1.

TEMELJNI STATISTIČKI POJMOVI

Pri objavljivanju informacija, pri kritičkim analizama, pri testiranju znanstvenih pretpostavki
kao i pri utemeljenom donošenju sudova u svim suvremenim znanstvenim disciplinama,
nemoguće je zaobići brojčane pokazatelje. Upravo takvi brojčani pokazatelji su u fokusu
istraživanja statistike, a stoga su i rezultati jednostavnijih ili složenijih statističkih postupaka
svuda oko nas.

1.1. Pojam i podjela statistike

Uvažavajući mnogobrojne i različite definicije statistike, definiramo je na sljedeći način:

Statistika je znanstvena disciplina koja specifičnim metodama i tehnikama istražuje

masovne pojave analizom njihovih brojčanih pokazatelja.

S obzirom na obuhvat jedinica statističkog skupa statistika se dijeli uglavnom na dvije vrste:

• Deskriptivna ili opisna statistika se bavi prikupljanjem, uređivanjem (grupiranjem),

tabeliranjem, grafičkim prikazivanjem i analizom podataka vezanih uz osnovni statistički
skup ili populaciju koja se istražuje.

• Inferencijalna ili induktivna statistika - podrazumijeva primjenu statističkih metoda

i tehnika na samo dio jedinica statističkog skupa (koji se zove uzorak) s ciljem poopćavanja
zaključaka o karakteristikama uzorka na čitavi osnovni skup.

Poslovna statistika ostaje na području deskriptivne statistike, pa se u nastavku samo o njoj

govori. Cilj i svrha proučavanja poslovne statistike je u pravilu analiza brojčanih pokazatelja
odnosno donošenje zaključaka o značajkama osnovnog statističkog skupa koji je ekonomske
prirode. Takav statistički skup može biti konačan ili beskonačan s obzirom na broj jedinica od
kojih se sastoji. Predmet statističkog istraživanja su statistička obilježja jedinica statističkog
skupa.

1.2. Statističko obilježje

Statističko obilježje je značajka, svojstvo prema kojem se jedinice statističkog skupa

međusobno razlikuju ili međusobno nalikuju jedna na drugu.
Statistička obilježja dijelimo na:

• Kvalitativna ili opisna obilježja - obilježja koja označuju svojstvo, značajku

jedinice statističkog skupa koja se izražava riječima, opisno. Ova vrsta obilježja obuhvaća:

a) nominalno ili atributivno obilježje (npr. vjeroispovijest, narodnost, vrsta usluge);

Nominalno obilježje koje ima samo dva pojavna oblika ili modaliteta naziva se alternativno
obilježja (npr. obilježje spol ili status novorođenčeta koje može biti živorođeno odnosno,
nažalost, mrtvorođeno);

b) zemljopisno obilježje, koje se svrstava i kao podvrsta nominalnog obilježja (npr.

mjesto rođenja ili adresa prebivališta);

c) redoslijedno ili obilježje ranga (npr. stručna sprema ili ocjena na ispitu).

• Kvantitativna ili numerička obilježja - obilježja jedinice statističkog skupa koja se

izražavaju brojem. U ovu vrstu obilježja spadaju:

a) diskontinuirano ili prekidno obilježje koje može poprimiti konačno ili prebrojivo
mnogo vrijednosti numeričkog obilježja (npr. broj djece u obitelji ili broj zaposlenika),

b) kontinuirano ili neprekidno obilježje koje može poprimiti neprebrojivo

(beskonačno) mnogo vrijednosti numeričkog obilježja (npr. težina, visina ili
postignuta brzina trkača na 100 m)

• Vremenska obilježja označavaju vrijeme po kojem se jedinice statističkog skupa

razlikuju ili nalikuju jedne drugima. Dijele se na:

a) intervalno vremensko obilježje (kada neku pojavu promatramo u vremenskom

razdoblju, npr. prodaja hrvatskih mandarina u Italiji u zadnjem kvartalu 2016. godine
ili broj osoba koje su iselile iz Republike Hrvatske tijekom 2016. godine) i

b) trenutačno vremensko obilježje (kada neku pojavu promatramo na točno određen

dan, npr. broj stanovnika određene države na dan 31.03.2011. godine ili broj polaznika
škole folklora registriran na dan 1. listopada 2016. godine).
1.3. Statistički skup

Statistički skup je skup jedinica čija statistička obilježja promatramo i istražujemo oblike ili
modalitete tih obilježja koje ima pojedina jedinica statističkog skupa. Svako statističko
istraživanje počinje preciznim definiranjem statističkog skupa. Statistički skup je neophodno
potrebno definirati pojmovno, prostorno i vremenski.

Razjasnimo to na primjeru statističkog skupa „Članovi plesačkog A ansambla KUD-a

Jedinstvo iz Splita u sezoni (godini) 2016./2017.“

Pojmovno definirati statistički skup znači odrediti obilježja, svojstva, značajke koje mora
imati svaka statistička jedinica da bi bila uključena u određeni statistički skup. Pojmovna
definicija može biti npr. član plesačkog „A ansambla KUD-a Jedinstvo“. Dakle, riječ je o
djevojci ili mladiću koji je u dosadašnjem angažmanu pokazao izuzetne pjevačke i plesačke
sposobnosti i iznadprosječno zalaganje za vrijeme proba i nastupa, pa samo takvog člana
uključujemo u promatrani statistički skup, za razliku od članova dječjeg, pripremnog i „B
ansambla“ navedenog KUD-a.

Prostorno definirati statistički skup znači precizno naznačiti prostor kojem pripadaju ili na
kojega se odnose sve jedinice statističkog skupa. U navedenom primjeru je potrebno naglasiti
da se radi o KUD – u iz Splita, jer možda postoji još neki KUD istog naziva u drugom mjestu.

Vremenski definirati statistički skup znači jasno odrediti trenutak vremena ili vremensko
razdoblje kojim će se obuhvatiti sve jedinice statističkog skupa. U navedenom primjeru to je
godina 2016./2017.(listopad-rujan). Naime, kvalifikacije za ulazak u spomenuti ansambl se
ponavljaju svake godine u rujnu, a članstvo traje do sljedećih kvalifikacija.
 2. FAZE STATISTIČKOG ISTRAŽIVANJA

Faze statističkog istraživanja su: određivanje cilja i predmeta proučavanja, prikupljanje

statističkih podataka, uređivanje podataka prema potrebama istraživanja, tabelarno i grafičko
prikazivanje statističkih podataka, primjena odabrane statističke metodologije i interpretacija
dobivenih rezultata statističkog istraživanja.

2.1. Određivanje cilja i predmeta istraživanja

Cilj i svrha određenog statističkog istraživanja značajno opredjeljuju izbor statističkih

skupova za koje će se računati i interpretirati statistički pokazatelji, način prikupljanja,
uređivanja i tabeliranja statističkih podataka i interpretaciju konačnih rezultata statističkog
istraživanja. To se posebno odnosi na onaj dio rezultata istraživanja za koje su se procjenjivali
i interpretirali brojčani pokazatelji. Nadalje, uz ostale bitne odrednice cjelokupnog
statističkog istraživanja , njegov cilj i svrha temeljno opredjeljuju izbor odgovarajućih
suvremenih metoda i tehnika kao i načine njihove primjene. Stoga je ovoj početnoj fazi
istraživanja potrebno posvetiti dužnu pažnju, a posebno se to odnosi na iscrpno i precizno
pojmovno, prostorno i vremensko definiranje statističkog skupa.

2.2. Prikupljanje statističkih podataka

Svako statističko istraživanje započinje proučavanjem ekonomske i drugih teorija o

istraživanom fenomenu, kao i rezultata istraživanja svih raspoloživih radova ostalih autora.
Na temelju toga istraživač odlučuje koji su mu podaci kao temelj budućeg istraživanja
neophodni. Pri formiranju baze podataka koriste se razni postupci i razni izvori.

S obzirom na izvor podataka metode prikupljanja se mogu podijeliti u dvije velike skupine:

a) primarne metode prikupljanja statističkih podataka pomoću kojih istraživači

samostalno prikupljaju podatke. Prikupljanje podataka primarnim metodama može biti
jednostavno, ali i vrlo složeno ovisno o postupcima prikupljanja. Najzastupljeniji postupci
prikupljanja primarnih statističkih podataka su: mjerenje, brojenje, ocjenjivanje, opažanje,
evidentiranje, anketiranje i intervjuiranje;
 b) sekundarne metode prikupljanja statističkih podataka su sve one pomoću kojih
statističari preuzimaju statističke podatke objavljene od strane ovlaštenih privatnih agencija
odnosno češće od strane službenih državnih ili društvenih institucija u zemlji i inozemstvu, te
ih bez dodatnog provjeravanja uvažavaju kao baze podataka za svoja statistička istraživanja.
To su npr. statistički godišnjaci u izdanju Državnog zavoda za statistiku (DZS), bilteni
Hrvatske narodne banke (HNB), publikacije Hrvatske gospodarske komore, Eurostat-ove
statističke knjige, internetske objave službenih statističkih podataka i slično.

2.3. Uređivanje i grupiranje statističkih podataka

Uređivanje i grupiranje statističkih podataka se vrši u svjetlu cilja i svrhe statističkog

istraživanja. Uređivanje podataka, ako ih je malen broj, provodi se njihovim nizanjem po
nekom pravilu npr. po abecedi, po rastućoj ili padajućoj vrijednosti i slično.

Grupiranjem se N podataka razvrstava u statističke grupe. Ako je broj oblika diskontinuirane

numeričke varijable malen, ili se grupiraju podaci po nominalnom ili redosljednom obilježju,
navode se svi pojedini oblici obilježja te im se pridružuje broj jedinica skupa s navedenim

oblicima.

Broj jedinica statističkog skupa u jednoj grupi zove se apsolutna frekvencija (f i, i = 1,2,...,k)
te grupe. Apsolutna frekvencija je, drugim riječima, broj jedinica statističkog skupa koje
imaju određenu vrijednost modaliteta promatranog obilježja. Naime, jedinice statističkog
skupa koje se nalaze u istoj grupi međusobno su jednake s obzirom na oblik (modalitet) ili
oblike (modalitete) obilježja koji su tom grupom obuhvaćeni.

Statistički niz je skup uređenih parova modaliteta obilježja i pripadajuće apsolutne (ili neke
druge vrste) frekvencije.

Par modaliteta obilježja i pripadajuće apsolutne (ili neke druge vrste) frekvencije naziva se
statistička grupa. Grupiranje jedinica statističkog skupa treba biti iscrpno i isključivo.

Iscrpno grupiranje podrazumijeva da svaka jedinica statističkog skupa mora biti razvrstana u
jednu od predviđenih grupa, a isključivo grupiranje postavlja zahtjev da određena jedinica
statističkog skupa može pripadati samo jednoj grupi.

Ukupan broj jedinica koje pripadaju promatranom statističkom skupu tvori opseg statističkog
skupa (N).
Ako se grupiraju podaci prema modalitetima diskontinuirane numeričke varijable kojih ima
mnogo ili se radi o kontinuiranoj numeričkoj varijabli obilježje se daje u razredima jednakih
ili nejednakih veličina.

Formiranjem razreda se dobiva veća preglednost, ali se gubi na informiranosti podataka. Ova
dva temeljna načela grupiranja statističkih podataka predstavljaju vječni izazov traženja
kompromisa pri grupiranju i tabeliranju statističkih podataka.

Svaka apsolutna frekvencija (fi, i = 1,2,3,...,k) pokazuje koliko jedinica statističkog skupa ima
određeni oblik obilježja (xi). Opisanim načinom grupiranja prema oblicima numeričkog
obilježja formira se tzv. distribucija frekvencija ili numerički niz.

Distribucija frekvencija je niz uređenih parova {xi, fi}, i = 1,2,3,...,k.

Zbroj svih apsolutnih frekvencija jednak je opsegu statističkog skupa:

f1  f2  f3 ... fN fi (1) i1

Ako niz grupiramo prema oblicima nominalnog odnosno redosljednog obilježja tada kažemo
da se radi o nominalnom odnosno redosljedom statističkom nizu. Osim apsolutnih frekvencija,
izračunavaju se i relativne frekvencije (ftr).

Relativne frekvencije predstavljaju omjer apsolutne frekvencije i opsega statističkog skupa

(pomnožen sa 100):

fi
fri  k 100 (2)

f i
i1

Relativne frekvencije su, dakle, omjer dijela statističkog skupa i njegove cjeline. Obično se

razlikuju proporcije i postoci kao relativne frekvencije.

Proporcija (Pi) je omjer apsolutne frekvencije i opsega statističkog skupa. Ako se taj omjer

pomnoži sa 100, relativna frekvencija je izražena kao postotak (pi).

Kada razredi distribucije frekvencija nisu jednakih veličina potrebno je izračunati korigirane
frekvencije. To je pokazano u primjeru 2.3.

Korigirana frekvencija (fci) je omjer apsolutne frekvencije i pripadajuće veličine razreda.

Korigirane frekvencije se računaju u svrhu grafičkog prikazivanja, međusobnog
uspoređivanja statističkih nizova, kao i pri računanju nekih pokazatelja npr. moda.

Veličina razreda (ii) se računa kao razlika između gornje granice promatranog razreda i
gornje granice prethodnog razreda ili kao razlika donje granice narednog razreda i donje
granice promatranog razreda. Veličinu razreda treba razlikovati od razredne sredine.

Razredna sredina (xi) je reprezentant svakog statističkog razreda, a računa se kao poluzbroj
donje i gornje granice razreda. Pri tome se koriste prave (uređene) granice razreda.

Prave granice razreda se nazivaju i precizne granice razreda, a mogu se formirati u pravilu na
dva načina:

a) tako da se gornja granica prethodnog razreda poveća za polovinu jedinice

mjere, a
donja granica promatranog razreda smanji za polovicu mjerne jedinice;

b) tako da se gornja granica prethodnog razreda izjednači s donjom granicom

promatranog razreda, odnosno da se gornja granica promatranog razreda izjednači s donjom
granicom narednog razreda.

Ovaj drugi način formiranja pravih ili preciznih granica razreda je zastupljeniji u poslovnoj
statistici.

Važna karakteristika distribucije frekvencija, posebno grupiranog statističkog niza, je izračun

kumulativnog niza „manje od'' i kumulativnog niza „više od''.

Kumulativni niz „manje od“ se formira postupnim zbrajanjem apsolutnih frekvencija počevši
od prve frekvencije u nizu. Tako dobivene frekvencije se nazivaju kumulativne frekvencije, a
posljednja je jednaka opsegu statističkog skupa, što često korisno posluži kao provjera
valjanosti provedenog postupka kumuliranja.

Kumulativni niz „više od“ nastaje postupnim zbrajanjem apsolutnih frekvencija počevši od
posljednje frekvencije u nizu. Vrijednosti tako dobivenih kumulativnih frekvencija se mogu
provjeriti činjenicom da prva kumulativna frekvencija kumulativnog niza „više od“ treba biti
jednaka opsegu statističkog skupa.

Kumulativna frekvencija kumulativnog niza „manje od“ (Sx(xj)), ako se radi npr. o
distribuciji frekvencija pridruženih razredima, tumači se na sljedeći način. Kumulativna
frekvencija pokazuje broj jedinica čija je vrijednost obilježja manja ili jednaka gornjoj
granici pripadajućeg razreda. Zbog takvog tumačenja niz je i dobio ime kumulativni niz
„manje od“.

