Professional Documents
Culture Documents
Popović
MATEMATIČKA STATISTIKA
2
Sadržaj
2 OCENE PARAMETARA 29
2.1 Tačkaste ocena parametara . . . . . . . . . . . . . . . . . . . 29
2.1.1 Definicija i osobine tačkastih ocena . . . . . . . . . . . 30
2.1.2 Nejednakost Rao-Kramera . . . . . . . . . . . . . . . . 32
2.1.3 Uniformno najefikasnije ocene. Kompletnost . . . . . 36
2.2 Neki metodi tačkastog ocenjivanja . . . . . . . . . . . . . . . 41
2.2.1 Metod maksimalne verodostojnosti . . . . . . . . . . . 41
2.2.2 Metod momenata . . . . . . . . . . . . . . . . . . . . . 44
2.3 Intervali poverenja . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4 Zadaci za vežbu . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3
4
Literatura 113
Glava 1
ELEMENTI
MATEMATIČKE
STATISTIKE
5
6 Glava 1. ELEMENTI MATEMATIČKE STATISTIKE
X = (X1 , X2 , . . . , Xn ),
pri čemu je, kao i kod obeležja X, za proučavanju ovog slučajnog vektora
poželjno poznavati njegovu raspodelu. U najjednostavnijem slučaju, kada su
sve komponente vektora X nezavisne slučajne veličine sa istom raspodelom
kao i obeležje X, vektor X nazivamo prostim slučajnim uzorkom.1
S druge strane, realizaciju vektora X po obavljenom eksperimentu opi-
saćemo vektorom
x = (x1 , x2 , . . . , xn ).
On, dakle, predstavlja realizovane vrednosti uzorka X, pa vektor x zovemo
realizovani uzorak. Verovatnoća realizacije uzorka x odred̄ena je raspode-
lom slučajnog vektora X. U slučaju prostog slučajnog uzorka, pri ranije uve-
denim oznakama, ovu raspodelu opisujemo zajedničkom gustinom vektora
X, tj. funkcijom oblika
n
Y
fX (x1 , . . . , xn ; θ) = f (xi ; θ). (1.1)
i=1
1
Nadalje, ukoliko nije drugačije naglašeno, posmatramo isključivo takve uzorke.
Uvod u terminologiju 9
6, 7, 6, 8, 7, 8, 8, 7, 6, 8, 9, 8, 8, 10, 6, 8, 7, 8, 7, 9.
X : ”Ocena iz Statistike”.
K ≈ 1 + 3, 32 log N,
165, 176, 180, 172, 181, 186, 185, 156, 190, 178, 160, 169, 178, 182, 191,
175, 176, 167, 183, 180, 195, 177, 162, 182, 204, 188, 175, 176, 178, 166,
odakle zaključujemo da visinu ispitanika treba posmatrati kao neprekidno obeležje. Pri-
menom Šturgesovog pravila, odredimo najpre ukupan broj intervalnih klasa
K ≈ 1 + 3, 32 log 30 ≈ 6.
Visina Broj
ispitanika (x) ispitanika (f )
156–163 3
164–171 4
172–179 10
180–187 9
188–195 3
196P i više 1
30
χ2 raspodela
= (1 − 2it)−n/2 .
Stjudentova t raspodela
1
h1 (t) = .
π(1 + t2 )
Ovo je, kao što znamo, gustina slučajne promenljive sa Košijevom raspode-
lom.
U = Φ(X1 , X2 , . . . , Xn ).
X = (X1 , X2 , . . . , Xn ),
Kao što smo već istakli, važan deo teorijske, matematičke statistike, ali i
statistike, uopšte, jesu funkcije uzorka koje možemo opisati na sledeći način.
Sredina uzorka
Dokaz. Označimo sa
ϕ(t) = E eitX , ϕn (t) = E eitX n
Disperzija uzorka
pri čemu, slično kao kod sredine uzorka X n , od posebnog interesa jeste
2
nalaženje raspodele za S n u slučaju normalne raspodele obeležja X, odnosno
uzoračkih komponenti Xk , k = 1, . . . , n. U tom slučaju pokazuje se da su
2
statistike X n i S n nezavisne2 , kao i da važi
Teorema 1.2.2. Ako obeležje X ima normalnu N (µ, σ 2 ) raspodelu, onda
2
nS n
(a) slučajna promenljiva ima χ2n−1 raspodelu;
σ2
Xn − µ √
(b) slučajna promenljiva n − 1 ima Stjudentovu tn−1 raspodelu.
Sn
2
Ova činjenica posledica je opštijeg tvrd̄enja koje se odnosi na linearne kombinacije
normalno raspodeljenih slučajnih promenljivih. Detalje o tome čitalac može naći, recimo,
u Merkle [9], strana 154.
18 Glava 1. ELEMENTI MATEMATIČKE STATISTIKE
Odavde sledi da je
n 2 2
X Xk − µ 2 nS Xn − µ
= 2n + √ ,
σ2 σ σ/ n
k=1
Posebno ističemo još jednu važnu statistiku uzorka, koju ćemo često
koristiti u daljem radu.
1, ω ∈ Ai
IAi (ω) =
0, ω ∈
6 Ai ,
S tim u vezi, važno je istaći još jedan rezultat koji se odnosi na obeležja
apsolutno–neprekidnog tipa.
tj. važi X : U[0, 1]. Samim tim, raspodela statistike (1.8) zavisi samo od
raspodele slučajnih promenljivih Uk = F (Xk ) sa uniformnom raspodelom,
a ne i od raspodele obeležja X.
Y1 ≤ Y2 ≤ . . . ≤ Yn .
y1 ≤ y2 ≤ . . . ≤ yn .
za svako x ∈ R imamo
k
Gk (x) = P {Yk < x} = P {Y1 < x, . . . , Yk < x} = P Fn (x) ≥ =
n
Xn n
X n
= P {nFn (x) = i} = (F (x))i (1 − F (x))n−i .
i
i=k i=k
Rešenje:
odnosno
5
1 X 2 331
s225 = xi fi − x225 = − 3, 482 = 1, 13. ✷
25 i=1 25
36, 42, 38, 44, 50, 56, 52, 39, 41, 40, 28, 62, 45, 45, 37,
60, 38, 43, 35, 50, 46, 66, 70, 33, 42, 32, 54, 45, 36, 54.
Rešenje:
Zadatak 1.6. Neka je (X1 , X2 ) prost slučajan uzorak obeležja X čija je gustina
2x, 0 < x < 1;
f (x) =
0, inače.
