STATISTIKA NOVA
SK
1.Def.statistike, u stat.literaturi postoji veliki broj def.statistike. Veći br.autora
je deginiše kao dio primijenjene matematike koja se bavi sakupljenjem i
sumiranjem podataka, kao i donošenjem zaključaka.U posljednjih nekoliko
godina se javljaju autori sa drugim pristupom statistici gdje smtraju da ona nije
dio matematike, iako je matematička nauka. Možemo reći da je statistika
univerzalni kvalitativno-kvantitativni naučni metod analize var.pojava, zasnovan
na teoriji vjerovatnoće.
2.Zadatak statistike, je da u pojavama koje izučava otkrije bitne karakteristike,
povezanost sa dr.pojavama, uzroke i posljedice njihovog stanja i promjena, tj.da
otkrije zakonitosti u pojavama i objasni njihovo značenje. U skoro svim
naučnim disciplnimama postoji potreba za posebnim metodološkim aparatom
kojim će se analizirati varijacije posmatranih pojava. Takav metod bi morao da
omogući uvid u ponašanje var.pojava, da se vidi šta je u njima bitno, a šta ne
bitno i kolika su odstupanja u odnosu na normalu, da se uoče tendencije u
njihovom razvoju i da se predvide buduće vrij.takve pojave.Sve nam to
omogućuje statistika. Prof. Schmeizel i prof.Achenvall su smatrali da je zadatak
stat.u sistematizaciji podataka o stan.i privredi u cilju vođenja državne politike.
Zadatak stat.je zasnovan samo na deskripciji.
3.Varijabilna pojava, kako bi shvatili predmet stat.uvodimo pojavam
var.pojava. Varijabilitet(raznolikost) je univerzalno pristutan oko nas. Kad ne bi
postojalo varijacija, ne bi bilo potrebe ni za postojanjem statistike. Var.pojava
je ona na koju djeluje veliki br.vaktora i zbog toga uzima različite vrijednosti od
jednog do dr.slučaja svoga ispoljavanja. Te pojedinačne vrijednosti nemoguće je
sa sig.predvidjeti.
4.Značaj statistike,
5.Stat.zakonitosti, Često je na osnovu stat.analize moguće otkriti neku
pravilnost koju bi bez njene pomoći, bilo nemoguće utvrditi. Takve pravilnosti
nazivaju se stat.zakonitostima. One imaju dvije bitne karakt.: 1.)Važe samo u
masi slučajeva;2.)Pojedinačni slučajevi mogu da pokažu odstupanja od opšte
tendencije.Stat.zakonitosti možemo tumačiti strogo vodeći računa o navedena
dva ograničenja.
6.Stat.skup(osnovni skup, populacija ili skup) je skup svih el.na kojima se
izvjesna varijabilna pojava ispoljava i statistički posmatra.Pojedinačni elementi
iz tog skupa nazivaju se jedinicama skupa ili jed.posmatranja. One moraju imati
bar jednu zajedničku osobinu. Sa porastom njihovog broja osn.skup postaje
homogeniji, ali one ne smiju biti identične.
7.Određenje stat.skupa, naki skup mora ispunjavati odr.uslove da bi mogao da
se nazove stat.skupom:1.) stat.skup mora da obuhvati sve el.koji su predmet
posmatranja,2.) el.tog skupa moraju imati bar jednu zaj.osobinu na osnovu koje
se i deklarišu kao pripadnici tog skupa,3.) Na el.takvog skupa se posmatra neka
var.pojava. Iz ovoga slijedi da ti el.moraju imati bar jednu karakteristiku po
kojoj se mogu razlikovati, odnosno koja je varijabilna.
8.Stat.obilježje, osobine po kojima se jedinice stat.skupa međusobom razlikuju,
a koje su predmet stat.istraživanja, nazivamo obilježjima(promjenjivim ili
varijablama).
9.Podjela stat.obilježja, možemo da ih klasifikujemo u dvije osnovne grupe:
1.atributivna(kvalitativna, kategorijska) i 2.numerička. Atr.obilježja se
izražavaju opisno(riječima),a vartijablitet se ispoljava kroz pripadnost elemenata
različitim kategorijama datih obilježja.Num.obilježja su takve karakteristike
skupa koje se mogu iskazati brojevima. Unutar ove grupe razlikujemo:1.
Prekidna num. Obilježja ili diskretna mogu uzeti samo izolovane
vrij.)2.Neprekidna(ontinuirana)mogu uzeti bilo koje vrijednosti unutar nekog
intervala.. Osn.razlika je jer prekidna obilježja svoje vrijednosti dobijaju na
osnovu prebrojavanja( cijeli brojevi), a neprekidna na osnovu mjerenja(mjerne
jedinice).
10.Deskriptivna statistika, Prof. Schmeizel i prof.Achenvall su smatrali da je
zadatak stat.u sistematizaciji podataka o stan.i privredi u cilju vođenja državne
politike. Zadatak stat.je zasnovan samo na deskripciji, pa je ovaj koncept kasnije
nazvan deskriptivna škola ili statistika. Ako izuzmemo stat.teoriju, primijenjena
stat.se dijeli u dvije grupe: deskriptivna statistika i inferencijalna statistika.
Desk.stat.se sastoji od metoda za prikupljanje, obradu i prikazivanje podataka
korišćenjem tabela, grafikona i sumarnih mjera.
11.Inferencijalna stat., podrazumijeva one stat.metode koji koriste uzorak u
cilju donošenja zaključaka o osnovnom skupu.
12..Nominalna skala, rezultati stat.istraživanja mjere se korištenjem sl.mjernih
skala: nominalne, ordinalne, intervalne i skale odnosa. Nom.skala data je u vidu
liste naziva, kategorija ili odr.atribuda po kojima se jed.stat.skupa razlikuju. Ona
se koristi za prikupljanje pod.o pojavama koje se mogu klasifikovati samo na
odr.broj i tip modaliteta.Na nom.skali prikazuje se, npr.obilježje:pol sa
modalitetima muški i ženski, vrsta djelatnosti i sl. Mogu se prikazivati i
sl.obilježja: zanimanje, vrsta bolesti i sl. Primjenja nom.skale mjerenje svodi na
razvrstanja jed.skupa prema obilježju po odr.šemi klasifikacije.
13.Ordinalna skala se koristi ukoliko je moguće modalitete obilježja rangirati
prema značaju u odnosu na usvojene kriterijume. Ova skala jedinicama skupa
pridružuje brojeve, slovne oznake ili odr.simbole, prema stepenu odr.svojstva ili
odlike. Mjesto modaliteta predstavlja njegov rang. Mj.skala predstavlja rang
listu modaliteta obilježja, pri čemu njihov relativan značaj zavisi od broja
modaliteta. Na ovoj skali prikazuju se npr.ocjene od 1 do 5. Nad modalitetima
obilježja prikazanim na ovoj sklai nisu dozvoljne num.opereacije, jer ona ne
omogučava sagledavanje mjere razlikovanja modaliteta obilježja.
14.Intervalna skala, svakom modalitetu obilježja pridaje odr.jedinicu mjere.
Ovom skalom jedinicama skupa pridružuju se brojevi, pri čemu jednake razlike
brojeva predstavljaju jednake razlike mjerene karakteristike. Int.skala
omogućava utvrđivanje redosljeda modaliteta u skupu. Zbog toga su nad
modalitetima obilježja ove skale dozvoljene num.operacije( *,:,+;-). Za int.skalu
je karakteristično to da su položaj nule i mj.jedinica određeni dogovorima.
Veličina int.skale najčešće se odrueđuje prema odr.kriterijumu, tako da za iste
veličine možemo imati više razl.intervalnih mjera( npr.skale za mjerenje
temp.vazduha).
15.Skala odnosa prikazuje i redosljed modaliteta i mjeru njihovog razlikovanja.
Skala odnosa sadrži brojeve za koje važi pravilo da njihove jednke razlike
predstavljaju i jednake razlike mjerene karakteristike jedinica skupa. Ova mjerna
skala obezbjeđuje najviši nivo mjerenja. Nju ne karakteristiše samo upotreba
jedinice mjerenja, nego i prava nulta tačka, koja ukazuje na nepostojanje
odr.karakteristike. Zbog toga ova skala omogućava iskazivanje propocionalnih
odnosa modaliteta obilježja koja se mjere. Skala odnosa je najpreciznija mjerna
skala. Na osnovu nje se mogu mjeriti: visina, težina, prihod, jačina zemljotresa i
sl.
16.Stat.podaci, Posmtranje i prikupljanje pod.vrši se na osnovu plana
prik.podataka. Plan posmatranja i prikupljanja podataka sadrži sl.el.:def.cilja
posmatranja, odr.stat.skupa i jed.posmatranja; izbor obilježja i def.modaliteta
obilježja, sastavljanje upitnika za prikupljanje pod., odr.načina posmatranja i
prikupljanja podataka. Prema izvodu podataka koji se koriste u stat.istraživanju,
može se govoriti o primarnim i sek.stat.podacima. Prim.st.pod.prikupljaju se
postupkom stat.posmatranja i prikupljanja podataka, dok se sek.pod.obezbjeđuju
iz sek.izvora kao što su zavodi za stat. Ili institucije ovlaštene za prikupljanje
primarnih podataka(centralna banka, carinska služba, matične službe i sl.).
17.Stat.istraživanje, može se zasnivati na potpunom obuhvatu svih jedinica
skupa (potpuno posmatranje), ili samo na jednom dijelu njegovih
jedinica(djelimično posmatranje). Potpuno posmatranje može se obezbijediti
primjenom stat.popisa i stat.izvještaja( tekuće registracije). Stat.popisom
obuhvataju se sve jedinice skupa u momentu koji se naziva kritični momenat. To
su ugl.podaci o stanovništvu, domaćinstvima i sl.koji se sprovode svake desete
godine. Stat.izvještaj se koristi za prikupljanje podataka o pojavama kod kojih je
izražen veći varijabilitet tokom vremena ili prostora ( stanje zaposlenih).
18.Stat.serije, grupisanje podataka po pojedinim obilježjima može biti
jednostavno ili složeno. Jed.posmatranja se grupišu po atributivnim, numeričkim
ob.po vremenu i teritoriji. Stat.serije predstavljaju nizove sređenih stat.podataka
koji prikazuju strukturu skupa prema odr.obilježju, raspored stat.skupa u
prostoru ili promjene skupa u vremenu. St.serije, mogu da budu serije strukture(
atributivne i numeričke) i vremenske serije( momentne i intervalne). Stat.serija
ima dve kolone: obilježje i podaci. Atr.serija se formira grupisanje jedinica po
atr.obilježju. One se mogu formirati na osnovu dvojakog grupisanja:
1.grup.prema poj.modalitetima obilježja, 2. Grup.podataka po grupama srodnih
modaliteta. Num.nastaju grupisanjem jedinica vrijednosti num.obilježja.
Num.serije mogu biti intervalne i neintervalne serije distribucije
frekvencije.Specifična vrsta serija strukture po atr.obilježjima su
geografske(prostorne, teritorijalne) serije. One prikazuju teritorijalni raspored
stat.skupa, tj.njegovu strukturu u odr.trenutku ili u datom vrem.periodu. Raspon
frekvencija je num.serija strukture. Osn.nedostatak serije distr.frekv.je u tome da
se zamjenom pojedinačnih vrijednosti obilježja grupnim intervalima budi
preciznost informacije o karakt.određenih jed.skupa.
19.Serije strukture , pokazuju raspored stat.skupa prema modalitetima, odnosno
po vrijednostima obilježja. One sadrže modalitete obilježja i frekvencije,
tj.učestalost jedinica skupa po datom modalitetu obilježja. Ove serije mogu
sadržavati atr.i num.obilježja.VIŠE U PITANJU IZNAD!
20.Sturges-ovo pravilo-br.grupa, kako bi se odredila veličina intervala i
br.intervalnih modaliteta neprekidnog obilježja može se koristiti tzv.Struges-ovo
pravilo. Po tom pravilu, br.grupa( intervala, klasa) određuje se na osnovu:
K=1+3,3logN, gdje je N ukupan broj podataka.
21.Sturges-ovo pravilo-vel.intervala ,Vel.intervala i određuje se na osnovu
razlike najbeže i najmanje vrijednosti obilježja, primjenom sl.obrasca: i=Xmax-
Xmin/K . Kako bi intervali bili uporeivi, potrebno je da oni budu iste veličine.
Prilikom grupisanja podataka i formiranja intervalne serija bitno je voditi računa
o tome da se za donju granicu prvog intervala uzme vrij.manja od najmanje
vrij.obilježja, a da se za gornju uzme vrij.veća od najveće vrijednosti obilježja u
skupu. Time se obezbjeđuje da sve vrijednosti obilježja budu obuhvaćene
intervalnim modalitetima u seriji.
22.Rastuća i opadajuća kumulanta, često se u st.istraživanjima je potrebno
izvršiti kumuliranje podataka u serijama. Kum.podatak znači postebeno ih
zbrajati. Serija u kojoj se kumul.podaci zove se kumulativna. Kumuliraju se
samo frekvencije. Imamo dve vrste kum.serija:1. Kum.oblik iznad, 2.kum.oblik
ispod. Kumuliranje se vrši tako što se počevši od najniže vrij.frek.postepeno
sabiraju, tj.dodaju. Tako dobijamo rastuću kumulantu. Ona pokazuje broj jed.u
skupu čija je vrij.ispod gornje granice grupnog intervala. Opadajuća pokazuje
broj jed.skupa sa vrij.iznad donje granice int.
23.Vrem.serije, predstavljaju nizove stat.podataka koji su složeni hronološkim
redom. Zbog toga se i nazivaju hronološkim serijama. Ove serije pokazuju
varijabilitet pojava tokom vremena. Formiraju se iz dva niza podataka, od koji
se jedan odnosi na vrijeme, a drugi na nivo( veličinu) pojave. U zavisnosti od
podataka o pojavi, vrem.serije mogu biti momentne i intervalne. Momentne
pokazuju nivo pojave u tačno određenim vrem.momoentima(br.zaposlenih
krajem mjeseca). One se dobijaju kao rezultet obrade rezultata iše uzastopnih
popisa ili statističkih izještaja o stanju pojave. Intervalne pokazuju kretanje
pojave u uzastopnim vrem.intervalima. Njima se prikazuje kretanje plata,
troškova i sl. Vr.serije mogu da pokazuju uporedne podatke o dvije ili više
pojava u istom vrem.periodu. Vrij.pojava mogu da budu izražene u različitim
jedinicama mjere.
24.Desk.stat.mjere, predstavljuju pokazatelje koji se formiraju na osnovu
originalnih num.podataka ili rasporeda frekvencija, i opisuju na sintetizovan
način posmatrane podatke. Ukoliko se odnose na rasporede grekvencija nazivaju
se još pokazatelji rasporeda frekvencija. Smisao tih mjera je da: 1.jednim brojem
opišu bitne karakteristike posmatranih podataka,2.da nam omoguće poređenje
između više stat.serija. Klasifikujemo ih u 4 grupe: 1.mjere centralne tendencije
rasporeda(srednje vrijednosti)2.mjere varijabiliteta(disperzije ili
raspršenosti),3.mjere oblika rasporeda, 4. Relativno učešće(proporcija). Mjere
centralne tendencije mogu da se podijele u dvije grupe: izračunate i pozicione.
To je reprezentativna vrijednost koja zamjenjuje sve podatke posmatrane serije,
bez obzira da li se radi o skupu ili uzorku.
25.Aritmetička sredina, je najčešće korišćena mjera centralne tendencije.
Popularno se još naziva prosjek. Ar.sredina se dobija tako što se zbir vrijednosti
posmatranog obilježja podijeli sa njihovim brojem. Obilježava sesimpolom µ-
mi. µ=1/N∑Xi, gdje je sigma ili suma znak za sabiranje. Prostije ovu formulu
možemo napisati µ=∑x/N.
26.Osobine aritmetičke sredine, su:
1.Arit.sredina je srednja vrijednost, sa osobinom da je veća od najmanje i manja
od najveće vrij.obilježja. 2.Ako su sve vrijednosti obilježja međusobno jednake,
tada je i ar.sredina jednaka tim vrijednostima. 3.Zbir odstupanja svih
vrij.obilježja od njihove ar.sredine jednak je nuli tj.∑(Xi-µ)=0.
4.Zbir kvadrata odstupanja svih vrijednosti obilježja od aritmetičke sredine je
minimalan, tj.manji je od tbira kvadrata odstupanja svih vrijednosti obilježja od
bilo koje dr.vrijednosti. 5.Ako su vrij.dva obilježja povezane nekom linearnom
vezom, tada su i njihove ar.sredine povezane sa istom tom lineasrnom vezom.
27.Geometrijska sredina, predstavlja mjeru centralne tendencije koja izravnava
proporcionalne promjene između podataka posmatrane serije. Izračunava se tako
što se vrij.obilježja međusobno pomnože, a zatim se iz tog proizvoda pronađe
korijen sa izložiocem koji je jednak broju posmatranih jedinica. Pošto se u ovim
slučajevima javljaju korijeni sa velikim izložiocima za izračunavanje
geom.sredine moraju se koristiti i logaritmi. Budući da nama treba geo.sredina a
ne njezin log., vršimo antilog.G=enti-korijen iz X1*X2*...*XN. Najvažnija
osobina geo.sredine je da izravnava proporcionalne promjene podataka u seriji.
Izr.geo sredine ima značaj samo za seriju poz.vrijednosti, gdje ni jedan član nije
0, i na nju utiču sve vrijednosti serije. Za istu seriju podataka geo.sredina je
manja od ar.sredine. Ar.sredina izravnava razlike između vrij.obilježja,
geo.izravnava njihove odnose.
28.Harmonijska sredina, predstavlja recipročnu vrij.aritm.sredine iz
recipročnih vij.obilježja. Koristi se samo u sprecijalnim slučajevima gdje se
problem može postaviti u obrnuto recipročnom vidu.Ona se koriti kada su
obilježja el.iz kojih se izračunava izražena u vidu recipročnih pokazatelja. Ona
je naročito značajna u istraživanju pokazatelja produktivnosti rada, pokazatelja
brzine obrta poslovnih sredstava, srednjeg vremena izrade proizvoda i sl.
29.Modus, Za razliku od izračunatih mjera centralne tendencije, pozicione
srednje vrij.se određuju na osnovu njihovog mjesta, tj.lokacije u seriji. Modus je
vrij.obilježja koja se najčešće javlja u seriji, tj.vrij.sa najvećom frekvencijom.
Ukoliko je data negrupisana serija podataka o pojavi u kojoj svaka vrij.obilježja
ima istu frekvenciju jednaku 1, modus ne postoji. Ukoliko su frekvencije
različite, modus je utvrđuje pronalaženjem vrij.obilježja koja se najčešće javlja.
Serija koja ima dva modusa naziva se bimodalna serija, a serija sa više modusa
multimodalna serija. To je jedan od nedostataka modusa jer ne znamo za koju
od navedene dvije vrij.da se opredijelimo.Prilikom izračunavanja modusa
potrebno je voditi računa o tome da na njegovu veličinu utiče i način grupisanja
podataka- Promjenom vel.grupnih intervala mogu se dobiti različite vrij.modusa.
30.Medijana,
Je vrij.obilježja koja se nalazi u sredini seriji čiji su podaci sređeni po veličini.
Ona čitav skup dijeli na dva jednaka dijela, tj.polovina jedinica skupa ima
vrij.obilježja manju, a polovina jedinica vrij.obilježja veću od medijane. Na nju
je utiču ekstremne vrij.obilježja. Zbog toga kada su u seriji prisutne jed.skupa sa
ekstremnim malim ili velikim vrij.obilježjima, medijana realnije opisuje cijeli
skup nego ar.sredina. Prilikom izračunavanja medijane potrebno je voditi računa
da li je riječ o parnim ili neparnim brojem podataka. Mjesto mjedijane određuje
se kao N+1/2. Ako je riječ o parnim brojem podataka ona se određuje kao
prosjek dviju vrij.obilježja koje se nalaze u sredini. Ona se približno može
odrediti i grafičkim putem, koristeći kumulirane frekvencije.
31.Kvartili, dok je medijana vrij.obilježja koja polovi seriju podataka (50% su
manje,50% veće od medijane), kvartili su mjere koje dijele seriju podataka na
četiri jednaka dijela. Ako se ukupan broj članova serije podijeli na četiri jednaka
diijela vrij.obilježja koje ih dijele nazivaju se kvartilima: prvi kv.Q1, drugi Q2 i
treći Q3. Medijana je u suštini drugi kvartil. Njih koristimo za izračunavanje
interkvartilne razlike, i da se opušu svojstva serije num.podataka. Prvi kv.je
vrij.obilježja za koju je 25% jedinica manje, a 75%jed.skupa veće od date
vrijednosti. Mjesto je Q1=N+1/4. Treći je vrij.ob.za koju je 75%jed.manje, a
25%veće od date vrijednosti. Mjesto Q3=3(N+1)/4
32.Mjere varijacije mjerama varijabiliteta dopunjavaju se inf.o karakteru
stat.skupa ili uzorka. Varijailitet prestavlja raspršenost podataka u seriji.
Utvrđuje se pomoću odg.mjera varijacije koje mogu biti pozicione i izračunate u
odnosu na neku srednju vrijednost skupa ili urotka. Možemo ih klasifikovati i u
zavisnosti od toga da li su izražene u apsolutnim ili u relativnim je.mjere. Ako
su izažene u jedinicama vr.obilježja govori se o apsolutnim mjerama, za razliku
od mjera koje se izražavaju relativnim pokazateljima.. Kroz apsolutne mjere
varijabiliteta koriste se interval(razmak)varijacije i intervalna razlika, kao i
odstupanje, varijansa i stand.devijacija. Od relativnih mjera varijacije najširu
upotrebu imaju koeficijent varijacije i standardizovano odstupanje.
33.Interval varijacije
Kada govorimo o int.var.u nekoj seriji prva ideja koja nam je na pameti je da
izmjerimo odstojanje od miniuma do maksimuma. Ova mjera se utvrđuje kao
razlika između najveće i najmanje vrij.obilježja samo približnu inf.o disperziji
posmatrane serije jer na njegovu veličinu utiču samo dvije krajnje vrij.obilježja.