Kumulativne frekvencije kumulativnog niza „više od'' (Sx(xi)) nastaju postupnim zbrajanjem
apsolutnih frekvencija odozdo prema gore. Ako se objašnjava značenje distribucije
frekvencija pridruženih razredima, tada svaka kumulativna frekvencija pokazuje koliko
jedinica statističkog skupa ima vrijednost obilježja koja je veća ili jednaka donjoj granici
pripadajućeg razreda. Stoga se ovakav niz i naziva kumulativni niz „više od“.

Kumulativni nizovi „manje od'' i „više od'' se mogu formirati i postupnim zbrajanjem
relativnih frekvencija.

Kumulativna relativna frekvencija kumulativnog niza „manje od'' (Fx(xj)) pokazuje koliki je
postotni dio jedinica statističkog skupa čija je vrijednost obilježja manja ili jednaka gornjoj
granici pripadajućeg razreda.

Kumulativna relativna frekvencija kumulativnog niza „više od'' (Fx(xi)) pokazuje koji postotak
jedinica statističkog skupa ima vrijednost obilježja koja je veća ili jednaka donjoj granici
pripadajućeg razreda.

2.4. Tabelarno i grafičko prikazivanje

Statističkim tablicama i grafikonima se na jednostavan i pregledan način, često uz pomoć

različitih geometrijskih likova, prezentiraju statistički nizovi. Statistička tablica i grafikon,
kao najčešći načini grafičkog prikazivanja, trebaju imati: naslov, naziv i jedinice mjere
promatranog statističkog obilježja, nazive modaliteta promatranog obilježja, izvor podataka i,
ako je potrebno, kazalo ili tumač korištenih oznaka.

2.4.1. Grafički prikazi

Sve grafičke prikaze možemo podijeliti u četiri skupine:

 a) površinski grafikoni,

b) linijski grafikoni,

c) slikovni dijagrami i

d) kartogrami.

Površinskim grafikonima se frekvencije statističkog niza prikazuju

površinama geometrijskih likova, najčešće pravokutnicima u pravokutnom
koordinatnom sustavu.

Iz velikog broja raznovrsnih površinskih grafikona svojom čestom primjenom se izdvajaju :

a) jednostavni stupci - položeni vodoravno ili okomito,

b) razdijeljeni stupci,

c) strukturni stupci i

d) dvostruki ili višestruki stupci.

Linijski grafikoni se često spominju pod nazivom poligon frekvencija, posebno ako se radi o
prikazu distribucije frekvencija statističkih nizova. Ako su pri tome nominalni i numerički
statistički nizovi grupirani u razrede, tada se na osi apscisa na mjestima koja označavaju
razredne sredine podiže ordinata, u pravilu do visine korigirane frekvencije.

Slikovni dijagrami frekvencije statističkog niza prikazuju površinama npr. stošca, strukturnog
kruga, proporcionalnog polukruga ili kružnim isječkom, kružnim vijencem i sl.

Kartogrami se koriste za prikazivanje statističkih nizova koji su nastali grupiranjem jedinica

prema modalitetima zemljopisnog obilježja. Pri tome se po tehnici prikaza razlikuju:
dijagramske karte, statističke karte i piktogrami.

Za potrebe suvremenih statističkih analiza grafičke prikaze u pravilu biramo iz ponude

računalnog programa kojim se služimo u toj analizi, kao što će se u narednim primjerima
koristiti Microsoft Excel. Stoga nije potrebno navoditi precizne upute za crtanje pojedinih
vrsta grafičkih prikaza. Za one koji ih žele znati, sve navedene vrste grafikona su detaljno
opisane i ilustrirane na primjerima u udžbeniku [94] na stranicama 20-53.
Primjer 2.1.

U tablici 2.1. su prikazani podaci o broju obitelji prema tipu po popisima stanovništva od
1971. do 2011. godine

Tablica 2.1. Struktura obitelji u Republici Hrvatskoj prema tipu po popisima stanovništva od
1971. do 2011. godine

Broj obitelji u %
Tip obitelji
1971. 1981. 1991. 2001. 2011.

Par bez djece 24,80 26,90 27,10 27,00 28,60

Par s djecom 63,80 62,40 60,50 58,00 54,30

Majka s djecom 9,30 9,10 10,20 12,50 14,40

Otac s djecom 2,10 1,60 2,20 2,50 2,70

Izvor: Popis stanovništva,kućanstava i stanova, DZS, Statistička izvješća raznih godišta

Koristeći podatke Državnog zavoda za statistiku Republike Hrvatske (RH) prikažite tipove
obitelji prema popisu stanovništva 2011. godine grafikonom s jednostavnim uspravnim
stupcima.

Rješenje primjera 2.1.:

 Slika 2.1. Tipovi obitelji u Republici Hrvatskoj prema popisu stanovništva 2011. godine

60,00%

Postotak broja obitelji 50,00%

40,00%

30,00%

20,00%

10,00%

0,00%
Par bez djece Par s djecom Majka s djecom Otac s djecom
Tip obitelji

Izvor: Izrada autora prema podacima DZS

Na slici 2.1. tipovi obitelji u Republici Hrvatskoj prema popisu stanovništva 2011. godine su
prikazani stupcima istih baza jer je svaki tip obitelji jednako važan. Stoga se ovakav grafički
prikaz i naziva površinski grafikon s jednostavnim stupcima. Stupci samo svojom visinom,
koja se na ordinati podiže do iznosa frekvencije, pokazuju razlike u strukturi obitelji u
Republici Hrvatskoj prema popisu stanovništva 2011. godine s obzirom na tip obitelji.

Primjer 2.2.

Na temelju podataka Državnog zavoda za statistiku Republike Hrvatske iz tablice 2.1.

prikažite tipove obitelji u Republici Hrvatskoj prema popisima od 1971. do 2011. godine. Pri
tome se poslužite grafikonom s višestrukim stupcima.

Rješenje primjera 2.2.:

Slika 2.2. Obitelji u Republici Hrvatskoj prema tipu po popisima stanovništva od 1971. do
 2011. godine

Izvor: Izrada autora prema podacima DZS

Na slici 2.2. su obitelji u RH prema tipu po popisima stanovništva od 1971. do 2011. godine
prikazane višestrukim stupcima. To su jednostavni stupci naslonjeni jedan na drugi, a
legendom je označeno koji od njih prikazuje određeni tip obitelji.

2.4.2. Statističke tablice

Statistička tablica se sastoji od: zaglavlja, predstupca, tijela tablice u koje upisujemo
frekvencije, od zbirnog retka i zbirnog stupca. Svaka statistička tablica, kao i grafikon, ima
svoj naslov i izvor. U naslovu je sadržana pojmovna, prostorna i vremenska definicija
promatranog statističkog skupa, a u izvoru je potrebno navesti na koji način su prikupljeni
podaci. Kod sekundarnih izvora podataka navodi se institucija, publikacija i stranica s koje su
uzeti podaci. Ako su podaci preuzeti s internetskih stranica, navodi se i datum pristupanja
stranicama.

Najjednostavnija podjela statističkih tablica razlikuje:

• Jednostavne statističke tablice – u kojima je jedan statistički niz nastao grupiranjem

prema modalitetima jednog statističkog obilježja,
• Skupne statističke tablice – u njima je više statističkih nizova nastalo grupiranjem
prema modalitetima istog statističkog obilježja, te

• Kombinirane tablice – u kojima je više statističkih nizova grupirano prema

modalitetima dvaju ili više statističkih obilježja, pa takve tablice mogu biti
dvodimenzionalne ili višedimenzionalne.

Primjer dvodimenzionalne statističke tablice:

Tablica 2.2. Naslov tablice

Izvor: Izrada autora

Pri tome je opseg statističkog skupa N:

(3)

Stupci
n
Oznaka Oznaka Oznaka
Reci
stupca stupca
…
stupca
Zbirni stupac x
j
1
j

Oznaka retka 1 2 … n
n

1 x11 x12 … x1n x

j
1
1j

2 x21 x22 … x2n x

j
1
2j

. . . . .
. . . . .
. . . . .
n

m xm1 xm2 … xmn x

j
1
mj

m m m m m n

Zbirni redak x
i
1
i x
i 1
i1 x
i
1
i2 … x
i
1
in 
i 
1 j 1
xij
m n n m 
N  xij  xij

 odabrane
i1 j1
2.5. Primjena  statističke metodologije
j1 1i

U ovoj iznimno važnoj fazi statističkog istraživanja se odabiru, prema njegovom cilju i svrsi,
odgovarajuće statističke metode i tehnike. Zatim se korištenjem odabrane metodologije dolazi
do brojčanih pokazatelja o istraživanim pojavama i procesima.
2.6. Interpretacija rezultata

Ovo je konačna i najznačajnija faza statističkog istraživanja. U ekonomiji se rezultati

statističkih istraživanja u pravilu interpretiraju s ciljem njihovog korištenja pri donošenju
sudova i odluka kako na makroekonomskoj, tako i na poslovnoj razini odlučivanja.
Primjer 2.3.

Tablica 2.3. Zaposlenici Ekonomskog fakulteta u Splitu prema spolu i vrsti aktivnosti 1.
ožujka 2016. godine

Spol \ Aktivnost Nastavna Nenastavna Ukupno

Muškarci 32 6 38
Žene 50 31 81
Ukupno 82 37 119

Izvor: Podaci kadrovske službe Ekonomskog fakulteta u Splitu

a) Prikažite dvostrukim i razdijeljenim stupcima zaposlenike Ekonomskog fakulteta u

Splitu prema obilježjima spola i vrste aktivnosti na dan 1. ožujka 2016. godine.

b) Objasnite značenje frekvencija u zbirnom retku i u zbirnom stupcu tablice 2.3.

Rješenje primjera 2.3.:

a) Na slici 2.3. je prikaz promatranog statističkog skupa dvostrukim

(trodimenzionalnim) stupcima.

Slika 2.3. Zaposlenici Ekonomskog fakulteta u Splitu prema spolu i vrsti aktivnosti 1. ožujka
 2016. godine

Izvor: Podaci kadrovske službe Ekonomskog fakulteta u Splitu

Na slici 2.4. je prikazan statistički skup zaposlenika Ekonomskog fakulteta u Splitu prema
spolu i vrsti aktivnosti 1. ožujka 2016. godine razdijeljenim (trodimenzionalnim) stupcima.

Slika 2.4. Zaposlenici Ekonomskog fakulteta u Splitu prema spolu i vrsti aktivnosti 1. ožujka
2016. godine

Izvor: Podaci kadrovske službe Ekonomskog fakulteta u Splitu

b) Frekvencije u zbirnom retku tablice 2.3. se nazivaju marginalne frekvencije.

Marginalne frekvencije pokazuju da je bilo 82 zaposlenika Ekonomskog fakulteta u Splitu
koji su 1. ožujka 2016. obavljali nastavnu aktivnost bez obzira kojeg su spola. Pri tome je 37
zaposlenika Ekonomskog fakulteta u Splitu 1. ožujka 2016. obavljalo nenastavnu aktivnost.
Ukupno je na Ekonomskom fakultetu u Splitu 1. ožujka 2016. bilo zaposleno 119 djelatnika
bez obzira na njihov spol i vrstu aktivnosti koju obavljaju.
Prva marginalna frekvencija u zbirnom stupcu tablice 2.3. pokazuju da je na Ekonomskom
fakultetu u Splitu 1. ožujka 2016. godine bilo 38 muškaraca bez obzira na djelatnost koju su
obavljali. Istog datuma iste godine je na Ekonomskom fakultetu u Splitu bila 81 žena bez
obzira na vrstu aktivnosti koju je obavljala (druga marginalna frekvencija u zbirnom stupcu).
Zbroj ove dvije marginalne frekvencije u zbirnom stupcu je isti kao i zbroj dviju marginalnih
frekvencija u zbirnom retku i predstavlja 119 zaposlenika Ekonomskog fakulteta u Splitu bez
obzira na njihov spol i vrstu aktivnosti koju obavljaju.

Primjer 2.4.

Zaposlenici Ekonomskog fakulteta u Splitu prema navršenim godinama radnog

Tablica 2.4.
staža 1. ožujka 2016. godine

Izvor:Podaci kadrovske službe Ekonomskog fakulteta u Splitu

U tablici 2.4. su zaposlenici Ekonomskog fakulteta u Splitu prema navršenim godinama

radnog staža 1. ožujka 2016. godine grupirani u razrede.
Donja granica prvog razreda kao i gornja granica posljednjeg razreda su procijenjene na 0
odnosno 50 navršenih godina radnog staža.

a) Interpretirajte drugu i šestu apsolutnu frekvenciju.

b) Odredite prave ili precizne granice razreda.

c) Izračunajte razredne sredine.

d) Odredite veličine razreda.

e) Izračunajte korigirane frekvencije.

f) Interpretirajte treću frekvenciju kumulativnog niza „manje od”.

g) Interpretirajte petu frekvenciju kumulativnog niza „više od”.

h) Nacrtajte poligon frekvencija statističkog niza iz tablice pod b)

Rješenje primjera 2.4.:

a) Druga apsolutna frekvencija pokazuje da je 1. ožujka 2016. godine bilo 14

zaposlenika Ekonomskog fakulteta u Splitu s navršenim 9 ili 10 godina radnog staža.

Šesta apsolutna frekvencija pokazuje da je 1. ožujka 2016. godine bilo 12 zaposlenika

Ekonomskog fakulteta u Splitu s navršenom 21 do 26 godina radnog staža.

b) Prave granice razreda su određene u trećem stupcu tablice 2.4.

c) Razredne sredine, kao reprezentanti svakog pojedinog statističkog razreda, su

izračunate u četvrtom stupcu tablice 2.4.

d) Veličine razreda, kao razlike gornje i donje prave granice razreda, izračunate su u
petom stupcu tablice 2.4.

e) Korigirane frekvencije, kao omjer apsolutnih frekvencija i pripadajuće veličine

svakog pojedinog statističkog razreda, su prikazane u šestom stupcu tablice 2.4.

f) Treća frekvencija kumulativnog niza „manje od“ kazuje da je 1. ožujka 2016.

godine na Ekonomskom fakultetu u Splitu bilo 36 zaposlenika s radnim stažom od 12 i manje
navršenih godina.

g) Peta frekvencija kumulativnog niza „više od“ pokazuje da je da je 1. ožujka 2016.

godine na Ekonomskom fakultetu u Splitu bilo 67 zaposlenika s radnim stažom od 16 i više
navršenih godina.

h) Poligon frekvencija na temelju podataka iz tablice 2.4. je prikazan na slici 2.5.

Slika 2.5. Zaposlenici Ekonomskog fakulteta u Splitu prema navršenim godinama radnog
staža 1. ožujka 2016. godine

Izvor: Podaci kadrovske službe Ekonomskog fakulteta u Splitu

Primjer 2.5. pokazuje kako se koristi MS Excel u formiranju i grafičkom prikazivanju

distribucije frekvencija na primjeru statističkog skupa čije su jedinice promatrane prema
modalitetima jednog obilježja.
3.3 Mjere disperzije

Dva ili više statističkih nizova mogu imati istu srednju vrijednost premda se vrlo razlikuju jer
njihove jedinice imaju vrlo različit raspon varijacije i raspršenost.