Naći raspodelu aritmetičke sredine X n ovog uzorka i verovatnoću P X n ≤ 12 .
Rešenje:
Slično kao u prethodnom poglavlju (videti, recimo, zadatak ??) možemo uvesti
transformaciju
(
1
U = (X1 + X2 ) X1 = 2U − V
2 ⇐⇒ ,
V = X2 X2 = V
pri čemu je
0 ≤ 2u − v ≤ 1 v/2 ≤ u ≤ (v + 1)/2
⇐⇒
0≤v≤1 0 ≤ v ≤ 1.
Rešenje:
28 Glava 1. ELEMENTI MATEMATIČKE STATISTIKE
gde je
0,
Rx 4 x≤0 0, x≤0
5
FXi (x) = P {Xi < y} = 5t dt, 0 < x ≤ 1 = x , 0 <x≤1
0
1, x>1 1, x > 1.
Dakle, važi
0, y≤0
FY (y) = y 15 , 0 < y ≤ 1
1, y > 1,
a odavde diferenciranjem dobijamo odgovarajuću gustinu
15y 14 , 0 ≤ y ≤ 1
fY (y) =
0, inače.
OCENE PARAMETARA
Kao što smo već istakli, osnovni zadatak matematičke statistike jeste
nalaženje raspodela odred̄enog obeležja. Ako se, na bilo koji način, može
pretpostaviti da posmatrano obeležje pripada nekoj od familija dopustivih
raspodela, onda se problem odred̄ivanja nepoznate raspodele za obeležje X
znatno pojednostavljuje, jer se svodi na odred̄ivanje tačne vrednosti parame-
tra θ. Naravno, statističkim metodima ne možemo naći tačnu vrednost za
θ, već nepoznati parametar ocenjujemo na osnovu uzorka. Tačkasto oce-
njivanje jeste jedan od osnovnih načina da se ”prava” vrednost nepoznatog
parametra odredi približno, sa odred̄enom tačnošću.
29
30 Glava 2. OCENE PARAMETARA
Primer 2.1.2. Neka je dato obeležje X koje ima konačnu disperziju θ = D(X). Kao ocena
2
ovog parametra najčešće se koristi uzoračka disperzija S n . Ipak, ona nije nepristrasna
ocena za θ, jer u ovom slučaju imamo
2 1X
n 2
E(S n ) = E(Xi2 ) − E X n =
n i=1
n
!
2 1 X
= E(X ) − E Xi Xj =
n2 i,j=1
n
1 X 1 X
= E(X 2 ) − 2
E (Xi ) E (Xj ) − 2 E(Xi2 ) =
n i6=j n i=1
n−1 n−1
= E(X 2 ) − [E(X)]2 = D(X).
n n
Tačkaste ocena parametara 31
si
Štaviše, na osnovu zakona velikih brojeva Kolmogorova, sledi X n −→ θ kada n → ∞.
Dakle, sredina uzorka je (strogo) postojana ocena za matematičko očekivanje θ obeležja
X. ✷
Kao što smo već istakli, stepen efikasnosti ocena nepoznatog parametra
meri se njihovom disperzijom. U nekim slučajevima moguće je naći tzv.
donju granicu efikasnosti nepristrasnih ocena. U tu svrhu, uvodimo najpre
definiciju tzv. regularne familije gustina raspodele za jednodimenzionalni
parametar.
n
X ∂ ln f (xk ; θ)
Ako označimo Zn = , onda prethodnu jednakost možemo
∂θ
k=1
kraće napisati kao
E(Yn Zn ) = 1. (2.4)
n Xn
X ∂ ln f (Xk ; θ) ∂ ln f (Xk ; θ) 2 ∂ ln f (X; θ) 2
D(Zn ) = D = E = nE .
∂θ ∂θ ∂θ
k=1 k=1
odnosno
1
D(Yn ) ≥ 2 ,
∂ ln f (X; θ)
nE ∂θ
Dakle, familija Puasonovih P(θ) raspodela zadovoljava uslov regularnosti (2.3). Slično,
imamo
2 X∞ 2 θ x
∂ ln f (X; θ) x
E = e−θ −1 =
∂θ k=0
θ x!
∞ ∞ ∞
!
−θ
X θx−2 X θx−1 X θx
= e x −2 + =
(x − 1)! (x − 1)! x!
k=1 k=1 k=0
∞ ∞
!
−θ
X θx−2 X θx−2 θ θ
= e + − 2e + e =
k=2
(x − 2)! k=1 (x − 1)!
∞
!
−θ θ
X θx−2 θ
= e e + −e =
(x − 1)!
k=1
∞
X
e −θ
θx−1 1
= = ,
θ (x − 1)! θ
k=1
S druge strane, sredina uzorka X n je nepristrasna ocena za θ (pokazali smo ranije), pri
čemu u slučaju Puasonove raspodele važi
n
! n
1X 1 X 1 θ
D(X n ) = D Xk = 2 D(Xk ) = nθ = .
n k=1 n k=1 | {z } n2 n
θ
Znači, sredina uzorka dostiže donju granicu po Rao-Krameru, tj. zaista predstavlja naje-
fikasniju ocenu parametra θ. ✷
f (x, y)
gde je f (y|x) = uslovna gustina raspodele slučajne promenljive Y u
fX (x)
odnosu na X.
Primetimo da, za razliku od ”običnog” očekivanja E(Y ), uslovno matema-
tičko očekivanje E(Y |X) predstavlja funkciju slučajne promenljive X. Zato
ćemo često pisati
def
U(X) = E(Y |X).
Ipak, slično kao kod ”običnog” matematičkog očekivanja, i ovde se mogu
pokazati sledeće osobine funkcije U(X).
Teorema 2.1.3. Neka su X, Y proizvoljne slučajne promenljive, pri čemu
je E(Y 2 ) < +∞. Tada važi
si
(i) E(Y + Z | X) = E(Y | X) + E(Z | X);
si
(ii) E(αY | X) = αE(Y | X), α ∈ R;
2
U daljem tekstu ove ocene zvaćemo, jednostavno, najboljim ocenama parametra θ.
38 Glava 2. OCENE PARAMETARA
si
(iii) |E(Y | X)| ≤ E (|Y | | X) ;
si
(iv) [E(Y | X)]2 ≤ E Y 2 | X .
3
Videti, recimo, B. Mirković [10].