Ukoliko su te dvije vrij.i ekstremne u seriji ova mjera će biti nerealno velika i na
pogrešan način odslikavati varijacije svih podataka u seriji. Int.var. je jednak
razlici najveće i najmanje vrij.obilježja. Može se izračunati samo za konačne
skupove podataka.
34.Interkvartilna razlika je razlika između prvog i trećeg kvartila: IQR=Q3-Q1.
Budući da ova mjera uzima u obzir samo raspon centralnih 50% podataka u
sredini serije, jasno je da ne zavisi od ekstremnih vrijednosti. Kvartil i
interkv.razlika ne mogu biti pod uticajem ekstremnih vrijednosti, jer se jedinice
sa vrijedtima obilježja mnjim od prvoh kvartila ili većim od trećeg kvartila ne
utimaju u obzir.Stat.mjere kao što su medijana, kvartili i interkv.razlika na koje
ne utiču ekstremne vrij.nazivaju se rezistentnim ili robustnim mjerama.
35.Srednje apsolutno odstupanje Pošto je zbir odstupanja svih podataka od
njihove ar.sredine jednak nuli, sam zbir odstupanja ne možemo uzeti kao mjeru
disperzije. Zbir odstupanja podataka od ar.sredine je jednak nuli, jer se
negativna odstupanja potiru sa pozitivnim. Kako bi to prevazišli javlja se ideja
da se uzimanje apsolutnih vrij.svih odstupanja. Da bismo to prevazišli ,
jednostavno podijelimo navedenu sumu sa brojem podataka. Budući da dijelimo
sa brojem podataka, dobijena mjera će pokazivati prosjek sume apsolutnih
odstupanja podataka od ar.sredine. To se naziva srednje apsolutno odstupanje.
36.Varijansa srednje apsolutno odstupanje se rijetko koristi u stat., jer sadrži
inf.nepogodne za dalju matematičku obradu. Da bi eliminisali negativna
odstupanja uzimamo kvadrate odstupanja. Kako bi odstranili uticaj broja
podataka na našu mjeru disperzije podijelićemo sumu kvadrata sa brojem
podataka. Prosjek sume kvadrata odstupanja svih podataka od njihove ar.sredine
naziva se varijansa ili srednje kv.odstupanje. Ona se dobije kao kvadratna
sigma=1/N∑(Xi-µ) na kvadrat. Var.uzorka predstavlja prosjek zbira kvadrata
odstupanja svih vrij.obilježja jedinica u uzorku od ar.sredine uzorka.
37.Standardna dev. Iako varijansa, ima široku primjenu u stat.istraživanjima,
ona ima i jedan značajan nedostatak. Radi se o kvadriranju odstupanja podataka
od ar.sredine pa je iskazana u kvadratima mjernih jedinica. Time se povećava
veličina izračunate mjere varijabiliteta. Da bi se taj nedostatak otklonio
izračunava se kvadratni korijen iz varijanse i dobija se najčešće korišćena mjera
varijabiliteta- stand.devijacija. Ona se može izračunati iz varijanse tako što
izvlačimo korijen iz varijanse. Možemo da je izračunamo i na osnovu podataka
o odstupanjima od ar.sredine. Možemo da je definišemo kao prosječno
odstupanje svih pojedinačnih podataka od njihove aritmetičke sredine.
38.Koeficijent varijacije za razliku od mjera varijacije koje su izražene u
apsolutnim jedinicama vrijednosti obilježja, relativne mjere izražene su u
procentima ili u jedinicama standardne devijacije. One omogućavaju da se
upoređuje varijabilitet num.serija podataka koji su izraženi u različitim
jedinicama mjere, ili serija čija su obilježja izražena istim jedinicama,ali sa
razl.ar.sredinom. Najčešće korištene relativne mjere su koeficijent varijacije i
standardizovano odstupanje. Koef.var.predstavlja relativni odnos
stand.devijacije i ar.sredine. Izračunava se kao: Kv= st.devijacija/µ. Koef.var.se
često izražava u procentima i pokazuje kolikoprocentualno iznosi st.devijacija
od ar.sredine. Njegove velike vrij.ukazuju na relativno veliki stepen
varijabilnosti podataka u seriji.
39.Stand.odstupanje predstavlja mjeru odstupanja nekog pojedinačnog podatka
od ar.sredine izražena u jed.standardne devijacije. Izračunava se na sl.način:
Z=Xi-µ/st.devijacija. Stand.odstupanje kao i koef.varijacije omogućava
upoređivanje varijabiliteta individualnih podataka više pojava, zbog toga što se
odstupanja podataka od ar.sredine ne izražavaju u apsolutnim jed.mjere
obilježja. Značaj st.odstupanja proizilazi iz činjenice da se varijabilitet ne
ocjenjuje samo sa gledišta rasporeda grekvencija kao cjeline, nego i sa gledišta
pojedinačnih podataka u skupu ili uzorku.
40.Centralni stat.momenti serije distr.frekvencija imaju različite oblike u
pogledu načina rasporeda glanova serija, s obzirom na vrijednosti obilježja. Za
mjerenje oblika rasporeda frekvencija prema osi simetrije ili u pogledu
zaobljenosti najčešće se koriste centralni momenti. Cent.momenti sukcesivno
mjere prosječna odstupanja podataka, nultog, prvog, drugog ili N-tog stepena, u
odnosu na ar.sredinu. Centralni moment nultog reda uvijek je jednak 1.
Centr.moment prvog reda jednak je nuli, pa se ne može upotrijebiti za mjerenje
oblika rasporeda. Cent.moment drugog reda je u stvari varijansa. Za mjerenje
rasporeda ostaju nam momenti viših redova od drugog.
41.Mjera asimetrije za simetričnu distribuciju karakteristično je da svakom
odstupanju vrij.obilježja od ar.sredine negativnog predznaka odgovara isto
toliko odstupanje pozitivnog predznaka. Ako je raspored pozitivno asimetričan,
pozitivna i negativna odstupanja neće se izravnati nego će preovladati
odstupanja sa pozitivnim predznakom. Kod negativno asimetričnih rasporeda
preovladaće odstupanja sa negativnim predznakom. Pokazatelj asimetrije dat je
sl.izrazom: α3=M3/st.devijacija na treću. Pokazatelj asimetrije je relativna mjera
stepena i smjera asimetrije koja je za egzaktno simtrične rasporede jednaka nuli.
Što je veća apsolutna vrijednost ovog koeficijenta, veća je i asimetrija
posmatranog rasporeda.
42.Mjera spljoštenosti zaobljenost rasporeda je druga komponenta oblika
rasporeda frekvencija. Zaobljenost u okolini modalnog maksimuma krive
distribucije frekvencija mjeri se koeficijentom spljoštenosti koji se bazira na
četvrtom centralnom momentu. Stavljanjem u odnos cent.momenta i
st.devijacije na četvrti stepen dobija se relativna mjera spljoštenosti rasporeda.
Označava se sa α4=M4/st.dev.na četvrtu.Prilikom tumačenja relativne mjere
spljoštenosti dobijenu vrij.upoređujemo sa teorijskom spljoštenosti
tzv.norm.rasporeda frekvencija koja iznosi 3.Ako je koef.splj.veći od 3 tada je
raspored više izdužen.
43.Osn.pojmovi u teoriji vjerovatnoće su eksperiment, ishod i prostor uzorka,
odnosno elementarnih događaja.Pri proučavanju prirode i društva osnovu naših
saznanja čine eksperimenti, kao i potpuno precizirane operacije posmatranja ili
prikupljanja podataka, koje se u nepromijenjenim uslovima mogu ponavljati
proizvoljno mnogo puta i čiji se ishod ne može sa sigurnošću predvidjeti.
Realizacije eksperimenata su ishodi, kao skup unaprijed poznatih mogućnosti
realizacije. U svakom pojedinom izvođenju eksperimenata realizuje se samo
jedan ishod-elementarni događaj. Prostor uzorka je skup svih elementarnih
događaja. Slučajni događaj je podskup skupa elementarnih događaja, koji imaju
neku zajedničku osobinu.
44.Neke operacije sa sl.događajima Rećemo da su dati događaju A i B. Kažemo
da A implicira B ako se svaki put kada se ostvari događaj A ostvari i događaj B,
što se označava sa: A B
Događaji A i B su jednaki ako istovremeno A implicira B i B implicira A, što se
označava sa: A B B A. Unija dog.A i B je događaj koji se ostvaruje onda i
samo onda ako se ostvari bar jedan od dog.A i B. A U B. Presjek dog.Ai B je
dog.koji se ostvaruje istovremenim ostvarenjem i dog.A i dog.B. Označava se
kao A B. Za dva događaja A i B kažemo da se međusobno isključuju ako je
presjek njihov dog.prazan skup.Unija dva dog.Ai B koji su međusobno isključivi
predstavlja zbir tih događaja A U B=A+B. U slučaju kada događaji A i B
pokrivaju cjelokupan prostor elementarnih događaja S, a međusobno su
isključivi tada za te dog.kažemo da su komplementarni.
45.Vjerovatnoća događaja Vj.događaja je funkcija P definisana na slučajnim
događajima koja ih preslikava u realne brojeve, a ima sl.osobine:1.Svakom
slučajnom događaju E odgovara nenegativni broj P(E) koji predstavlja njegovu
vjerovatnoću,tako da je:P(E)≥0. 2.Vjerovatnoća sigurnog događaja S je: P(S)=1
3.Za medusobno disjunktne događaje E1,E2...En vjerovarnoća njihove unije
jednaka je zbiru njihovih vjerovatnoća. Ako je skup el.događaja nekog
eksperimenta ima n elemenata sa jednakim mogućnostima realizacije i ako
realizacija ukupno k elementarnih događaja pri čemu je 0<k<n, tada je
vjerovatnoća događaja E data izrazom: P(E)=k/n.
46)Klasična definicija vjerovatnoće Ako skup elementarnih događaja nekog
eksperimentra ima n elemenata sa jednakim mogućnostima realizacije i ako
realizacija ukupno k elementarnih doagađaja,pri čemu je 0<k<n,povlači
realizaciju događaja E,tada je vjerovatnoća događaja E data izrazom: P(E)=k/ n.
Bitno je naglasiti da rezultat ove vjerovatnoće ne mora da se javi prilikom
svakog ponavljanja eksperimenata, pa se zbog toga ova vjerovatnoća označava
kao vjerovatnoća a priori i veže se za slučaj kada je prostor elementarnih
događaja konačan, a elementarni događaji imaju jednaku vjerovatnoću
ostvarenja. Ona upućuje na očekivanj prilikom izvođenja nekog eksperimenta,
koje u praktičnim uslovima odstupa od isoda koji se realizuje
47)Statistička definicija vjerovatnoće Označimo sa N broj ponavljanja nekog
eksperimenta,a sa Ne broj javljanja E u N tih ponavljanja.Statistička
vjerovatnoća,a posteriori određuje se nakon izvršenog eksperimenta na osnovu
dobijenih empirijskih vrijednosti, kao granična vrijednost relativnog učešća
javljanja događaja E prilikom N ponavljanja datog eksperimenta :P(E)=lim
Ne/N. S obzirom da se u praksi eksperiment izvodi samo kontačan broj puta ova
vj.se ne može precizno odrediti kao granična vrijednost, nego se samo ovjenjuje
kao relativna frekvencija događaja E u N ponavljanja eksperimenta i izračunava
se kao P(E)=Ne/N. Empirijske vrijednosti pokazuju ispravnost ovog izraza jer
što se više eksperimenata izvodi to se voa vjerovatnoća više približava vj.a
priori.
48)Subjektivna vjerovatnoća
Kada se događaji javljaju samo jedanput ili kada su uslovi njihove realizacije
značajno različiti,tada se njihova vjerovatnoća može odrediti i na osnovu
mišljenja određenih lica koja su na neki način upućena u realizaciju tih
događaja.Polaznu osnovu za davanje ocjene o vjerovatnoći dešavanja nekog
događaja čini znanje,iskustvo i raspoložive informacije tih lica,koja prema svom
ubjeđenju daju ocjenu tražene vjerovatnoće.
U nekim praktičnim istraživanjima procedurama ovo je neophodna zamjena u
slučajevima kada se ne raspolaže podacima potrebnim za određivanje egzaktne
vjerovatnoće.
49)Pravilo sabiranja vjerovatnoće
Određivanje vjerovatnoće realizacije dva ili više događaja najčešće se izvodi
korišćenjem pravila sabiranja ili množenja vjerovatnoća kao i različitim
kombinacijama ovih pravila. Koje pravilo se primjenjuje zavisi od toga u
kakvom su međusobnom odnosu posmatrani događaji. Pravilo sabiranja vj. se
još naziva i aditivnim pravilom.U slučajevima kada se određuje vjerovatnoća da
se desi događaj E1 ili E2 ili događaj...En ,primjenjuje se pravilo sabiranja
vjerovatnoća.Neka su događaji E1 i E2 slučajni događaji iz prostora
elementarnih događaja 5.Tada je vjerovatnoća njihove unije jednaka zbigu
pojedinčanih vjerovatnoća tih događaja umanjena za vjerovatnoću njihovog
istovremenog ostvarenja:
P(E1UE2)=P(E1)+P(E2)-P(E1∩E2)
Što predstavlja vjerovatnoću da će se ostvariti ili događaj E1 ili događaj E2.Ako
su događaji E1 i E2 međusobno diskjuntni(isključivi=,tada je vjerovatnoća
njihove unije jednaka zbiru njihovih pojedinačnih vjerovatnoća:
P(E1UE2)=P(E1)+P(E2),P(E1∩E2)=Ø
50)Uslovna vjerovatnoća i nezavisnost događaja
Poseban aspekt posmatranja odnosa više događaja ogleda se u tome kako
realizacija jednog slučajnog dogaaja utiće na realizaciju drugog događaja,
odnosno u kojoj mjeri realizacija jednog događaja zavisi od real.dr.događaja. Tu
se radi o zavisnosti realizacija događaja.Za dva događaja E1 i E2 uslovna
vjerovatnoća označava se sa P(E2/E1) i predstavlja vjerovatnoću ostvarenja
događaja E2,pod uslovom da se ostvario događaj E1.Ova vjerovatnoća e
određuje se pomoću izraza: P(E1 presjek E2)/P(E1)
Dva događaja E1 i E2 su nezavisni ako je:
P(E1∩E2)P(E1)·P(E2),
Odnosno,dva događaja su nezavisna ako je vjerovatnoća njihovog istovremenog
ostvarenja jednaka proizvodu njihovih pojedinih vjerovatnoća.
51)Pravilo množenja vjerovatnoća
Pravilo množenja vjerovatnoća primjenjuje se za određivanje vjerovatnoće
istovremenog(zajedničkog) javljanja dva ili više događaja prilikom izvođenja
nekog eksprimenta. U praktičnom smislu ovakvu kombinaciju očekivanja
realizacije događaja prepoznajemo po formulaciji „i“, tj.kada se određuje
vjerovatnoća da se desi i jedan i drugi i...“i“n-ti događaj.
Za dva događaja E1 i E2 vjerovatnoća njihovog istovremenog ostvarenja dobije
se na osnovu izraza:
P(E1∩E2)=P(E1) P(E2/E1)
P(E1∩E2)=P(E2) P(E1/E2)
Za slučajne događaje koji su međusobno nezavisni vjerovatnoća njihoovog
istovremenog ostvarenja dobije se kao proizvod njihovih pojedinačnih
vjerovatnoća:
P(E1∩e2)=P(E1)·P(E2)
AKO JE P(E2/E1)=P(E2) odnosno P(E1/E2)=P(E1)
52)Vjerovatnoća uzorka
Često se dešava da nas zanima vjerovatnoća uzorka nekog događaja.( U slučaju
da se automobil ne može upaliti postavlja se pitanje zbog čega?) U ovakvim
slučajevima određivanje vj.uzorka jedan je od načina njihovog otkrivanja.
Vjerovatnoća uzorka se još naziva i Bajesova vjerovatnoća.Neka su dati
događaji D1,D2...Dk koji su međusobno diskjunktni,a čija unija predstavlja
siguran događaj,odnosno neki potpun prostor elementarnih događaja:
U Dτ=S,τ=1,...k.
Opšti oblik Bajesove teoreme:
P(Dτ/X)=P(Dτ)/P(x)·P(x/Dτ)=P(Dτ)·P(x/Dτ)/∑P(Dτ)·P(x/Dτ)
Pri tome se događaju D1,D2...Dk smatraju uzrocima događaja x koji
je,dakle,njihova posledica.Zato se ova vjerovatnoća označava kao vjerovatnoća
uzroka.Vjerovatnoća P(Dτ) su a priori,a vjerovatnoće P(x/Dτ),a posperiori.Ova
teorema posebnu primjenu nalazi prilikom određivanja vjerovatnoće nekih
događaja za koje je poznata vjerovatnoća uzroka njihovog nastanka.
53)Slučajna promjenljiva
U stat.često koristimo pojam obilježje kao karakteristiku na osnovu koje se
jedinice posmatranja međusobno razlikuju. Samim tim, različite vrijednosti
obilježja se nazivaju modaliteti tog obilježja. Statističari su formulisali veliki
broj modela kojima pokušavaju da opišu razne pojave u ekonomiji, medicini itd.
Svaki od tih modela opisuje ponašanje neke pojave. Npr.broj mob.tel,u
domaćinstvu je promjenljiva veličina koja uzima različite vrij.od domaćinstva
do domaćinstva. Tu promj.nazivamo sl.promjenljiva. Slučajna promjenljiva je
numerička ф-ja koja svakom ishodu statističkog eksperimenta pridružuje jedan
realan broj.Slučajne promjenljive možemo podijeliti na osnovu toga da li
uzimaju samo izolovane vrijednosti ili sve moguće vrijednosti u nekom
intervalu.Za slučajnu promjenljivu kažemo da je prekidna(ili diskretna)ako
može uzeti konačan broj izolovanih vrijednosti ili prebrojivo mnogo
vrijednosti.Slučajna promjenljiva je neprekidna ako može da uzme bilo koju
vrijednost u nekom intervalu.
54)Raspored vjerovatnoća prekidne slučajne promjenljive
Prekidna sl.promjenljiva može se opisati kao veličina koja uzima određene
izolovane vrijednosti sa odgovarajuim vjerovatnoćama. Kako bi opisali tu
promjenljivu dolazimo do rasporeda vjerovatnoća. Raspored
vjerovatnoće(raspodjela vjerovatnoće ili ф-ja vjerovatnoće ili zakon
vjerovatnoće)prekidne slučajne promjenljive x je skup parova svih vrijednosti
koje može da uzme slučajna promjenljiva x i odgovarajućih vjerovatnoća.Opšte
karakteristike svih prekidnih slučajnih promjenljivih:
1)nijedna vjerovatnoća u rasporedu vjerovatnoće ne može biti negativna,
2)suma vjerovatnoća koje odgovaraju svim vrijednostima slučajne promjenljive
x mora biti jednaka 1.
Rasp.vj.daje nam najpotpuniju inf.o karakteristikama sl.promjenljive. Kad nam
je on poznat možemo donositi raličite stavove o bilo kojim vrijednostima
sl.promjenljive.
55)Funkcija rasporeda prekidne slučajne promjenljive
Rasp.vjerov.prekidne sl.promjenljive može se predstaviti kao lista svih
pojedinačnih vrijednosti sl.promjenljive sa odg.vjerovatnoćama. Ali se postavlja
pitanje kako opisati prekidnu sl.promjenljivu koja ima beskonačno mnogo
vrijednosti. To se postiže pomoću funkcije rasporeda. Funkcija
rasporeda(naziva se još i kumulativna ф-ja rasporeda) prekidne slučajne
promjenljive pokazuje vjerovatnoću da slučajna promjenljiva x uzme vrijednost
koja je manja ili jednaka bilo kojoj proizvodnoj vrijednosti x.
Ф-ja rasporeda slučajne promjenljive x se označava sa F(x) i data je
vjerovatnoćom:F(x)=P(X≤x)
gdje x može biti bilo koji realan broj
Svaka ф-ja rasporeda mora da zadovolji sledeće matematičke karakteristike:
1)za bilo koju vrijednost a: 0≤F(a) ≤1,što je i razumljivo jer je ф-ja rasporeda
vjerovatnoća,
2)F(-∞)=0 i F(+∞) na siguran događaj
3)ako je a<b ,tada je F(a)≤F(b) ,tj. ф-ja rasporeda bilo koje slučajne promjenljive
je naopadajuća ф-ja.
56)Očekivana vrijednost prekidne slučajne promjenljive
U desk.stat.opisivali smo rasporede frekvencija pomoću deskriptivnih mjera
cent.tendencije, disperzije i oblika rasporeda. Od svih pokazatelja zadržaćemo:
očekivanu vrij.sl.promjenljive i varijansu sl.promjenljive. Očekivana vrijednost
slučajne promjenljive x označava se sa E(x) i jednaka je zbiru proizvoda
vrijednosti koje uzima slučajna promjenljiva i odgovarajućih vjerovatnoća
Očekivana vrijednost naziva se još matematičko očekivanje ili očekivanje od
x.Očekivana vrijednost jednaka je aritmetičkoj sredini populacije E(x)=μx=μ.
Očekivana vrijednost se nalazi između minimalne i maksimalne vrijednosti
slučajne promjenljive i ne mora se poklapati sa nekom vrijednošču slučajne
promjenljive.
57)Varijansa prekidne slučajne promjenljive
Vidjeli smo da očekivana vrij.predstavlja centar ili sredinu rasporeda
vjerovatnoće neke sl.promjenljive. Postavlja se pitanje u kojoj su mjeri ostale
vrijednosti raspršene u odnosu na očekivanu vrij. Tj kolika je
disperzija?Varijansa je mjera disperzije rasporeda vjerovatnoće slučajne
promjenljive.Varijansa slučajne promjenljive označava se sa VarX ili ơx (na
kvadrat) ili ơ (na kvadrat) i dobija se na osnovu obrasca:
Vor(X)= ơx (na kvadrat)=E[x-E(x)] na kvadrat =∑[xτ-E(x)]na kvadrat pτ
Može se jednostavnije izračunati pomoću radne,alternativne formule.
Vor(x)=ơx(na kvadrat=E[x-E(x)]na kvadrat=E(x na kvadrat)-[E(x)] na
kvadrat=∑xi na kvadrat pτ-μna kvadrat x,tj. Kao očekivanje kvadrata slučajne
promjenljive minus kvadrata njenog očekivanog.
Varijansa slučajne promjenljive ne može biti negativna tj Var X ≥0,Ako je Var
x=0 ne postoje nikakva odstupanja,x nije slučajna promjenljiva već neka
konstanta.
58)Standardizovana slučajna promjenljiva
Bilo koja slučajna promjenljiva x može se standardizovati kada se od nje
oduzme njena očekivana vrijednost,a zatim se podijeli sa standardnom
devijacijom.
Standardizovana slučajna promjenljiva:
Z=X-E(x)/st.dev.X ; E(Z)=0 VR.z=1

