoda. 
 
Za slučajnu promjenljivu kažemo da je ​ prebrojiva​  ako je njen skup ​
vrijednosti prebrojiv 
skup. 
 
Za slučajnu promjenljivu kažemo da je ​ neprekidna​  ako je njen skup ishoda ​ neprekidan 
skup. 
 
Skup uređenih parova (x, f(x)) naziva se funkcija vjerovatnoće ili raspodjela slučajne 
diskretne varijable X ako za svaku moguću vrijednost vrijedi: 
1) f(x) >= 0   
2) sum(f(x)) = 1  
3) P(X = x) = f(x) 
 
Marginalna distribucija 
Pretpostavimo da su X i Y slučajne promjenljive sa zajedničkom funkcijom raspodjele f(x,y). 
Kako pronaći distribuciju g(x) slučajne promjenljive x? 
 
Pošto ona ne zavisi od y, ova distribucija se pronalazi sumiranjem f(x,y), po svim 
vrijednostima od y. Sumiranje se vrši kod ​ diskrentih ​
promjenljivih, dok se ​
integracija ​vrši 
kod ​kontinualnih ​ promjenljivih. 
 
  
 
Marginalne distribucije su distribucje slučajnih promjenljivih X i Y. 
 
Uslovna distribucija 
Neka su X i Y dvije slučajne promjenljive (diskretne ili kontinualne).  
 
Uslovna distribucija slučajne promjenljive Y uz zadano X = x je: 

 
 
Uslovna distribucija slučajne promjenljive X uz zadano Y = y je: 

 
 
Statistička nezavisnost 
Neka su X i Y dvije slučajne promjenljive sa zajedničkom funkcijom distribucije f(x,y) i 
marginalnim distribucijama g(x) i h(y). Za X i Y kažemo da su statistički nezavisne ako vrijedi 
f(x,y) = g(x) * h(y) za sve vrijednosti (x,y) unutar ranga. (Ako postoji bar jedan par (x,y) za 
koje ovo ne vrijedi, tada kažemo da X i Y nisu statistički nezavisne.) 
 
Matematičko očekivanje 
Neka je X slučajna promjenljiva sa distribucijom f(x). Očekivana vrijednost od X je  
μ = E(x) = sum(x * f(x)) ­ kada je x diskretna 
μ = E(x) = ∫ x * f(x) dx ­ kada je x kontinualna [u granicama od ­∞ do +∞] 
 
Matematičko očekivanje g(x) 
Neka je X slučajna promjenljiva sa distribucijom f(x), a g(x) druga slučajna promjenljiva koja 
zavisi od X. Očekivana vrijednost od X je  
μ = E(g(x)) = sum(g(x) * f(x)) ­ kada je x diskretna 
μ = E(g(x)) = ∫ g(x) * f(x) dx ­ kada je x kontinualna [u granicama od ­∞ do +∞] 
 
 
 
Matematičko očekivanje dvije slučajne varijable X i Y 
Neka su X i Y dvije slučajne varijable sa distribuicijom f(x,y). Moda ili očekivana vrijednost od 
funkcije g(x,y) je  
μ = E(g(x,y)) = sum(g(x,y) * f(x,y)) ­ kada je x diskretna 
μ = E(g(x,y)) = ∫ g(x,y) * f(x,y) dx ­ kada je x kontinualna [u granicama od ­∞ do +∞] 
 
Varijansa slučajne promjenljive 
2​
Raspršenost slučajne promjenljive X se najčešće mjeri sa očekivanjem od g(x) = (x ­ μ)​  koje 
nazivamo varijansa var(x). 
 
Standardna devijacija od X  
Pozitivni korijen od varijanse naziva se standardna devijacija od X 
 
Devijacija opažanja 
Vrijednost X ­ μ naziva se devijacija opažanja X od mode μ. 
 
2​ 2
Varijansa slučajne promjenljive x je ​ var(x) = E(x​) ­ μ​ 
 
Kovarijansa 
Posmatramo dvije slučajne varijable X i Y sa modama μ​ i μ​
x ​ . Definišimo dalje da je  
y​
g(x,y) = (x ­ μ​)(y ­ μ​
x​ ) ­ iz ovog slijedi da je očekivanje g(x,y) pozitivno ako je dosta parova 
y​
(x,y) skupa veće ili manje od očekivanih vrijednosti.  
 