Mjere disperzije pokazuju raspršenost vrijednosti obilježja koje poprimaju jedinice

statističkog niza oko srednjih vrijednosti. Ako postoji velika raspršenost određenu srednju
vrijednost ne možemo u statističkoj analizi koristiti kao dobrog reprezentanta i pouzdanu
srednju vrijednost.

Mjere disperzije ili raspršenosti oko srednjih vrijednosti se razlikuju ovisno o tome mjere li
raspršenost oko potpunih ili oko položajnih srednjih vrijednosti. S obzirom na jedinice mjere
u kojima se izražavaju rezultati mjerenja disperzije, mjere disperzije se dijele na apsolutne i
relativne mjere disperzije.

3.3.1. Apsolutne mjere disperzije

Apsolutne mjere disperzije se izražavaju u apsolutnim vrijednostima odnosno u jedinicama

mjere u kojima je izraženo i promatrano statističko obilježje. Najčešće korištene apsolutne
mjere disperzije u poslovnoj statistici su:

a) raspon varijacije,

b) interkvartil,

c) interpercentil,

d) varijanca i

e) standardna devijacija.

3.3.1.1. Raspon varijacije

Raspon varijacije predstavlja razliku između najveće i najmanje vrijednosti numeričkog

obilježja u statističkom nizu. Zato je najjednostavnija mjera disperzije i redovito se računa, ali
često nije dobar pokazatelj raspršenosti. Pri tome se koristi sljedeća formula:

Rx = xmax - xmin (23) Budući da se za računanje raspona varijacije ne koriste vrijednosti

obilježja svih jedinica
 statističko
g niza, ovo je nepotpuna mjera disperzije.

3.3.1.2. Interkvartil

Interkvartil se, kao i ostale apsolutne mjere disperzije, izražava u mjernim jedinicama
varijable i predstavlja razliku između gornjeg kvartila (Q3) i donjeg kvartila (Q1). Drugim
riječima, interkvartil nam daje informaciju o rasponu varijacije vrijednosti obilježja središnjih
50% članova statističkog niza. Računa se na ovaj način:

Iq Q3 Q1 (24)

Interkvartil se ubraja u nepotpune mjere disperzije.

3.3.1.3. Interpercentil

Interpercentil je razlika između vrijednosti 90-og i 10-og percentila. Percentili su vrijednosti

obilježja koje distribuciju dijele na 100 jednakih dijelova. Kod grupiranog statističkog niza
10-ti percentil se računa na sljedeći način:

pe

10N /100 i1 fi (25)

P10  L1  i,
f per

Pri tome procedura računanja slijedi korake kao kod računanja medijana.

Za računanje 90-tog percentila se koristi formula:

pe

90N /100 fi
P90  L1  i1 i (26) f per

Kao razlika 90-tog i 10-tog percentila, interpercentil pokazuje raspon vrijednosti obilježja
središnjih 80% članova statističkog niza. Interpercentil je, također, nepotpuna mjera
disperzije.

3.3.1.4. Varijanca
Varijanca je prosječno kvadratno odstupanje pojedinačnih vrijednosti numeričkog obilježja od
aritmetičke sredine. Stoga varijanca nema mjernu jedinicu. Za niz negrupiranih numeričkih
podataka varijanca se računa po formuli:

N N

x X x i 2 i2

2  i1  i1 X2 (27)

N N

Za distribuciju frekvencija se koristi sljedeća formula:

k k

 f x  X   f x
i i 2 i i2

2  i1 k  i1k X2 (28)

f i f i
i1 i1

Varijanca je potpuna mjera disperzije.

3.3.1.5. Standardna devijacija

Standardna devijacija je pozitivni drugi korijen iz varijance. Za negrupirane numeričke

podatke se računa ovako:

N N


xi  X 
2 2

2 i 1
x
i 1
i
2
     X
N N (29)

Za grupirani statistički niz se koristi sljedeća formula:

k k
fi xi X 
2 2

2

i
1
f x
i 1
i i
2
   k  k X
fi i 1
f i 1
i
(30)

Kao što se vidi, standardna devijacija je potpuna mjera disperzije i uz to mjera koja se
najčešće koristi. Izražena je u istim mjernim jedinicama kao i promatrano statističko obilježje
i predstavlja prosječno odstupanje od prosjeka.

3.3.1.6. Standardizirano obilježje

Standardizirano obilježje je posebna mjera disperzije jer odstupanja vrijednosti numeričkog
obilježja od aritmetičke sredine izražava u jedinicama standardnih devijacija. Stoga se
standardizirano obilježje može koristiti kao mjera disperzije pri uspoređivanju varijabilnosti
podataka u nizovima s različitim jedinicama mjere. Ono daje informaciju o odstupanju svake
pojedine vrijednosti numeričke varijable od njezinog prosjeka, izraženo u jedinicama
standardnih devijacija prema formuli:

xi X
Z (31)


3.3.2. Relativne mjere disperzije

Kada se treba usporediti raspršenost kod dvaju ili više statističkih nizova, a vrijednosti
njihovih obilježja su izražene različitim jedinicama mjere, mogu se koristiti samo relativne
mjere disperzije. U poslovnoj statistici se uglavnom koriste dvije relativne mjere
disperzije: a) koeficijent varijacije i

b) koeficijent kvartilne devijacije.

3.3.2.1. Koeficijent varijacije

Koeficijent varijacije je potpuna mjera disperzije s obzirom na obuhvat jedinica statističkog

niza koje su uključene u njegov izračun. Koeficijent varijacije pokazuje udio standardne

devijacije u aritmetičkoj sredini i računa se po sljedećoj formuli:


V  100 (32)
X

Ova relativna mjera disperzije je izražena u postocima.

U statističkim nizovima u kojima je aritmetička sredina pouzdana srednja vrijednost, a

disperzija relativno mala, očekuje se da će se koeficijent varijacije kretati u intervalu od 0%
do 20%.
Ako je disperzija oko srednje vrijednosti srednjeg intenziteta koeficijent varijacije će
poprimiti vrijednosti iz intervala od 20% do 40%.

Kod relativno velike disperzije vrijednosti obilježja oko aritmetičke sredine, kada ona prestaje
biti dobar reprezentant statističkog niza, koeficijent varijacije će u pravilu biti veći od 40%.

3.3.2.2. Koeficijent kvartilne devijacije

Koeficijent kvartilne devijacije je relativna mjera disperzije koja se ne izražava u postocima,

ali je neovisna o jedinici numeričkog obilježja. Naime, s obzirom na obuhvat jedinica
statističkog skupa koje sudjeluju u njegovom izračunu koeficijent kvartilne devijacije je
nepotpuna mjera disperzije. Računa se pomoću formule:

Q3 Q1 (33)
Vq 
Q3 Q1

Koeficijent kvartilne devijacije može teorijski poprimiti vrijednosti od 0 do 1. Što je

vrijednost koeficijenat kvartilne devijacije bliže 0, disperzija središnjih 50% podataka je
relativno manja, a njegove vrijednosti blizu 1 pokazuju relativno veliku raspršenost središnjih
50% podataka.
 3. KARAKTERISTIKE STATISTIČKIH NIZOVA

Karakteristike, temeljne osobine kojima najčešće predstavljamo određeni statistički niz su: a)

srednje vrijednosti,

b) relativni brojevi,

c) mjere disperzije,

d) mjere asimetrije i

e) mjere zaobljenosti.

3.1. Srednje vrijednosti

Srednja vrijednost kao reprezentant statističkog niza zamjenjuje svaku pojedinačnu vrijednost
obilježja koju imaju jedinice promatranog statističkog skupa. Stoga je srednja vrijednost
mjera centralne tendencije odnosno vrijednost oko koje se gomilaju podaci statističkog niza.
Srednja vrijednost se koristi, poput imena i prezimena građanina, da bi se time opisao skup
varijabilnih podataka. S obzirom na obuhvat jedinica statističkog niza pri njihovom računanju
sve srednje vrijednosti se mogu podijeliti u dvije skupine: potpune srednje vrijednosti i
položajne srednje vrijednosti.

3.1.1. Potpune srednje vrijednosti

Potpune srednje vrijednosti se mogu izračunati samo za numerička obilježja. Naziv su dobile
zbog činjenice da njihov izračun uvažava sve pojedinačne vrijednosti varijable. U potpune
srednje vrijednosti se ubrajaju:

a) aritmetička sredina,

b) geometrijska sredina i

c) harmonijska sredina.

3.1.1.1. Aritmetička sredina

Aritmetička sredina je najčešće korištena potpuna srednja vrijednost koja u pravilu odgovara
pojmu prosjeka odnosno prosječne vrijednosti u svakodnevnom govoru i primjeni.
Aritmetička sredina se računa kao omjer zbroja vrijednosti numeričke varijable i opsega
statističkog skupa. Zbroj svih vrijednosti numeričke varijable odnosno ukupna vrijednost
numeričkog obilježja svih jedinica statističkog skupa je total statističkog skupa. Aritmetička
sredina je, dakle, omjer totala i opsega statističkog skupa.

Aritmetička sredina je jednostavna ako se računa za negrupirane numeričke podatke i tada se

koristi sljedeća formula:
N

 i1 xi x1 x2  ...xN (4) X  

N N

Za numerički statistički niz grupiran u razrede se računa složena, ponderirana ili vagana
aritmetička sredina pomoću sljedeće formule:

fx i i

i1 f1x1  f2x2  ...  fk xk f1x1  f2x2  ...  fk xk (5)

X k  
f i f1  f2  ...  fk N
i1

Relativne frekvencije su proporcionalne apsolutnim frekvencijama te se aritmetička sredina

numeričkog niza s relativnim frekvencijama računa na sljedeći način:

 fr x i i

i1 fr1x1  fr2x2  ...  frk xk fr1x1  fr2x2  ...  frk xk (6)
X k  
fr1  fr2  ...  frk 100
 fr i
i1

Aritmetička sredina se najčešće upotrebljava kako u svakodnevnoj praksi tako i za potrebe

stručnih i znanstvenih istraživanja. Svojstva aritmetičke sredine su:

a) Aritmetička sredina se nalazi između najmanje i najveće individualne vrijednosti

obilježja koje imaju jedinice promatranog numeričkog statističkog niza:
xmin Xxmax (7)

b) Zbroj odstupanja individualnih vrijednosti obilježja od vrijednosti aritmetičke

sredine je jednak nuli:

(x  X) 0 i (8)
i1

Jednakost (8) vrijedi ako se radi o negrupiranim numeričkim podacima, a za distribuciju

frekvencija vrijedi:
k

 f (x  X)0i i (9)
i1

c) Zbroj kvadrata odstupanja individualnih vrijednosti obilježja od vrijednosti

aritmetičke sredine je minimalan.

N N

(x X) (x a)

i
2
i
2
(10)
i1 i1

Dok nejednadžba (10) vrijedi za negrupirane numeričke podatke, za distribuciju frekvencija

vrijedi sljedeće:
k k

 f (x X)  f (x a)
i i
2
i i
2
(11) i1 i1

Svojstvo b) i c) se provjerava na isti način ako su frekvencije relativne.

3.1.1.2. Geometrijska sredina

Geometrijska sredina se u poslovnoj statistici najčešće koristi za izračun prosječne stope

odnosno tempa promjene kod vremenskih nizova. Geometrijska sredina negrupiranih
numeričkih podataka računa se prema izrazu:
G  N x1  x2  x3...xn (12)

U slučajevima kada su jedinice statističkog skupa grupirane u razrede koristi se ova formula:

G  N x1 f1  x2 f2  x3 f3...xn fn (13)
3.1.1.3. Harmonijska sredina

Harmonijska sredina predstavlja recipročnu vrijednost aritmetičke sredine recipročnih

vrijednosti numeričkog obilježja.

Za negrupirane numeričke podatke se računa jednostavna harmonijska sredina:

1 N
H  N  N

(14)
1 1 x x i1 i i1 i N

Složena ili vagana harmonijska sredina se računa za distribuciju frekvencija koristeći sljedeću
formulu:

f i

1 i1

H k fi  k fi (15)

x
x i1 i
i1 ik

f i
i1

Specifično područje primjene harmonijske sredine je izračunavanje srednjih vrijednosti

relativnih brojeva koordinacije.

3.1.2. Položajne srednje vrijednosti

Položajne srednje vrijednosti su dobile naziv zbog toga što se određuju položajem podatka u
statističkom nizu. Stoga su položajne srednje vrijednosti nerijetko prikladnije kao mjere
centralne tendencije jer na njihovu vrijednost ne utječu izrazito male ni izrazito velike
vrijednosti statističkog niza. Položajne srednje vrijednosti su:

a) medijan i

b) mod.

3.1.2.1. Medijan

Medijan je položajna srednja vrijednost koja jedinice statističkog niza dijeli u omjeru 1 : 1,
tako da jedna polovina jedinica statističkog niza ima vrijednost obilježja jednaku ili manju od
medijana, a druga polovina jedinica statističkog niza ima vrijednost obilježja veću od
vrijednosti medijana.

Medijan se može izračunati kao srednja vrijednost redosljednih i numeričkih statističkih

nizova, a ne može se izračunati za nominalne statističke nizove. Pri tome je različit postupak
određivanja medijana kod negrupiranih nizova i kod onih čije su jedinice grupirane po
modalitetima redoslijednog ili numeričkog obilježja u statističke razrede jednakih ili različitih
veličina.

Kod negrupiranih statističkih nizova se jedinice statističkog skupa trebaju poredati po veličini
vrijednosti obilježja. U pravilu se poredak radi od najmanje do najveće vrijednosti obilježja.

Ako je broj jedinica statističkog niza neparan, medijan je jednak vrijednosti obilježja koju ima
središnji član uređenog statističkog niza.

Ako je broj jedinica statističkog niza paran, medijan je jednak poluzbroju vrijednosti obilježja
koje imaju središnja dva člana uređenog niza.

Ako je statistički niz grupiran u razrede čija je veličina jednaka 1 postupak računanja
medijana je nešto složeniji i radi se po slijedećoj proceduri:

a) potrebno je izračunati frekvencije kumulativnog niza "manje od",

b) određuje se prva frekvencija kumulativnog niza "manje od" koja sadrži N 2-gu
jedinicu statističkog niza. Razred kojem pripada ova frekvencija kumulativnog niza "manje
od" je medijalni razred.

c) vrijednost obilježja koja je pridružena frekvenciji medijalnog razreda je ujedno

i
vrijednost medijana.

Ako su veličine razreda u koje su grupirane jedinice statističkog niza različite od 1, nakon što
su obavljeni prethodno navedeni koraci a) i b) procedure za računanje medijana kod nizova
grupiranih u razrede veličine 1, medijan se računa po formuli:

N m

 f
2 i1 i

Me  L1 i (16)
fmed

gdje je:

L1 - donja prava ili precizna granica medijalnog razreda,

N 2- polovina elemenata statističkog niza, m

 f - zbroj svih apsolutnih frekvencija do medijalnog razreda, ne uključujući medijalni

i
i1

razred,

f
med - apsolutna frekvencija medijalnog razreda,

i - veličina medijalnog razreda.