59)Model prekidnog rasporeda vjerovatnoće Već znamo da postoji potreba da

se pojave u prirodi i društvu modeliraju jer je nemoguće sakupiti sve podatke na
kojima se one ispoljavaju i na pojave utiče veliki br.faktora. Takav model
predstavlja samo uprošćenu sliku stvarnosti. Pošto nije moguće da se formuliše
samo jedan model kojim bi se opisale sve pojave, statističari su formulisali
veliki broj takvih modela; pomoću kojih alanirizamo pojave kao što je
npr.visina,težina,inteligencija ljudi i sl. Jedan od najpoznatijih modela je model
rasporeda vj..Model rasporeda vjerovatnoće ćemo formulisati u vidu opšteg
algebarskog izraza tj. Formule koja daje vezu između pojedinih vrijednosti koje
uzima slučajna promjenljiva x i odgovarajućih vjerovatnoća.Takva funkcionalna
veza:pτ=f(xτ) τ1,2...n, na kondenzovan način sadrži cijeli raspored vjerovatnoće
i naziva se model rasporeda.Najpoznatiji modeli prekidnih rasporeda
vjerovatnoće su:binomni,hipergeonetrijski,Poisson-ov i uniformni.U okviru
modela neprekidnih rasporeda vjerovatnoće najčešće se
koriste:normalan,Student-ov,x NA KVADRAT I Snedecor-ov(Fisher-ov)
raspored.
60)Bernoulli-jev proces Niz nezavisnih,ponovljenih Bernoulli-jevih opita
naziva se Bernoulli-jev radni proces ako su ispunjeni sledeći uslovi:1)svaki opit
rezultira u jednom od dva moguća ishoda,koje tehnički klasifikujemo kao
uspjeh(U) i neuspjeh(N)2)Vjerovatnoća uspjeha,p=P(U),konstanta je od opita do
opita.Vjerovatnoća neuspjeha (p(n)=1-p označava se sa q ,tako da je
p+q=13)Opšti su nezavisni,odnosno bilo koji ishod da se realizuje u nekom
opitu neće imati uticaja na vjerovatnoću ishoda u bilo kom drugom opitu.
OVjerovatno najjednostavniji primjer Bernoullijevog procesa je eksperiment sa
bacanjem pravilnog novčića, gdje se pojavljivanje pisma ili grba može
klasifikovati kao uspjeh i neuspjeh.On je prekidan raspored je sl.promjenljiva
može da uzme samo jednu vrij.iz skupa izolovanih konačnih brojeva n.
61)Binomni raspored-formula za izračunavanja Najčešće korišćeni prekidni
raspored u primjenjenoj statistici je binomni raspored, koji, da bi uspijeli u
potpunosti da ga shvatimo, možemo objasniti Bernoullijev proces.Bin.rasp.ima
dva parametra,n i p. Mijenjanjem poj.vrijednosti dobijaju se različiti
bin.rasporedi od kojih svaki zadovoljava istu mat.formulu, ali daje različite
vjerovatnoće pojedinim vrijednostia koje sl.promjenljiva može da uzme.
Vjerovatnoće.n-broj opita
p-vjerovatnoća „uspjeha“ u svakom opitu
62)Binomni raspored-parametri
Binomni raspored ima dva parametra,n i p.Mijenjanjem pojedinačnih vrijednosti
n i p dobijaju se različiti binomni rasporedi,od kojih svaki zadovoljava formulu.

FORMULA,ali dodaje različite vjerovatnoće pojedinim vrijednostima koje

slučajna promjenljiva x može da uzme.

63)Upotreba binomnog i hipergeometrijskog rasporeda

Binomni model zahtijeva da vjerovatnoća uspjega p mora ostati konstantna iz

opita u opit,odnosno opiti moraju biti međusobno nezavisni.Posebnu primjenu
binomni raspored ima u problemima vezanim za izbor uzorka.Postoje dvije
tehnike uzimanja uzorka iz populacije-bez ponavljanja i sa
ponavljanjem.Vjerovatnoća p biće konstantna kada uzorak veličine n uzimamo
iz beskonačnog osnovnog skupa ili ako iz konačnog skupa uzimamo uzorak sa
ponavljanjem.Ako iz konačnog skupa uzimamo uzorak bez ponavljanja
,uzastopna izvlačenja biće zavisna i vjerovatnoća p mijenjaće se nakon izbora
svakog novog elementa.Ako veličina uzorka n nije suviše velika u odnosu na
veličinu populacije N,binomni raspored se može upotrijebiti jer predstavlja
dobru aproksimaciju prvom rasporedu rezultata uzrka.Smatra se da će
aproksimacija biti zadovoljavajuća ako je odnos n/N manji od 5%.U slučaju da
primjenjujemo uzorak bez ponavljanja koji sadrži 5% ili više elemenata konačne
populacije,moramo koristiti hipergeometrijski raspored.

64)Hipergeometrijski raspored- Binomni model zahtjeva da vjerovatnoća

uspjeha p mora da ostane konstanta iz opita u opit, tj.opiti moraju biti
nezavisni.Posebnu primjenu bin.rasporeda ima u problemima vezanim za izbor
uzorka.U praksi se najveći broj istraživanja sprovodi korišćenjem uzorka bez
ponavljanja. Ako vel.uzorka n nije suviše velika u odnosu na vel.populacije N
bin.raso.se može upotrebiti.Kao i binomni rasp.i hiperg.raspr.je prekidan i
predstavlja čitavu familiju rasporeda. P(X=x)=(N1 nad x)(N2 nad n-x)/(N nad n)

gdje su:

N-veličina populacije

n-veličina uzorka(bez ponavljanja)

x-broj „uspjeha“ u uzorku

n-x-broj „neuspjeha“ u uzorku

N1-broj „uspjeha“ u populaciji

N2-broj „neuspjeha“ u populaciji

min(n,N1)minimum od n i N1

65)Hipergeometrijski raspored-parametri

Hipergeometrijski raspored je,kao i binomni prekidan i predstavlja čitavu

familiju rasporeda.Svaki član ove familije je određen sa 3 parametra:N,N1 i n.