Tačkaste ocena parametara 39
0 = u(0)θ0 (1 − θ)1 + u(1)θ1 (1 − θ)0 = u(0) − θu(0) + u(1)θ = (u(1) − u(0))θ + u(0).
odakle lako nalazimo da je u(0) = u(1) = 0. Znači, gore navedena familija raspodela jeste
kompletna. ✷
{g(y; θ) | θ ∈ Θ} (2.10)
Dokaz. Na osnovu teoreme 2.1.7 statistika U(Y ) jeste najbolja ocena parme-
tra θ. Pretpostavimo sada, suprotno tvrd̄enju teoreme, da sem funkcije U(x)
postoji još neka funkcija V(x) takva da je V(Y ) ∈ H(θ) nepristrasna, uni-
formno najefikasnija ocena parametra θ. Tada je
E [U(Y ) − V(Y )] = E [U(Y )] − E [V(Y )] = θ − θ = 0.
Kako je (2.10) kompletna familija, to znači da je, skoro sigurno,
U(Y ) − V(Y ) = 0 ⇐⇒ U(Y ) = V(Y ).
{f (x; θ), θ ∈ Θ}
pa je µ
bnk strogo postojana ocena za µk . Slično se pokazuje nepristrasnost i
postojanost centralnih momenata γbnk .
46 Glava 2. OCENE PARAMETARA
θb = X n .
takve da je
P {θb1 ≤ θb2 } = 1 i P {θb1 ≤ θ ≤ θb2 } = β.
interval poverenja za µ je
σ σ
Iµ = X n − zβ/2 √ ; X n + zβ/2 √ . (2.13)
n n
Primetimo da širina ovog intervala iznosi 2zβ/2 √σn i nije slučajna veličina.
Takod̄e, vidi se kako se povećanjem obima uzorka n interval sužava, jer
njegova širina konvergira ka nuli.
Primer 2.3.1. U uzorku od 250 kupaca u samoposluzi srednja vrednost novca koji su
potrošili iznosi X = 720 dinara sa devijacijom σ = 20 dinara. Odrediti 95% interval
poverenja za prosečnu vrednost kupovine kupaca.
Rešenje: Ovde je β = 0, 95, pa treba najpre naći vrednost zβ/2 takvu da je
1+β
F (zβ/2 ) = = 0, 975.
2
Iz Tablice 2. nalazimo da je zβ/2 = 1, 96, pa prema (2.13) interval poverenja tada glasi
σ σ
X n − zβ/2 √ ≤ µ ≤ X n + zβ/2 √
n n
48 Glava 2. OCENE PARAMETARA
20 20
720 − 1, 96 · √ ≤ µ ≤ 720 − 1, 96 · √
250 250
717, 52 ≤ µ ≤ 722, 48.
Dakle, sa pouzdanošću od 95% tvrdimo da se prosečna vrednost kupovine kupaca nalazi
u intervalu od 717,52 do 722,48 dinara. △
Xn − µ √
tn−1 = n − 1,
Sn
koja, kao što znamo, ima Stjudentovu raspodelu sa n − 1 stepeni slobode.
Iz Tablice 2. tada nalazimo vrednost tn−1;1−β takav da je
P {|tn−1 | ≤ tn−1;1−β } = β.
E(b
p) = p,
1 p(1 − p)
D(b
p) = 2
D(Sn ) = .
n n
pb − p Sn − np
Z∗ = q =p Ñ (0, 1).
p(1−p) np(1 − p)
n
1+β
P |Z ∗ | ≤ zβ/2 = β, odnosno F (zβ/2 ) = .
2
Dakle, imamo da je, aproksimativno,
( )
S − np
n
P p ≤ zβ/2 = β,
np(1 − p)
odnosno
(Sn − np)2 2
P ≤ zβ/2 = β.
np(1 − p)
Kako je
n o
(Sn − np)2 2
≤ zβ/2 = (n2 + nzβ/2
2
)p2 − (2nSn + nzβ/2
2
)p + Sn2 ≤ 0 ,
np(1 − p)
Ip = [b
p1 (Sn ); pb2 (Sn )] , (2.15)
gde su pb1 (Sn ) i pb2 (Sn ), redom, manji i veći koren jednačine
(n2 + nzβ/2
2
)p2 − (2nSn + nzβ/2
2
)p + Sn2 = 0. (2.16)
50 Glava 2. OCENE PARAMETARA
Primer 2.3.2. Unutar uzorka od 100 polaznika auto-škola u jednom gradu registrovano
je 32 žena. Sa pouzdanošću 0,99 oceniti učešće žena u svim auto-školama tog grada.
Rešenje: Kako je β = 0, 99, iz Tablice 2. nalazimo vrednost zβ/2 = 2, 58 takvu da je
1+β
F (zβ/2 ) = = 0, 995.
2
Zamenom ove vrednosti, kao i poznatih vrednosti n = 100, Sn = 32 u jednačinu (2.16),
dobijamo
10 655, 36p2 − 7 055, 36p + 1024 = 0.
Rešenja ove jednačine pb1 = 0, 2149, pb2 = 0, 4473 predstavljaju krajeve traženog intervala,
tj. sa pouzdanošću od 99% važi
0, 2149 ≤ p ≤ 0, 4473.
Rešenje:
Iz uslova
∂L(x1 , x2 , . . . , xn )
= 0,
∂p
imamo
n
pb = P
n .
xi
i=1
Rešenje:
Kako je
+∞
Z
√ 2 √ − 2 √x
E( X) = xe a dx = a,
a2
0
imamo !
1 X p
n n
1 Xp
E(b
a) = E Xk = E Xk = a,
n n
k=1 k=1
pa je b
a centrirana ocena. Ispitajmo sada njenu efikasnost. Najpre imamo da je
2√
ln f (x; a) = ln 2 − 2 ln a − x,
a
odakle sledi
∂ ln f (x; a) 2 2√
= − + 2 x.