3.1.2.2. Mod

Mod je položajna srednja vrijednost koju možemo odrediti za statističke nizove čije jedinice
promatramo prema nominalnom, redosljednom ili numeričkom obilježju. Mod je najčešća
vrijednost obilježja. Za negrupirane podatke se odredi, a za statističke nizove s numeričkim
obilježjem u razredima odnosno za distribucije frekvencija se računa.

Kada se određuje mod za distribuciju koja ima razrede različitih veličina, treba najprije
izvršiti korekciju frekvencija. U tim slučajevima je razred s najvećom korigiranom
frekvencijom modalni razred.

Općenito se vrijednost moda izračunava prema formuli:

 ba
Mo  L1  i (17)
(b  a)(b  c)

gdje je :

b - najveća frekvencija odnosno najveća korigirana frekvencija ako su razredi nejednakih

veličina. Razred kojemu ta frekvencija pripada je modalni razred; a – (korigirana) frekvenciju

razreda koji prethodi modalnom razredu; c – (korigirana) frekvencija razreda koji slijedi

neposredno nakon modalnog razreda; L1 - donja granica modalnog razreda; i - veličina

modalnog razreda.

Ako se dvije ili više vrijednosti obilježja pojavljuju jednako (najviše) puta, odnosno postoje
dva ili više moda, takva se distribucija naziva bimodalna ili višemodalna distribucija. U
primjeru 2.4. na slici 2.5. je prikazana bimodalna distribucija zaposlenika Ekonomskog
fakulteta u Splitu prema navršenim godinama radnog staža 1.ožujka 2016. godine.

Za nominalne statističke nizove mod se određuje brojenjem.

3.1.2.3. Kvantili

Kvantili su vrijednosti statističkog obilježja koje statistički niz dijele na q jednakobrojnih

dijelova. U poslovnoj statistici vrlo često koristimo kvartile.

Kvartili su vrijednosti statističkog obilježja koje statistički niz dijele na 4 jednakobrojna

dijela, tako da postoje:

a) donji (prvi) kvartil (Q1) ,

b) medijan (drugi) (Q2) i

c) gornji (treći) kvartil (Q3).

Donji kvartil (Q1) je vrijednost obilježja koja dijeli statistički niz na dva dijela u omjeru 1:3.
To znači da 25% jedinica statističkog skupa ima vrijednost obilježja jednaku ili manju od
donjeg kvartila, a 75% elemenata statističkog skupa ima vrijednost obilježja veću od donjeg
kvartila.

Pri računanju donjeg kvartila za distribuciju frekvencija koristi se slična procedura koja je
opisana za određivanje medijana grupiranih statističkih nizova. Umjesto formule (16) koristit
će se u ovom slučaju sljedeća formula:

N q

  fi
f
Q1  L1  4 i1 i (18) k var t

pri čemu je:

L1 - donja prava ili precizna granica kvartilnog razreda,

N/4 - četvrtina elemenata statističkog niza,

 fi - zbroj svih apsolutnih frekvencija do kvartilnog razreda, ne uključujući kvartilni

razred,
i1

f
kvart - apsolutna frekvencija kvartilnog razreda,

i - veličina kvartilnog razreda.

Kvartilni razred je razred čija je kumulativna frekvencija prva veća od N/4.

Medijan je drugi kvartil (Q2) i već je predstavljen kao položajna srednja vrijednost.

Gornji kvartil (Q3) je vrijednost obilježja koja dijeli statistički niz na dva dijela u omjeru 3:1.
Naime, 75% elemenata statističkog skupa ima vrijednost obilježja jednaku ili manju od
gornjeg kvartila, a preostalih 25% jedinica statističkog skupa ima vrijednost obilježja veću od
gornjeg kvartila.

Pri računanju gornjeg kvartila za distribuciju frekvencija, također se koristi slična procedura
koja je opisana za određivanje medijana. Umjesto formule (16) koristit će se u ovom slučaju
formula:

3N q

  fi
Q3  L1  4 i1 i (19)
f
k var t

pri čemu je:

L1 - donja prava ili precizna granica kvartilnog razreda,

3N 4 - tri četvrtine elemenata statističkog niza,

 fi - zbroj svih apsolutnih frekvencija do kvartilnog razreda, ne uključujući kvartilni

razred,
i1

f
kvart - apsolutna frekvencija kvartilnog razreda,

i - veličina kvartilnog razreda.

Primjer 3.1.

Tablica 3.1. Ostvareni prihod deset najmoćnijih hrvatskih kompanija u 2015. u milijardama
kuna
Ostvareni prihod
Naziv kompanije u 2015.
(mrld. kn)
AGROKOR 51,3
INA 20,6
HEP 14,6
ORBICO 9,7
ADRIS GRUPA 8,7
ZABA 8,6
HT 7,1
ATLANTIC 5,5
ZG HOLDING 5,4
PBZ 5,2
Izvor: „LIDER“, broj 581. od 18. studenog 2016. str. 28. i 29.

Izračunajte aritmetičku sredinu i medijan ostvarenog prihoda deset najmoćnijih hrvatskih

kompanija u 2015. u milijardama kuna.
Rješenje primjera 3.1.:

Budući da se radi o negrupiranom statističkom nizu, aritmetička sredina se računa pomoću

formule:

 i1 xi
136,7
x  13,67
N 10
Dakle, prosječna vrijednost ostvarenog prihoda deset najmoćnijih hrvatskih kompanija u
2015. godini iznosi 13,67 mrld. kuna.

Negrupirani statistički niz u tablici 3.1. je uređen od najveće do najmanje vrijednosti

numeričkog obilježja. Medijan se, stoga, računa kao poluzbroj dvaju središnjih članova (petog
i šestog člana niza) na sljedeći način:

Me  8,65

Medijalna vrijednost je 8,65 što znači da je 5 od 10 najmoćnijih hrvatskih kompanija u 2015.

godini ostvarilo prihod od 8,65 mrld. kuna ili manji od te vrijednosti, a 5 preostalih kompanija
je imalo prihod veći od medijalne vrijednosti.

U ovom primjeru je medijan, kao položajna srednja vrijednost, bolji reprezentant od prosjeka
što je redovito slučaj u primjerima gdje imamo velike razlike (ponekad i ekstremno velike)
između vrijednosti obilježja. U našem primjeru je najmoćnija kompanija od navedenih deset
hrvatskih kompanija ipak imala desetak puta veći ostvareni prihod od one koja je ostvarila
najmanji prihod u 2015. godini. Ovakav zaključak je donesen i na temelju pokazatelja
reprezentativnosti o kojima će biti riječi u poglavlju 3.3. Mjere disperzije.
Primjer 3.2.

Tablica 3.2. Čokolade u pakiranju od 300g prodane 5. prosinca 2016. godine u jednom
splitskom trgovačkom centru
Broj
Vrsta čokolade prodanih
komada
Čokolada za kuhanje 35
Mliječna čokolada 225
Čokolada s lješnjakom 231
Čokolada s rižom 258
Bijela čokolada 193
Čokolada s voćem 156
Čokolada s keksom 183
Izvor: Računovodstveni podaci splitskog trgovačkog centra

Odredite modalnu ili najčešću vrstu prodane čokolade, u pakiranju od 300g, 5. prosinca 2016.
godine u tom splitskom trgovačkom centru.

Rješenje primjera 3.2.:

U tablici 3.2. je prikazan nominalni statistički niz te se mod određuje brojenjem. Najveća
apsolutna frekvencija je f4 = 258 i pokazuje broj prodanih „čokolada s rižom“. Dakle,
najčešće prodavana vrsta čokolade u pakiranju od 300g, odnosno modalna vrsta prodane
čokolade, 5. prosinca 2016. godine u tom splitskom trgovačkom centru je bila „čokolada s
rižom“.

3.2. Relativni brojevi

Relativni brojevi nastaju dijeljenjem dviju međusobno povezanih veličina. Pomoću njih se
mogu uspoređivati i analizirati pojave koje imaju različite jedinice mjere i statistički nizovi
s različitim brojem jedinica.
Veličina koja se nalazi u nazivniku relativnog broja se zove osnova ili baza relativnog broja i
po njoj se relativni brojevi međusobno razlikuju.

Relativni brojevi se mogu podijeliti na:

a) relativne brojeve strukture,

b) relativne brojeve koordinacije i

c) indekse kvalitativnih i brojčanih nizova.

3.2.1. Relativni brojevi strukture

Relativni brojevi strukture pokazuju odnos dijela prema cjelini promatranog statističkog niza.
Zbog jednostavnijeg objašnjenja u pravilu se relativni brojevi množe sa sto ili s tisuću.
Dakle, u ovu vrstu relativnih brojeva spadaju proporcije i postoci koje tako često koristimo u
analizama u okviru poslovne statistike. To su po svojoj definiciji sve relativne frekvencije
(fri):

fi
fri  n (20)
fi
i1

Pri definiranju relativnih frekvencija objašnjeno je da je proporcija (Pi) relativni broj koji se
dobije stavljanjem u odnos broja jedinica dijela statističkog skupa i ukupnog broja jedinica u
skupu. Ako se proporcija pomnoži sa 100 dobiva se postotak (p i). Nerijetko, kada to zahtijeva
priroda i svrha samog istraživanja proporcije se množe s 1000. Tada imamo relativnu
frekvenciju izraženu u promilima.

Relativni brojevi strukture se mogu grafički prikazivati pomoću strukturnih stupaca,

strukturnih krugova, polukrugova ili nekim drugim geometrijskim likovima jednakih površina
i različite strukture.

3.2.2. Relativni brojevi koordinacije

Relativni brojevi koordinacije pokazuju odnos dviju veličina koje ima smisla uspoređivati. Pri
tome one u pravilu pripadaju različitim statističkim skupovima, koji mogu biti izraženi
različitim jedinicama mjere. Simbolički:

Ai
Ri  (21)
B
i

gdje je:

Ai – i-ta veličina koja se uspoređuje,

Bi – i-ta veličina s kojom se Ai uspoređuje.

Relativni brojevi koordinacije su često korišteni pokazatelji u ekonomskim analizama npr.

ostvareni bruto domaći proizvod (BDP) po stanovniku neke države, broj liječnika na deset
tisuća stanovniku, broj ostvarenih noćenja po jednom turistu, broj studenata određenog
fakulteta po jednom nastavniku, broj automobila po jednom kućanstvu i slično.

3.2.3. Indeksi kvalitativnih i brojčanih nizova

Indeksi o kojima govorimo na ovom mjestu su indeksi niza kvalitativnih i brojčanih

podataka. Pomoću tih indeksa se uspoređuje smjer i intenzitet varijacija vrijednosti nekog
statističkog niza s istovrsnim varijacijama drugog statističkog niza.

Ovim indeksima se, također, može uspoređivati smjer i intenzitet varijacija vrijednosti unutar
istog statističkog niza.

Indeksi se računaju tako da se određeni član promatranog niza stavi u odnos prema odabranoj
veličini koju nazivamo baza. Baza indeksa (B) može biti jedan od članova promatranog
statističkog niza ili neka druga zadana veličina. Za izračunavanje indeksa se koristi sljedeća
formula:

fi
(22)
Ii  100
B

pri čemu je:

fi – apsolutna frekvencija
B – baza indeksa.

Indeksi se tumače i grafički prikazuju u odnosu na 100. Od vrijednosti dobivene formulom

(22) oduzima se broj 100. Ako je indeks veći od 100, dobiveni broj pokazuje za koliko % je
vrijednost koja se uspoređuje veća od vrijednosti s kojom se uspoređuje, odnosno veća od
baze.

Ako je indeks manji od 100, rezultat će biti negativnog predznaka i pokazuje za koliko % je
veličina koja se uspoređuje manja od baze usporedbe.

Grafički prikaz indeksa kvalitativnih nizova s istom bazom su jednostavni stupci koji imaju
jednake baze, jer se članovi niza uspoređuju uvijek s istom veličinom. Specifičnost ovog
grafikona je da se stupci naslanjaju na bazu koja je jednaka 100 i od te visine se uzdižu ili
spuštaju, ovisno o tome prikazuju li vrijednosti koje su više ili manje u odnosu na vrijednost
baze.
Primjer 3.3.

Tablica 3.3. Broj zaposlenih i broj zaposlenih po jednom poduzetniku u 2015. godini u
hrvatskim županijama s više od 200 000 stanovnika
Broj zaposlenih po
Županija Broj zaposlenih jednom poduzetniku

Grad Zagreb 330 102 10

Splitsko-dalmatinska 70 498 6
Zagrebačka 47 988 8
Osječko-baranjska 37 475 9
Primorsko-goranska 60 070 7
Istarska 46 092 5
Izvor: Izrada autora prema podacima Fine i DZS

U tablici 3.3. su podaci o broju zaposlenih i broju zaposlenih po jednom poduzetniku za

hrvatske županije s više od 200 000 stanovnika u 2015. godini.

a) Izračunajte prosječni broj zaposlenih po jednom poduzetniku u 2015. godini za

svih šest hrvatskih županija, koje su imale više od 200 000 stanovnika, zajedno.
 b) Koliki je bio broj poduzetnika u 2015. godini u svakoj hrvatskoj županiji koja
je
imala najmanje 200 000 stanovnika?

c) Izračunajte indekse broja poduzetnika za 2015. godinu po hrvatskim

županijama brojnijim od 200 000 stanovnika, uzimajući za bazu broj poduzetnika u
Primorsko-goranskoj županiji.

d) Interpretirajte indekse izračunate pod c) za Splitsko-dalmatinsku i za

Zagrebačku
županiju.

Rješenje primjera 3.3.:

a) Traži se srednja vrijednost relativnog broja koordinacije koja se općenito računa

po formuli:

A i

R  ik1 .

B i
i1

U našem slučaju A je broj svih zaposlenih, a B je broj svih poduzetnika u 2015. godini u
hrvatskim županijama s više od 200 000 stanovnika. Poznat nam je broj zaposlenika u 2015.
godini u navedenim županijama Ai i pripadajući relativni brojevi koordinacije Ri.

Stoga ćemo prosjek svih šest relativnih brojeva koordinacije dobiti kao vaganu harmonijsku
sredinu pomoću formule:

k
 Ai
R i1 k
Ai

i1 Ri

Veličinu u nazivniku, u našem slučaju ukupan broj poduzetnika, računamo pomoću sljedećeg
izraza:

A
B  i
i1

k  i

i1 R

U tu svrhu ćemo izračunati u četvrtom stupcu naredne tablice broj poduzetnika u 2015. godini
za svaku hrvatsku županiju s više od 200 000 stanovnika.