66)Popravni faktor za konačnu populaciju

Hipergeometrijski raspored ima istu aritmetičku sredinu kao i binomni

raspored.Strandarnda devijacija,se,međutim, razlikuje jer je pomnožena sa
izrazom (N-n)/(N-1) sve pod korijenom, koji se naziva popravni faktor za
konačnu populaciju. St.dev.binomnog i hiperg.rasp.neće se mnogo razlikovati
kada je popravni faktor blizak jedinici odnosno kada je uzorak sadrži mali broj
el.skupa.
67.Poisson-ov Raspored-uslovi primjene
Binomni rasp.pokazuje vj.dobijanja x uspjeha prilikom n opita nekog
eksprerimenta pod uslovom da je vjerovatnoća uspjeha kontantna iz opita u opit.
Dok se Poissonov raspored može koristiti da bi se odredila vj.broja javljanja
nekog događaja u jedinici vremena ili prostora.Da bi se Poisson-ov raspored
mogao koristiti potrebno je da budu ispunjena sledeća tri uslova:
1)broj javljanja događaja je nezavisan od jedne do druge jedinice vremena ili
prostora,
2)vjerovatnoća javljanja nekog događaja je proporcionalna dužini određene
jedinice vremena ili prostora i
39)jerovatnoća istovremenog javljanja dva ili više događaja u sasvim maloj
jedinici vremena ili prostora je zanemarljivo mala.
68.Poisson-ob raspored-formula za izračunavanja vjerovatnoće
P(X=x)=e na – lama * lama na x/X!
Ova formula reprezentuje vjerovatnoću da prekidna slučajna promjenljiva X
uzme neku proizvoljnu vrijednost x. Broj e predstavlja bazu prirodnog logaritma
i iznosi 2,718. Kao što vidimo Poissonov raspored ima samo jedan parametar
(lama) A ona predstavlja prosječan broj javljanja nekog dogašaja u jedinici
vremena ili prostora. Poissonova sl.promjenljiva može da ima beskontačno
mnogo vrijednosti.
69)Poisson-ov raspored-parametri
Poisson-ov raspored ima samo jedan parametar λ
Numerički,λ predstavlja prosječan broj javljanja nekog događaja u jednici
vremena ili prostora.Parametar λ istovremeno predstavlja aritmetičku sredinu i
varijansu Poisson-ovog rasporeda,tj. E(x)=st.dev.na dvadrat=lama
70)Uniformni raspored- Jedan od najjednostavnijih prekidnih rasporeda koji je
posebnu primjenu našao u komjuterskoj simulaciji i igrama na sreću je
unif.raspored. Njegova osn.kar.je da svaka vrij.sl.promjenljive ima jednaku
vjerovatnoću da se ostvari. Pretpostavimo da sl.promj.X može uzeti jednu od
vrij.1,2,...,n Ako je vj.da X uzme bilo koju od tih vrijed.jednaka i iznosi 1/n i
ako se ove vjerovatnoće ne mijenjaju za x kažemo da ima prekidni
unif.raspored. On se često koristi kod bacanja kockice. P(X=x)=1/n
n-broj različitih vrijednosti koje x može uzeti
71)Un.raspored-parametri
72,73,74.Rasp.vjer.neprekidne sl.promjenljive ,gustina vjerovatnoće,
Odr.vj.kod neprekidne sl.promjenljive
Prekidna sl.prom.može u jednom opitu uzeti neku izolovanu vrij.(najčešće cijeli
broj) iz kontačnog skupa brojeva ili iz skupa koji sadrži prebrojvo mnogo
brojeva. Modeli rasporeda zasnovani na takvim promjenljivima imaju značajnu
ulogu u velikom br.ekspreimentalnih situacija. Postavlja se pitanje kako
primjeniti binomne ili Poissonove tablize? Tada nam modeli neprekidnih
rasp.vjerov.mogu pružiti odg.traženih vjerovatnoća.Kod prekidne pojave do
vjerovatnoće dosta se jednostavno,tako što se formira lista pojedinih vrijednosti
sl.promjenljive i odgovarajućih vjerovatnoća.A kod neprekidne to je nemoguće,
jer je broj njenih vrij.beskonačan.Druga razlika je u tome da prekidne mogu
uzimati samo izolovane vrijednosti, a neprekidne sve vrijednosti u nekom
intervalu.Zato je razumljivo da se grafički prikaz neprekidne promj.neće
sastojati od ordinata, već od glatke krive. Takva kriva se naziva kruva kustine
vjerovatnoće. Mat.funkcija označena sa f(x) čiji je gradik prestavljen tom
krivom naziva se funkcija gustine vjerovatnoće. Njene
osn.kar,su:1.Funkc.gustine vj.nikada nije negativna, 2. Ukupna površina ispod
krive gustine vj.uvijek je jednaka 1. Pošto je sl.promj.neprekidna i može uzeti
beskontačno mnogo vrij.vjerov.da uzme jednu odr.vrijednost jednaka je
1/beskonačno.Kod neprekidne sl.promjenljive uključivanje graničnih
vrij.intervala neće mijenjati vjerovatnoću da slučajna promjenljiva x pada u taj
interval. Na osnovu toga zaključujemo da vrij.funkcije gustine f(x) ne
predstavlja vjerovatnoću, već nam daje inf.o vel.ordinate.Problem pronalaženja
vjerovatnoće da x uzme vrijednost u nekom intervalu svodi se na izračunavanje
odg.površine ispod krive.
75)Funk.rasporeda neprekidne slučajne promjenljive ima veliku ulogu pri
određivanju vjerovatnoće da se X nađe u nekom intervalu. Tablice
vjerov.pojedinih modela rasporeda najčešće su date na osnovu funk.rasporeda.
F(x) predstavlja površinu ispod krive funkcije gustine od njenog početka do
tačke x, odnosno vjerovanoću da će slučajna promjenljiva x uzeti neku vrij.u
intervalu čija je gornja granica x. Pošto površina ispod krive predstavlja
vjerovatnoću, funkcija rasporeda i ostatak površina u zbiru moraju biti jednaki
1.Vjerovattnoću da neprekidna sl.promjenljiva uzme vrij.u nekom intervalu
možemo odrediti kao P( a<X<b)=F(b)-F(a) tj. Kao razliku funkcije rasporeda
gornje i donje granice intervala.
76)Normalan raspored-funkcija fustine vjerovatnoće
Ovaj rasp.je otkriven oko 1730. Godine, koga je otkvrio matematičar Moivre,
kao oblik binomnog rasporeda. On ima centralnu ulogu u stat.teoriji i praksi,
posebno u domenu stat.zaključivanja. Za slučajnu promj.X kažemo da ima
norm.raspored ako je karakterišu neprekidne vrij. Takvu promj.označavaćemo
sa X:N(µ, st.dev.na kvadrat=, što se čita X ima norm.raspored sa parametrima µ
i st.dev.na kvadrat.
Gdje su:
π-matematička konstanta,približno jednaka 3,14159
e-matematička konstanta,približno jednaka 2,71828
μ-aritmetička sredina normalne slučajne procjenljive
ơ-standardna devijacija normalne slučajne promjenljive

77)Osobine normalnog rasporeda:

1)Normalna kriva ima oblik zvona,unimodalna je i simetrična u odnosu na
vrijednost X=μ
2)Budući da je normalan raspored si metričan,njegova aritmetička
sredina,modus i medijana su međusobno jednaki.
3)Normalna kriva se proteže od -∞ do +∞ tj. Asimptotski se približava x osi,pa
je njen interval varijacije beskonačan (τ = ∞)
4)Relativna mjera asimetrije L3 jednaka je 0,a relativna mjera spljoštenosti L4
ima vrijednost 3.
5)Ukupna površina ispod krive,kao kod svake krive gustina vjerovatnoće
jednaka je 1.
6)Normalan raspored u potpunosti definisan sa dva parametra,μ i ơ(na kvadrat)
7)U razmaku +,- 1 standardne devijacije od aritmetičke sredine nalati se
približno 68 % površine svake normalne krive FORMULA
U intervalu +,- 3 standardne devijacije od aritmetičke sredine obuhvačeno je
približno 99,7 % površine čitave krive FORMULA
78)Značaj normalnog rasporeda:
Normalan raspored predstavlja najznačajniniji teorijski raspored vjerovatnoće iz
sljedećih razloga:
1)Ako veliki broj faktora utiče na neku pojavu na aditivan način i uticaj svakog
od njih je veoma mali,može se očekivati da ta pojava slijedi normalan raspored.
2)Normalan raspored može poslužiti kao odlična aproksimacija raznih prekidnih
rasporeda(najčešće binovnog i Poisson-ovog) za one vrijednosti parametara koje
nisu date u tablicama vjerovatnoće.Veliki broj prekidnih rasporeda,pod
posebnim uslovima teži normalan raspored.
3)Iz normalnog rasporeda je izveden veliki broj drugih neprekidnih
rasporeda,koji takođe imaju značajno mjesto u statističkoj analizi,kao što su
Student-ov(ili t) raspored,X(na kvadrat) i F raspored.
4)Normalan raspored predstavlja osnovu za parametarsko statističko
zaključivanje zbog:
a)njegove veze sa tzv. Centralnom Graničnom teoremom i
b9zbog toga što parametarski metodi imaju zajedničku pretpostavku da osnovni
skup iz koga se uzima uzorak ima normalan raspored.Čak i neparametarski
statistički metodi koriste normalan raspored kao neophodno sredsrvo za
donošenje odluke u slučaju velikih uzoraka.

79)Standardizovan normalan raspored-ф-ja gustine vjerovatnoće

Postoji čitava familija različitih normalnih rasporeda, u zavisnosti od
vrij.parametaraµ i st.dev.na kvadrat. Za norm.rasp.kažemo da je u
standardizovanom obliku ako je njegova aritmetička sredina jednaka nuli, a
arijansa, odnosno st.dev.jednaka jedinici. Formula za funkciju gustine
stand.normalne promjenljive možemo dobiti ako u formuliza norm.rasp. u
opštem obliku zanijenimo µ=0 i st.dev.na kvadrat=1. Uobičajno je da se
st.normalna promjenljiva označava sa Z, pa se formula može napisati u vidu
Z:N(0,1)
80)Razlozi za uzorkovanje: Postoji nekoliko važnih razloga zbog kojih je
analiza na osnovu uzoraka pogodnija u onosu na cjelovito posmatranje
populacije:
1)Uzorkovanje omogućuje da se do informacija o parametrima osnovnog skupa
dođe uz znatno niže troškove,
2)Uzorkovanjem se znatno brže dolazi do informacija o osnovnom
skupu,posebno u slučajevima velikih osnovnih skupova,kao i kod skupova sa
beskonačno velikim brojem elemenata.
3)S obzirom na raspoložive izvore,kako u finansijskom,tako i u pogledu
dostupnosti elemenata populacije,uzorak može biti jedini način postizanja
ciljeva istraživanja.
4)Istraživački proces često podrazumijeva destrukciju,otuđenje ili uništavanje
proizvoda,tako da se uzorkovanjem mogu ostvariti značajne štete.
5)Ako je obuhvatanje cjelovitih populacija nemoguće(zbog toga jer su izuzetno
velike ili čak imaju beskonačan broj elemenata ili je jednostavno,izuzetno teško
njihovo obuhvatanje),tada je zaključivanje na osnovu uzorka jedino moguće
rješenje.
81)Okvir uzorka
Svako istraživanje usmjereno je na određenu ciljnu populaciju koja se sastoji od
individua, objekata ili entiteta koji su predmet istraživanja. Uzorak se bira iz
liste populacije, nekog spiska, mape, ili dr.izvora koji predstavljaju populaciju i
okvir uzorka. Ovako istraživanje usmjereno je na određenu cilju populaciju,koja
se sastoji od individua,objekta ili entiteta koji su predmet istraživanja.Uzorak se
bira iz liste populacije,nekog spiska,mape,direktorija ili drugih izvora koji
predstavljaju populaciju.Ove liste,spiskovi,direktoriji predstavljaju okvir uzorka.
U najvećem broju slučajeva uzorkovanje se bazira na okviru uzorka. Okvir
uzorka i ciljna populacija su jednaki. U postupku formiranja okvira nastojanje
ide u pravcu minimiziranja razlike između lista okvira i elemenaza.

82)Slučajno i neslučajno uzorkovanje

Postoje dva osnovna tipa uzorkovanja:slučajno i neslučajno.
Kod slučajnog izbora svaka jedinica populacije ima poznatu
vjerovatnoću,odnosno šansu da bude izabrana u uzorak.Slučajno uzorkovanje
podrazumijeva da se vjerovatnoća izbora uzima u obzir prilikom selekcije.
U neslučajnom uzorkovanju jedinice populacije nemaju poznatu vjerovatnoću
izbora u uzorak.To znači da elementi uzorka nisu birani slučajno, što
podrazumijva da namjera njihovoh izbora u uzorak može biti posljedica
različitih okolnosti.Kod neslučajnog izbora nije moguće određivanje
vjerovatnoće pojave određenih jedinica. Postoje 4 tehnike sl.uzorkovanja:
jednostavno slučajno uzorkovanje, stratifikovano, sistematsko i klaster/aea
uzorkovanje.
83)Uzorkovanje sa ponavljanjem može da bude sa i bez ponavljanja elemenata.
Razlikovanje je veoma značajno za dalje tokove stat.zaključivanja, pa je
potrebno dalje objašnjenje. To je procedura izbora elemenata u uzorak tako da
se u svakom pojedinom opitu(pojedinačno izabiranje elementa u uzorak) ne
mijenjaju uslovi izbora.
Uzorkovanje sa ponavljanjem podrazumijeva da se prilikom svakog pojedinog
izvlačenja ne mijenja vjerovatnoća izbora elemenata u uzorak.
Uzorkovanje bez ponavljanja je procedura izbora elemenata u uzorak u kojoj se
jednom izabrani element ne vraća ponovno u osnovni skup.To znači da se izbor
svakog novog elementa u uzorak vrši u promijenjenim uslovima,što dalje
inplicira da se prilikom pojedinog izvlačenja mijenja vjerovatnoća izbora
elemanta u uzorak
X4 osnovne tehnike slučajnog uzorkovanja: (84,86,87,88)

84,85Jednostavno slučajno uzorkovanje, Tablica slučajnih brojevaPredstavlja

najčešći način u okviru slučajnog uzorkovanja. Jedn.uzorkovanje može se
posmatrati i kao osnova za ostale tehnike uzorkovanja.U jednostavnom
slučajnom uzorkovanju svaka jedinica u okviru uzorka numerisana je od 1 do
N(sa N je označen broj elemenata populacije).U daljem postupku se koristi
tablica slučajnih brojeva ili neki parametar slučajnih brojeva za izbor n
elemenata u uzorak.Generator slučajnih nrojeva omohućava generisanje
slučajnih brojeva. To je najčešće računarski program koji uz pomoć kompjutera
omogućava dobijanje slučajnih brojeva.
Tablica slučajnih brojeva primjenjuje se u uslovima kada su svi elementi
populacije numerisani.Koristi se kod osnovnih skupova koji nisu
preveliki.Numeracija se izvodi u obliku dvocifrenih,trocifrenih i višecifrenih
brojeva,u zavisnosti od veličine skupa.

86)Stratifikovano slučajno uzorkovanje:

Drugi tip slučajnog uzorkovanja je strat.uzorkovanje.U stratifikovanom
slučajnom uzorkovanju populacija se dijeli na subpopulacije,kao dijelove koji
međusobno nemaju presjeka-zajedničkih elemenata i koji se nazivaju
stratumi.Osnovni razlog za korišćenje stratifikovanog slučajnog uzorkovanja je
zbog toga što se na taj način otvara mogućnost za redukovanje uzoročnih
grešaka.Može biti proporcionalno ili disproporcionalno. Strat.uzorkovanjem
daleko je veća mogućnost da se utorkovanjem bolje reprezentuje osn.skup, u
odnosu na jednostavno sl.uzorkovanje, jer su dijelovi uzorka izabeani iz
različitih podgrupa osnovnog skupa.To znači da nije moguće da neki dio
osn.skupa ne bude obuhvaćen zzorkom, a što predstavlja realno moguću
situaciju.
87)Sistematsko uzorkovanje
Se koristi zbog svojih pogodnosti i relativno jednostavnog administriranja.U
sistematskom uzorkovanju bira se svaka k-ta jedinica populacije,veličine N
jedinica,da bi se dobio uzorak od n jedinica.Sistematsko uzorkovanje ima dvije
osnovne karakteristike:
1)elementi populacije tretiraju se kao uređeni skup sekvenci
2)elementi se biraju u uzorak u konstantnom intervalu iz sekvencijalno uređenog
okvira uzorka.Vrijednost k se može odrediti na sledeči način
k= N/n

n-veličina uzorka
N-veličina populacije i
k-veličina intervala selekcije
Ono se može pojaviti problem ako postoji ciklično ponavljanje u podacima i ako
se uzorački interval bude takav da prati tu cikličnost.
88)Klaster uzorkovanja
Je još jedan način stat.slučajnog uzorkovanja.Klaster uzorkovanja
podrazumijeva dijeljenje populacije na dijelove koji nemaju presjeka,odnosno
koji nemaju zajedničkih elementara.Klaster predstavlja minijaturnu(ili mikro-
kosmos)populaciju,čiji je dio.Kada se klasteri ustanove,primjenjuje se slučajno
uzorkovanje elemenata u svakom pojedinom klasteru i tako se u konačnosti
dobija uzorak ovim metodom.. U odnosu na stratifikovano slučajno
uzorkovanje, gdje su stratumi homohrni fijrlobi populsvijr, klsdzrt uzorkovanje
identifikuje klastere koji su sami za sebe heterogeni. Svaki klaster sadrži širok
varijetet elemenaza, kado da klaster predstavlja minijaturnu populaciju. Primjeri
klastera su gladovi, kompanije, regije itd.

89)Neslučajno uzorkovanje-osnovne tehnike

U slučajevima kada se ne koristi slučajni itbor elemenata u uzorak, radi se o
neslučajnom uzorkovanju. Ove tehnike uzorkovanja se označavaju kao
neprobabilističke, jer nije poznata vjerovatnoća izbora jedinica populacije u
uzorak, pa nije moguće uteti u obzir prilikom uzorkovanja. Uz to ne može se
odrediti uzoračka greška. Tri najčešće tehnike uzorkovanja
su:1)Pohodno(podesno,prikladno) uzorkovanje-elementi se u uzorak biraju na
način koji pogoduje istraživaču.Istraživač u uzorak bira one elemente koji su na
neki način lakše dostupni ili su poželjni da budu uključeni.
2)Subjektivno-prosudbeno uzorkovanje javlja se u onim slučajevima kada se
elementi uzorka biraju na osnovu suda-procjene istraživača.
3)Kvota uzorkovanje-u nekoliko liči na stratifikovano uzorkovanje.Posebno je
pogodno kada okvir uzorka nije dostupan.