∂a a a
Fišerova količina informacija iznosi
2 +∞
Z
∂f (x; a) 2 2√ 2 − 2 √x 2n
nE = − + 2 x 2
e a dx = 2 ,
∂a a a a a
0
Kako je
1 X p √
n
1 a2
D(b
a) = 2 D Xk = 2 · n · D X = ,
n n 2n
k=1
zaključujemo da ocena b
a zaista predstavlja najefiksaniju ocenu za a. ✷
Rešenje:
Funkcija verodostojnosti je
n
Y α n Yn α+1
c
L(x1 , x2 , . . . , xn ; α) = f (xi ) = ,
i=1
c i=1
xi
pa je
Xn
α c
ln L = n ln + (α + 1) ln .
c i=1
xi
Iz jednačine
Xn
∂ ln L n
= + n ln c − ln xi = 0
∂α α i=1
Dalje, imamo
+∞
Z
n 1 1
E(b
α) = E P
= nE P =n fY (y)dy,
n n y
ln xci ln xci −∞
i=1 i=1
gde je
n
X Xi
Y = ln .
i=1
c
54 Glava 2. OCENE PARAMETARA
Ako označimo sa
Xi
Zi = ln , i = 1, . . . , n,
c
onda važi
′
fZi (z) = fXi (cez )(cez ) = αcα (cez )−(α+1) cez = αe−αz , z > 0.
Dakle,
y n−1
fY (y) = αn e−αy , y > 0,
(n − 1)!
pa dobijamo
+∞
Z
nαn 1 n−1 −αy nα
E(b
α) = y e dy = .
(n − 1)! y n−1
0
Znači, ocena α
b nije centrirana. ✷
Rešenje:
b= n b = nλ
λ n
P , E(λ) ,
n−1
ln xi
i=1
Rešenje:
Zadaci za vežbu 55
Važi
1
Xi : E , i = 1, . . . , n,
a
pa je funkcija verodostojnosti
n
P
Yn xi
1 − xi 1 i=1
L(x1 , x2 , . . . , xn ; a) = e a = n e− a .
i=1
a a
Rešenje:
Kako je
n
P
Q
n 1
−λ xi
x2i e i=1
i=1
L(x1 , . . . , xn ; λ) = ,
2n λ3n
iz jednačine verodostojnosti
n
∂L(x1 , . . . , xn ; λ) 1 X 3n
= 2 xi − ,
∂λ λ i=1 λ
zaključujemo da je
X n
b= 1
λ xi .
3n i=1
56 Glava 2. OCENE PARAMETARA
Osim toga,
Z
+∞ x
b = 1 E(X) = 1 x2 e− λ x
E(λ) x dx = λ, ( smena = t),
3 3 2λ3 λ
0
pa je ocena centrirana. ✷
Rešenje:
Kako je
n
P
xi −na
1 i=1
L(x1 , x2 , . . . , xn ; a, b) = n e− b , xi > a,
b
imamo
P
n
xi − na
∂ ln L n ∂ ln L n i=1
= > 0, =− + .
∂a b ∂b b b2
Odavde dobijamo
P
n
xi
bb = −b i=1
a = min{xi }
b i a+ .✷
i n
2, 19, 0, 38, 1, 41, 0, 49, 1, 87, 0, 68, 0, 16, 0, 68, 0, 45, 0, 38.
Rešenje:
n
∂l n 1 X
= − + (xi − µ)2 = 0.
∂σ 2 2σ 2 2(σ 2 )2 i=1
b = 0, 869, σ 2 = 0, 424. ✷
Za dati uzorak je µ
Rešenje:
(a) Imamo da je
1 −|x1 −a|−|x2 −a|
L(x1 , x2 ; a) =
e .
4
Funkcija L dostiže maksimum za one a za koje funkcija
imamo da je
a = λx1 + (1 − λ)x2 , λ ∈ [0, 1].
b
Dakle, dobijena ocena nije jedinstvena.
(b) Kako je
X1 + X2
E =a
2
X1 +X2
ocena Y = 2 jeste centrirana. ✷
Zadatak 2.11. Iz obeležja sa raspodelom
−2 0 7
X: ,
θ/5 θ/5 1 − 2θ/5
gde je θ ∈ (0, 25 ) nepoznati parametar, izvučen je uzorak (0, −2, 7, −2). Naći ocenu
za θ koristeći metod momenata.
Rešenje:
16θ
Kako je E(X) = 7 − , izjednačavanjem momenata E(X) ≈ X n dobijamo
5
16θ 5
Xn ≈ 7 − , tj. θb = (7 − X n ).
5 16
Zadaci za vežbu 59
Zadatak 2.12. Ako je θ > 0 nepoznati parametar obeležja X : U(0, θ), koristeći
metod momenata naći ocenu za θ. Ispitati zatim centriranost i efikasnost dobijene
ocene, kao i kompletnost date familije dopustivih raspodela.
Rešenje:
1
Kako je familija dopustivih raspodela f (x; θ) = θ, 0<x<θ
, to imamo
0, inače
da je
Zθ
x θ
E(X) = dx = .
θ 2
0
b = θ, b = 4D(X n ) = 4 θ2
E(θ) D(θ) D(X) = .
n 3n
Dokažimo sada da je familija {f (x; θ) | θ > 0} kompletna. Neka je
Zθ
1
E(u(X)) = u(x)dx = 0,
θ
0
Rešenje:
kao i činjenice da funkcija ϕ(p) = p(1 − p) ima maksimum, koji je jednak 14 i koji
se dostiže za p = 12 .
1
Iz uslova 1 − 4nε 2 = 0, 99, za n = 1 000 dobijamo ε ≈ 0, 316. Dakle, dužina
Rešenje:
1
x100 = (2 · 14 + 4 · 20 + 6 · 30 + 8 · 24 + 10 · 12) = 6,
100
dok je disperzija uzorka
1
s2100 = (4 · 14 + 16 · 20 + 36 · 30 + 64 · 24 + 100 · 12) − 36 = 5, 92,
100
√
odakle sledi da je s100 = 5, 92 = 2, 433. Interval poverenja je oblika
sn sn
xn − tn−1,α · √ ; xn + tn−1,α · √ ,
n−1 n−1
Rešenje:
1
1 1 b−
µ
Kako je E(X) = , D(X) = 2 , slučajna promenljiva λ ima približno
λ λ 1
√
λ n
N (0, 1) raspodelu. Za traženi interval se dobija [0, 69; 0, 97]. ✷
62 Glava 2. OCENE PARAMETARA
Glava 3
TESTIRANJE
STATISTIČKIH HIPOTEZA
63
64 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
(x1 , . . . , xn ) ∈ C =⇒ H0 se odbacuje
(x1 , . . . , xn ) ∈
/ C =⇒ H0 se prihvata.
φ(x1 , . . . , xn ) ∈ C =⇒ H0 se odbacuje
φ(x1 , . . . , xn ) ∈
/ C =⇒ H0 se prihvata.
Stvarno stanje → H0 H1
Odluka
↓ .
