OSNOVE SPORTSKE STATISTIKE

I INFORMATIKE

Predavač: Dragan Veličković, dipl.mat. MSc.

profesor matematike i računarstva
ECDL ovlašćeni ispitivač CS 0826J

STATISTIKA
1 Uvod
1.
• Uvod u verovatnoću i statistiku
• Osnovni pojmovi matematičke statistike
• Parametri deskriptivne statistike
2 Testiranje
2. T ti j hipoteza
hi t i analiza
li varijanse
ij
• Testiranje statističkih hipoteza
• Analiza
A li varijanse
ij i vremenskih
kih serija
ij
• Tablice
3. Microsoft Excel
• Unakrsne tabele, osnovne alatke, operacije,
formule i grafičko predstavljanje podataka
• Praktičan primer iz statistike
 VEROVATNOĆA DOGAĐAJA
o at oća događaja A zadaje
Verovatnoća
Ve adaje se na
a ssledeći
edeć način:
ač :

gde je k – broj onih ishoda pri kojima se događaj A realizovao

a n – brojj svih mogućih
g ishoda koji
j se međusobno isključuju
j j i
za koje pretpostavljamo da su jednako verovatni.
Primeri:
• A – događaj
d đ j da
d dobijemo
d bij š ti
šesticu posle
l jednog
j d b
bacanja
j
kockice. Verovatnoća događaja iznosi:

• proučavanje spiskova rođenih skoro uvek daje sledeći

rezultat: na 1000 rođene dece ima oko 485 ženske dece tj.
frekvencija rađanja ženskog deteta je približno 0.485

PRIMERI ELEMENTARNIH DOGAĐAJA

Primer 1: Novčić se baca jednom. Može da padne pismo
P ili glava G tako da je skup elementarnih događaja (P, G). Za
elementarne događajeg j možemo uzeti sledeće ishode
eksperimenta:
• A1 – palo je pismo, P(A1)=1/2
• A2 – pala je glava,
glava P(A2)=1/2
Primer 2: Novčić se baca 2 puta. Za elementarne
događaje možemo uzeti sledeće ishode eksperimenta:
• A1 – u oba bacanja je palo pismo, P(A1)=1/4
• A2 – u oba bacanja je pala glava, P(A2)=1/4
• A3 – palo
l je
j jedno
j d pismo
i i jedna
j d glava,
l P(A3) 1/2
P(A3)=1/2
U ovom slučaju skup elementarnih događaja je složeniji
i glasi: (PP,
(PP PG,
PG GP,
GP GG)
 SLUČAJNE VELIČINE
Često se u svakodnevnom životu, igri ili naučnim
istraživanjima susrećemo sa veličinama čije se vrednosti
menjaju
j j od slučaja
j do slučaja.
j Razmotrimo sledeće p
primere:
• broj automobila koji prođu kroz raskrsnicu u toku
jednog sata
• broj registrovanih šestica u n bacanja kockice
• broj obavljenih telefonskih razgovora iz jedne
govornice u toku jednog dana

Veličine opisanog tipa zvaćemo slučajnim veličinama.

Vrednost koju uzima neka slučajna veličina predstavlja
numeričku karakteristiku (ili verovatnoću) ishoda nekog
eksperimenta.
eksperimenta

Raspodela verovatnoća slučajne veličine X označava se

na sledeći način:

Primer 1: Novčić se baca 3 puta. Elementaran skup

događaja je (PPP,
(PPP PPG,
PPG PGP,
PGP GPP,
GPP PGG,
PGG GPG,
GPG GGP,
GGP GGG).
GGG)
Svaki od elemenata skupa ima verovatnoću 1/8 i neka je
slučajna veličina X – broj palih pisama. Raspodela verovatnoće
slučajne
l č j veličine
liči X data
d j na sledeći
je l d ći način:
či
 MATEMATIČKO OČEKIVANJE, DISPERZIJA
Najvažnije
N j ž ij odd numeričkih
ičkih karakteristika
k kt i tik slučajne
l č j
veličine X su njeno matematičko očekivanje E i disperzija D.
Matematičko očekivanje E slučajne veličine X (ili
srednja vrednost) je broj:

Disperzija D predstavlja meru rasipanja vrednosti koju

uzima slučajna veličina X u odnosu na njeno matematičko
očekivanje:
č ki j

KOVARIJACIJA, KOEFICIJENT KORELACIJE

K
Kovarijacija
ij ij slučajnih
l č j ih veličina
liči X i Y je
j broj:
b j

Koeficijent korelacije slučajnih veličina X i Y je broj:

Ova dva koeficijenta se često uzimaju kao mere

zavisnosti
i ti slučajnih
l č j ih veličina
liči X i Y .
 BERNULIJEVA SHEMA
Neka je n – prirodan broj. Pretpostavimo da se izvodi n
eksperimenata za koje važe sledeći uslovi:
1. svaki od n eksperimenata
p završava se sa jjednim od 2
moguća ishoda : uspeh (1) i neuspeh (0)
2. verovatnoća uspeha u svakom eksperimentu jednaka je
p (verovatnoća neuspeha jednaka je q=1-p,
q=1 p p+q=1)
3. eksperimenti su međusobno nezavisni.
Ak - događaj da se tačno k izvedenih eksperimenata
završilo uspešno. Verovatnoća događaja Ak glasi:

Brojevi Pn(k) određuju binomnu raspodelu verovatnoća

Sn (E(Sn)=np; D(Sn)=npq)

BERNULIJEV ZAKON VELIKIH BROJEVA

U Bernulijevoj shemi Sn/n predstavlja frekvenciju
uspeha u n nezavisnih eksperimenata i “ne razlikuje se
mnogo”
g od verovatnoće uspehap tj. j p.
j od broja
Kako slučajna veličina Sn može uzeti svaku od
vrednosti 0,1,2, ... , n to odstupanje frekvencije Sn/n od
verovatnoće p može biti i veliko.
Međutim, verovatnoća da to odstupanje bude veće od
unapred zadatog broja ε>0 0 je proizvoljno mala, ako je broj n
dovoljno veliki (teži ka beskonačnosti).
 APROKSIMACIJA NORMALNOM RASPODELOM
Bernulijev zakon velikih brojeva nije primenljiv u
praksi tako da su određeni matematičari (Muavr i Laplas)
dokazali da se verovatnoće Pn(k) mogu aproksimirati
integralom jedne nenegativne neprekidne funkcije.
Funkcija određena formulom zove se gustina normalne
raspodele:

Funkcija određena formulom zove se normalna funkcija

raspodele:

NORMALNA RASPODELA (GAUSOVA KRIVA)

Život je jedna Gausova kriva!

 NORMALNA RASPODELA (GAUSOVA KRIVA)

Portret Karla Fridriha Gausa i grafik

gustine normalne raspodele, raspodele od
izuzetnog značaja u teoriji verovatnoće sa
nekadašnje novčanice od 10 DM !

NORMALNA RASPODELA (Z - vrednost)

Aritmetička sredina i standardna devijacija
j j ((ukoliko su
podaci normalno distribuirani) u potpunosti definišu
raspodelu rezultata, pa se može odrediti na koji deo
standardne devijacije pada svaki pojedini rezultat.
rezultat To je
postupak pretvaranja originalnih rezultata u z –vrednosti ili
tzv. standardizacija podataka. Njihova aritmetička sredina je
nula, a standardna devijacija i varijansa jedan (N(0,1)).
Ako je distribucija podataka idealno normalna formula
glasi:

Pomoću z –vrednosti lakše jje određivati vrednost

rezultata u različitim merama, uz upotrebu tablica. (zadatak u
Excelu)
 TABLICE NORMALNE RASPODELE

POPULACIJA I OBELEŽJE
Matematička statistika je deo matematike čiji je predmet
razvijanje metoda na osnovu kojih se podaci sistematizuju,
obrađuju i koriste za donošenje naučnih i praktičnih
zaključaka.
Skup koji se proučava u matematičkoj statistici zove se
populacija,
popu ac ja, a numerička
u e č a karakteristika
a a te st a eelemenata
e e ata popu
populacije
ac je
zove se obeležje.
Primeri:
• populacija je skup svih atletičara koji će učestvovati na
narednim Olimpijskim igrama u trci na 400 metara, a
obeležje je najbolji raniji rezultat
• populaciju čine svi zaposleni u jednoj firmi, a obeležje je
mesečna plata ili broj godina radnog staža
• na populaciji
l iji svihih stanovnika
t ik jednog
j d grada
d možemo ž
razmatrati različita obeležja: visina u cm, pol, godine, ...
 Neka je P=(p1, p2, …, pn) populacija, X:P->R
obeležje i x1, x2, ..., xn vrednosti koje može uzeti obeležje. Za
svako k (k=1, m) označimo sa Nk broj elemenata populacije P
na kojima obeležje X uzima vrednost xk.
B j Nk zove se apsolutna
Broj l t f k
frekvencija
ij vrednosti
d ti xk,
broj Nk/N zove se relativna frekvencija te vrednosti a broj
100*Nk/N
100 Nk/N procenat onih članova populacije na kojima
obeležje X uzima vrednosti xk.
Raspodela obeležja se uglavnom prikazuje grafički i
dobijena figura se naziva histogram raspodele obeležja.