90)Uzoračka greška
Uzoračka greška javlja se kao posljedica fluktuacije uzorka i uvijek je prisutna
prilikom uzorkovanja.Ovo zbog toga što uzorak, po pravilu, a to znači u
najvećem broju uzoraka izabranih iz neke populacije, nije savršeno
reprezentativan. Kafa bi se slučajnim izborom uvijek dobijao savršeno
reprezentativan uzorak, tada bi se stat.zaključivanje svodilo na mjerenje
elemenata jednog uzorka, izračuvanje željenih vrijednosti i njihovo
proglašavanje vridnostima parametara populacije. Iskustvo i priroda
uzorkovanja uče nas da takav način zaključivanja ima vrlo ozbiljne zamjerke. Iz
neke populacije moguće je izabrati manji ili veći broj uzoraka u zavisnosti od
toga da li se izbor vrši sa ponavljanjem ili bez ponavljanja elemenata. Kod
relativno velikih populacija ,broj mogućih uzoraka je veoma veliki, tako da je i
fluktuacija velika.

91)Neuzoračke greške
Sve ostale greške koje nisu uzoračke greške označavaju se kao neuzoračke.
Mnoštvo mogućih neur.grešaka uključuje nedostajuće podatke, greške u
zapisivanju, greške prilikm unosa pod.u računar, kao i analitičke greške.
Neuz.greške se pojavljuju i kao posljedica instrumenata mjerenja, greške
nejasnog definisanja i pogrešnih pitanja u upitnicima. Lođe definisan okvir
uzrokuje nastanak grešaka. U raznim anketama u kojima ispitanici šalju
odgovore pojavljuju se neuzoračke ggreške koje se ogledaju u sl. U nekim
vrem.periodu u dr.slučaju ispitanik zaboravi prošle događaje, i konačno greška
se javlja kada ispitanik ne sjeća odr.događaja. U knjizi polazna je pretpostavka
da ove greške nisu prisutne u istraživanju- To nas ne treba čuditi.
92)Uzoračka distribucija
Ar.sredina nesumnjivo je najčešće korišćena mjera centralne tendencije. Uz to,
ar.sredina je najbolja mjera te vrste, ako se može pretpostaviti da je populacija
normalno raspoređena.Uzoračka distribucija određene statistike predstavlja
distribuciju vjerovatnoće svih mogućih vrijednosti koje ta statistika može da
uzme,a koje se dobiju izračunavanjem iz svih uzoraka iste veličine,slučajno
izabranih iz posmatrane populacije.Ar.sredina svih uzoraka iste veličine koji se
mogu dobiti iz neke populacije jednaka je ar.sredini populacije µ.

93)Uzoračka distribucija aritmetičke sredine x (bar)

Uzoračka distribucija aritmetičke sredine x (bar) predstavlja distribuciju
vjerovatnoće svih mogućih vrijednosti koje slučajna promjenljiva x(bar) može
da uzme,a koje se dobiju izračunavanjem iz svih uzoraka veličine n,slučajno
izabranih iz posmatrane populacije.

94)Aritmetička sredina uzoračke distribucije

Aritmetička sredina uzoračke distribucije,odnosno aritmetička sredina
aritmetičkih sredina μx(bar) svih uzoraka iste veličine koji se mogu dobiti iz
neke populacije,jednaka je aritmetičkoj sredini populacije μ.

95,96)Standardna greška aritmetičke sredine uzročne distribucije,

korektivnifaktor
U kojoj mjeri ar.sredina varira od uzorka do uzorka pokazuje
vrij.stand.devijacije svih mogućih ar.sredina uzorka iste veličine izabranih iz
posmatrene populacije. Standardna greška aritmetičke sredine izražava prosjek
odstupanja aritmetičkih sredina uzoraka od aritmetiččke sredine populacije.U
slučaju uzoraka sa ponavljanjem izračunava se na osnovu izraza:
st.dev.Xbar=st.dev./korijen iz n
Iz ovoga je uočljivo da ukoliko se veličina uzorka povećava st.greška ar.sredine
uzoračke distribucije se smanjuje u mjeri kvadratnoh korijena veličine uzorka.
Kod uzorka bez ponavljanja st.greška se izrl.na osnovu prvo * kor.faktor.
Potkorijena veličina N-n naziva se korektivni(popravni) faktor za konačne
skupove i
N-1
Očigledno je da korekciju standardne greške vrši u manjoj ili većoj mjeri s
obzirom na veličinu uzorka,odnosno s obzirom na odnos veličine uzorka i
veličine osnovnog skupa n/N.
Ukoliko se vel.uzorka pribliva 1 to je vrij.korektivnog faktora bliža 1, tako da je
korekcija st.greške utoliko manja pa korekcija i nema.

97)Uzorkovanje iz normalno raspoređene populacije

U slučaju uzorkovanja sa ponavljanjem iz normalno raspoređene populacije sa
aritmetičkom sredinom μ i standardnom devijacijom ơ,uzoračka distribucija
aritmetičke sredine je takođe normalno raspoređena za bilo koju veličinu uzorka
n i sa sredinom μx(bar)=μ i standardnom greškom aritmetičke sredine ơx(bar)
Prilikom povećanja veličine uzorka uzoračka distribucija aritmetičke sredine i
dalje slijedi normalnu disribuciju sa aritmetičkom sredinom μx(bar)=μ.S druge
strane,povećanjem uzorka standardna greška aritmetičke sredine se smanjuje.
98)Centralna granična teorema
Prema centralnoj graničnoj teoremi,ukoliko se veličina uzorka odnosno broj
opservacija dovoljno poveća,bez obzira na raspored osnovnog skupa ,uzoračka
distribucija aritmetičke sredine teži konačnom rasporedu.Za uzorke veličine 30
elemenata uzoračke distribucije aritmetičke sredine za veliki broj rasporeda
populacija je približno normalna.Uzorak u najvećem broju slučajeva ponaša se
kao minijaturna populacija. To znači da ako su vrijednosti u osn.skupu
norm.raspoređene, tada se to može očekivati i kod uzorka.
100)Uzoračka distribucija proporcije
U ovom slučaju radi se sa kategorijalnim varijablama,gdje se svaki
individualitet,elemenat ili stavka u populaciji klasifikuje s obzirom na to da li
posjeduje neku karakteristiku ili ne.
Na taj način formiraju se kategorijalne varijable sa dva moguća ishoda:1-kada
elemenat posjeduje određeno svojstvo i 0-kada ga elemenat ne posjeduje.
Za slučajni uzorak veličine n,aritmetička sredina za ovakvu kategorijalnu
varijablu dobija se sumiranjem svih skupova 0 i 1 i dijeljenjem sa n.Kada su u
pitanju kategorijalni podaci,aritmetička sredina uzorka(skupova 1 i 0) je
proporcija uzorka P koja je predmet interesovanja i koja je definisana izrazom
101)Standardna greška proporcije uzoračke distribucije
Kao što je ar.sredina uzorka nepristrašna ocjena ar.sredine, populacije, tako je i
P nepristrašna ocjena proporcije populacije. Prema analogiji sa uzoračkom
distribucijom ar.sredine, at.greška proporcije data izrazom: st.devijacija P= π(1-
π)/n sve pod korijenom
Prilikom utoekovanja sa ponavljaem iz konačne populacije uzoračka distribucija
proporvija slijedi binomni raspored a u slučaju bez ponavljanja
hipergeometrijski.

102)Tačkasto statističko ocjenjivanje

Stat.ocjenjivanje je procedura u kojoj se na osnovu rezultate iz uzorka izvodee
zaključci o karakteristikama , odnosno vrijednostima parametara populacije.
Ostat.ocjenjivanje se izvodi u onim slučajevima kada limitiranost sredsvima i
vremenom ne dozvoljavaju cjelovito posmatranje elemenata populacije.Tačkasto
ocjenjivanje ili ocjenjivanje jednim brojem kao polazište ima statistiku uzorka
koja se koristi za ocjenu stvarne vrijednosti parametra populacije.Tačkasto
ocjenjivanje podrazumjeva da se aritmetička sredina uzorka x(bar) proglasi
tačkastom ocjenom aritmetičke sredine populacije μ,odnostno da se bilo koja
statistika uzorka odredi kao ocjena vrijednosti parametra populacije.Tačkasto
ocjenjivanje ne obezbjeđuje tačnost i pouzdanost tako dobijene informacije.

103)Interval povjerenja
Interval povjerenja je raspon(područje) vrijednosti za koje se vjeruje da
uključuje nepoznatu vrijednost parametra populacije.Uz ovaj interval ide i
informacija o mjeri povjerenja sa kojom očekujemo da ovaj interval zaista sadrži
vrijednost posmatranog parametra. Int.ocjenjivanje podrazumjeva proceduru u
kojoj se formira interval u kojem se sa određenom vjerovatnoćom očekuje
vrij..parametara osn.skupa. Int.koji se formira ima posebnu osobinu pouzdanosti
ili vjerovatnoću tačnog ocjenjivanja prave vrijednosti parametara populacije.

104)Statistika uzorka
Statistika uzorka,kao npr. X(bar),varira od uzorka do uzorka,odnosno utima
različite vrijednosti od uzorka do uzorka,s obzirom da zavisi od elemenata koji
su izabrani u uzorak.Ova varijacija mora se uzeti u obzir prilikom ocjenjivanja
karakteristika populacije.Da bi se to postiglo,vrši se intervalno ocjenjivanje
prave vrijednosti parametra populacije,uzimajući u obzir uzoračku distribuciju
posmatranog paramtera.Interval koji se formira ima posebnu osobinu
pouzdanosti ili vjerovatnoću tačnog ocjenjivanja prave vrijednosti parametra
populacije.

105)Nepristranost
Osobine ocjena. O njima je potrebno voditi računa jer že se zaključci koje
izvodimo bazirati na dobijenim ocjenama. Poželjne su osobine ovjena su:
nepristranost, efikasnost, konzistentnost i dovoljnost.Ocjena parametra
populacije je nepristrana ako je njena očekivana vrijednost(prosjek) jednaka
parametru populacije.Mada se u praksi bira samo jedna uzorak,može se pokazati
da je prosječna vrijednost aritmetičkih sredina svih mogućih uzoraka određene
veličine jednaka aritmetičkoj sredini populacije.

106)Efikasnost
Efikasnost ocjene podrazumjeva njenu karakteristiku varijabiliteta.Ocjena je
efikasnija ako ima manju varijansu,odnosno standardnu grešku za uzorke iste
veličine.Kada se porede dvije ocjene,tada je efikasnija ona čije vrijednosti u
prosjeku manje odstupaju od parametra populacije.

107)Konzistentnost
Konzistentnost,kao osobina ocjena,veže se ta tendencije ocjene u odnosu na
vrijednost parametra populacije u slučajevima kada se veličina uzorka
mijenja.Za ocjenu se može konstatovati da je konzistentna ako se povećavanjem
veličine uzorka,ona teži vrijednosti parametra populacije.

108)Dovoljnost
Ocjena je dovoljna ako uzima u obzir cjelovitu informaciju iz uzorka.Tako,npr.
X(bar) je dovoljna ocjena jer koristi cjelovitu informaciju iz uzorka.

110)Nivo pouzdanosti
Dio površine ispod standardizovane normalne krive 1-L označava se kao
koeficijent pouzdanosti.L predstavlja vjerovatnoću greške,odnosno
vjerovatnoću da interval neće obuhvatiti nepoznat parametar.Koeficijent
pouzdanosti ako se pomnoži sa 100,dobija izrat u procentima i naziva se nivo
pouzdanosti.

111)Odnos nivoa pouzdanosti i širine intervala povjerenja

Kada se uzorkovanje izvodi iz iste populacije,korišćenjem fiksne veličine
uzorka,tada što je nivo pouzdanosti veći,to je interval povjerenja širi.

112)Odnos veličine uzorka i širine intervala povjerenja

Kada se uzorkovanje izvodi iz iste populacije,koriščenjem fiksnog nivoa
povjerenja ,tada što je uzorak veći,to je interval povjerenja uži.

114)Karakteristike t distribucije
Aritmetička sredina t distribucije je 0.Za FORMULA,varijanta t distribucije
jedna je FORMULA

115)Stepeni slobode
Broj stepeni slobode predstavlja broj nezavisnih vrijednosti u uzorku,koji se
dobije kada se broj raspoloživih vrijednosti umanji za broj ograničenja koja se
nameću ovim vrijednostima.

116)Interval povjerenje aza proporciju populacije

Ocjena proporcije populacije π je proporcija uzorka P.
Prosječna vrijednost uzročne distribucije proporcije P je jednaka vrijednosti
proporcije populacije π,a standardna greška populacije je FORMULA
U slučaju velikih uzoraka,umjesto nepoznate vrijednosti parametra populacije
koristi se realizovana vrijednost statistike uzorka p,tako da se standadna
devijacija izračunava na osnovu izraza FORMULA.Dovoljno velikim smatraju
se oni uzorci kod kojih su zadovoljeni uslovi nπ›5 i n(1-π)›5
(1-L)100% interval proporcije populacije π,dat je izrazom FORMULA

117)Određivanje veličine uzorka prilikom ocjenjivanja aritmetičke sredine

populacije Jedno od veoma važnih pitanja koje se postavlja prije svakog
uzorkovanja je pitanje koliko uzorak treba da bismo dobili validne rezultate i
zadovoljavajuće ocjene. Sa stat.gledišta potrebno je da je uzorak što veći. Tj
nabolje je uzorkovati čitavu populaciju tj skup. Međutim ekonomska i
dr.ograničenja pnemogućavaju ovakav pristup. Kada je budžet za uzorak
limiritan postavlja se pitanje koja je to minimalna vel.uzorka kooja može da
zadovolji odr.zahtjeve preciznosti. Kada je u pitanju ocjena varijanse, moramo
da je odredimo gdje nam pomaću ideje klijenata ili naručioca istraživanja.Treba
zapaziti i to da razlike u određivanju vrijednosti za proporciju populacije
rezultiraju u različitim veličinama uzorka.

118)Određivanje veličine uzorka prilikom ocjenjivanja proporcije populacije

FORMULA
119)Granica greške
U slučaju aritmetičke sredine populacije,G je polovina od (1-L)100% intervala
povjerenja za aritmetičku sredinu populacije tako da je G=Z st.dev./korijen iz n

G je granica greške

120)Statistička hipoteza
Statistička hipoteza je precizno formulisano tvrđenje ili pretpostavka o nekoj
važnoj karakteristici jednog ili više skupova.Statistički metod kojim se
empirijska evidencija uzorka koristi radi procjenjivanja njene prihvatljivosti
naziva se testiranjem hipoteze,a procedura statističkim testom. Na osnovu do
sada navedenog možemo dati sl.generalnu preporuku o tome ada se koristi
ocjenjivanje a kada testiranje: Ocjenjivanje se koristi kada je potrebno samo
doći do inf.o nepoznatom parametru osn.skupa. A testiranje se primjenjuje ako
su itsovremeno ispunjeni sl.uslovi: na istr.pitanje ili problemo postoje dva
odgovora da ili ne, i problem se rjašava korišćenjem uzoraka.

121)Preporuka za izbor između ocjenjivanja i testiranja

Ocjenjivanje se koristi kada je potrebno samo doći do informacije o nepoznatom
parametru osnovnog skupa.Testiranje hipoteze se primjenjuje ako su
istovremeno ispunjena sledeća dva uslova:
a) na istraživačko pitanje(problem) postoje samo dva moguća odgovara,da
ili ne i
b) problem se rješava korišćenjem uzorka
122)Parametarski i neparametarski testovi
S obzirom na vrstu i jačinu pretpostavki na kojima se zasnivaju svi testovi se
dijele u dvije grupe:parametarske i neparametarske testove.Parametarski testovi
često se nazivaju klasični i svi parametarski testovi dijele preduslov da osnovni
skup kome pripada analizirani uzorak ima normalan raspored.Njihova pogloga
je zasnovana na vjerovanju kako statističara tako i istraživača da u prirodi i
društvu ugl.preovladava samo jedan normalan raspored. Otuda svi testovi dijele
preduslov da osn. Skup kome pripada analizirani uzorak ima
norm.raspored.Neparametarski testovi nemaju preduslov normalnosti,a budući
da ne zavise od rasporeda skupa koristi se i alternativni naziv testovi nezavisni
od rasporeda skupa.