Dakle, prosječni broj zaposlenika po jednom poduzetniku u 2015. godini u svih šest
navedenih hrvatskih županija zajedno je bio:

A i
i1

592225
R k   8,14  9
72728
B i
i1

Potrebno je napomenuti da se pri interpretaciji decimalnih brojeva kada se radi o ljudima,

poduzećima, školama, prijevoznim sredstvima i slično, ne primjenjuju uobičajena pravila
zaokruživanja na višu i nižu decimalu. U ovim slučajevima, svaka decimala iza decimalnog
zareza postavlja zahtjev da se uvaži kao novi naredni cijeli broj.
Tablica 3.4. Broj zaposlenih i broj poduzetnika u 2015. godini u hrvatskim županijama s više
od 200 000 stanovnika
Indeksi broja
Broj zaposlenih poduzetnika
Broj Broj
Županija po jednom (Primorskogoranska
zaposlenih poduzetnika
poduzetniku županija=100)

1 2 3 4 5

Grad Zagreb 330102 10 33011 384,64

Splitskodalmatinsk
70498 6 11751 136,92
a

Zagrebačka 47988 8 6000 69,90

Osječkobaranjska
37475 9 4165 48,53

Primorskogoranska
60070 7 8582 100,00

Istarska 46092 5 9219 107,42

Ukupno: 592225 - 72728 -

Izvor: Izrada autora prema podacima Fine i DZS

b) Broj poduzetnika za svaku pojedinu županiju u 2015. godini je dobiven kao

omjer pripadajućeg broja zaposlenih i odgovarajućeg relativnog broja koordinacije (broja
zaposlenih po jednom poduzetniku). Rezultati su u 4. stupcu tablice 3.4.

c) Indeksi broja poduzetnika za 2015. godinu po hrvatskim županijama brojnijim

od 200 000 stanovnika, uzimajući za bazu broj poduzetnika u Primorsko-goranskoj županiji,
su prikazani u 5. stupcu tablice 3.4. Svaki pojedini indeks je dobiven dijeljenjem broja
poduzetnika u 2015. u svakoj pojedinoj županiji (stupac 4.) s brojem poduzetnika u
Primorsko-goranskoj županiji (8582 poduzetnika).

d) Indeks broja poduzetnika za Splitsko-dalmatinsku županiju se računa na

sljedeći
način:
 f2 11751
I2  100  100
136,92 f B 8582

Indeks nam pokazuje da je u 2015. godini u Splitsko-dalmatinskoj županiji bilo za 36,92 %

više (136,92 - 100) poduzetnika nego li u Primorsko-goranskoj županiji.

Indeks broja poduzetnika za Zagrebačku županiju se računa na sljedeći način:

f3 6000
I3  100  100 
69,90 f B 8582

Indeks nam pokazuje da je u 2015. godini u Zagrebačkoj županiji bilo za 30,10 % manje
(69,90 - 100) poduzetnika nego li u Primorsko-goranskoj županiji.
3.4. Mjere asimetrije

Pojam asimetrije u deskriptivno-statističkoj analizi se povezuje s položajem vrha distribucije

frekvencija u odnosu na položaj određenih srednjih vrijednosti. Mjerama asimetrije se
pomoću dogovorenih standarda, stoga, mjeri način rasporeda podataka oko srednjih
vrijednosti. Od srednjih vrijednosti za ovu svrhu su izabrane aritmetička sredina, medijan i
mod. Kao standard odnosno mjera usporedbe se u pravilu koristi Gaussova krivulja ili
normalna distribucija, koja je simetrična. Naime, s obzirom na zaobljenost vrha distribucije
frekvencija sve distribucije dijelimo na:

a) simetrične,

b) desnostrano ili pozitivno asimetrične i

c) ljevostrano ili negativno asimetrične.

Kod simetričnih distribucija frekvencija vrijedi pravilo da sve tri spomenute srednje
vrijednosti imaju istu vrijednost obilježja. Pri tome je medijan (Me = Q 2) jednako udaljen od
prvog kvartila, kao što je treći kvartil udaljen od medijana.

Mo Me  X
(34)
(Q3 Q2)  (Q2 Q1) (35)

Kod desnostrane ili pozitivne asimetrije mod je manji od medijana, a vrijednost medijana je
manja od aritmetičke sredine. Uslijed toga je udaljenost gornjeg kvartila od medijana veća od
njegove udaljenosti od donjeg kvartila , pa vrijede relacije:

Mo  Me  X (36)
(Q3 Q2)  (Q2 Q1) (37)

Ljevostrano ili negativno asimetrične distribucije imaju vrijednost moda veću nego li je
vrijednost medijana, a vrijednost medijana premašuje vrijednost aritmetičke sredine. Zato u
negativno asimetričnim distribucijama razlika vrijednosti medijana i donjeg kvartila
premašuje razliku vrijednosti gornjeg kvartila i medijana. Simbolično vrijedi:

Mo  Me  X (38)
(Q3 Q2)  (Q2 Q1) (39)
Ako je distribucija negativno asimetrična, aritmetička sredina se sve više udaljava od moda
prema manjim vrijednostima i tu je činjenicu uvažio Pearson pri definiranju svoje mjere
asimetrije. Da bi se izbjegao utjecaj različitih mjernih jedinica vrijednosti obilježja na mjeru
asimetrije, Pearsonova mjera asimetrije je izražena u jedinicama standardne devijacije i
računa se na sljedeći način:

Sk  X  Mo (40)


odnosno:

3( X  Me) (41)
Sk 


Ova Pearsonova mjera asimetrije uobičajeno poprima vrijednost u intervalu ±3. Ako je
distribucija simetrična Pearsonova mjera asimetrije će biti jednaka 0. Kada je distribucija
izrazito desnostrano asimetrična ova mjera će se približiti vrijednosti 3, a kod izrazito
negativno asimetričnih distribucija njena vrijednost će težiti -3. Ova mjera može poprimiti i
vrijednos
ti izvan navedenog intervala kada je distribucija neuobičajeno asimetrična.

Bowley temelji svoju mjeru asimetrije na činjenici da su u simetričnoj distribuciji donji i

gornji kvartil jednako udaljeni od medijana , a na razlikama tih udaljenosti kod asimetričnih
distri
bucija temelji mjerenje veličine asimetrije koja se računa prema sljedećoj formuli:

Q1  Q3  2 Q2
Skg  (42)
Q3  Q
1

Kao što je vidljivo, kod ove mjere asimetrije se standardizacija vrši pomoću vrijednosti
interkvartila. Krajnje vrijednosti koje može poprimiti ova mjera asimetrije su 1, za
maksimalno pozitivno ili desnostrano asimetričnu distribuciju i -1 za maksimalno negativno

ili ljevostrano asimetričnu distribuciju.

Uz spomenute dvije mjere asimetrije u poslovnoj statistici se vrlo često koristi i potpuna
mjera asimetrije α3:
k

 f (x  X )
i i
3

i1 k

f i (43)
3  i1 3 

Za simetrične distribucije je ova mjera jednaka 0. Kada je distribucija izrazito desnostrano

asimetrična ova mjera će se približiti vrijednosti 2, a kod izrazito negativno asimetričnih
distribucija njena vrijednost će težiti -2.

Primjer desnostrano ili pozitivno asimetrične distribucije je prikazan na slici 2.5. Zaposlenici
Ekonomskog fakulteta u Splitu prema navršenim godinama radnog staža 1. ožujka 2016.
godine.

3.5. Mjera zaobljenosti

U statističkoj analizi se pod pojmom zaobljenosti podrazumijeva zaobljenost vrha

unimodalne distribucije. Zaobljenost se promatra i mjeri prema zaobljenosti vrha teorijske
normalne distribucije ili Gaussove krivulje. Mjera zaobljenosti se definira na sljedeći način:
k

 f (x  X )
i i
4

i1 k

f i (44)
4 

i1 4 

Za zaobljenost vrha normalne distribucije ova mjera poprima vrijednost 3. Ako je distribucija
šiljastija od Gaussove krivulje, mjera će imati vrijednost veću od 3. U slučajevima kada je vrh
distribucije plosnatiji od normalne distribucije, mjera će poprimiti neku od vrijednosti manju
od 3. Kod pravokutnih ili jednolikih distribucija ova mjera ima vrijednost 1,8, a kada
distribucija poprimi U-oblik ova mjera će biti manja od 1,8. Karakteristični slučajevi su
ilustrirani slikom 3.4.
 Slika 3.4. Karakteristični oblici distribucije frekvencija s obzirom na zaobljenost vrha

Izvor: Izrada autora

Pomoću mjere zaobljenosti α4 računa se vrijednost koeficijenta zaobljenosti (Kts) na sljedeći

način:

Kts 4 3 (45)

Microsoft Excel mjeri zaobljenost vrha distribucije frekvencija pomoću koeficijenta

zaobljenosti. Njegova vrijednost približno jednaka 0 pokazuje da se radi o distribuciji koja
ima zaobljenost vrha približno jednaku normalnoj distribuciji.

Pozitivna vrijednost ovog pokazatelja pokazuje da se radi o distribuciji koja je šiljastija od

normalne distribucije, dok njegova negativna vrijednost znači da je vrh promatrane
distribucije plosnatiji od vrha Gaussove krivulje.

5. REGRESIJSKA ANALIZA

Za razliku od korelacijske, regresijska analiza ispituje međuovisnost dviju ili više varijabli.
Zahtjevima poslovne statistike u svakodnevnoj primjeni najčešće se može udovoljiti analizom
međuovisnosti dviju varijabli, pa će i daljnje izlaganje ostati na razini jednostruke ili
jednostavne regresijske analize, za razliku od višestruke ili multiple regresijske analize koja
proučava međusobne odnose više varijabli.

Nakon što se utvrdi postojanje veze između dviju varijabli, temeljna zadaća regresijske
analize je utvrditi analitički izraz te veze i prikazati je u obliku jednadžbe ili modela koji
najbolje odražava stvarne ili empirijske vrijednosti varijabli.

Regresijska analiza započinje određivanjem koja je varijabla zavisna ili regresand varijabla, a
koja je nezavisna odnosno regresorska varijabla. Pretpostavlja se da su i zavisna i nezavisna
varijabla numeričke prirode odnosno da su njihove vrijednosti mjerene na intervalnoj ili
omjernoj skali.

Budući da je cilj regresijske analize pomoću vrijednosti nezavisne varijable X što bolje
opisati, kontrolirati i posebno planirati i prognozirati kretanje zavisne varijable Y, koja je s
njom u uzročno posljedičnoj vezi, teži se određivanju te veze što jednostavnijim
matematičkim izrazima. Jednostavnost veze prvenstveno doprinosi njenom boljem
razumijevanju i lakšoj interpretaciji dobivenih rezultata. Stoga će se i na ovom mjestu temelji
regresijske analize izložiti na primjerima najjednostavnijih regresijskih modela.

5.1. Jednostavni linearni regresijski model

Jednostavni linearni regresijski model ima sljedeći oblik:

yi  0  1  xi  ei , i 1,2,...,n (51)

U formuli (51) pretpostavimo da je očekivana vrijednost slučajnog člana (e i) jednaka nuli, za

svaki i 1,2,...,n . Uvažavajući tu pretpostavku, samo pomoću stvarnih ili opaženih
vrijednosti nezavisne varijable X mogu se odrediti ocijenjene ili regresijske vrijednosti
zavisne varijable
Y na temelju formule:

138
 SVEUČILIŠTE U SPLITU
EKONOMSKI FAKULTET

ANALIZA VREMENSKIH NIZOVA

INDEKSI
Kolegij:Poslovna statistika

Pripremila:Nada Ratković

09.05.2020.
 10. ASIMPTOTSKI TREND MODELI

Vremenski nizovi svojim vrijednostima često prikazuju pojave koje se mijenjaju s vremenom
i pri tome teže npr. nekoj granici zasićenosti. Za opisivanje takvih pojava prikladni su upravo
asimptotski trend modeli. Naziv su dobili zbog činjenice da je ovoj skupini trend modela
zajedničko svojstvo da se koriste za opisivanje razvojne tendencije pojava koje se na dugi rok
približavaju nekoj graničnoj vrijednosti - asimptoti.

Asimptotski trend modeli spadaju u skupinu pravih nelinearnih trend modela, jer ih niti
jednim poznatim matematičkim postupkom odnosno transformacijom nije moguće prevesti u
linearni oblik. Budući da ovu skupinu trend modela nije moguće transformirati da budu
linearni u parametrima, ocjene njihovih parametara se ne mogu dobiti metodom najmanjih
kvadrata. Stoga se u metodološkom smislu ovim modelima pristupa ne kao stohastičkim, već
kao funkcionalnim ili determinističkim modelima i ocjene njihovih parametara se dobivaju
specifičnom metodologijom. Ta specifična metodologija obuhvaća dvije skupine metoda
ocjenjivanja parametara asimptotskih trend modela, a to su:

a) iterativne metode i

b) aproksimativne metode ocjena parametara.

Iterativne metode ocjena parametara asimptotskih trend modela u pravilu koriste sve
vrijednosti vremenskog niza i u matematičkom smislu zahtijevaju kompleksan i obiman
proces računanja koji se vrši isključivo uporabom suvremenih računalnih paketa.

Zbog toga su u praktičnim primjenama više zastupljene aproksimativne metode ocjena

parametara. To su manje precizne, pa stoga i manje točne metode, ali im prednost leži u
jednostavnosti postupaka ocjene parametara. Ocjene parametara asimptotskih trend modela
koje se dobiju primjenom ovih metoda samo su aproksimativne, što nam otkriva i njihov
naziv.
U poslovnoj statistici od ove vrste metoda ocjena parametara najčešće su u uporabi:

a) metoda triju parcijalnih zbrojeva i

b) metoda triju odabranih točaka.

290
Od skupine asimptotskih trend modela u analizama poslovne statistike se najčešće koriste ova
tri tipa:

a) modificirani eksponencijalni trend,

b) logistički trend i

c) Gompertzov trend.

10.1. Modificirani eksponencijalni trend

Modificirana eksponencijalna krivulja trenda ima sljedeći opći oblik:

Yˆ Bx
 L  A (158)

Mogući oblici modela modificiranog eksponencijalnog trenda ovise o vrijednostima

parametara A, B i L i prikazani su na slici 10.1.

Slika 10.1. Grafička predodžba funkcije modela modificiranog eksponencijalnog trenda

L L

0 A<0, B<1 0 A<0, B>1

L L

0 A>0, B<1 0 A>0, B>1

Izvor: Izrada autora

291
Modificirani eksponencijalni trend model upotrebljava se za prikaz trend komponente
vremenskog niza kojemu su omjeri prvih diferencija vremenskog niza približno konstantni:
yt
 const. (159)
yt1

U ekonomskim primjenama je vrijednost parametra L uvijek pozitivna i predstavlja asimptotu

trend modela. Sama funkcija je monotono rastuća ili padajuća što ovisi o vrijednostima
parametara A i B. Sve kombinacije mogućih odnosa vrijednosti tih dvaju parametara s
pripadajućim oblicima funkcije su prikazani slikom 10.1.

Za ocjenjivanje parametara modificiranog eksponencijalnog trenda se koriste aproksimativne

metode ocjena parametara. Ako se radi o metodi parcijalnih zbrojeva parametri se računaju po
sljedećim formulama:

S3  S 2 N
,
S 2  S1 (160)
B  rr 
S3  S2 3
r
S 2  S1

N (161)
B , r
3

B 1 (B 1)
A  (S2  S1)  r 2
(162)

 
L  1  S1  S3  S22  (163) r  S1  S3  2S2 

gdje su:

S1 - parcijalni zbroj prve trećine vrijednosti vremenskog niza, S2 -

parcijalni zbroj druge trećine vrijednosti vremenskog niza, a

292
S3 - parcijalni zbroj posljednje trećine vrijednosti vremenskog niza.

Ako se za ocjenjivanje parametara modificiranog eksponencijalnog trenda koristi metoda

triju odabranih točaka, parametri se računaju po sljedećim formulama:

YIII  YII N1

Br , r
YII  YI 2 (164)
YIII YII YI r
A
Br
YII  YII , r  N1 (165)  YI 2

(166)
1
B

L  YI  A (167)

gdje su:

YI - pojedinačna vrijednost pojave na početku vremenskog niza,

YII - pojedinačna vrijednost pojave u sredini vremenskog niza, a

YII - pojedinačna vrijednost pojave na kraju vremenskog niza.