Ako je dosta parova suprotnog predznaka, očekivanje g(x,y) je negativno. Ako je otprilike isti 
broj parova u obje kategorije, očekivanje g(x,y) je blizu nule.  
 
Ako su X i Y nezavisne, tada je g(x,y) = 0. 
 
Neka su X i Y slučajne promjenljive sa zajedničkom distribucijom f(x,y). Kovarijansa od X i Y: 

 
 
Neka su X i Y slučajne varijable sa kovarijansom i standardnim devijacijama s​ i s​
1 ​  ­ 
2​
korelacijski koeficijent od X i Y definisan je sa: 

 
 
Čebišljev teorem 
Vjerovatnoća da slučajna promjenljiva ima vrijednost standardnih devijacija od očekivanih 
2​
vrijednosti je veća od 1 ­ (1/k​) 

 
 
Očekivanje i varijansa linearnih kombinacija slučajnih promjenljivih 
Teorem 1:  
Ako su a i b konstante onda vrijedi da je E(aX + b) = a*E(X) + b 
Posljedica: 
E(b) = b 
E(aX) = a*E(X) 
 
Teorem 2: 
Ako imamo dvije slučajne promjenljive X i Y tada vrijedi 
E( f(x,y) +­ g(x,y) ) = E( f(x,y) ) +­ E( g(x,y) ) 
 
Binomijalna i multinomijalna distribucija 
 
Bernulijev proces 
Eksperiment se sastoji od ponovljenih pokušaja. Svaki pokušaj ima dva moguća ishoda: 
uspjeh i neuspjeh​ . Vjerovatnoća uspjeha p je konstantna pri svakom pokušaju. Ponovljeni 
pokušaji su nezavisni. 
 
P(X = x) = b(x; n, p)​  [x ­ broj uspješnih ishoda; n ­ broj pokušaja; p ­ vjerovatnća uspjeha] 
 
Zašto se naziva binomna distribucija? 
Jer koristimo binomnu formulu. 
 
Matmeatičko očekivanje (moda) i varijansa u bernulijevom procesu 
μ = n*p​  ­ Matematičko očekivanje 
2​
s​  = n*p*q​ ­ Verijansa 
 
Multinomijalna raspodjela 
Slična je binomijalnoj, samo što svaki pokušaj može imati više ishoda. 
 

 
Primjer za multinomijalnu raspodjelu sa k­ishoda  
 
Hipergeometrijska raspodjela 
Kod hipergeometrijske raspodjele pokušaji nisu nezavisni tj. provode se bez zamjene. 
Primjer je vađenje iz špila karata. ​
h(x; N, n, k)  
 
Veza između binomne i hipergeometrijske distribucije 
Ako je populacija velika tada se N malo mijenja pa su ove distribucije slične. Vrijednost k/N 
ima ulogu vjerovatnoće p u binomnoj distribuciji. 
 
Poisonova distribucija i poisonov proces 
X je slučajna veličina koja predstavlja broj pojavljivanja nekog događaja u vremenskom 
intervalu ili području. 
 
Poisonov proces nema memoriju, dakle broj pojavljivanja događaja u nekom vremenskom 
intervalu ili području ne zavisi od broja pojavljivanja na nekom drugom intervalu ili području. 
 
Vjerovatnoća da će se događaj desiti u nekom malom vremenskom intervalu ili području 
proporcionalna je veličini intervala ili područja i ne zavisi od broja događaja van ovog 
intervala ili područja. 
 
Vjerovatnoća da će se dva događaja desiti u istom vremenskom intervalu ili na istom 
području je zanemariva 
 
Poisonova slučajna varijabla 
Broj pojavljivanja je slučajna varijabla X koju nazivamo Poisonova slučajna varijabla i njoj 
pridružujemo poisonovu distribuciju. 
 
Uniformna neprekidna distribucija  
Uniformna neprekidna distribucija ima jednaku funkciju raspodjele na nekom intervalu [A,B]. 
 
Normalna distribucija 
Jedna od najvažnijih distribucija i približno opisuje mnoge fenomene u prirodi, sociologiji, 
industriji itd.  
 
Grafik je zvonasta kriva koja je u potpunosti određena sa ​ modom ​ i sa ​
varijansom. 
 