Primeri:
• k
kalendari
l d i takmičenja/aktivnosti
t k ič j / kti ti pokrajinskih
k ji kih granskih
kih
saveza (broj aktivnosti po sportovima):

www.sportal.org.rs
 UZORAK
U praksi je veoma teško registrovati vrednosti obeležja
na svim članovima populacije. U takvim situacijama postupa
se na sledeći način:
¾ registruju se vrednosti obeležja na članovima jednog dela
populacije, pa se za raspodelu obeležja na celoj populaciji
prihvata
ih t raspodela
d l na uočenom
č d l populacije
delu l ij
¾ deo populacije na čijim se elementima vrši registrovanje
vrednosti obeležja zove se uzorak
¾ broj elemenata uzorka zove se obim uzorka
¾ uzorak je reprezentativan ako u potpunosti oslikava tj.
predstavlja čitavu populaciju (elementi uzorka se biraju
slučajnim
j izborom i morajuj imati jjednaku verovatnoću
izbora)

KARAKTERISTIKE UZORAČKE RASPODELE

Neka je X obeležje definisano na nekoj populaciji P.
P
• uzoračka (aritmetička) sredina ili srednja vrednost:

• uzoračka disperzija:

• uzoračko standardno odstupanje ili devijacija:

 Primer 1:
U grupi za osposobljavanje ima 25 polaznika. Uspeh na
t t iz
testu i statistike
t ti tik i informatike
i f tik prikazan
ik j u tabeli:
je t b li

OCENA 1 2 3 4 5
Frekvencija 2 3 5 8 7

Rešenje:

TESTIRANJE STATISTIČKIH HIPOTEZA

Testiranje
j hipoteza
p jje oblast statističke analize koja
j jje u
širokoj upotrebi jer omogućava sistematično donošenje
odluka o problemima koji u sebi sadrže neodređenost. Ono
omogućava da se podaci dobijeni iz uzorka mogu
kombinovati sa teorijom i na taj način izvode zaključci o celoj
populaciji (Hipoteza H se prihvata ili odbacuje).
Primer
i 1: Ako
k je
j u 1000 bacanja
b j novčićai pismo
i palo
l 525
puta, odrediti 99% -tni interval poverenja za nepoznatu
verovatnoću ppadanja
j p
pisma.
Rešenje: n=1000, Sn=525, nivo poverenja β =0.99
ESn=n*p=1000p, DSn=np*(1-p)=1000p*(1-p), iz formule ispod

ubacivanjem dobijenih vrednosti u jednačinu koristeći tablice

za normalnu
l raspodelu,
d l rešavanjem
š j k d
kvadratne j d či po p
jednačine
dobijamo da je interval poverenja: (0.48655, 0.56315).
 ANALIZA VARIJANSE
Analiza varijanse (disperziona analiza) je jedan od
najčešće korišćenih statističkih metoda.
metoda Koristi se u
ispitivanjima kako jedan ili više kontrolisanih faktora utiču
na formiranje vrednosti posmatranog obeležja.
Primer 1: Polje od 20 ari je podeljeno na 20 parcela od 1
ara, i slučajnim izborom su napravljene 4 grupe od 5 parcela.
Na parcele u svakoj grupi je bačeno drugačije mineralno
đubrivo A, B, C, D. Za svaku parcelu je izmeren prinos žita:
Đubriva 1 2 3 4 5 Prinos
A 75 93 82 104 96 90
B 103 89 97 108 98 99
C 67 84 73 82 74 76
D 87 79 86 73 80 81
Razlike među prosečnim prinosima postoje, ali postavlja se
pitanje da li su one statistički značajne,
značajne odnosno da li postoje
statistički značajne razlike među prosečnim prinosima
ostvarenim dejstvom pojedinih đubriva?