10.2. Logistički trend model

Opći oblik logističkog trend modela ili Pearl-Reed-ove krivulje se matematički može
prikazati sljedećom funkcijom :

Yˆ 1
L  A Bx (168)

Logistička trend krivulja je troparametrijska, simetrična S krivulja. Os simetrije joj prolazi

točkom infleksije, pri čemu se krivulja ponaša jednako s lijeve i s desne strane osi simetrije.
Za razliku od modificiranog eksponencijalnog trend modela, logistički trend ima dvije
asimptote. Donja asimptota mu je jednaka nuli, a gornja je određena vrijednošću parametra
L.

293
Logistički trend će se upotrijebiti u slučajevima kada su omjeri prvih diferencija recipročnih
vrijednosti frekvencija vremenskog niza približno konstantni:

(1/ yt )
 const. (169)
(1/ yt1)

Najčešća primjena logističkog trend modela u analizama poslovne statistike je pri opisivanju
temeljnih faza životnog vijeka proizvoda. U tom životnom vijeku razlikuju se tri temeljne
faze: faza uhodavanja, faza ekspanzije ili uzleta i faza zasićenja ili stagnacije na dostignutoj
razini vrijednosti pojave. To je vrlo ilustrativno prikazano na slici 10.2.

Slika 10.2. Grafička skica logističkog trenda

Izvor: Izrada autora

Uz to, u analizama demografskih kretanja često puta se logističkim trend modelom prikladno
opisuje proces naseljavanja nekog područja odnosno razvoj urbanih središta.

Ocjena parametara logističkog trend modela se vrši korištenjem aproksimativnih metoda

ocjena parametara. Ako se radi o metodi parcijalnih zbrojeva parametri se računaju po
sljedećim formulama:

S3  S2 N
r
B S 2  S1  , r
3
(170)
S3  S 2
r
S 2  S1
294
 N

B , r (171)
3

B 1 (172)
A  (S2  S1) r 2
(B 1)

L  1  S1S3  S22  (173)

r  S1  S3  2S2 

gdje su:

S1 - parcijalni zbroj prve trećine recipročnih vrijednosti vremenskog niza,

S2 - parcijalni zbroj druge trećine recipročnih vrijednosti vremenskog niza, a S3 -

parcijalni zbroj zadnje trećine recipročnih vrijednosti vremenskog niza.

Ako se za ocjenjivanje parametara logističkog trenda koristi metoda triju odabranih točaka,
parametri se računaju po sljedećim formulama:

( 1 ) ( 1 ) N1
YIII YII
B ,  rr  2 (174)
1
( Y ) ( Y )1
II I

(1 ) ( 1 )
YIII YII
( 1 ) ( 1 )
YII YI

( 1 ) ( 1 )
YII YI

295
 N 1 (175)
Br , r
2

A (176) r
B 1

L(1 )A
YI
(177)

gdje su:

1
Y ()- recipročna vrijednost pojave na početku vremenskog niza, I

1 ()- recipročna vrijednost pojave u sredini vremenskog niza, a II

Y

1 () - recipročna vrijednost pojave na kraju vremenskog niza.

Y III

10.3. Gompertzov trend model

Gompertzov trend model je definiran sljedećom jednadžbom:

Yˆ  L ABx
(178) Kao model kretanja u vremenu nekih ekonomskih pojava Gompertzov trend
model je zanimljiv kada se radi o nesimetričnoj S krivulji. Ova krivulja, kada je riječ o
Gompertzovom obliku, ima dvije asimptote: donju jednaku nuli i gornju jednaku vrijednosti
parametra L.

Gompertzov trend model može poprimiti četiri različita oblika, a mogući oblici modela ovise
o vrijednostima parametara A, B i L, kao što je prikazano na slici 10.3.

Slika 10.3. Grafička skica mogućih oblika Gompertzovog trend modela

296
 L L

0 logA<0, B<1 0 logA<0, B>1

L L

0 logA>0, B<1 0 logA>0, B>1

Izvor: Izrada autora

U poslovnoj statistici pronalazimo primjene krivulje Gompertzovog trend modela u kojem su

vrijednosti parametara logA<0 i B<1 pri analizama ekonomskih pojava koje u svom razvoju
prolaze četiri karakteristične faze: fazu uhodavanja, fazu ekspanzije ili uzleta, fazu
degresivnog rasta i fazu stagnacije na dostignutoj razini vrijednosti pojave.

Gompertzov trend model upotrebljava se za prikaz trend komponente vremenskog niza

kojemu su omjeri prvih diferencija logaritama vrijednosti vremenskog niza približno
konstantni:

log yt  const. (179)

log yt1

Kao i kod prethodno opisanih asimptotskih trend modela, za ocjenjivanje parametara

Gompertzovog trend modela se koriste aproksimativne metode ocjena parametara. Ako se
radi o metodi parcijalnih zbrojeva parametri se računaju po sljedećim formulama:

S3  S 2 N
B r , r 3
S 2  S1
(180)

S3  S 2
S 2  S1

297
 N
Br , r
3 (181)

B 1
log A  (S2  S1) (Br 1)2 (182)

log L  1  S1S3  S22  (183) r  S1  S3  2S2 

gdje su:

S1 - parcijalni zbroj prve trećine logaritamskih vrijednosti vremenskog niza,

S2 – parcijalni zbroj druge trećine logaritamskih vrijednosti vremenskog niza, a S3 –

parcijalni zbroj treće trećine logaritamskih vrijednosti vremenskog niza.

Ako se za ocjenjivanje parametara Gompertzovog trend modela koristi metoda triju odabranih
točaka, parametri se računaju po sljedećim formulama:

log YIII  log YII N1

B r , r
log YII  log YI
(181)
2
log YIII  log YII
log YII  log YI

(182)
N1
Br , r
2

logYII logYI
log A
Br 1 (183)

298
logL logYI A (184)

gdje su:

log YI - logaritam vrijednosti pojave na početku vremenskog niza, log

YII - logaritam vrijednosti pojave u sredini vremenskog niza, a log YIII

- logaritam vrijednosti pojave na kraju vremenskog niza.

Reprezentativnost asimptotskih trend modela se najčešće mjeri srednjim apsolutnim

odstupanjem. Simbolički se označava MAD, prema engleskom nazivu “Mean Absolute
Deviation“ i računa na sljedeći način:

(185)

299
300
Indeksi
INDIVIDUALNI I SKUPNI INDEKSI
• Individualni indeksi:izražavaju
dinamiku promjene samo jedne pojave
• verižniindeksi
• bazni indeksi.
• Skupni indeksi : izražavaju dinamiku
promjene više ili skupine srodnih pojava
• skupni indeks cijena,
• skupni indeks količinai
• skupni indeks vrijednosti.
 Bazni indeksi
• Bazni indeksi - pokazuju relativne
(u %) promjene pojave u tekućem
razdoblju u odnosu na neko
odabrano bazno razdoblje.

Yt
I  *100 *
S I  100
t Y t t
b

I 250
t
 Verižni indeksi
• Verižni indeksi- pokazuju relativne
(u %) promjene pojave u tekućem
razdoblju u odnosu na prethodno
razdoblje.
Yt
V  
100 St = Vt -100
t Yt 1

V 167,56
1998
BAZNI INDEKS – PRIMJER

Godina Proizvodnja (tona) I(t) 2010=100 S(t)*

2010 190 100,00 0
2011 193 101,58 1,58
2012 195 102,63 2,63
2013 200 105,26 5,26
2014 206 108,42 8,42
2015 187 98,42 -1,58
2016 174 91,58 -8,42
Preračunavanje - baznih
indeksa
– sa stare baze na novu
bazu

SB
NB It
It  *100
SB
I
b
Preračunavanje - baznih indeksa
– sa stare baze na novu bazu –
PRIMJER
Godina Indeks (2017.=100) Indeks 2012=100
2010 202,3 113,46
2011 201,1 112,79
2012 178,3 100
2013 127,5 71,51
2014 108,9 61,08
2015 102,4 57,43
2016 99,7 55,92
2017 100 56,09
2018 103,1 57,82
 Preračunavanje verižnih
indeksa u bazne indekse

za razdoblja prije baznog (b=100), računa se unatrag :

It
I t 1  *100
V
T
100

za razdoblja poslije baznog (b=100), računa se unaprijed:

It 1 *VT
I 
t 100
SKUPNI INDEKSI
• Skupni indeksi količina
• Skupni indeksi cijena
• Skupni indeks vrijednosti

• Posebni oblici skupnih indeksa

 Skupni indeksi - oznake

• qi0 - količine iz baznog razdoblja

• qi1 - količine iz tekućeg(izvještajnog) razdoblja
• pi0 - cijene iz baznog razdoblja

• pi1 - cijene iz tekućeg (izvještajnog) razdoblja

 Laspeyresov skupni indeks
cijena
k

p
i 1
i1 * qi 0
P01q( 0 ) k *100
p i 1
i0 * qi 0

POSTOTNA PROMJENA CIJENE U IZVJEŠTAJNOM

RAZDOBLJU, U ODNOSU NA BAZNO RAZDOBLJE, UZ
NEIZMJENJENE količine IZ BAZNOG RAZDOBLJA.

Po1(qo)
 Paascheov skupni indeks
cijena
k

p i 1
i1 * qi1
P01q( 1 )  k *100
p i
1
i0 * qi1

POSTOTNA PROMJENA CIJENE U IZVJEŠTAJNOM

RAZDOBLJU, U ODNOSU NA BAZNO RAZDOBLJE, UZ
NEIZMJENJENE KOLIČINE IZ IZVJEŠTAJNOG
RAZDOBLJA.
Po1(q1)
 Laspeyresov skupni indeks
količina
k

q i1 * pi 0
Q 01 ( p 0 )  ik1 *100
q
i 1
i0 * pi 0

POSTOTNA PROMJENA KOLIČINE U IZVJEŠTAJNOM

RAZDOBLJU, U ODNOSU NA BAZNO RAZDOBLJE,
UZ NEIZMJENJENE cijene IZ BAZNOG RAZDOBLJA
.

Qo1(po)
 Laspeyresov skupni indeks
količina
k

q i1 * pi 0
Q 01 ( p 0 )  ik1 *100
q
i 1
i0 * pi 0

POSTOTNA PROMJENA KOLIČINE U IZVJEŠTAJNOM

RAZDOBLJU, U ODNOSU NA BAZNO RAZDOBLJE,
UZ NEIZMJENJENE cijene IZ BAZNOG RAZDOBLJA.

Qo1(po)
 Skupni indeks vrijednosti
k
 q i1 p i1
i 1
V 01  k 
100
q i0 p i0
i 1

KAŽE ZA KOLIKO POSTO SU SE PROMIJENILE

VRIJEDNOSTI SKUPINE POJAVA ZAJEDNO U
.
IZVJEŠTAJNOM U ODNOSU NA BAZNO RAZDOBLJE

Vo1
 Cijene i količine razlićitih proizvoda od žita u 2018 i
2019 godini
Cijena po 1 kg Količine u kg/st.
Vrsta proizvoda
2018 2019 2018 2019
Kruh tip 500 18 26 40 38
Kruh tip 850 21 32 50 63
Makaroni 24 30 14 9
Pšenično brašno, tip 500 57 72 15 18

U IZVJEŠTAJNOM RAZD. U ODNOSU NA BAZNO

Po1(qo)= 141,13 Laspeyresov skupni indeks cijena
Qo1(po)= 105,30 Laspeyresov skupni indeks količina
Po1(q1)= 95 Paascheov skupni indeks cijena
Qo1(p1)= 75 Paascheov skupni indeks količina
Vo1= 150Skupni indeks vrijednosti
 INTERPRETACIJA

Po1(qo)= Laspeyresov skupni indeks cijena

Qo1(po)= Laspeyresov skupni indeks količina

Po1(q1)= Paascheov skupni indeks cijena

Qo1(p1)= Paascheov skupni indeks količina

Vo1= Skupni indeks vrijednosti

INDEKS POTROŠAČKIH CIJENA

REALNE PLA
ĆE

NOMINALNE
 *10
PLAĆE
INDEKS POTROŠAČKIH0
CIJENA

INDEKS REALNIH
Ć
PLA A
INDEKS NOMINALNE PLAĆE
 *100
INDEKS POTROŠAČKIH CIJENA
 ZAPAMTI
REALNE PLAĆE= (NOM. PLAĆE/BAZNI INDEKS CIJ.) * 100
NOMINALNA PLAĆA JE BILA VEĆA/MANJA OD REALNE JER
JE BAZNI INDEKS CIJENA U TOM RAZDOBLJU
PRECIJENJEN/PODCIJENJEN ZA (INDEKS-100)

• ODNOS REALNE I NOMINALNE PLAĆE

Jesu li realne plaće bile veće ili manje od nominalnih, zašto i za
koliko %?
• REALNA PLAĆA u svibnju 2006 god je iznosila 3.574,83 kn, dok
je NOMINALNA PLAĆA iznosila 4494 kn, ŠTO ZNAČI DA JE
REALNA PLAĆA BILA MANJA OD NOMINALNE ZA
20,45% ZBOG RASTA IPC-a –POTROŠAĆKIH CIJENA
• Izračun
• Realna pl./Nom.pl=3.574,83/4494=0,795
=0,795 *100-100=79,55-100=20,45%
 INTERPRETACIJA
I t realnih I2012 plaća
102,55
• BAZNI INDEKS REALNIH PLAĆA u travnju
2012 iznosi 102,55, te pokazuje da su se realne
plaće u travnju 2012 povećale za 2,55% u odnosu na baznu godinu.

S INTERPRETACIJA PROSJEČNE GODIŠNJE(mjesečne) STOPE

PROMJENE
• " NEŠTO" JE U PROSIJEKU RASLO/ PADALO ZA "S" %
GODIŠNJE (MJESEČNO) U RAZDOBLJU OD "PRVE" DO
"ZADNJE GODINE
• GEOMETRIJSKA SREDINA VERIŽNIH INDEKSA
POTROŠAĆKIH CIJENA za dobra/usluge iznosi npr
 100,15 što pokazuje da su potrošačke cijene dobara/usluga u
prosjeku rasle za 0,15 % (mjesečno, godišnje)
• GEOMEAN=(Vdrugi :Vzadnji)
Prosječna stopa promjene = GEOMEAN – 100 = %S
 ANALIZA
VREMENSKIH NIZO VA

Hvala na pažnji
   y i  0  1 xi , i 1,2,...,n (52)
Pri tome je procijenjena vrijednost slučajnog člana modela odnosno rezidualnog odstupanja:
 

ei  y i  y i (53)

Riješiti jednostavni linearni regresijski model (51) znači izračunati ocjene parametara  0 i
1

Ove parametre ocjenjujemo koristeći metodu najmanjih kvadrata. Metoda je dobila naziv po
svom temeljnom cilju – minimiziranju zbroja kvadrata odstupanja stvarnih vrijednosti
varijable Y, (yi), od njenih očekivanih ili regresijskih vrijednosti (𝑦 ). Matematičkim
rječnikom se traži minimum funkcije:

n  n 2

Min(yi  yi )2 Mine i (54) i1 i1

Ovom metodom se dobiju "najbolje linearne nepristrane ocjene parametara".

