Professional Documents
Culture Documents
Kao što smo napomenuli ukoliko postoje određene informacije o vrednostima parametra osnovnog
skupa tada se provodi postupak testiranja statističkih hipoteza.
Cilj testiranja je da se ispita prihvatljivost tvrdnji ili pretpostavki koje se tiču osobina
jednog ili više osnovnih skupova. Kao i kod ocenjivanja parametara do tačnih vrednosti se može
doći samo sveobuhvatnim posmatranjem jedinica skupa. Takođe, da bismo bili potpuno sigurni u
tačnost navedenih pretpostavki i tvrđenja morali bismo izvršiti popis. Kako to obično ne činimo,
prilikom testiranja hipoteza koristimo uzorak i na osnovu njega donosimo odluku da li su
postavljene pretpostavke prihvatljive ili nisu.
Statističke testove možemo klasifikovati na dva načina. Prema broju uzoraka koje
analiziramo testove delimo na:
Tek posle drugog svetskog rata počeo je ubrzan razvoj druge vrste testova, koji nemaju
preduslov normalnosti. U ovu grupu testova spadaju resampling testovi.U statističkoj teoriji
formulisan je veliki broj testova za različite namene, jer ne postoji jedan, „savršen“ test, koji bi
bio optimalan u svakoj mogućoj situaciji. Situacija se potpuno promenila poslednjih godina, sa
opštom dostupnošću računara i statističkih softvera. Zbog toga se naglasak stavlja, ne na puku
primenu nekog testa, već na ispitivanje preduslova na kojima se test zasniva i interpretaciji
rezultata.
Postupak testiranja hipoteze primenom pristupa zasnovanog na
kritičnoj vrednosti
Treba posebno naglasiti da su drugi i peti korak izuzetno važni. Preskakanje drugog koraka,
posledica je upotrebe neodgovarajućeg testa, a pogrešnim tumačenjem rezultata u petom koraku
može se izvući pogrešan zaključak.
Primer: H0:( μ=5cm) protiv H1:( μ≠5cm). H0 je prosta hipoteza jer se tvrdi da je prosečna
dužina tačno 5 cm, dok je H1 složena hipoteza jer prosečna dužina može biti bilo koja vrednost
različita od 5 cm.
A H0 : μ = μ0 H1 : μ ≠ μ0
B H0 : μ ≤ μ0 H1 : μ > μ0
C H0 : μ ≥ μ0 H1 : μ < μ0
Prva varijanta podrazumeva dvosmerni test ili dvostrani test, dok druge dve varijante
podrazumevaju tzv. Jednosmerne testove (levostrani I desnostrani test). Ono što se u praksi ne sme
raditi je da primenimo dvosmerni test, a da nakon toga, nezadovoljni rezultatom, na istim
podacima koristimo jednosmerni test. U postupku testiranja naše uverenje formulišemo u obliku
alternativne hipoteze, a proveravamo samo nultu. Polazimo od pretpostavke da je H0 istinita i
nastojimo da na osnovu uzorka ovu pretpostavku osporimo. Alternativnu hipotezu ne
proveravamo, već je automatski prihvatamo kao istinu, ako podaci svedoče protiv nulte hipoteze.
Kod donošenja odluke o prihvatanju ili odbacivanju nulte hipoteze moguće su sledeće
greške:
Greška I vrste je verovatnoća da se odbaci hipoteza H0 kada je ona stvarno tačna i označavamo je
sa ∝ , ∝-verovatnoća greške prvog tipa i naziva se nivo ili prag značajnosti.
Mora se voditi računa da rizik greške nije isto što i greška, rizik greške je verovatnoća da ćemo
napraviti grešku. Ishodi testiranja hipoteze u statističkom premeru takođe dovode do dve
mogućnosti. Nulta hipoteza može u stvarnosti biti istinita ili neistinita. S druge strane, podaci mogu
biti ili saglasni sa H0 ili joj protivrečiti. Dakle, postoji mogućnost da podaci uzorka dovedu do
ispravne odluke i podrže istinitu hipotezu ili da ospore pogrešnu nultu hipotezu. Međutim, kako
uzorak nikada nije savršeno reprezentativan, moguća su i sledeća dva ishoda, tj. da se informacija
uzorka saglasi sa neistinitom ili protivreči istinitoj nultoj hipotezi.
Stvarno stanje
H0 je istinita H0 nije istinita
H0 se ne ispravna odluka greška II vrste-
odbacuje 1- 𝜶 β
Odluka
H0 se odbacuje greška I vrste- ispravna odluka
α 1-β
Najčešće se koristi dva nivoa značajnosti α = 0,05 ili α = 0,01, što znači da svesno unapred
prihvatamo da ćemo u proseku u 5% odnosno 1% slučajeva napraviti grešku ako se odbaciti
istinita nulta hipoteza.