Binomna i normalna raspodjela dobro aproksimiraju jedna drugu. Aproksimacija je dobra ili 
za velike n ili za p približno 0,5. 
 
Eksponencijalna raspodjela i veza između Poisonove i eksponencijalne? 
 
Populacija (iz predavanja 8) 
Populacija su sva opažanja koja su nam od interesa. Populaciji pripada neka funkcija 
raspodjele f(x). ​Uzorak ​ je podskup populacije.  
 
Statistika 
Bilo koja funkcija slučajne promjenljive koju formira uzorak naziva se statistika. 
 
 
 
 
Centralni limit teorem 
Ako je X sredina uzorka veličine n od populacije sa matematičkim očekivanje μ i varijansom 
2​
s​ tada je distribucija od Z: 

 
 
Predavanje 9 
 
Potrebno znati matematičko očekivanje, varijansu ili neku drugu vrijednost populacije koja 
nam nije poznata. Obzirom da vrijednost nije poznata, uzimamo ​ uzorak​ i izračunavamo 
vrijednost za naš uzorak.  
 
Tako dobijena vrijednost je ​ približna, ​ali ​
nije jednaka​  tačnoj vrijednosti. Kako bismo 
procijenili koliko je naša vrijednost dobra koristimo ​ distribuciju.  
 
Bijas 
Uzorak koji daje lošu procjenu neke vrijednosti naziva se ​ bijas.  
Primjer je kada tražimo prosječnu visinu, a svi naši uzorci su ispodprosječne visine. 
 
Estimacija i estimacijske vrijednosti 
Fokus stavljamo na ​ estimaciju/procjenu ​ statitstičkih parametara. Naprimjer, vrijednost x od 
X, proračunatog iz uzorka n je ​ estimacijska vrijednost​  parametra mi 
(estimirana/procjenjena vrijednost). 
 
Porast ​veličine uzorka ​ koji se razmatra dovodi do ​ porasta tačnosti estimiranja, ​ ali to ne 
znači da ćemo uspjeti procijeniti tačnu vrijednost za statistički parametar koji razmatramo. 
 
Interval estimacije ​ je interval u kojem očekujemo vrijednost statističkog parametra. 
Potrebno je znati odgovarajuće ​ slučajne varijable, ​ obzirom da za ​ različite slučajne 
varijable ​ dobijamo ​ uži ili širi​
 interval estimacije. 
 
Kod procjene je bitno napomenuti da ​ što je veći uzora ​ to je ​
varijansa manja. 
 
P( ​ < teta <  ​
A  ​ ) = 1 ­ α (1) 
B​
 
Proračunat interval na osnovu (1) naziva se ​ 100(1 ­ α)% interval povjerenja. 
 
α ­ Koeficijent povjerenja / Stepen povjerenja 
 
Ukoliko je X srednja vrijednost slučajnog uzorka veličine n iz populacije za koju je poznata 
2​
varijansa s​ , onda je ​ 100(1 ­ α)% interval povjerenja. 
 
Ako su X​ i X​
1 ​ srednje vrijednosti nezavisnih uzoraka veličina n​
2 ​ i n​
1 ​ iz raspodjela sa poznatim 
2 ​
2 ​ 2 ​
varijansama s​ 1​i s​
2​onda je 100(1 ­ α)% interval pouzdanosti: 
  
 
 
U slučaju da su Varijanse različite i nepoznate: 
 

 
 
Estimacija proporcije p​  je binomijalni eksperiment prikazan kao p = X / n [ X ­ broj uspjeha 
] 
 
Statistička hipoteza  
Tvrdnja, pretpostavka ili postavka koja se odnosi na jednu ili više populacija, a može se ili 
prihvatiti ili odbaciti. Tačnost hipoteze ne možemo nikada sa sigurnošću odrediti, osim ako 
nismo ispitali cijelu populaciju. 
 
Nul­hipoteza  
Ona hipoteza koju testiramo i označavamo je sa H​ 0 
 
Alternativna hipoteza  
To je ona koju prihvatamo ukoliko je nul­hipoteza H​ 0​ odbačena. 
 
Greška tipa I  
Ona se dešava u slučaju kada odbijamo nul­hipotezu iako je ona tačna.  Vjerovatnoća da 
ćemo počiniti grešku tipa I naziva se ​ nivo signifikantnosti ​α. 
 