H0 1−α β
H1 α 1−β
Kvalitet samog testa biće utoliko bolji ukoliko se odabere kritična oblast
C takva da verovatnoće nastanka obeju grešaka, α i β, budu što je moguće
manje. Na žalost, ovaj zahtev nije ispunjen u opštem slučaju, jer smanjivanje
vrednosti α dovodi do povećanja vrednosti β, i obratno. Zato se, kao opšte
prihvaćen princip testiranja primenjuje sledeći postupak:
(i) Zadaje se, unapred, vrednost praga značajnosti α (najčešće α = 0, 01
ili α = 0, 05).
(ii) Unutar familije skupova S = {S ⊆ Rn | PH0 {X ∈ S} = α} odred̄uje se
onaj skup C ∈ S za koji je
PH1 {X ∈
/ C} = min PH1 {X ∈
/ S}. (3.1)
S∈S
odnosno, ekvivalentno,
Z Z Z Z
L(θ1 ) ≥ L(θ1 ) ⇐⇒ L(θ1 ) − L(θ1 ) ≥ 0. (3.2)
C S C S
pri čemu smo naglasili da verovatnoća nastanka greške druge vrste β zavisi
od vrednosti θ 6= θ0 . Nasuprot funkciji moći sada možemo formulisati sledeći
pojam.
Definicija 3.2.2. Operativna karakteristika testa je funkcija N (θ) koja
za svako θ ∈ Θ daje verovatnoću suprotnu funkciji moći, tj.
N (θ) = 1 − M (θ) = Pθ X ∈/C .
70 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
( n
)
L(θ0 ) 1X 2 2
Q(x1 , . . . , xn ) = = exp − [(xi − θ0 ) − (xi − θ) ] , θ 6= θ0 .
L(θ) 2 i=1
jeste najbolja kritična oblast za testiranje nulte proste protiv svake alternativne proste
hipoteze sadržane u alternativnoj složenoj hipotezi. S druge strane, za θ1 < θ0 najbolja
kritična oblast biće odred̄ena sa
n
X n ln k
xi ≤ (θ1 + θ0 ) − .
i=1
2 θ1 − θ0
Znači, najbolja kritična oblast nije jedinstveno odred̄ena, tj. ne postoji uniformno na-
jmoćnija kritična oblast, iako se za svako θ1 6= θ0 može odrediti najbolja oblast za testi-
ranje H0 (θ = θ0 ) protiv H1 (θ = θ1 ). ✷
b = max L(θ; x1 , . . . , xn ),
L(Λ) b = max L(θ; x1 , . . . , xn ).
L(Θ)
θ∈Λ θ∈Θ
Izraz
b
L(Λ)
Q(x1 , . . . , xn ) = (3.6)
b
L(Θ)
naziva se količnik verodostojnosti i predstavlja uopštenje istoimenog po-
jma koji smo definisali ranije. Primetimo da statistika Q(X1 , . . . , Xn ) uz-
ima vrednosti iz intervala [0, 1], pri čemu je u slučaju validnosti hipoteze
H0 ”za očekivati” da je Q ≈ 1. Naime, tada je stvarna vrednost parametra
θ0 ∈ Λ, pa su obe MV-ocene L(Λ) b i L(Θ) b ”bliske” med̄usobom. S druge
strane, manje vrednosti za Q(x1 , . . . , xn ) ukazuju na to da je prava vrednost
72 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
parametra θ0 ∈ / Λ, tj. one će biti kritične za hipotezu H0 . Zato će kritična
oblast testa količnika verodostojnosti biti oblika
C = {(x1 , . . . , xn ) | Q(x1 , . . . , xn ) ≤ kα } ,
max L(µ, σ; x1 , . . . , xn )
µ≤µ0
Q(x1 , . . . , xn ) = , (3.8)
max L(µ, σ; x1 , . . . , xn )
µ∈R
gde je ( n )
1 X (xi − µ)2
L(µ, σ; x1 , . . . , xn ) = √ exp − .
(σ 2π)n i=1
2σ 2
Odavde dobijamo
( n
)
X (xi − µ)2
max √1 exp −
µ≤µ0 (σ 2π)n 2σ 2
i=1
Q(x1 , . . . , xn ) = ( n
),
X (xi − µ)2
max (σ √12π)n exp −
µ∈R
i=1
2σ 2
pa ostaje, kao poseban problem, nalaženje maksimuma koji se javljaju u datom količniku.
Ekstremum u imeniocu nalazi se standardnim postupkom maksimalne verodosto-
jnosti, tj. nalaženjem parcijalnih izvoda odgovarajuće funkcije verodostojnosti po µ, σ
i njihovim izjednačavanjem sa 0 (videti, recimo, zadatak 2.8). Na taj način, dobijaju se
ocene v v
u n u n
u1 X u1 X
µ
b = xn , σ
b= t b) = t
(xi − µ 2 (xi − xn )2 = S n .
n i=1 n i=1
n
X n
X
(xi − xn + xn − µ0 )2 (xi − xn )2 + n(xn − µ0 )2
i=1 ′ i=1 ′
⇐⇒ n ≥ kα ⇐⇒ n ≥ kα
X X
(xi − xn )2 (xi − xn )2
i=1 i=1
(xn − µ0 )2 ′ xn − µ0 ′′
⇐⇒ 1+ n ≥ kα ⇐⇒ v ≥ kα
1 X u X n
(xi − xn ) 2 u1
n i=1 t (xi − xn )2
n i=1
xn − µ0 √
⇐⇒ n − 1 ≥ cα ⇐⇒ tn−1 ≥ cα .
Sn
Dakle, kritična oblast testa je C = [cα ; +∞), pri čemu statistika testa, pod prepostavkom
tačnosti hipoteze H0 , ima Stjudentovu tn−1 raspodelu. (Čitaocu skrećemo posebnu pažnju
na ovaj rezultat, jer ćemo ga koristiti kasnije kod parametarskih testova.) ✷
b
L(Λ)
−2 ln Q(X1 , . . . , Xn ) = −2 ln
b
L(Θ)
Ovde je, kao i obično, kα kritična vrednost testa koju odred̄ujemo iz uslova
n o
Pθ0 θ̂n (X) − θ0 ≥ kα = α,
X n − µ0
Z= √ .
σ/ n
Ukoliko je hipoteza H0 tačna, raspodela ove statistike je takod̄e normalna
N (0, 1) raspodela. Tada, u zavisnosti od vrste testa, odnosno izbora alter-
nativne hipoteze, kritičnu oblast odred̄ujemo na sledeći način:
H0 H1 Kritična
oblast
za H0
xn −µ0
µ = µ0 µ 6= µ0 σ/ n ≥ zα/2
√
xn −µ .