Uzimajući u obzir pretpostavke koje moraju zadovoljiti "najbolji linearni nepristrani
ocjenjivači" moguće je ocijeniti parametre na sljedeći način:

x y n X Y

i i
i
1
1  n

(55)
2 2

x  n X i
i1

 

0  Y  1 X (56)

𝛽 je konstantni član modela koji pokazuje kolika je očekivana vrijednost regresand ili zavisne
varijable kada regresorska ili nezavisna varijabla poprimi vrijednost nula.

𝛽 je koeficijent regresije koji pokazuje za koliko će se jedinica varijable Y promijeniti

očekivana vrijednost zavisne varijable ako se nezavisna poveća za jednu jedinicu varijable X.

Nakon što se ocijene parametri modela potrebno je ocijeniti reprezentativnost tog modela.
Reprezentativnost modela se mjeri apsolutnim i relativnim mjerama reprezentativnosti.

139
Redovito korištena apsolutna mjera reprezentativnosti je standardna greška regresije koja se
računa prema sljedećem izrazu:
n 2 n 

e ( y  y )
2
 i i i
i
1 i
1

Y n 2 n 2   (57)

Standardna greška regresije pokazuje prosječno odstupanje stvarnih od regresijskih

vrijednosti zavisne varijable. To prosječno odstupanje je izraženo u jedinicama zavisne
varijable Y.

Relativna mjera reprezentativnosti, izražena u postocima, je mjera koja pokazuje udio

standardne greške regresije u aritmetičkoj sredini zavisne varijable Y. Naziva se koeficijent
varijacije regresije i pomoću njega se može uspoređivati reprezentativnost dvaju ili više
regresijskih modela. Računa se na sljedeći način:

 Y  (58)
V Y 100
Y

Temeljna analiza regresije počiva na analizi varijance. Sljedeća slika prikazuje analizu
varijance za jedno opažanje yi varijable Y.

Slika 5.1. Jednadžba analize varijance

Izvor: Izrada autora

140
Na slici 5.1. je vidljivo da se ukupno odstupanje opažanja y T od prosjeka svih opažanja
varijable Y može podijeliti na dva djela: protumačeni dio odstupanja i neprotumačeni dio
odstupanja. Zbog važnog svojstva aritmetičke sredine da je zbroj svih odstupanja
individualnih vrijednosti od prosjeka jednak nuli, potrebno je vrijednosti sve tri vrste
odstupanja kvadrirati. Pri tome se zbroj kvadrata ukupnih odstupanja varijable Y od njezinog
prosjeka simbolički označava ST i dijeli na zbroj kvadrata protumačenih odstupanja SP i na
dio odstupanja koji je ostao neprotumačen promatranim modelom, a čiji se zbroj kvadrata
označava SR.

Temeljna analiza statističke reprezentativnosti svakog regresijskog modela počiva na

jednadžbi analize varijance sljedećeg oblika:

n n  n 

(y Y)  (y Y)  (y  y )

i
2
i
2
i i
2
(59)
i1 i1 i1

ST = SP + SR (60)

Zbroj kvadrata protumačenog dijela odstupanja vrijednosti varijable Y od aritmetičke sredine

obilježava se SP i računa prema formuli (61) kao zbroj kvadrata odstupanja ocijenjenih
vrijednosti varijable Y od aritmetičke sredine.

2
n   n  n 2

SP  (yi Y)  0  yi 1 xi yi  nY

(61)
i1 i1 i1

SR je zbroj kvadrata neprotumačenog dijela odstupanja vrijednosti varijable Y od aritmetičke

sredine, a računa se kao zbroj kvadrata odstupanja originalnih ili empirijskih vrijednosti
varijable Y od regresijskih vrijednosti. Ova odstupanja su po definiciji procjene slučajne
greške
ei.

n  n  n  n


SR (y  y )   y
i i
2
i
2
0  yi 1 xi yi (62)
i1 i1 i1 i1

141
ST je zbroj kvadrata ukupnih odstupanja vrijednosti varijable Y od njezine aritmetičke
sredine.

n n
2 2
2

ST  (yi Y)   yi  nY

(63)
i1 i1

Uz koeficijent varijacije regresije u relativne mjere reprezentativnosti regresije se ubraja i

koeficijent determinacije, koji je najčešće korištena mjera reprezentativnosti regresije:

SP
2 SR 2

R 1 1A (64)

ST ST

Pri čemu je A2 koeficijent alijenacije.

U pravilu se R2 izražava u postotku i pokazuje koliko je posto ukupnih odstupanja varijable

Y od njezinog prosjeka protumačeno regresijskim modelom.

Koeficijent determinacije se kreće u intervalu 0 ≤ R2 ≤ 1. Njegove vrijednosti bliže jedinici

pokazuju viši stupanj reprezentativnosti promatranog regresijskog modela.

Koeficijent determinacije se može izračunati i pomoću vrijednosti Pearsonovog koeficijenta

linearne korelacije na ovaj način:

2
r  R
(65)

Za razliku od Pearsonovog koeficijenta linearne korelacije koji određuje smjer i mjeri

intenzitet veze dviju varijabli, koeficijent determinacije je kao mjera reprezentativnosti
regresije uvijek pozitivnog predznaka. Stoga je potrebno pomoću nekog drugog pokazatelja
odrediti predznak Pearsonovog koeficijenta linearne korelacije ako se računa pomoću formule
(65). U ovim slučajevima se to u pravilu određuje pomoću predznaka prethodno ocijenjenog
regresijskog


.
parametra 1

142
Potrebno je istaknuti da u regresijskoj analizi po definiciji nijedna varijabla nije predodređena
kao zavisna varijabla, kao što ne postoje unaprijed određene nezavisne ili objašnjavajuće
varijable. Prema cilju i svrsi statističkog istraživanja za svaku pojedinu regresijsku analizu se
određuje regresand i regresorska varijabla. Nerijetko u istom statističkom istraživanju postoji
potreba sagledavanja spleta uzročno posljedičnih veza na način da se nakon regresijske
analize u kojoj je određena varijabla bila zavisna, analizira regresijski model u kojemu ta ista
varijabla postaje nezavisna. Zadržavajući iste simbole oznaka varijabli, procijenjeni
jednostavni linearni regresijski model u kojemu je X zavisna , a Y nezavisna varijabla ima
sljedeći opći oblik:

 xi 01 yi (66)

Kao što je vidljivo na slici 5.1. još jedno vrlo značajno i korisno svojstvo jednostavnih
linearnih regresijskih modela je da regresijski pravci 𝑌 = 𝑌 i 𝑋 = 𝑋 sadrže točku T(𝑋, 𝑌).

5.2. Jednostavni nelinearni regresijski modeli

U poslovnoj statistici se od nelinearnih regresijskih modela najčešće primjenjuju:

a) jednostavni eksponencijalni regresijski model,

b) regresijski polinom drugog stupnja i

c) dvostruko logaritamski regresijski model.

5.2.1. Jednostavni eksponencijalni regresijski model

Procijenjeni jednostavni eksponencijalni regresijski model ima sljedeći opći oblik:

x
   i

yi  0 1 (67)

Kao što se vidi iz formule, ovaj model je nelinearan u parametrima i potrebno ga je

transformirati da bi se za ocjenu parametara mogla koristiti metoda najmanjih kvadrata.
Linearnost u parametrima za jednostavni eksponencijalni regresijski model se postiže

143
 logaritamskom
transformacijom na sljedeći način:

ˆ ˆ
log yˆi  log 0  log i  xi (68)

Pri tome se logaritmirane vrijednosti parametara dobiju minimizirajući:

n  n 

Minlog2 ei  Min(log yi  log yi )2 (69)

i1 i1

Konačne ocjene vrijednosti logaritama parametara su:

 n

x log y n X log Y
i
1
i i

log1  n

(70)
2 2

x  n X
i
i1
n

log y i (71) logY  i1

n

  (72)
log0  logY log1 X

Provedenom logaritamskom transformacijom model postaje linearan u parametrima i moguće

je provesti ocjenjivanje metodom najmanjih kvadrata, iako je u takvom modelu zavisna
varijabla Y nelinearna.
Parametri iz izvorne jednadžbe jednostavnog eksponencijalnog regresijskog modela dobiju se
antilogaritmiranjem, a zatim se interpretiraju.

Koeficijent 𝛽 pokazuje ocijenjenu ili regresijsku vrijednost koju prema modelu očekujemo da
će poprimiti zavisna varijabla Y ako nezavisna varijabla X poprimi vrijednost jednaku 0.

Koeficijent 𝛽 pokazuje postotak za koji će se u prosjeku promijeniti varijabla Y ako varijabla

X poraste za jednu svoju jedinicu.

144
Parametar 𝛽 na taj način daje i značajnu informaciju o prosječnoj stopi promjene koja se
računa prema izrazu:

ˆ
S ( 1 1)100 (73)
Mjerenje reprezentativnosti kao i jednadžba analize varijance se za jednostavni
eksponencijalni regresijski model provode na isti način i po istim formulama kao što se to čini
za jednostavni linearni regresijski model. Jedina razlika je što se u ovom slučaju koriste
logaritmirane vrijednosti log yi i originalne vrijednosti xi.

5.2.2. Regresijski polinom drugog stupnja

Regresijski polinom drugog stupnja je model koji je linearan u parametrima, a nelinearan u

varijablama. Opći oblik ocijenjenog regresijskog polinoma drugog stupnja je:

ˆyi  ˆ 0  ˆ 1  xi  ˆ 2  xi2 (74)

Ocijene parametara ovog regresijskog modela se dobiju standardnom metodom najmanjih

kvadrata, pri čemu nije potrebna transformacija, jer je model već linearan u parametrima.

145
 6. VREMENSKI NIZOVI

Za veliki broj ekonomskih pojava i procesa je potrebno i korisno odrediti niz statističkih
pokazatelja vezanih uz njihove promjene tijekom vremena. Stoga se i u poslovnoj statistici
vrlo često analiziraju vrijednosti pojava tijekom vremena.

Statistički vremenski niz je skup kronološki uređenih vrijednosti neke pojave. Vrijednosti
vremenskog niza se nazivaju frekvencije vremenskog niza.

Vremenski nizovi se dijele, s obzirom na vremenski obuhvat opažanja vrijednosti pojave

odnosno s obzirom na način nastajanja njegovih frekvencija, na dvije temeljne vrste. To su:

a) intervalni vremenski nizovi i

b) trenutačni vremenski nizovi.

Frekvencije intervalnog vremenskog niza nastaju zbrajanjem vrijednosti pojave u definiranim

vremenskim intervalima. Primjer intervalnog vremenskog niza je Broj noćenja stranih turista
u Splitsko-dalmatinskoj županiji u trećem kvartalu 2016. godine ili npr. Vrijednost utrošene
energije iz obnovljivih izvora u prvom tromjesečju 2017. godine. Vremenski intervalni
nizovi, dakle, imaju svojstvo kumulativnosti i njihove vrijednosti ima smisla zbrajati.

Ako neku pojavu promatramo u određenom trenutku vremena npr. na točno određen datum,
što je najčešće u poslovnoj statistici, dobit ćemo skup kronološki uređenih vrijednosti koje
odražavaju razinu pojave u odabranom vremenskom trenutku. Takav kronološki uređeni skup
vrijednosti nazivamo trenutačni vremenski niz.

{𝑦 },𝑡 = 1,2,…,𝑁 su vrijednosti ili frekvencije vremenskog niza.

Primjeri trenutačnih vremenskih nizova su Broj zaposlenih u državnim službama RH na dan

31. prosinca od 2000. do 2016. godine odnosno Najniža dnevna temperatura zraka u Splitu u
stupnjevima Celzijusevim na dan 7. siječnja od 1997. do 2017. godine.

6.1.Grafičko prikazivanje vremenskih nizova

Grafičkim prikazivanjem vremenskih nizova postiže se jasnija i preglednija slika kretanja

vrijednosti promatrane pojave kroz vrijeme.
176
Iako će se na ovom mjestu grafičko prikazivanje vremenskih nizova provoditi programskim
paketom MS Excel, potrebno je utvrditi barem neke temeljne odrednice grafičkog
prikazivanja vremenskih nizova. Pri grafičkom prikazivanju vremenskih nizova vrijeme se
uvijek nanosi na apscisu, a vrijednosti pojave yt na ordinatu.

Grafički prikaz vremenskog niza treba zadržati potpunu informativnost kao i tablica iz koje se
najčešće koriste podaci. To znači da treba imati sve potrebne oznake: naslov grafikona s
opisom vrijednosti vremenskog niza koji se prikazuje, izvor podataka prikazanih grafikonom,
oznake mjernih jedinica na ordinati i na apscisi i kazalo odnosno legendu ako se na istom
grafikonu prikazuje više različitih vremenskih nizova.

Intervalni vremenski nizovi mogu se prikazivati:

a) linijskim grafikonom i

b) površinskim grafikonom.

Površinski grafikon intervalnog vremenskog niza crta se na isti način kao i histogram. Pri
tome je stupce potrebo prisloniti jednog uz drugog, jer vrijeme teče kontinuirano. Ako su
intervali promatranja jednaki, stuci imaju jednake baze, a visina im odgovara vrijednostima
vremenskog niza za određeno razdoblje. Dakle, za grafički prikaz se koriste u ovom slučaju
apsolutne frekvencije. Ako intervalni vremenski niz sadrži nejednake vremenske intervale,
izravna usporedivost frekvencija nije moguća, a postiže se korigiranjem frekvencija.
Vrijednost apscise za svako vremensko razdoblje smješta se grafički u sredinu razdoblja, a na
tom mjestu se nanosi ordinata do visine korigirane frekvencije.

Linijski grafikon intervalnog vremenskog niza crta se točkama čijim spajanjem nastaje
poligon frekvencija. Na apscisi se prikazuje varijabla vremena, a apscisa svake točke
vremenskog niza nanosi se u sredinu razdoblja tj. intervala. Ordinate točaka određene su
vrijednostima niza za intervalne vremenske nizove koji imaju jednake intervale promatranja
odnosno korigiranim frekvencijama kod prikaza intervalnih vremenskih nizova nejednakih
razdoblja promatranja.

Trenutačni vremenski nizovi mogu se prikazivati samo linijskim grafikonom. Kod ove vrste
linijskog grafikona vrijednost pojave se nanosi u stvarnom trenutku njenog mjerenja, bez
obzira je li to početkom, sredinom, krajem razdoblja ili na neki precizni datum promatranih

177
vremenskih razdoblja koja se nižu na apscisi. Za nizove čije točke promatranja u vremenu
nisu jednako udaljene ne treba vršiti korekciju frekvencija, jer se kod trenutačnih vremenskih
nizova na ordinatu uvijek nanose vrijednosti tj. frekvencije.

Bez obzira na vrstu vremenskog niza, ako su na ordinati sve vrijednosti (Y t) promatranog
vremenskog niza izrazito velike dozvoljeno je napraviti vodoravan prekid grafikona na
ordinati, na način da se velike vrijednosti približe apscisi, da bi se izbjegao prazni prostor na
grafikonu. Ovaj vodoravan prekid grafikona može se napraviti samo za linijski grafikon.