Greška tipa II  
Ona se dešava u slučaju kada prihavatamo nul­hipotezu iako je ona pogrešna. Vjerovatnoća 
da ćemo počiniti grešku tipa II je ​ β. 
 
Vjerovatnoća da ćemo počiniti bilo koju od ove dvije greške može se smanjiti ​ povećanjem 
uzorka ​ koji posmatramo. 
 
Osobine testiranja hipoteze: 
● Vjerovatnoća pojave greške tipa I i II su zavisne. Smanjivanje vjerovatnoće pojave 
jedne greške dovodi do povećanja vjerovatnoće pojave druge greške. 
 ● Veličina kritičnog regiona (i vjerovatnoća pojave greške tipa I) može se smanjiti 
promjenom kritičnih vrijednosti. 
● Povećanje veličine uzorka istovremeno smanjuje I i II. 
● Ako je nul­hipoteza neispravna, greška tipa II je najveća ako se pretpostavljena 
vrijednost približava stvarnoj. 
 
Testovi mogu biti ​ jednostrani i dvostrani​ . 
 
Pristup testiranju: ​ klasični i alternativni. 
 
Klasični pristup: 
1. Utvrditi nul i alternativnu hipotezu 
2. Izabrati i fiksirati nivo značaja ​α 
3. Izabrati testnu statistiku i utvrditi kritični interval na osnovu ​
α 
4. Odbaciti nul­hipotezu ukoliko je vrijednost testne statistike u uzorku u kritičnom 
regionu. U suprotnom je prihvatamo. 
5. Donijeti zaključak. 
 
Alternativni pristup: 
1. Utvrditi nul i alternativnu hipotezu 
2. Izabrati testnu statistiku 
3. Izračunati P­vrijednost na osnovu dobivene vrijednosti u uzorku 
4. Koristiti dobivenu P­vrijednost i znanje o sistemu da se donese zaključak 
 
Testovi proporcija i varijansi: Jedan uzorak 
 
Imamo binomni eksperiment i broj uspjeha X. Testiramo hipotezu da je ​ proporcija uspjeha 
jednaka nekoj ​ zadanoj vrijednosti ​ ­ p​ = p [p ­ parametar binomne distribucije]. 
0 ​
 
Alternativna hipoteza može biti ​ jednostrana ili dvostrana. 
 
H​ : p​
0​ = p 
0 ​
H​ : p < p​
1​ , p > p​
0​ , p != p​
0​ 0 
 
Odluku baziramo na ​ slučajnoj promjenljivoj X ­ ​ ako je ona daleko od očekivanog np​ onda 
0​
hipotezu odbacujemo, u suprotnom je prihvatamo. 
 
X je diskretna pa je zbog toga teško formirati kritičnu regiju. To je razlog zbog kojeg 
koristimo P­vrijednot.  
 
  
Uputsvo iznad vrijedi za dvosmjerni test, dok za jednosmjerni koristimo analogno, samo je 
razlika P vrijednost: 

 
Odnosno X <= x, u zavisnosti od alternativne hipoteze. 
 
Testovi proporcija i varijansi: Dva uzorka ­ testiranje dvije proporcije 
 
Testiramo da li su proporcije jednake ­ p​ = p​
1 ​ 2​ što predstavlja našu nul­hipotezu. Alternativne 
hipoteze mogu biti p​ < p​
1 ​ ili p​
2 ​ > p​
1 ​  ili p​
2​ != p​
1 ​ . 
2​
 
Testna statistika na osnovu koje donosimo odluku je slučajna varijabla P​ ­ P​
1 ​ . Izaberemo 
2​
dva uzorka n​ i n​
1 ​  i iz njih izračunamo tražene vrijednosti.  
2​
 
 Linearna regresija:
U statistici, linearna regresija se odnosi na svaki pristup modeliranju relacija između jedne ili
više varijabli označene sa Y, te jedne ili više varijabli označene sa X. Koristimo metod
najmanjih kvadrata. Ne procjenjujemo cijelu populaciju nego samo uzorak. Pošto su zadane
neke tačke iz populacije(uzorak) mi formiramo liniju. Nepoznate parametre treba naći tako da
je suma apsolutnih grešaka najmanja tj. tako da najbolje opisuje model.