123)Postupak statističkog testiranja hipoteza

1)Na osnovu postavljenog problema formuliše se nultna i alternativna hipoteza i
bira tzv. nivo značajnosti L(alfa)
2)Uzima se slučajan uzorak,bira odgovarajući test i izračunava tzv statistika
testa.
3)Provjerava se da li su ispunjene pretpostavke na kojima se izabrani test
zasniva.Ako nisu,
prekida se proces testiranja i bira neki drugi test
4)Određuje se p-vrijednost
5)formuliše se pravilo odlučivanja i donosi odluka o odbacivanju ili
neodbacivanju nulte hipoteze
6)formuliše se zaključak u kontekstu postavljenog problema

124)Nulta i alternativna hipoteza

Nulta hipoteza(Ho) je postavka o vrijednosti nepoznatog parametra
skupa.Testiranje hipoteza je tako koncipirano da se procijeni jačina dokaza
protiv nulte hipoteze.Da bi se No odbacila potrebno je pronaći dovoljno
ubjedljive dokaze u uzorku.Konkretna nulta hipoteza varira od problema do
problema,ali tipično se ona postavlja u vidu status quo tj da „nema
razlike“,“nema uticaja“ ili da „nema promjena“.
Alternativna hipoteza je tvrđenje o parametru skupa koje će biti prihvaćeno
samo kada se nađu dovoljno ubjedljivi dokazi u uzorku.Najčešće se postavlja u
vidu da“ima razlike“,da „postoji uticaj“ ili da je „došlo do promjene“
Nulta hipoteza može biti prosta i složena. Prosta je ako se njom tvrdi da je
parametar jednak tačno jednoj unapred poznatoj numeričkoj vrijednosti
tzv.hipotetičnoj vrijednosti.
125)Dvosmjerni i jednosmjerni testovi
Ho:μ=2 H1:μ≠2
Alternativnu hipotezu kojom omoguća odstupanja parametara u odnosu na
hipotetičku vrijednost detektujemo u oba smjera,nazivamo dvosmjernom ili
dvostranom hipotezom.Test koji se primjenjuje u ovakvoj situaciji nazivamo
dvosmjernim ili dvostranim testom
H0:μ≥2 H1:μ<2
Ove hipoteze nazivamo jednosmjernim ili jednostranim hipotezama,a testove
kojim ispitujemo prihvatljivost H0 nazivamo jednosmjernim. Pri izboru testa
istraživač rukovodi sl.principom: on želi da odabere onaj test koji najviše
odgovara njegovim empirijskim podacima, tj.onaj koji će produkovati najmanje
greške prve i druge vrste.Izračuvavanje stvarnoh nivoa rizika greške u situaciji
je nemoguće pošto on zavisi od variranja više gaktora koji su van naše kontrole.
125.)Dvosmjerni i jednosmjerni testovi
Ho:µ=2 H1:µ≠2
Alternativnu hipotezu kojom moguća odstupanja
parametra u odnosu na hipotetičku vrijednost
detektujemo u oba smjera nazivamo dvosjmernom
ili dvostranom hipotezom.Test koji se mrijmjenjuje
u ovakvoj situaciji nazivamo dvosmjernim ili dvostranim
testom.
Ho:µ≥2 H1:µ<2
Ove hipoteze nazivamo jednosmjernim ili jednostranim
hipotezama,a testove kojima ispitujemo prihvatljivost Ho
nazivamo jednosmjernim ili jednostranim testovima.
126.)Greške pri testiranju
Postoji mogućnost da napravimo dvije različite greške
U odlučivanju.Prva je da odbacimo istinitu nultu hipotezu i
takva greška se naziva greškom I vrste.Drugu grešku činimo
ako ne odbacimo netačnu nultu hipotezu,to je greška II vrste.
127.)Nivo značajnosti testa
Nivo značajnosti testa (naziva se još rizikom greške prve
vrste) je vjerovatnoća da ćemo odbaciti istinitu nultu
hipotezu.Obilježava se sa α.
128.)Jačina testa
Jačina testa je vjerovatnoća da se odbaci pogrešna
Nulta hipoteza.Obilježava se sa π.
129.)Statistika testa
Statistika testa je kriterijum na osnovu kojeg vršimo testiranje
I na osnovu kojeg u konceptu testiranja na osnovu kritičnih
Vrijednosti donosimo odluku o odbacivanju ili neodbacivanju
Nulte hipoteze.U našem „integralnom“ konceptu testiranja
Statistika testa je samo međukorak ka izračunavanju p-vrijednosti.
130.)Pragovi značajnosti (kritične vrijednosti)
Što je veća vrijednost statističke hipoteze testa uvjerivljiviji su i
dokazi da je nulta hipoteza pogrešna.Realizovanu vrijednost
statističkog testa poredimo sa vrijednostima iz tablica onog rasporeda
koji slijedi ta statistika testa.Takve tablične vrijednosti nazivaju se
krtične vrijednosti (ili pragovi značajnosti),a oblasti koje one
formiraju kritične oblasti.
131.)i 132.) p-vrijednost,nulti raspored Postavlja se pitanje kako formulisati takav
indicator koji će govoriti o tome kolike su šanse da se realizuje takva prosječna
vrijednost u uzorku, a da nulta hip.bude tačna? Da bi formulisali takvu mjeru
moramo da poznamo raspored vjerovatnoće javljanaja svih mogućih vrijednosti
ar.sredine uzorka tj statistike testa. Do njega bi se došlo ako bismo uz pretpostavku
da je nulta hipoteza tačna, izvukli sve moguće uzorke iz skupa I formirali raspored
tako dobijenih statistika-. Takav raspored se naziva nulti raspored.Ako je nulta
hip.tačna, stat.testa bi se koncentrisale prije sve oko centra nultog rasporeda. p-
vrijednost je vjerovatnoća,izračunata pod pretpostavkom da je nulta hipoteza
tačna,da statistika testa uzme vrijednost koja j toliko ekstremna ili ekstremnija od
one upravo realizovane.Što je manja p-vrijednostmjači su dokazi protiv nulte
hipoteze. Ako je p-vrijednost manja od nivoa značajnosti a, nulta hip.se odbacuje.
U suprotnom ćemo reći da nemamo dovoljno argumenata da odbacimo Ho..
133.)Pravilo odlučivanja na osnovu p-vrijednosti
Ako je p-vrijednost manja od nivoa značajnosti α,nulta hipoteza se
odbacuje.U suprotnom,kažemo da nemamo dovoljno argumenata da
odbacimo Ho.
134.)Statistička značajnost
Ako je p-vrijednost jednaka ili manja od nivoa značajnosti α,kažemo da
je rezultat statistički značajan na nivou α.
135.)Testiranje hipoteze o aritmetičkoj sredini osnovnog skupa Z test
Uslovi za primjenu Z testa:
1.)Osnovni skup ima normalan raspored ili može se primjeniti Centralna
Granična teorema (n>30)
2.)Standardna devijacija skupa ( ) je poznata.
Izbor oblika nulte i alternativne hipoteze:
a.)Ho: µ=µo H1:µ≠µo
b.) Ho: µ≤µo H1:µ≥µo
c.) Ho: µ≥µo H1:µ<µo
*µo-hipotetična vrijednost aritmetičke sredine skupa
Statistika testa:Z= x-µo / x
Pod uslovom da je Ho istinita ima standardizovan normalan raspored, Z:N(0,1)
136.)Testiranje hipoteze o raitmetičkoj sredini osnovnog skupa-t test
Uslov za primjenu t testa:
1.)Osnovni skup je normalno raspoređen ili
2.)može se primjeniti CGT (Uzorak im više od 30 elemenata)

Izbor oblika nulte i alternativne hipoteze:a.) Ho: µ=µo H1:µ≠µo

b.) Ho: µ≤µo H1:µ>µo
c.) Ho: µ≥µo H1:µ<µo
Statistika testa: t= x - µo / Sx=x - µo/ S/√n
Pod uslovom da je Ho istinita ima Studentov raspored sa n-1 stepeni slobode
137.)Testiranje hipoteze o proporciji osnovnog skupa
Uslov za primjenu Z testa:
n·Po ≥S, n·(1- Po)≥5 i n >30
Izbor oblika nulte i alternativne hipoteze:
a.)Ho: π=πo H1: π≠πo
b.) Ho: π≤πo H1: π>πo
c.) Ho: π≥πo H1: π<πo
gdje je Po hipotetična proporcija skupa
Statistika testa: Z = p- πo/Sp Sp=√π0(1-πo)/n
Pod uslovom da je Ho istinita ima stnadardizovan normalan raspored, Z: N(0,1)
138.) Testiranje hip.na dva uzorkaPored testiranja hip.o vrijednosti jednog
parametra skupa u ovom poglavlju obradićemo I testove kojima poredimo dva
skupa tj.ispitujemo jednakost ili razliku vrij.istog parametra u ovim skupovima.Ako
dva skupa obilježimo sa 1 I 2 a vrij.istoh parametra sa B1 I B2, predmet testiranja
je razlika D=B1-B2. Ako sa D0 obilježimo hipotetičnu vrij.ove razlike nultu I
alt.hipotezu možemo prikazati na ovaj način : Ho:D=Do H1:D različito Do
dvosmjerna alt..hipoteza Nultu hip.testiramo po istom postupku kao u slučaju
jednog skupa.
139.)Testiranje hipoteze o jednakosti aritmetičkih sredina dva skupa –Z test
Uslov za primjenu Z testa_
1.)Osnovni skupovi imaju nromalan raspored ili se može primjeniti CTG,odnosno
oba uzorka imaju više od 30 elemenata
2.)Standradne devijacije oba osnovna skupa su poznate
Izbor oblika nulte i alternativne hipoteze:
a.)Ho: D=Do H1:D≠Do
b.)Ho:D≤Do H1:D>Do
c.)Ho:D≥Do H1:D<Do
gdje je D=µ1-µ2,a Do hipotetična razlika (najčešće Do=0).
Statistika testa: Z =
Pod uslovom da je Ho istinita ima standardizovan normalan raspored Z:N(0,1)
140.)Testiranje hipoteze o jednakosti aritmetičkih sredina dva skupa- t test
Uslov za primjenu t testa:
1.)Oba osnovna skupa imaju normalan raspored ili moće da se primjeni
CTG,odnosno
oba uzorka imaju više od 30 elemenata i
2.)varijanse oba skupa su međusobno jendake ( ²1= ²2)
Izbor oblika nulte i alternativne hipoteze:
a.)Ho: D=Do H1:D≠Do
b.)Ho:D≤Do H1:D>Do
c.)Ho:D≥Do H1:D<Do
gdje je D=µ1-µ2 ,a Do hipotetična razlika (najčešće Do=0)
Statistika testa: t=
S
Sp=
Pod uslovom da je Ho istinita ima studentov raspored sa n1+n2-2 stepeni slobode.
141.)Testiranje hipoteze o jednakosti proporcija dva skupa:
Uslov za primjenu Z testa:
(n1π1 >5 i n1(1-π1)>5) i (n2π2>5 i n2(1-π2)>5).
Izbor za primjenu Z testa:
a.)Ho: D=Do H1: D≠Do
b.)Ho:D≤Do H1:D>Do
c.)Ho:D≥Do H1:D<Do
*π1 i π2 hipotetička proporcija 1 i 2 skupa
*Do hipotetička razlika između proporcija dva skupa (najčešće Do=0)
Statistika testa: Z=
Pod uslovom da je Ho istinita ima stnadardizovan normalan raspored, Z:N(0,1)
142.)Model analize varijanse sa jednim faktorom
Yij=µ+Ti+εij i=1,2...r, j=1,2,...n
Gdje su:
Yij-j-ta opservacija izabrana iz i-te populacije
µ- zajednička aritmetička sredina posmatranih populacija
Ti- efekat i-tog tretmana
εij-slučajna greška
143.)Razlaganje ukupnog varijabiliteta pod analize varijanse sa jednim faktorom
Ukupan (totalan) varijabilitet posmatrane pojave(promjenljive Y) jednak je zbiru
varijabiliteta koji nastaje pod dejstvom kontrolisanog faktora i varijabiliteta koji
nastaje pod dejstvom rezidualnih (nekontrolisanih)fakotra.

144.)Pretpostavke analize varijanse sa jednim faktorom

1.)Normalnost:Slučajne greške εij imaju normalan raspored
2.)Homogenst varijanse:sve slučajne greške imaju jednake varijanse
Var(εij)= ² za svako i i j.
3.)E(εij)=0 za svako i i j:slučajne greške su u prosjeku jednake nuli
4.)Slučajne greške su međusobno nezavisne
5.)Aditivnost:Svaka opservacija Yij se može pokazati kao zbir 3 komponente: µ1Ti
i εij
145.)Faktorska i rezidualna vrijednost
Polazei od opservacije uzoraka, moguće je formulisati dvije ocjene, odnosno mjere
varijabiliteta.Prva od njih je ocjena varijanse pojedinačnih skupova ² i ukazuje na
varijacije nastale pod dejstvom nekonolisanih (rezidualnih) faktora- naziva se
rezidualnom varijansom i označave se sa VR. VR je ocjena varijanse pojedinačnih
skupova, ².
Druga ocjena odražava i eventualne variajcije nastale pod dejstvom kontorlisanog
faktora.
Naziva se faktorskom varijansom i označava sa VA.Faktorskom varijansom
ocjenjujemo
disperziju zajedničkog skupa.VA je ocjena ²z, tj. ocjena ² ocjena varijabiliteta
između
aritmetičkih sredina skupova.
146.)Statistika F-testa
F= VA/VR
Sva statistika je predviđena za testiranje jednakosti varijansi dva skupa.
147.)Tukey-ev test
T=Qa√VR/n
Gdje su:
Qa- kritična vrijednost iz tablice 11. Za nivo značajnosti α
VR-faktorska varijansa
n- veličina pojedinačnog uzorka
Tukey-ev metod se koristi samo u sčujau kada smo analizom varijanse
odbacili nultu hipotezu.
148.)X² test-primjena
X² test se može koristiti samo za one slučajeve koji se odnose na pojavljivanje-
frekvencije određenih događaja,kojima korespondiraju prirodni brojevi.
U osnovi,radi se vrlo često o prebrojavanjima.
149.)X² test-statistika testa
X² test zasnovan je na X² distribuciji čije su osnovne karakteristike:
1.)Izračunata vrijednost X² testa uvijek je pozitivna zbog kvadratnog
izraza (fi-fi*)² u formuli.
2.)Postoji familija X² distribucija u zavisnosti od broja stepeni slobode
.broj stepeni slobode u većini slučajeva zavisi od broja grupa frekvencija
,a ne od broja elemenata u uzorku.
3.)X² distribucija je pozitivno asimetrična.Povećanjem broja stepeni
slobode ova distribucija se približava normalnoj.
150.)X² test- testiranje prilagođenosti
Test prilagođenosti je statistički test koji treba da odgovri na pitanje u kojoj
mjeri su serijski podaci prilagođeni ili odgovaraju nekom teorijskom modelu se
koristi za bilo koju distribuciju populacije ali je najčešće primjenjivan
rasporeda vjerovatnoće.X² test prilikom testiranja prilagođenosti može da
u slučajevima uniformnog i normalnog raporeda.Prilikom testiranja
prilagođenosti nekog emprijiskog,uniformnom ili normlanom rasporedu,nulta i
alternativna hipoteza glase:
H0:Populacija (ili slučajna promjenljiva) uniformno ,odnosno normalno je
raspoređena
H1: Populacija (ili slučajna promjeljiva) nije uniformno,odnosno normalno
raspoređena.
151.)X² test analiza tabela kontingencije
Vrlo često ispitujemo da li između dva obilježja elemenata jednog skupa postoji
veza id a li je ta veza statistički značajna.Kada su posmatrana obilježja mjerena na
nominalnoj mjernoj skali i u slučajevima kada je moguće formatirati tabelu sa dva
ulaza,koja se naziva tabela kontingencije,uz pomoć X² testa se može dobiti odgovor
na to pitanje.
152.) Tabela kontingencije 2x2 Često se nalazimo u prilici da ispitujemo da li
između dva obilježja elemenata jednog skupa postoji veza I da li je ta veza
stat.značajna. Kada su posmatrana obilježja mjerena na nominalnoj mjernoj skali
moguće je formirati tabelu sa dva ulaza, koja se naziva tabela kontingencije. Tabela
kont.u ćelijama sadrže podatke koji se odnose različitim klasigikacijama
posmatranih skupova. Vrlo često u tabelama ove vrste dati su pod.o pojavljivanju
ili nepojavljivanju odr.osobine elemenata jednogg sl.uzorka izabranog iz
posmatrane populacije. One imaju nekoliko redova I koliko, a najmanje dva reda I
dvije kolone.
153.)Koeficijent kontignecije
Određivanje stepena međusobne zavisnosti dva obilježja jednog skupa,mjerena na
nominalnoj mjernoj skali,može da se ustanovi na osnovu Pearson-ovog koeficijenta
kontingencije,kojim se izračunava prema sljedećem izrazu: C=√x²/n+x²
154.)X² test-testiranje jednokosti (razlike) proporcije više skupova
Proporcije posmatranih populacijamogu biti međusobno jednake,a najčešće se
razlikuju,u manjoj ili većoj mjeri.Test jednakosti (razlike)proporcija za više
populacija naziva se i test homogenosti.Prilikom poređenja s populacija nulta i
alternativna hipoteza glase:
Ho:π1=π2=…=πc
H1: sve proporcije πi , i=1,2,…c nisu međusobno jednake
155.) Uslovi za primjenu X² testa
1.)X² test se primjenjuje samo prilikom testiranja apsolutnih frekvencija
2.)Zbir empirijskih i teorijskih frekvencija mora biti jendak
3.)treba uzeti u obzir svako pojavljuvanje i nepojavljivanje određene osobine,da se
ne bi naruo s. uslov.Npr.ako se testiranjem neke pojave javljaju odgovri “da” i
“ne”,to znači da se uz frekvenciju za “da” mora pridružiti i frekvencija za “ne”.
4.)frekvencije u pojedinim ćelijama moraju biti nezavisne,tako da svaka frekevncija
u pojedinoj ćeliji mora pripadati drugom objektu.
5.)očekivane frekvencije ne smiju biti suviše male.Suviše male očekivane
frekevencije su one koje su manje od 5.Ako se u tabeli pojave male očekivane
frekvencije,tada je potrebno da se redovi(kolone) kojima one pripadaju spoje
(pridruže) pretheodnom redu (koloni) kako bi ovaj usov za primjenu X²testa bio
ispunjen.
156.)Vrste veza među pojavama
Međusobne veze između pojava (promjenljivih) možemo podijeliti u dvije
grupe:funkcionalne i stohastičke.
157.)Stohastički model
Kod stohastičkih veza jednoj vrijednosti nezavisne promjenljive odgovara čitav niz
mogućih vrijednosti zavisne promjenljive.Stohastičke veze između dvije pojave
modeliraćemo tako što ćemo u model,pored zavisne i nezavisne
promjenljive,uključiti još jednu komponentu,kojaće obuhvatiti sve ostale faktore
(osim X)koji utiču na Y.Bez uključivanja te komponente jasno je da bi naš model
za različite vrijednosti X,davao pogrešne vrijednosti Y.Ta komponenta djeluje na
nepredvidiv,slučajan način na Y i naziva se slučajna greška ili stohastički član
modela.Stohastički model:
Y=deterministički član+stohastički član
158.)Korelaciona i regresiona analiza-ciljevi
Cilj korelacione analize jested a se ispita da li između varijacija posmatranih pojava
postoji kvantitativno smaganje µ,ako postoji,u kom stepenu.Cilj regresione analzi
je da se odredi regresioni model koji najbolje oposuje veze između pojava id a se
na osnovu toga modela ocjene i predvide vrijednosti zavisne promjenljive Y,za
odabrane vrijendnosti objašnjavajući promjenlji.
159.)Regresioni model
Svrha regresionog modela jesre da se utvrdi oblik veze ,odnosno zavisnosti između
posmatranih pojava.To se postiže pomoću odgovarajućeg regresionog
modela.Regresioni model je takav stohastički model koji kroz matematičku
formula,i niz odgovarajućih pretpostavki,najbolje opisuje kvantitativnu zavisnost
između varijacija posmatranih pojava u realnosti.Regresioni model pokazuje
prosječno slaganje varijacija ispitivanih pojava.pomoću regresionog modela smo u
stanju da ocjenimo i predvidimo vrijednosti zavisne promjenljive za željene
vrijednosti objašnjavajuće promjenljive.
160.)Dijagram raspršenosti
Nakon identifikacije promjenljivih,kao prvi sljedeći korak u analizi međuzavisnosti
dvije pojave,podatke ćemo prikazati grafički,pomoću specijalnog dijagrama koji se
naziva dijagram raspršenosti.Dijagram raspršenosti se konstruiše u pravouglom
koordinatnom sistemu.Pri tome se na apscisnu osu nanose jedinice pojave koju smo
označili kao nezavisnom promjenljivom X,a na ordinatnu osu jedinice zavisne
promjenljive Y.Dijagram raspršenosti grafički prikazujemo varijacije dvije pojave
u cilju sagledavanja:
1.)da li između njih postoji kvantitativno slaganje
2.)ako slaganje postoji,koji je njegov oblik (linearni ili krivolinijski)
3.)koji je smjer slaganja (direktni ili inverzni<9 i
4.)koja je jačina slaganja
161.)Prosta linwearna korelacija-pojam
Za razliku od regresione analize,kod proste linearne korelacije se ne pravi razlika
između zavisne i nezavisne promjenljive – obe pojave dobijaju jednak status.Obe
posmatrane pojave tretiraju se kao slučajne promjenljive.Zadatak proste linearne
korelacije je mnogo jednostavniji nego kod regresije:da pokaže da li između
varijacija dvije pojave postoji pravolinijska veza.
162.)Koeficijent proste linearne korelacije(Perason-ov koeficijent)
Pearson-ov koeficijent proste linearne korelacije,r pokazuje stepen linearnog
(pravolinijskog) kvantitativnog slaganja varijacija između dvije numeričke
promjenljive (obilježja)
r=…
163.)Koeficijent proste linearne korelacije-tumačenje vrijednosti
Koeficijent proste linearne korelacije uzima vrijednosti od -1 do +1.Ako je
r>0,korelacija između pojava je direktna ili pozitivna,a ako je r <1,veza je inverzna
ili negativna.Ako izeđu pojave postoji funkcionalna veza,govorimo o savršenoj
korelaciji.Tad koeficijent korelacije uzima vrijednost -1,ako je veza inverzna ili
+1,ako je veza direktna.Što je koeficijent po apsolutnoj vrijednosti bliži jedinici,sve
je jača korelaciona veza između pojava,a što je bliži nuli linearna veza je
slabija.Kada je r=0,nema linearne veze.
164.) TESTIRANJE ZNAČAJNOSTI TESTA PROSTE LIN.KOR. Kao mjera
jačine proste lin.kor.veze u uzorku koristi se relativna mjeta-Pearson-ov koef.proste
lin.korelacije. Koji uzima vrijednost od -1 do +1. Ukoliko ima pozitivne
vrij.korelacija je direktna ili pozitivna, u slučaju da je r<0 veza je inverzna ili
negativna. Što je koef.blizi jedinici, sve je jača korelaciona veza ismežu pojava.
Kada testiramo značajnost uvodimo dodatnu pretpostavku da je zajednički raspored
promjenljive x I Y normalan. Tada uzimamo parametarski test. Koef.proste
korelacije u osn.skupu označavamo sa prčkim slovom ro KOje pokazuje jačinu
pravolinijske veze između dvije posmatrane pojave u populaciji. Nulta hipoteza je
pretstavljena u obliku HO: ro=o a alt. obrnuto.
165.)Prosta linearna regresija
Regresiona analiza je jedan od najvažnijih i najčešće korištenih statističkih metoda
ii ma veliku primjenu u ekonomiji i ostalim društvenim naukama.Termin regresija
prvi je upotrebio engleski naučnik Francis Ealton 1885. Godine.Regresijom se
označava stohastički metd koji omogućava predviđanje i ocjenjivanje jedne
promjenljive na osnovu varijabilnosti druge promjenljive.
166.)Značenje regresionih paramtera
Regresioni parametric ß0 (odječak) pokazuje prosječnu vrijednost zavisne
promjenljive za nultu vrijednost objašnjavajuće promjenljive.Regresioni parameter
ß1 (nagib) pokazuje prosječnu promjenu zavisne promjenljive Y kada se
objašnnjavajuća promjenljiva X poveća za jednu svoju jedinicu.
167.)Pretpostavke prostog linearnog regresionog modela
1.)Normalnost:slučajne greške i imaju normalan raspored
2.)Homoskedastičnost:sve slučajne imaju jednaka odstupanja,odnosno,jednake
varijanse:
Var( 1)=Var( 2)=…=Var( n)= ²
Ako je ova pretpostavka narušena pojavljuje se problem heteroskedastičnosti.
3.)E( i)=0 To znači da je slučajna greška u prosjeku jednaka 0
4.)nema autokorelacije.To znači da između bilo koja dva stohastička člana i i j