µ ≤ µ0 µ > µ0 √ 0 ≥ zα
σ/ n
xn −µ
µ ≥ µ0 µ < µ0 √ 0 ≤ −zα
σ/ n
76 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
Slika 3.1: Testiranje srednje vrednosti µ u slučaju dvostranog testa (a) i jednos-
tranih testova (b) i (c).
Primer 3.3.1. Proizvodač guma tvrdi da je prosečan vek trajanja njegovih prozvoda
veći od 40 000 km, uz odstupanje od 5 000 km. U uzorku od 150 guma prosečna dužina
pred̄enog puta iznosi 40 700 km. Ispitati sa rizikom od 0,05 tvrdnju proizvodača.
z = 1, 71 > zα = 1, 645,
H0 H1 Kritična
oblast
za H0
xn√−µ0
µ = µ0 µ 6= µ0 sn / n−1 ≥ tn−1;α/2
xn√
−µ0 .
µ ≤ µ0 µ > µ0 sn / n−1
≥ tn−1;α
xn√−µ0
µ ≥ µ0 µ < µ0 sn / n−1
≤ −tn−1;α
Primer 3.3.2. Prost slučajan uzorak od 26 kugličnih ležajeva dao je sledeće rezultate:
X n − m0 √
Z= · n
Sn
koja ima približno N (0, 1) raspodelu. Postupak testiranja tada se vrši pri-
menom ranije navedenog Z-testa. U praksi se ova aproksimacija obično
primenjuje za uzorak čiji je obim n ≥ 30.
(a) H0 (p = p0 ) protiv H1 (p 6= p0 );
koja ima približno N (0, 1) raspodelu. Tada, kao i kod prethodne grupe
testova, za svaki od testova parametra p = p0 razlikujemo sledeće kritične
oblasti reda α:
Parametarski testovi 79
H0 H1 Kritična oblast za H0
p = p0 p 6= p0 |z ∗ | ≥ zα/2
.
p ≤ p0 p > p0 z ∗ ≥ zα
p ≥ p0 p < p0 z ∗ ≤ −zα
H0 H1 Kritična oblast za H0
σ 2 = σ02 σ2 =6 σ02 χ2n ≤ χ2n;1−α/2 ∨ χ2n ≥ χ2n;α/2
.
σ 2 ≤ σ02 σ 2 > σ02 χ2n ≥ χ2n;α
σ 2 ≥ σ02 σ 2 < σ02 χ2n ≤ χ2n;α
ns210 10 1
= · 522 + 2 · 552 + 562 + 572 + 2 · 582 + 602 + 612 + 622 = 9, 38.
σ2 9 10
Kako je χ29;0,05 = 16, 919, kritična oblast testa je C = [16, 919; +∞). Dakle, 9, 38 ∈
/ C, pa
H0 ne odbacujemo, tj. uz rizik od 5% tvrdimo da proizvod odgovara standardu. ✷
Ova grupa statističkih testova, kao što se vidi iz njihovog naziva, zas-
novana je na proverama hipoteza koje se ne odnose direktno na parametre
date raspodele. Još jedna bitna karakteristika neparametarskih testova jeste
da njihove test statistike ne zavise od raspodele posmatranog obeležja, pa
na taj način ovi testovi imaju slabije zahteve od onih koji su u vezi sa
parametarskim testovima. Po svojoj prirodi, dva osnovna problema čijim se
rešavanjem bave ovi testovi jesu provere saglasnosti empirijskih i teoretskih
raspodela, odnosno provere nezavisnosti dva ili više obeležja. To su i osnovni
problemi kojima se bavimo u ovom odeljku.
H0 : F (x) = F0 (x), x ∈ R.
82 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
Kritičnu vrednost
dn,α = P {Dn ≥ dn,α },
kao granicu kritične oblasti za zadati prag značajnosti α, odred̄ujemo iz
Tablice 6. za vrednosti raspodele Kolmogorova. Dakle, pravilo testiranja i
kritična oblast tada glase:
H0 H1 Kritična oblast za H0
F = F0 6 F0
F = dn ≥ dn,α
Primer 3.4.1. Vek trajanja elektronske cevi posmatran je na uzorku od 60 takvih cevi i
dobijeni su sledeći rezultati:
Vek trajanja (100h) [0, 5) [5, 10) [10, 15) [15, 20) [20, 25) [25, 30)
.
Broj cevi 11 20 13 6 6 4
Na nivou značajnosti od 1% ispitati da li vek trajanja ovog tipa elektronskih cevi ima
eksponencijalnu raspodelu.
Rešenje: Ako vek trajanja cevi, kao obeležje X, ima eksponencijalnu raspodela, onda je
funkcija raspodele
F0 (x) = 1 − e−λx , gde je λ > 0.
Pritom, na osnovu srednje vrednosti uzorka X n = 11, 2 dobija se ocenjena vrednost
parametra
b = 1 = 0, 083. (Objasnite detaljnije ovaj rezultat!)
λ
Xn
Vrednosti teorijske funkcije raspodele i odstupanja sa empirijskom funkcijom raspodele
Fn (x), dobijene na osnovu datog uzorka, prikazaćemo sledećom tabelom:
P
xi ni i Fn (xi ) F0 (xi ) |Fn (xi ) − F0 (xi )|
2,5 11 11 0,183 0,356 0,173
7,5 20 31 0,517 0,585 0,069
12,5 13 44 0,733 0,733 0,000 .
17,5 6 50 0,833 0,828 0,005
22,5 6 56 0,933 0,889 0,044
27,5 4 60 1,000 0,929 0,071
P
Ovde je ni apsolutna učestanost i-tog intervala, i zbirna učestanost do tog intervala
(uključujući i taj interval), a Fn (xi ) i F0 (xi ) predstavljaju redom vrednosti empirijske i
hipotetičke funkcije raspodele u vrednostima xi . Najzad poslednja kolona sadrži apsolutne
84 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
vrednosti razlika ovih dveju funkcija, pri čemu maksimalna razlika daje vrednost statistike
Kolmogorova
dn = max |Fn (x) − F0 (x)| = 0, 173.
x
H0 H1 Kritična oblast za H0
F (x) = G(x) F (x) 6= G(x) mn ≥ d mn
d m+n m+n
;α
Neparametarski testovi 85
H0 : F (x) = F0 (x), ∀ x ∈ R.
pi = PH0 {X ∈ Si }, i = 1, . . . , r.