Bilo za koji metod da se odlučimo nikada nećemo saznati da li smo doneli ispravnu odluku
pre svega što radimo samo sa uzorkom. Zato naše zaključke uvek moramo tumačiti tako da se
ogradimo i ukažemo na mogućnost greške.
Korak 2. Izbor testa
Optimalan izbor testa pri rešavanju postavljenog problema, uz uslov da je raspored skupa
normalan, svodi se na dva testa, ali u čak šest različitih vidova. Takođe, može se sagledati da nam
se pri testiranju aritmetičke sredine nude dve opcije, Z test i t-test. U praksi je gotovo uvek
standardna devijacija nepoznata, tako da se skoro isključivo koristi t-test. Dakle za svaki od
navedenih problema možemo koristiti jedan optimalan parametarski test.
Ako statistika testa ima normalan raspored koristićemo naravno tablice standardizovanog
normalnog rasporeda; ako ima t-raspored, kritične vrednosti nalazimo u t- tablicama. Jačina testa
je verovatnoća da se odbaci pogrešna nulta hipoteza obeležava se sa 1‒α.
Oblast odbacivanja H0 Oblast prihvatanja H0 Oblast odbacivanja H0 Oblast prihvatanja H0 Oblast odbacivanja H0
Jasno je da mora da se formuliše neki indikator koji bi merio razliku između naše
hipotetičke vrednosti i empirijske evidencije iz uzorka. Ako bi taj indikator imao malu vrednost,
ne bismo mogli da tvrdimo da je nulta hipoteza netačna. Tu razliku, zbog pre svega mernih
jedinica, potrebno je još podeliti sa standardnom greškom ocene.
• Ako je test dvosmeran, tada se posmatra apsolutna vrednost statistike testa, pa ako je ona
veća od tablične odbacuje se nulta hipoteza i usvaja alternativna.
• Ako je test jednosmeran, a alternativna hipoteza levostrana, tada statistika testa treba da
bude manja od kritične vrednosti, uz odgovarajući predznak.
• U slučaju jednosmernog ali desnostranog testa, statistika testa mora da bude veća od
tablične vrednosti da bi se nulta hipoteza odbacila.
Primer:
H0 treba odbaciti ako je |𝐳| >zα/2,
u suprotnom H0 ne treba odbaciti;
H0 treba odbaciti ako je z < - 𝒛𝜶;
u suprotnom H0 ne treba odbaciti;
H0 treba odbaciti ako je z > 𝒛𝜶 ;
u suprotnom H0 ne treba odbaciti.
Testiranje hipoteze o aritmetičkoj sredini osnovnog skupa
𝑋̅ −𝜇0
Statistika testa je: 𝑍 = : N(0;1)
𝜎𝑋
̅
Primer 1.
Rešenje:
Sprovešćemo postupak testiranja po etapama:
1. Formiramo nultu i alternativnu hipotezu:
H0 : μ = 485, H1 : μ ≠ 485, α = 0,05.
2. Biramo statistiku testa i izračunavamo njenu vrednost na osnovu uzorka:
𝑋̅ −𝜇0 478−485
𝑍= 𝜎 = 27 =-2,59.
√𝑛 √100
3. Postavljamo pravilo odlučivanja na osnovu kojeg zadržavamo ili odbacujemo nultu hipotezu.
Kako je u pitanju dvosmerni test, za dati rizik greške od 0,05 kritična oblast je:
K = (−∞;−1,96)∪(1,96;+∞)
Kako vrednost statistike testa iz uzorka pripada kritičnoj oblasti
Z = −2,59∈K , možemo zaključiti da nultu hipotezu ne prihvatamo sa rizikom 5 %.
𝑋̅ −𝜇0 𝑋̅ −𝜇0
Statistika testa: 𝑡 = = 𝑆𝑛 .
𝑆𝑋
̅
√𝑛
B:H0 treba odbaciti ako je t > tn-1 ;α; u suprotnom H0 ne treba odbaciti;
C:H0 treba odbaciti ako je t < ‒ tn-1 ;α; u suprotnom H0 ne treba odbaciti.
Primer 2.
Potrebno je da procenat vlažnosti smokava pri sušenju bude manje od 10%. Na osnovu
uzorka od 20 kg izmereni procenat vlažnosti je 12,2%, sa standardnom devijacijom od 1,2%. Sa
rizikom od 5% proveriti da li je zadovoljen uslov o procentu vlažnosti.
Rešenje:
𝑋̅ −μ 12,2−10
𝑡= 𝑆𝑛 = 1,2 = 8,20.
√𝑛 √20
3. Kako je u pitanju jednosmerni test, za dati rizik greške od 0,05 I broj stepeni slobode n-1 čitamo
iz t-raspodele vrednost kritične tačke je t19;0,05=1,7291, sledi