ne postoji linearna korelacija

5.)Linearnost:između pojedinih vrijednosti objašnjavajuće promjenljive X,Xi i
odgovarajućih prosječnih vrijednosti Y, E(Yi),postoji linearna veza
6.)X nije slučajna promjenljiva.Ova pretpostavka ukazuje na to das u vrijednosti
objašnjavajuće promjenljive fiksirane, tj. da ih istraživač unaprijed mora odabrati
prije uzimanja uzorka.
168.)Metoda najmanjih kvadratažMetoda najmanjih kvadrata se zasniva na
minimiziranju kvadrata odstupanja svih emprijiskih tačaka od regresione
funkcije.Ideja metoda najmanjih kvadrata jested a se od svih mogućih pravih linija
odabere ona koja ima najmanju sumu kvadrata vertikalnih odstupanja
(rezidualna).Matematički ,potrebno je potražiti minimum izraza:
Σe²i=Σ(yi- i)²=Σ[yi-(b0+b1xi)]²
169.)Reziduali
Vertikalno odstupanje ( razliku) između ostvarene vrijednosti yi i prilagođene
vrijednosti nazivamo rezidualom i označavamo sa ei
ei=yi- i=yi-(b0+b1xi)
170.)Sistem normalnih jednačina

Σyi=nb0+b1Σxi
Σxiyi=b0Σxi+b1Σxi²
171.)Gade-Markovljeva teorema
Ako su ispunjene sve pretpostavke prostog linearnog regresionog modela,ocjene
dobijene metodom najmanjih kvadrata su najbolje(efikasne),nepristrsne linearne
ocjene.
172.)Razlaganje varijabiliteta,ukupan,objašnjena i neobjašnjen varijabilitet
Ukupan varijabilitet je jednak zbiru objašnjenog i neobjašnjenog varijabiliteta.
Σ(yi- i)²=Σ(ŷi- )² + Σ(yi-ŷi)²
Ukupna suma kvadrata=objašnjena suma kvadrata+ neobjašnjena suma kvadrta
Ukupna suma kvadrta razlažena je na dva dijela.Objašnjena suma kvadrate često se
i naziva regresionom sumom kvadrata,a neobjašnjena suma kvadrata rezidualnom
ili sumom kvadrata greške.
173.)174.)175.) Kako bismo razumjeli st.grešku regresije I koef.determinacije
moramo sagledati od čega zavisi varijabilitet(ponašanje)zavisne promjenljive. One
variraju iz dva razloga: jedan izvor varijabiliteta se duguje varijacijama u
vrijednostima Xi I možr dr onjsdnizi trg.modelom. Drugi dio var.posljedica je
djelovanja slučajne greške I ne može se objasniti ni reg.modelom.Poznato nam je
da je varijacija mjeri najčešće kao razlika između podaataka I ar.sredine svi
podataka. RTakvo odstupanje se naziva ukupnim odstupanjem. Vidimo da se
posmatrana tačka ne nalazi tačno na reg.liniji već iznad nje, jer posmatramo
stogastične veze I do tog odstupanja je došlo pod uticajem slučajne greške. Takvo
odstupanje zovemo neobjašnjenim varijabilitetom. Odstupanje empirijske
vrijednosti od ar.sredine je objašnjeno reg.vezom između X I Y I naziva se
objašnjenim varijabilitetom.
176.)Standardna greška regresije
Standardna greška regresije je apsolutna mjera i pokazuje odstupanje empirijskog
podatka u uzorku od regresione linije uzorka. S = ….
177.)Fakotri koji utiču na veličinu standardne greške regresije
Na veličinu standardne greške regresije utiču sljedeći faktori:
1.)Raspršenost tačaka.Što su empirisjke tačke više rapršene,S je veća,pa manje
pouzdanja možemo imati u predviđanje zasnovano na takvoj liniji regresije.
2.)Veličina uzorka.Što je uzorak veći,manja je standardna greška regresije.
3.)nivo vrijednosti promjenljive Y.Standardna greška je iskazana u istim mjernim
jedinicam kao i zavisna promjenljiva i zavisi od njenog nivoa.za viši nivo
vrijednosti promjenljive Y po pravilu je veća i standardna greška regresije.
178.)Koeficijent determinacije-pojam
Koeficijent determinacije je relativna mjera i pokazuje učešće objašnjenog
varijabiliteta u ukupnom,odnosno koliko si varijacije prmjenljive Y objašnjene
promjenljivom X.
r²=b1² · Σx²-n ²/Σy²-n ²
179.)Koeficijent determinacije-vrijednosti i tumačenje
Vrijednot koeficijenta determinacije varira od 0 do 1,tj. 0≤r²≤ 1
Kada je r²=1 objašnjen varijabilitet je ejdnak ukupnom.Približavanjem vrijednosti
koeficijenta determinacije nuli,sve je manji udio objašnjenog varijabiliteta i
regresiona linija sve slabije reprezentuje podatke.Kada je r²=0 neobjašnjeni
varijabilitet se irjednačava sa ukupnim i zaključujemo da ne postoji linerana
regresija.
180.)
181.)Predviđanje pomoću regresije-uslovi
1.)Regresiona linija dobro reprezentuje empirijske podatke (visok nivo koeficijenta
determinacije,npr. r²>0,5)
2.)Između varijacija posmatranih pojava u skupu postoji linearna veza,tj-
paramtetar nagiba se statistički značajno razlikuje od nule,tj. ß1≠0
3.)Ne koristi se prekomjerna ekspropolacija.

182.)Ekspropolacija regresije
Ekspropolacija je korišćenje regresione linije (modela) u svrhu predviđanja za one
vrijednosti X koje su izvan interval koji je dat empirijskim podacim uzorka.
183.) Interval ocjene prosj.vrijednosti zavisne promjenljive S obzirom na
stohastičku prirodu veze između X I Y za svaku pojedinačnu vrijednost Xi u skupu
postoji čitav raspored mogoćuh vrijednosti Yi. Njihova prosječna vrijednost se
nalazi na liniji regresije skupa. Razlika je u tome što prosječna vrij.prestavlja
konstantu dok je individualna vrij,Yp slučajna promjenljiva. Samim tim je
predviđanje pojedinačnih vrij.neizvjesnije, pa će I iodg.interval predvianja biti širi
od interval ocjene. Kako bi formirali interval koji bi sa odg.pouzdanošću obuhvatio
E(yp) potrebno je da poznamo mjestu odstupanjaYp odE(yp) Može se pokazati da
tu mjeru predstavlja st.greška ocjene prosječne vrij.zavisne promjeljive. Interval
ocjene prosječne vrij.zavisne promjenljive se formira na oslovu formule, gdje imam
kritičnu trij. t α/2, koju dobijamo iz tablica. Imamo st.grešku I Yp.
184.)Standardna greška ocjene prosječne vrijednosti zavisne promjenljive
Sŷp=……
S- standardna greška regresije
n-veličina uzorka
Xp-proizvoljna vrijednost objašnjavajuće promjenljive za koju ocjenjujemo
prosječnu vrijednost E(Yp)
185.)Interval predviđanja pojedinačne vrijednosti Y

Ŷp-tα/2,n-2Syp≤Yp≤ŷp+ tα/2,n-2Syp

186.)Standardna greška predviđanja ind.vr.zavisne promjenljive

Syp= …..
187.)Višestruka regresiona i korelaciona analiza-ciljevi
Cilj višestruke regresije je da se na osnovu ocjenjenog modela izvrši predviđanje
varijacija zavisne promjenljive Y za različite kombinacije vr.objašnjavajućih
promjenljivih xi.sa druge strane,cilj višestruke korelacije je da se odredi da li
postoji kvantitativno slaganje između zavisne promjenljive Y i grupe
objašnjavajućih promjenljivih.
188.)Višestruku linearni regresioni model:
Yi=ß0+ß1xi+….+ßkxki+ i

Gdje su:
Y-zavisna promjenljiva
X1i,x2i….-vrijednosti objašnjavajućih promjenljivih
ßo,ß1….-parametri modela
i-stohastički član ili slučajna greška
k-broj objašnjavajućih promjenljivih
189.)Pretpostavke višestrukog linearnog regresionog modela
1.)Broj podataka u uzorku mora biti veći od broja ocjenjivanih paramtetara, tj.. n>k
2.)Između objašnjavajućih promjenljivih ne postoji savršena multikolinearnost.ovo
znači da između bilo koje dvije objašnjavajuće promjenljive ne smije da postoji
savršena linearna korelacija.
190.)Linearni regresioni model sa 2 objašnjavajuće promjenljive
Linearni regresioni model sa dvije objašnjavajuće promjenljive je najjednostavniji
višestruki regresioni model i s obzirom na opšti model,glasi:
Yi=ß0+ß1x1i+ß2x2i+ i

Model sadrži jednu zavisnu promjenljivu Y, dvije objašnjavajuće promjenljive x1

ix2,parameter ßi i stohastički član
191.)Tumačenje regresionih parametara u višestrukom modelu-regresoni
koeficijenti ß0,ß1 i ß2
Parametar ß0 predstavlja odsječak u kome ravan sječe Y osu.Regresioni koeficijent
ß1 pokazuje prosječnu promjenu zavisne promjenljive Y kada se objašnjavajuća
promjenljiva X1 poveća za jedinicu,pod usolovm da objašnjavajuća promjenljiva X2
ostane nepromjenjena.ß2 označava koliko se u prosjeku promjeni zavisna
promjenljiva Y kada se objašnjavajuća promjenljiva X2 poveća za jedinicu, a X1
ostane konstantna.

192.)Regresiona ravan uzorka

Ŷi=b0+b1x1i+b2x2i
Gdje su:
Ŷi- prilagođena vrijednost zavisne promjenljive Yi
b0,b1 i b2- ocjena nepoznatih parametara b0,b1 i b2..
193.)Sistem normalnih jedinica sa 2 objašnjavajuće promjenljive
Σy=nb0+b1Σx1+b2Σx2
Σx1y=b0Σx1+b1Σx1²+b2Σx1x2
Σx2y=boΣx2+b1Σ x1x2+b2Σx2²
194.)Mjere reprezentativnosti u višestrukoj regresiji
Da bismo utvrdili prilagođenost ocjenjene regresione ravni empirisjkim
podacima,koristimo standardnu grešku regresije,kao apsolutnu mjeru i koeficijent
višestruke determinacije,kao relativnu mjeru
195.)Standardna greška regresije S, predstavlja ocjenu standardne devijacije
slučajne greške, , pa se dobije kao kvadratni korijen rezidualne varijanse.U
modelu sa 2 promjenljive S je jednako:
S=√ ²= …

196.)Koeficijent višestruke determinacije –pojam

R² pokazuje procenat varijacije zavisne promjenljive Y koji je objašnjen
zajedničkim uticajem objašnjavajućih prmjenljivih uključenih u model.

R²=objašnjen varijabilitet/ukupan varijabilitet =…..

197.)Koef. Višestruke determinacije-tumačenje vrijednosti
Vrijednost koef. Determinacije varira od 0 do 1.Što je bliži jedinici veće je učešće
objašnjenog varijabiliteta u ukupnom,odnosno ocjenjivanja regresiona jednačina
bolje reprezentuje emprijske podatke.
198.)Kortovani koeficijent višestruke determinacije

²=1- (n-1)/n-(k+1) ·(1-R²)

Gdje je:
n-veličina uzorka i
k- broj objašnjavajućih promjenljivih
199.) Test.značajnosti višestrukog linearnog reg.modela Višestruka linearna
regresija predstavlja proširenje proste lin.regresije na situaciju kada se pored
zavisne promjenljive Y, u model uključuje dvije ili više objašnjavajućih
promjenljivih Xi. Ciljevi analize ostaju nepromjenljivi. Kako bi koristili ovjrnjrnu
trg.jednačinu za ocjenjivanje I predviđanje vrij.zavisne promjenljive Y, mormo
prethodno da testiramo značajnost dobijenih ocjena. Prvo se postavljaju hipoteze,
gdje uzimamo samo dvosmjerne hipoteze I testiranje ćemo sprovesti korišćenjem
p-vrijednosti. Ho:beta1=0 alt. različito od 0 h0:beta2=0, alt.različito od nula. Nulte
hip.tvrde da odg.pbjađnjavajuća promjenljiva ne utiće na zavisnu promjenljivo tj da
je odg.parametar nagima =0.
200.) Ocjenjivanje vrij.zavisne promjenljive ako ocjenjena reg.jednačina
reprezentuje empirijske podatke I ocjene parametara se pokažu stat.značajnim
višestruki reg.model se može koristiti za ocjenjivanje prosječnih I predviđanje
individualnih vrij.zavisne promjenljive Y. Za bilo koju kombinaciju pojedinačnih
vrij.objanjavajućih promjenljive X1 I X2 u osn.skupu postoji čitav raspored
mogućih vrijednosti Y.Traženi intervali se formiraju korišćenjem tabličnih
vrijednosti iz studentvog rasporeda za n-3 stepena slobode pomoću odg.st.grešaka.
Buduću da u oba slučaja st-greške zavise od izabranih vrijednosti one nisu
uključene u standatdnom izlazu regresione analize.