Mi : B(n, pi ) i M1 + · · · + Mr = n.
E (Mi | H0 ) = npi , i = 1, . . . , r,
1
Za razliku od testa Kolmogorov-Smirnova, ovde se ne ograničavamo samo na raspodele
apsolutno-neprekidnog tipa. To predstavlja značajnu razliku izmed̄u ova dva testa.
86 Glava 3. TESTIRANJE STATISTIČKIH HIPOTEZA
H0 H1 Kritična oblast za H0
.
F = F0 6 F0
F = χ2r−1 ≥ χ2r−1;α
Y P
X
y1 y2 ... ys
x1 n11 n12 ... n1s n1·
x2 n21 n22 ... n2s n2· .
.. .. .. .. .. ..
. . . . . .
x nr1 nr2 ... nrs nr·
Pr
n·1 n·2 ... n·r n
pa je, jasno,
r
X s
X
n= ni· = n·j .
i=1 j=1
(nij − nbij )2
.
n
bij
H0 H1 Kritična oblast za H0
X i Y su X i Y nisu
χ2(r−1)(s−1) ≥ χ2(r−1)(s−1);α
nezavisna obeležja nezavisna obeležja
90 Glava 7. TESTIRANJE STATISTIČKIH HIPOTEZA
Primer 3.4.3. Rezultat slučajnog uzorka o tačnosti prevoza robe dao je sledeće rezultate:
Rešenje: Kao (atributivna!) obeležja X i Y uzmimo, redom, vrstu i tačnost prevoza robe.
Tada hipoteza H0 trvdi da izmed̄u ova dva obeležja ne postoji značajna razlika. Prime-
timo takod̄e da se u tabeli nalaze, kao zbirne vrednosti, apsolutne frekvencije učestalosti
modaliteta oba obeležja:
n1· = n2· = n3· = 100, n·1 = 240, n·2 = 60.
Sada primenom jednakosti (3.11) odredimo očekivani broj parova svih modaliteta:
100 · 240 100 · 60
n
b 11 = n
b 21 = n
b 31 = = 80, n
b 12 = n
b 22 = n
b 32 = = 20.
300 300
Realizovana vrednost test statistike tada glasi
(65 − 80)2 (35 − 20)2 (90 − 80)2 (10 − 20)2
χ2(3−1)(2−1) = + + + +
80 20 80 20
(85 − 80)2 (15 − 20)2
+ + = 21, 875.
80 20
S druge strane, kritična vrednost testa je χ2(3−1)(2−1); 0,02 = 7, 824, tj. kritična oblast je
C = [7, 824; +∞). Dakle, H0 se odbacuje i uz rizik od 0,02 tvrdimo da postoji zavisnost
izmed̄u vrste prevoza i tačnosti prevoza robe. ✷
Zadatak 3.1. Neka je familija dopustivih raspodela data sa N (µ, 1), µ ∈ {0, 1}.
Za nivo značajnosti α = 0.05 i obim uzorka n = 16 odrediti najbolju kritičnu oblast
i grešku druge vrste za testiranje hipoteze H0 (µ = 0) protiv H1 (µ = 1).
Rešenje:
Dalje, imamo
( (
X16
) )
L(0)
C = (x1 , . . . , x16 ) : ≤ k = (x1 , . . . , x16 ) : exp 8 − xi ≤ k =
L(1) i=1
( )
16
X n o
= (x1 , . . . , x16 ) : − xi ≤ k1 = (x1 , . . . , x16 ) : xn ≥ c .
i=1
1
Pritom, važi X 16 : N (µ, 16 ), pa imamo
X 16 − 0 c−0
= PH0 1 ≥ 1 = P {Z ≥ 4c} =
4 4
= 1 − F (4c).
X 16 − 1 0, 4125 − 1
= PH1 1 < 1 = P {Z < −2, 35} =
4 4
Rešenje:
Xn − 2
Z0 = √ .
σ/ n
Xn − 2 X n − 2, 1 0, 1 0, 1
Z= √ = √ + √ = Z0 + √ ,
σ/ n σ/ n σ/ n σ/ n
Zadatak 3.3. Neka obeležje X ima uniformnu U(0, θ) raspodelu, gde je θ > 0.
Na osnovu uzorka (X1 , X2 , X3 , X4 ) metodom maksimalne verodostojnosti oceniti
parametar θ. Zatim, koristeći dobijenu ocenu kao test statistiku odrediti moć testa
za H0 (θ = 1) protiv H1 (θ 6= 1) ako je kritična oblast C = (−∞, 12 ] ∪ [1, +∞).
Rešenje:
Očito, funkcija L(θ) ima maksimum za najmanje θ, pa kao ocenu maksimalne vero-
dostojnosti uzimamo statistiku
θb = max Xi = Y4 .
i∈{1,...,4}
Zadaci za vežbu 93
Rešenje:
Rešenje:
X n − 75
Z= √ .
σ/ n
Sredina uzorka je
1
x60 = (4 · 55 + 17 · 65 + 24 · 75 + 10 · 85 + 5 · 95) = 74, 17,
60
pa je realizovana vrednost test statistike
74, 17 − 75 √
z= 60 = −0, 64.
10
S druge strane kritična vrednost testa je z0,005 = 2, 575, tj. kritična oblast glasi
Rešenje:
X n − 10 √
tn−1 = n − 1.
Sn
Rešenje:
Zadatak 3.8. Anketom se ispituju šanse jednog kandidata na izborima. Med̄u 100
slučajno izabranih glasača njih 55 se izjasnilo da bi glasalo za tog kandidata. Uz
rizik α = 0, 01 testirati hipotezu da će posmatrani kandidat dobiti najmanje 50%
glasova celokupnog biračkog tela.
Rešenje:
55 − 100 · 0, 5
z∗ = √ = 1,
100 · 0, 5 · 0, 5
dok je kritična vrednost testa −z0,01 = −2, 33. Kako je kritična oblast C =
(−∞; −2, 33] i 1 6∈ C, to se hipoteza H0 prihvata. Dakle, uz rizik od 1% tvrdimo
da će kandidat dobiti barem 50% glasova celokupnog biračkog tela. ✷
Zadatak 3.9. Imamo dva instrumenta koji su spolja identični, ali je jedan malo
precizniji, sa σ0 = 1, dok je za drugi σ = 1, 1. Uzimamo nasumice jedan instrument,
koji je dao sledeće rezultate merenja: 24, 25, 26, 25, 25, 24, 25, 27. Ako je poznato
da je tačna mera µ = 25, formulisati test pomoću kojeg bi se moglo zaključiti koji
je instrument izabran (uzeti α = 0, 05).