ELEMENTI TEORIJE KORELACIJE

U svakodnevnom životu i u naučnim istraživanjima
često se srećemo sa potrebom merenja različitih veličina.
Veličine koje merimo mogu biti konstantne a mogu imati i
vrednosti koje zavise od različitih slučajnih faktora.
Veličina koja nas interesuje, najčešće može biti
proizvoljan broj iz nekog intervala [a,b]. Jasno je da se
vrednost X koju dobijamo u procesu merenja razlikuje od
tačne vrednosti μ. Razlika X- μ zove se greška merenja.
Gaus je predložio da se verovatnoća da greška merenja
X- μ uzme vrednost u intervalu [a,b] aproksimira integralom:

X- μ ima normalnu gustinu raspodele, dok broj σ predstavlja

standardno odstupanje koje smo ranije pominjali.
 LINEARNA REGRESIJA
U statističkim istraživanjima
j često jje značajno
j ispitati
p
da li su neke slučajne veličine zavisne ili nezavisne, a u
slučaju zavisnosti važno je okarakterisati postojeću zavisnost.
Pretpostavimo da se u procesu eksperimenta registruju
vrednosti veličina X i Y. Ako se eksperiment n puta nezavisno
ponovi,, onda se kao krajnji
p j j rezultat registruju
g j n p parova
brojeva: (x1, y1), (x2, y2), ... (xn, yn).
Pretpostavimo da se zavisnost između X i Y može
opisati linearnom vezom Y = aX + b. (sledi primer u Excelu)
Ako pokušamo da odredimo konstante a i b dobijamo
sistem od n linearnih jednačina: yk = a*xk + b, b k=1,
k=1 ..., n .
Ako važi zavisnost između X i Y, konstante a i b
određujemo
j tako da se ukupna
p apsolutna
p vrednost ggrešaka:
εk = yk – (a*xk + b), k=1, ..., n minimizira u određenom
smislu (metod najmanjih kvadrata).

STANDARDNA GREŠKA REGRESIJE

Razmotrimo opet n parova brojeva: (x1, y1), (x2, y2),
... (xn, yn) dobijenih u n nezavisnih merenja.
Iz pretpostavke zavisnosti veličina X i Y dobijamo da je
razlika Y - aX - b jednaka nuli. Međutim rezultati dobijeni u
merenjima εk = yk – a*xk - b, k=1, ..., n nisu jednaki nuli.
R lik Y - aX
Razlika X – b = ε zove se greška šk linearne
li
regresije Y na X i predstavlja slučajnu veličinu.
Na osnovu ranije rečenog, greška linearne regresije ima
normalnu gustinu raspodele verovatnoća:
 MICROSOFT EXCEL
Najpopularniji program za rad sa unakrsnim tabelama.
Osnovni element
l radnog
d l
lista ( h ) jeste ćelija
(sheet) l ( ll) Excell
(cell).
dokument (workbook) se sastoji od više radnih listova.
Ćelija
j se dobijaj u p preseku jjedne kolone ((column)) i
jednog reda (row). U ćeliju se mogu upisivati brojčane
vrednosti, tekstualne vrednosti, datum i vreme ali i formule i
funkcije.
funkcije

TABELE I GRAFIKONI
Podaci uneti u tabelu veoma jednostavno se mogu
predstaviti
d i grafički
f k (INSERT
( CHART).
)
 GOTOVE FUNKCIJE
Excel u sebi sadrži veliku biblioteku gotovih funkcija.

LINEARNI TREND
Excel omogućava automatsko računanje koeficijenata a
i b ako pretpostavimo da se zavisnost između X i Y može
opisati linearnom vezom Y = aX + b. (već smo definisali)

(funkcije SLOPE=nagib, INTERCEPT=odsečak)

 LITERATURA
1. Elementaran uvod u verovatnoću i statistiku, Mladenović P.,
Društvo Matematičara Srbije, Beograd
2 Statistička metodologija – repetitorijum vežbi,
2. vežbi Kormanjoš
A., Novi Sad
3. Statistika, Lozanov-Crvenković Z., PMF, Novi Sad
4. Bussines
i Master 1, Smart School,
h l Novii Sadd

SEMINARSKI RAD

• U Microsoft Excel-u kreirati tabelu popunjenu statističkim

podacima koji treba da budu obrađeni i grafički prikazani.
• Tabelu snimiti pod nazivom ime_prezime.xls
• Tabelu poslati kao prilog (attachment) na email adresu:
ecdl@ssv rs
ecdl@ssv.rs

KONTAKT PODACI
Dragan Veličković
Mob.: 063 1 691 609
Email: dragan.velickovic@vojvodina.gov.rs