201.) Koeficijent višestruke linearne korelacije –pojam

R pokazuje stepen linearnog slaganja varijacije između zavisne promjenljive Y i
grupe objašnjavajući promjenljivih X1,X2,…Xk
R=√R²
202.)Koeficijent višestruke linearne korelacije-tumačenje vrijednosti
Koeficijent višestruke linearne korelacije nikad ne može biti negativan,odnosno:
0≤R≤+1
Što je bliži jednici,stepen linearne veze je jači ,kada je R=1 zavisna promjenljiva je
funkcionalno povezana sa grupom objašnjenih promjenljivih.Suprotno tome,kada je
R=0 ne postiji linearna veza između posmatranih pojava.
203.)
204.)Koeficijent djelimične korelacije-pojam i tumačenje vr.
Koef. Djelimične korelacije pokazuje stepen linearnog slganja varijacija zavisne
promjenljive i jedne objašnjavajuće promjenljive pri čemu je uticaj druge nezavisne
promjenljive isključen.
Ryx…..
205.)Koeficijent djelimične korelacije može uzimati vrijednosti od -1 do +1
206.)Indeksi-pojam i vrste
Indeksi su relativni brojevi koji pokazuju odnos nivoa jedne ili više pojava u
tekućem (posmatranom)period u odnosu na bazni period.Izražavaju se u
procentima.Ako se za bazu izabere jedan period onda je riječ o baznim
indeksima.Ako se za bazu iznova bira podatak,onda se radi o lančanim (verižnim)
indeksima.Indekse možemo klasifikovati i prema tome da li oni izražavaju relativne
varijacije jedne pojave ili više srodnih pojava.Ako indeksi izražavaju varijacije
jedne pojave govorimo o individualnim (pojedinačnim)indeksima,a ako izražavaju
relativne odnose više pojava,riječ je i grupnim (operativnim) indeksima.S obzirom
na ekonomskiu veličinu na koju se odnse,indekse možemo pdoijeliti u 3. Grupe:
indeksi cijena,indeksi količine i indeksi vrijednosti.
207.)Transformacija indeksa
Postoje 3. vrste transformacije indeksnih brojeva:bazni u bazne,baani u lančane i
lančani u bazne.
a.)Preračunavanje baznih indeksa u bazne sa novom bazom
Transformacija baznih indeksa usa jednoom bazom u seriju baznih indeksa sa
drugom bazom zasniva se na postupku koji je identičan izračunavanju baznih
indeksa iz serije originalnih podataka.To znači da se bazni indeksi svake godine u
okviru vremenske serije stavlja u odnos sa baznim indeksom koji je izabran za
novu bazu i množi sa 100.
b.)Preračunavanje baznih indeksa u lančane
Lančani indeksi dobiće se sukcesivnim stavljanjem u odnos baznih indeksa iz
tekućeg perioda i baznog indeksa iz prethodnog perioda.
c.)Preračunavanjelančanih indeksa u bazne
Ovakva transformacija je složenija,jer se razlikuje postupak kada se računaju
indeksi za period prije bazne u odnosu na period poslije bazne godine.kada je u
pitanju preračunavanje lančanih indeksta u bazne za godine prije baznog
perioda,bazni indeksi tekuće godine dobija se tako što se bazni indeks sljedeće
godine podijeli lančanim indeksom te godine i taj količnik pomnoži sa 100.
(formula)
Za godinu poslije baznog perioda bazni indeksi za tekući period se uzračunavaju
tako što se bazni indeksi iz prethodne godine pomnože lančanim indeksom tekuće
godine i taj period se podijeli sa 100. (formula)
208.)prosječna godišnja stopa rasta
Prosječna godišnja stopa rasta (naziva se i generacijska stopa rasta) predstavlja
stopu po kojoj se pojava prosječo godišnje povećava ili smanjuje u period
obuhvaćenom vremeneskom serijom. (rg=… formula)
Gdje smo sa Y1 označili prvi,a sa YN poslednji podatak vremenske serije.
209.)Grupni agregatni inedksi
Grupni indeksi pokazuju odnos nivoa dvije ili više srodnih pojava u tekućem u
odnosu na bazni period.
210.)Grupni indeksi-metod srednjih vrijednosti
Po metodu srednjih vrijednosti prvo se izračunavaju individualni indeksi svih
posmatranih pojava,a zatim se određuje njihova aritmetička sredina,gemotrijska ili
harmonijska sredina.
Indeks cijen- FORMULA
Indeks količine – FORMULA
Indeks vrijednosti- FORMULA
211.)Grupni indeksi-metoda agregata
Po metodi agregata grupni indeksi se konstruišu tako što se zbit orginalnih
podataka svih vremenskih serija u tekućem period podijeli sa zbirom podataka istih
tih serija u baznom period.
Indeks cijana-f o r m u l a
Indeks količine- f o r m u l a
Indeks vrijednosti- f o r m u l a
212.)Ponderisanje grupnih indeksa
Ponderisanje grupnih indeksa ima za cilj dasvakoj sastavnoj seriji koja ilazi u
grupni indeks da odgovarajući značaj.ponderisanje se povećava reprezentativnost
grupnih indeksa kao pokazatelja dinamike više vremenskih serija.
Od 213 do 217 su F O R M U L E
218.)Fisher-ov idealni indeks
I Fisher=√I laspeyrey x I Poashe
219.)Dekompozicija vremenskih serija-komponente
Analiza vremenskih serija u f-ju vremena polazi od pretpostavke da na promjene
posmatranih pojava tokom vremena utiču 4 komponente:
1.)razvojna tendencija pojave u dužem posmatranom period-trend
2.)ciklična komponenta
3.)sezonske varijacije i
4.)nereularni uticaj
220.)U statistici su formulisana tri osnovna modela koja na različite načine govore
o načinu djelovanja ovih komponenti:multiplikativni,aditivni i kombinovani.Po
multiplikativnom modelu podaci vremenske serije može se predstaviti na sljedeći
način:
Y= T·C·R,
Prema aditivnom modelu:
Y=T+C+R i
Prema kombinovanom modelu
Y=T·C+R,
Gdje su:
Y-podaci o pojavi koje predstavlja vremenska serija
T-trend
C-ciklična komponenta i
R-rezidualna komponenta
221.)Trend-pojam
Trend (sekularna tendencija) je razvojna tendencija pojave u okviru posmatranog
vremenskog perioda.
222.)trend-ispitivanje pojava
Kao prva etapa u ispitivanju razvojne tendencije neke pojave potrebno je ispitivati
da li trend uopšte postoji.jedan od najjednostavnijih načina da se vremenska serija
prikaže grafički je na vremenskom dijagramu.U drugoj etapi se bira f-ja trenda koji
najviše odgovara posmatranoj vremenskoj seriji.U trećoj etapi ocjenjujemo
parameter izabranog modela trenda ,a u četvrtoj vršimo prognoziranje tako što
ćemo ekstrapolirati liniju trenda u budućnosti.
223.)Izbor funkcije trenda
Možemo da koristimo dvije grupe indikatora u zavisnosti da li biramo najbolje
prilagođenom trend prije ili nakon ocjenjivanja parametra.Ako određujemo
optimalnu f-ju trenda prije ocjenjivanja ,na raspolaganju sun am sljedeći modeli:
1.)grafički metod
2.)metod diferencije i
3.)metod izravnanja
Drugi indikatori polaze od toga da se ocjene različite f-je trenda i zatim odabere
ona koja je najbolje prilagođena podacima.
224.)Metod ralike (diferencije)
Metod razlike se zasniva na izračunavanju razlika izastopnih članova serije.na
osnovu ovog metoda biramo f-je trenda rukovdeći se sljedećim principima.
Linearni trend najviše odgovara našim podacima ako su vrijednosti prvih razlika
uzastopnih članova vremenske serije približno međusobno jednake.Njegova f-ja
glasi:
Yt= ß0 + ß1x
Gdje x predstavlja vrijeme ,a Y nivo pojave.
Parabolični trend biramo ako su apsolutne vrijednosti drugih razlika približno
međusobno jednake.Njegova funkcija glasi:
Yt= ß0+ ß1x + ß2x²
Eksponencijalni trend:po ovom metodu se bira ako su razlike logoritamskih
vrijednosti uzastopnih podataka vremenske serije približno jednaki.Njegov
matematički oblik je sljedeći:
Yt=ß0ß1x
225.)Metod iravnanja
Ova metoda služi kao “filter” jer se pomoću njih iz serije odstranjuje tekuća
kolebanja..Metodi izravnanja imaju dvojaku f-ju kod vremenskih serija:
1.)da se uoči eventualno postojanje trenda i
2.) radi prognoze budućih vrijednosti vremenske serije
Najpoznatiji metodi izravnanja su metod pokretnih prosjeka i eksponencijalno
izravnanje.
226.)Linearni trend-model
Model linearnog trenda glasi:
Yt= ß0+ß1X+
Gdje je stohastički član
227.) Linearni trend-ocjene parametara

b1=Σxy/Σx²

b0= Σyi/n=
228.)
229.)Tumačenje parametara linearnog trenda
Odsječak (ß0) je prosjek vremenske serije u posmatranom period.nagib (ß1)
pokazuje srednji apsolutni porast,odnosno prosječnu promjenu vremenske serije (u
zavisnosti od znaka,rast ili opadanje) u sukcesivnim vremenskim intervalma u
obuhvaćenom period.
230.)Standarnda greška trenda
Standardna greška trenda je mjera njegove reprezentativnosti,a izračunava se na
sljedeći način: SŷE=…. Formula….
231.)Ekspropolacija trenda
Ekspropolacija trenda je produžavanje linije trenda izvan interval obuhvaćenog
vremenskom serijom,bilo u budućnosti ili u prošlosti.
232.)Izolacija cikličnih i rezidualnih uticaja
Isključivanje (eliminisanje trenda: y|ŷk

233.)Parabolični trend – model

Yt= ß0+ß1X+ß2X²
234.)Parabolični trend –ocjena parametara
b0, b1 i b2 FORMULE
bo-prosjek vr.serije u posmatranom period
b1-srednji apsolutni porast vr.serije
b2-kvadratna komponenta,koja pokazuje projenu posmatrane pojave u vremenu s
obzirom na kvadrat g-je.
235.)Eksponencijalni trend.model

Yt= ß0·ß1x
236.)Eksponencijalni trend –ocjene parametara
log b0=Σlogy /n
bo-pokazuje vr. Trenda u ishodištu
log b1= Σxlogy /Σx²
b1-pomnožen sa 100 izražava srednji tempo rasta posmatrane pojave.
237.)Ciklična komponenta
Ciklična komponenta predstavlja naizmjenično smanjivanje višegodipnjeg
odstupanja posmatrane pojave iznad,sa višegodišnji odstupanjem istog njenog
prosječnog kretanja.Odstupanje iznad prosjeka šredstavlja ekspanziju pojave,dok
odstupanje ispod prosječnog kretanja predstavlja njenu kontrakciju.
238.) metodi izravnanja vrem.serije Prilikom razmatranja različizih načina za itbor
funk.trenda koja najbolje opisuje kretanje posm.pojave naveli smo da je moguće
koristiti I metode izravnanja vrem.serije. Oni služe kao filteri jer se pomoću njih iz
serije odstranjuju tekuća kolebanja. Vtrm.serija očišćena od takvih kolebanja
prikazuje se gradički da bi se uočilo da li pokazuje odg.stabilnost tokom
obuhvaćenoh vrem.perioda. Važno je napomenuti da oni imaju dvojaku funk.kod
vrem.serija: 1.da se uoči eventrualno postojanje trenda, 2. Radi prognote buduće
vrij.vrem serije. Najboljznatiji metodi su: metod pokretnih prosjeka I
eksponencijalno izravnanje.
239.)Metod pokretnih prosjeka
Metod pokretnih prosjeka ima trostruku f-ju u statistici:
1.)Da omogući poticanje osnovnog toka pojave odstranjujući osnovna tekuća
kolebanja u seriji.
2.)kao metod za prognozu budućih vrijednosti vremenske serije i
3.)koristi se pri konstrukciji sezonskih indeksa.
240.) i241.) Izr.pokretnih prosjeka-paran I neparan br.podataka Metod pokretnih
prosjeka ima trostruku funkciju u stat.: 1 da omohući isticanje osn.toka pojave,2.
Kao metod za prognozu budućih vrij.vrem.serije,3.pri konstrukciji sezonskih
indeksa. Pokretni prosjeci su takva transformacija ofiginalne vrem serije u kojoj se
svaki podatak zamjenjuje ar.sredinom tog podatka, određenog broja prethodnih I
isto toliko narednih podataka. On se naziva tako jer se prilikom njegove primjene
sukcesivno pomjeramo od početka serije dve do kraja. Stalno moramo da uzimamo
grupe od istog broj podataka za izračunavanje prosjeka. Postoje dva načina
izr.prosjeka, u zavisnosti od parnog ili neparnog br.sadržaja. Ako uzmemo tri člana
prosjek će biti y2 bar= y1+y2+y3/3 . Jasno je da ovaj prosjek odg.drugom podatku
u seriji pa će on zamjeniti originalni podatak y2- Vidimo da je prvi pod.ostao bez
svog pokretnog prosjeka. Sl.prosjek glasi: y3bar=y2+y3+y4/3. Izr.pokr.prosjeka na
grupama sa parnim br.pod. je komplikovanije, uzimamo recimo 4 člana. Prvi
pokretni prosjek bi bio y2/3bar= y1+y2+y3+y4/4 Dr.bi bio: y3/4bar=
y2+y3+y4+y5/4
242.)Sezonske varijacije
Sezonske varijacije predstavljaju promjene određen vremenske serije koje se
ponavljaju tokom više godina u isto doba,u istom smjeru,i približno istom
intenzitetu.
243.)Sezonski indeks
Sezonski indeks je relativan broj koji pokazuje prosjek sezonskog uticaja,odnosno
jačinu sezonskog uticaja,u određenom mjesecu ili kvartilu tokom više godina.
244.)Metod odnosa prema pokretnim prosjecima
Ovaj metod polazi od multiplikativnog modela kompoziciije vremenske serije:
Y= T·S·C·R
245.)Postupak izračunavanja sezonskih indeksa
Postupak izračunavanja sezonskih indeksta se provodi kroz tri etape.U prvoj etapi
izračunavaju se kvartilni (mjesečni) pokretni prosjeci,kao proste aritmetičke sredine
originalnih podataha svaka čeiri uzastopna kvartila.Nakon izračunavanja svih
pokretnih prosjeka,oni se centriraju.Cenrirani pokretni prosjeci predstavljaju
aritmetičke sredine svaka dva uzastopna kvartila pokreenog prosjeka.U drugoj fazi
odstranjujemo uticaj trenda i ciklične komponente dijeljenjem svakog orginalnog
podatka njegovim centriraim pokretnim prosjekom.U trećoj fazi izračunavaju se
sezonski indeksi,kao aritmetičke sredine neregularnih sezonskih količnika
odgovarajućih kvartila.Njihovim množenjem sa 100 ,iksazujemo ih u procentima.U
ovoj etapi smo eliminisali uticaj neregularne komponente.
246.)
247.)Desezoniranje
Desezoniranje je postupak kojim se iz originalnih podataka vremenske serije
odstranjuje sezonski uticaj.U multiplikativnom modelu ovo se postiže dijeljenjem
originalnih podataka sa sezonskim indeksima i množenjem sa 100.
Desezonirani podatak=originalni pod/sezonski indeks ·100
U aditivnom modelu,od originalnih podataka se oduzimajuodgovarajući sezonski
uticaji.

248.)Korigovana ekspropolacija trenda

Kod mjesečnih ili kvartilnih podataka potrebno je uzeti u obzir i uticaj sezone da bi
se došlo do preciznije prognoze.Takav postupak prognoziranja naziva se
korigovanom ekspropolacijom trenda.Korigovana ekspropolaciija trendta se
sprovodi u 4. Etape:
1.)U prvom koraku se iz serije eliminiše uticaj sezone,dakle dijeljenjem originalnih
podataka njihovim sezonskim indeksima i množenjem sa 100.
2.)U drugoj etapi na desezoniranim podacima određuje se odgovarajući trend i
ocjenjuju njegovi parmateri.
3.)U trećoj etapi vrši se ekspropolacija trenda u budućnost.
4.)U četvertoj etapi koriguje se ekspropolisani trend vrijednosti uzimajući u obzir
uticaj sezone u prognoziranom period (kvartilu ili mjesecu).
249.)Sezonski korigovana ekspropolisana trend vrijednost

=ekspropolisana trend vrijednost x odgovarajući sezonski indeks / 100

250.)