Rešenje:
1h i
χ28 = 2 2 · (24 − 25)2 + 3 · (25 − 25)2 + (26 − 25)2 + (27 − 25)2 = 7,
σ0
Rešenje:
Zadaci za vežbu 97
Broj pacijenata 0 1 2 3 4 5 6
Broj dana 13 23 17 10 4 2 1
b = xn = 1 (0 · 13 + 1 · 23 + 2 · 17 + 3 · 10 + 4 · 4 + 5 · 2 + 6 · 1) ≈ 1, 983.
λ
70
Na osnovu toga, za xi = 0, 1, 2, . . . , 6 možemo odrediti vrednosti hipotetičke funkcije
raspodele
X λ bk b
F0 (xi ) = e −λ ,
k!
k<xi
Odavde dobijamo dn = 0, 1037, dok je kritična oblast testa C = [0, 160; +∞), pa
hipotezu H0 ne odbacujemo. ✷
Zadatak 3.14. Novčić se baca 100 puta i registruje broj pojavljivanja grba i pisma.
(a) Primenom χ2 -testa testirati hipotezu da se grb i pismo podjednako često
pojavljuju, ako se 45 puta pojavio grb, a 55 puta pismo. (Za nivo značajnosti uzeti
0,01.)
(b) Koji je minimalni broj pojavljivanja grba pri kome nema razloga za odbaci-
vanjem hipoteze pod (a).
Rešenje:
(m − n2 )2 (100 − m − n2 )2
n + n < 6, 635.
2 2
Rešenje:
dok je kritična vrednost testa χ24;0,025 = 11, 668. Dakle, H0 se ne odbacuje, tj. uz
navedeni rizik tvrdimo da način lečenja ne utiče značajno na zdravlje bolesnika. ✷
Zadatak 3.17. U sledećoj tabeli data je klasifikacija 6 800 osoba prema boji kose
i boji očiju:
Boja kose
Boja očiju svetla smed̄a crna rid̄a Ukupno
tamne 115 438 288 16 861
plave 1 768 807 189 43 2 807
zelene 946 1 387 746 53 3 132
tamne 115 438 288 16 861
Ukupno 2 829 2 632 1 223 116 6 800
Rešenje:
Pogrešno je upisan broj 16 (tamne oči rid̄a kosa) i treba da bude 20 (na osnovu
povere zbirova po vrstama i kolonama). Hipoteza H0 se odbacuje. ✷
102 Glava 7. TESTIRANJE STATISTIČKIH HIPOTEZA
Glava 4
RGRESIJA &
KORELACIJA
103
104 Glava 4. Regresija & korelacija
ei = Yi − Ŷi (4.7)
n n
!
∂Q X X
= 2 b1 Xi + nb0 − Yi =0 (4.9)
∂b1 i=1 i=1
n n n
!
X X X
= 2 b1 Xi2 + b0 Xi − Xi Yi =0
i=1 i=1 i=1
Yi 236 254 267 281 290 311 325 335 355 375 401 431
Xi 257 275 293 309 319 337 350 364 385 405 437 469
n=12
X n=12
X n=12
X n=12
X
Yi = 3861, Xi = 4200, Xi2 = 1516510, Xi Yi = 1394495,
i=1 i=1 i=1 i=1
b1 = 0, 9297, b0 = −3, 0.
dobijamo:
Sy
b1 = r · (4.19)
Sx
gde je v v
uXn uXn
u u
u x2i u yi2
t t
i=1 i=1
Sx = i Sy = . (4.20)
n n
Sada po definiciji regresione prave dobijamo
yi = ybi + ei (4.21)
odakle nakon kvadriranja i sumiranja dobijamo”
n
X n
X n
X n
X
yi2 = ybi 2 + e2i + 2 yi ei , (4.22)
i=1 i=1 i=1 i=1
n
X
medjutim, kako je yi ei = 0 dobijamo da je
i=1
n
X n
X n
X
yi2 = ybi 2 + e2i (4.23)
i=1 i=1 i=1
−1 ≤ r ≤ +1 . (4.26)
3595, 42
r =√ = 0, 9994 .
3875, 83 · 3339, 02
Kako vrednost koeficijenta determinacije iznosi r = 0, 9994 možemo reći da u
primeru (4.2.1) regresiona prava opisuje 99, 94% varijacija datih podataka promenljive
Y.
44, 76
σe2 = = 4, 476 (4.30)
p 10
V (a) = 3, 49 (4.31)
p
V (b) = 0, 0098 . (4.32)
[1] Banjević D., Vidaković B. (1989) Verovatnoća i statistika - zbirka rešenih za-
dataka. Naučna knjiga, Beograd.
[2] Božinović M., Stojanović V. (2005) Matematičke metode i modeli u ekonomiji
preduzeća. VEŠ, Leposavić.
[3] Feller W. (1971), An Introduction to Probability Theory and Its Applications.
John Wiley & Sons, New York.
[4] Grinstead C., Snell J. L. (2006), Introduction to Probability. American Math-
ematical Society, Washington.
[5] Hogg R., Craig A. (1965) Introduction to Mathematical Statistics. The Macmil-
lan Company, New York.
[6] Ivković Z. (1976) Teorija verovatnoća sa matematičkom statistikom.
Grad̄evinska knjiga, Beograd.
[7] Mališić J. (2002) Vremenske serije. Matematički fakultet, Beograd.
[8] Mališić J. (1991) Slučajni procesi - teorija i primene. Naučna knjiga, Beograd.
[9] Merkle M. (2002) Verovatnoća i statistika. Akademska misao, Beograd.
[10] Mirković B. (1990) Teorija mera i integrala. Naučna knjiga, Beograd.
[11] Popović B. (2009) Matematička statistika. PMF, Niš.
[12] Popović B. (2003) Matematička statistika i statističko modelovanje. PMF, Niš.
[13] Rajović M., Stanojević D. (2011) Verovatnoća i statistika - teorija i primeri.
Akademska misao, Beograd.
[14] Schmetterer L. (1976) Einführung in die mathematische Statistik. Springer-
Verlag, Wien-New York.
[15] Xirev A. N. (1980), Verotnostnj. Nauka, Moskva.
[16] Walrand J. (2004) Lecture Notes on Probability Theory and Random Processes.
University of California, Berkeley.
113