Okomiti prekid grafikona na apscisi se radi ako nisu poznate vrijednosti vremenskog niza za
neka promatrana vremenska razdoblja, kao na primjer za ratne godine.

Vremenski nizovi se grafički mogu prikazivati na grafikonima s aritmetičkim ili s

logaritamskim mjerilom na osi ordinata. U poslovnoj statistici se ovakvi grafikoni često
koriste i za grafičko uspoređivanje vremenskih nizova.

6.2. Grafičko uspoređivanje vremenskih nizova

Za uspoređivanje dvaju ili više vremenskih nizova može se koristiti aritmetičko ili
logaritamsko mjerilo na osi ordinata.

Aritmetičko mjerilo na osi ordinata koristi se za uspoređivanje dvaju ili više vremenskih
nizova koji imaju iste jedinice mjere pod uvjetom da se njihove vrijednosti puno ne razlikuju.
U ovom slučaju se prikazivanjem dvaju ili više vremenskih nizova pomoću aritmetičkog
mjerila na osi ordinata omogućuje usporedba apsolutnih promjena pojedinačnih vrijednosti
vremenskih nizova.

Logaritamsko mjerilo na osi ordinata se koristi za:

a) uspoređivanje dvaju ili više vremenskih nizova koji su izraženi u različitim

jedinicama mjere i

b) za prikazivanje i uspoređivanje dvaju ili više vremenskih nizova koji imaju iste
jedinice mjere, ali im se vrijednosti jako razlikuju, pa je usporedba na grafikonu s
aritmetičkim mjerilom na osi ordinata nemoguća.

178
Stoga se na grafikonu s logaritamskim mjerilom na osi ordinata vrši usporedba relativnih
promjena promatranih vrijednosti vremenskih nizova.Većim nagibom linijskoga grafikona
prikazuje se veća relativna promjena odnosno veća stopa promjene promatranih vrijednosti
vremenskog niza.

Grafikon s logaritamskim mjerilom na osi ordinata naziva se polulogaritamski grafikon jer je

na osi apscisa varijabla vremena uvijek prikazana aritmetičkim mjerilom.

Ordinata grafikona s logaritamskim mjerilom uvijek počinje s brojem većim od nule.

Ako je omjer najveće i najmanje frekvencije vremenskoga niza veći od 10, tada treba
upotrijebiti više od jednog logaritamskog ciklusa.

Ymax
Ako je 10 , dovoljan je jedan logaritamski ciklus. Ymin

Na istom grafu se mogu istodobno prikazivati dva ili više vremenskih nizova. U tim
slučajevima se na osi ordinata mogu staviti oznake za mjerne jedinice više vremenskih nizova
i to s obje strane grafičkog prikaza. Ako se prikazuju samo dva vremenska niza, njihove
oznake se stavljaju s lijeve i s desne strane grafikona na osi ordinata. Oznake na ordinati za
više vremenskih nizova su obično u legendi (kazalu) s desne strane grafikona. Granice broju
vremenskih nizova koji se prikazuju istim grafom postavljene su načelom preglednosti.

179
 Primjer 6.1.

Poznate su frekvencije trenutačnog vremenskog niza procijenjenog broja stanovnika RH u

tisućama sredinom godine i frekvencije intervalnog vremenskog niza broja živorođenih
izvan braka. Podaci po promatranim godinama navedeni su u tablici 6.1.

Tablica 6.1. Procijenjeni broj stanovnika RH u tisućama sredinom godine i broj živorođenih
izvan braka od 2000. do 2014. godine

Stanovništvo u
tisućama - Živorođeni
Godina
procjena izvan braka
sredinom godine
2000. 4426 3927
2001. 4440 3845
2002. 4440 3856
2003. 4440 4026
2004. 4439 4183
2005. 4442 4464
2006. 4440 4562
2007. 4436 4823
2008. 4434 5260
2009. 4429 5768
2010. 4418 5752
2011. 4280 5768
2012. 4268 6444
2013. 4256 6442
2014. 4238 6889
Izvor: Stanovništvo – procjena sredinom godine i prirodno kretanje, Statistički ljetopis 2015. godine, str. 119.

Procijenjeni broj stanovnika RH u tisućama sredinom godine i broj živorođenih izvan braka
po promatranim godinama prikažite odgovarajućim grafikonima i, ako je prikladno,
napravite vodoravni prekid na ordinati odnosno okomiti prekid na apscisi.

Rješenje primjera 6.1.:

180
 Slika 6.1. Procijenjeni broj stanovnika RH u tisućama sredinom godine od 2000. do 2014.
godine

4500

4450
Broj stanovnika u tisućama

4400

4350

4300

4250

4200
1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Godina

Izvor: Stanovništvo – procjena sredinom godine i prirodno kretanje, Statistički ljetopis 2015. godine, str. 119.

Procijenjeni broj stanovnika RH u tisućama sredinom godine kao trenutačni vremenski niz
može se prikazati samo poligonom frekvencija, što je i učinjeno na slici 6.1. Ordinate su
podizane do visine originalnih frekvencija i to na mjestima koja označavaju sredinu
promatrane godine, jer je to vremenski trenutak procjene broja stanovnika.Vodoravni prekid
na ordinati izvršen je automatizmom MS Excela dok okomiti prekid apscise nije primjeren jer
postoje podaci tijekom čitavog promatranog razdoblja.

Slika 6.2. Broj živorođene djece izvan braka u Republici Hrvatskoj od 2000. do 2014.godine

181
 Izvor: Stanovništvo – procjena sredinom godine i prirodno kretanje, Statistički ljetopis 2015. str. 119.

Broj živorođenih izvan braka je nastao kumuliranjem broja živorođene djece čiji roditelji nisu
u braku tijekom promatranih godina. Stroga se kao intervalni ovaj vremenski niz može osim
linijskim grafikonom prikazati i površinskim grafikonom što je i učinjeno na slici 6.2.
Histogram na slici 6.2. ima spojene jednostavne stupce jer vrijeme teče kontinuirano. Nije
bilo primjereno raditi okomiti prekid na apscisi je su poznati podaci za svaku promatranu
godinu, a niti vertikalni prekid na ordinati koji nije u načelu dozvoljeno raditi kod površinskih
grafikona. Vremenska razdoblja promatranja (godine) su ekvidistantna odnosno vremenski
jednako traju, pa su i na grafikonu prikazana stupcima jednakih baza. U ovakvim slučajevima
se ordinate nanose do visine originalnih frekvencija i nije bilo potrebno njihovo korigiranje.

Primjer 6.2.

Poznati su iznosi isplaćenih sredstava povlaštenim proizvođačima obnovljivih izvora

energije, kao i isplaćena sredstva za energiju uravnoteženja u kunama u RH za razdoblje od
2008. do 2012. godine.

a) Prikažite navedene iznose na istom grafikonu s polulogaritamskim mjerilom.

b) Koji su iznosi isplaćenih sredstava imali brži tempo rasta u promatranom

razdoblju i zašto?

Rješenje primjera 6.2.:

182
a) Slika 6.3. Iznosi isplaćenih sredstava povlaštenim proizvođačima obnovljivih izvora
energije u milijunima kuna i isplaćena sredstva za energiju uravnoteženja u stotinama
tisuća kuna u RH za razdoblje od 2008. do 2012. godine.

Izvor: Nacionalni akcijski plan za obnovljive izvore energije do 2020. godine, str. 67.

183
Na slici 6.3. s polulogaritamskim mjerilom su prikazana dva vremenska niza s različitim
mjernim jedinicama, što je i navedeno uz oznake na ordinati s lijeve i desne strane. Uz to,
prikaz s logaritamskim mjerilom na osi ordinata bi bio nužan i za grafičku predodžbu kretanja
svakog od ovim vremenskih nizova zasebno. Naime, oba vremenska niza su u promatranom
razdoblju bilježila vrlo intenzivan rast iz godine u godinu, koji se zbog višestruko većeg
iznosa vrijednosti u posljednjim u odnosu na prve godine nije mogao prikazati aritmetičkim
mjerilom na ordinati. Vrijednosti niza isplaćenih sredstava povlaštenim proizvođačima
obnovljivih izvora energije je porastao od 2008. do 2012. godine 13-tak puta i za njegov
prikaz je bilo potrebno predvidjeti jedan logaritamski ciklus i nešto manje od polovine
narednog, što je vidljivo na oznakama s lijeve strane grafičkog prikaza, gdje su označene i
mjerne jedinice za ovu varijablu. Međutim, iznosi sredstava isplaćenih za energiju
uravnoteženja su porasli 20-tak puta u promatranom razdoblju, pa su za njihov prikaz
(mjerne jedinice na desnoj strani grafikona) bila potrebna dva logaritamska ciklusa.

Aritmetičko mjerilo je položeno na osi apscisa koja prikazuje vrijeme u godinama, a

vrijednost vremenskih nizova za pojedinu godinu za svaki od prikazanih vremenskih nizova
se nanosila po sredini razdoblja i do visine koju određuju apsolutne frekvencije pripadajućeg
razdoblja promatranja.

Grafički prikaz je potrebno upotpuniti i legendom koja specificira prikaz pojedinog

vremenskog niza.

b) Brži tempo rasta u promatranom razdoblju su imala sredstava za energiju

uravnoteženja u stotinama tisuća kuna. Ona su porasla čak 20-tak puta i krivulja na slici 6.3.
kojom su prikazana je strmija što i ilustrativno jasno upućuje na ispravan odgovor.

184
 7. BROJČANA ANALIZA VREMENSKIH NIZOVA

Nakon što grafička analiza vremenskog niza uputi na temeljne zaključke o obilježjima
kretanja promatrane pojave u vremenu, brojčanom analizom se nastavlja njihova preciznija
kvantitativna analiza putem brojčanih pokazatelja.

Među osnovne brojčane pokazatelje se ubrajaju pojedinačne apsolutne promjene i razne vrste
indeksa vremenskih nizova.

Pojedinačna apsolutna promjena je razlika frekvencija vremenskog niza yt . Pri tome se

razlikuju dvije vrste pojedinačnih apsolutnih promjena:

a) Pojedinačna apsolutna promjena od razdoblja do razdoblja:

yt yt yt1, t  2,3,...,N (76)

koja pokazuje za koliko se apsolutno promijenila razina pojave u vremenu t u odnosu na

prethodno razdoblje t -1.

b) Pojedinačna apsolutna promjena u tekućem razdoblju u odnosu prema nekom

baznom razdoblju:

* yt yt yb, t  2,3,...,N (77)

koja pokazuje za koliko se apsolutno promijenila razina pojave u vremenu t u odnosu na neko

razdoblje b.

Pojedinačne apsolutne promjene se računaju oduzimanjem vrijednosti pojave u jednom

vremenskom razdoblju od vrijednosti iste pojave u drugom razdoblju i izražavaju se
originalnim jedinicama mjere.

7.1. Indeksi vremenskih nizova

185
Indeksi su relativni brojevi koji pokazuju odnos stanja jedne pojave ili homogene skupine
pojava u različitim trenucima ili intervalima vremena. Indeksi mjere dinamiku (tempo)
promjene neke pojave u relativnom izrazu. Dvije su glavne skupine indeksa:

a) individualni i

b) skupni indeksi.

Individualni indeksi mjere dinamiku promjene samo jedne pojave, a skupni indeksi više
pojava koje imaju određene sličnosti i međusobno su povezane na način da tvore homogenu
skupinu pojava.

7.1.1. Individualni indeksi vremenskih nizova

Individualni indeksi su relativni pokazatelji dinamike kretanja vrijednosti pojave. Njima se

uspoređuje stanje jedne pojave u različitim vremenskim intervalima ili momentima.

Individualni indeksi vremenskog niza se dijele na:

a) verižne indekse i

b) bazne indekse.

Verižni indeksi pokazuju relativne promjene pojave u tekućem razdoblju u odnosu na

prethodno razdoblje, odnosno pokazuju za koliko se postotnih jedinica vrijednost pojave u
jednom razdoblju promijenila u odnosu na prethodno razdoblje. Računaju se po formuli:

yt
Vt  100, t  2,3,...,N (78)
y
t1

Verižni indeksi se još nazivaju i lančani indeksi, jer pokazuju promjene pojave u uzastopnim
vremenskim razdobljima i nadovezuju se jedan na drugi poput karika lanca.

Promjena koju mjere verižni indeksi računa se putem individualne stope promjene, tako da se
od vrijednosti verižnog indeksa oduzme 100.

186
St Vt 100 (79)

Vrijednosti verižnog indeksa iznad 100 pokazuje porast vrijednosti pojave u odnosu na
prethodno razdoblje za iznos postotnih jedinica koji je jednak stopi promjene.

Vrijednost verižnog indeksa manja od 100 pokazuje smanjenje vrijednosti pojave u postotnim
jedinicama u odnosu na prethodno razdoblje za iznos pripadajuće stope promjene.

Grafički prikaz verižnih indeksa je specifičan. Crta se u pravokutnom koordinatnom sustavu

u kojemu je na ordinati markantno označena razina 100, kao da je to za grafikon bazna crta.
Vrijednost ordinate za svaku frekvenciju vremenskog niza je određena vrijednošću
pripadajućeg verižnog indeksa. Ordinata se ucrtava za svako novo razdoblje posebno. Pri
tome je ishodište uvijek na baznoj crti 100 koja označava prethodno razdoblje kao ishodište.
Ako vrijednost pojave bilježi porast u odnosu na prethodno razdoblje, pripadajući verižni
indeks će biti veći od 100 i ordinata će se uzdizati do odgovarajućeg iznosa kao zasebna crta.
Ako već u narednom razdoblju vrijednost pojave bilježi pad, ordinata će biti predstavljena
crtom koja se spušta od bazne crte 100 do pripadajućeg broja indeksnih jedinica verižnog
indeksa za to razdoblje. Takav grafički prikaz je stoga skup rastućih i padajućih linija s
ishodištem na baznoj crti 100 za svako razdoblje, a ne neprekidna crta kojom smo uobičajeno
crtali sve ostale linijske grafičke prikaze.

Bazni indeksi vremenskih nizova ili indeksi na stalnoj bazi pokazuju relativne promjene
pojave u tekućem razdoblju u odnosu na neko odabrano bazno razdoblje odnosno na neku
odabranu veličinu npr. srednju vrijednost, standardnu vrijednost i slično. Bazni indeksi
pokazuju za koliko % se vrijednost pojave u promatranom razdoblju promijenila u odnosu na
odabrano bazno razdoblje odnosno odabranu baznu veličinu. Bazni indeksi se računaju po
formuli:

yt
It  100, t  2,3,...,N (80) yb

Pri tome je 𝑦 vrijednost pojave u nekom izabranom baznom razdoblju. Kod baznih indeksa
uobičajen je zapis za bazno razdoblje da je jednako 100 odnosno (b=100).

187
Za interpretaciju baznog indeksa potrebno je izračunati individualnu stopu promjene u odnosu
na bazno razdoblje kao i kod verižnog indeksa, na način da se od vrijednosti baznog indeksa
oduzme 100.

Vrijednosti baznog indeksa mogu biti manje, jednake ili veće od 100. Vrijednost baznog
indeksa koja je jednaka 100 pokazuje da nema promjene u dinamici kretanja te pojave u
odnosu na odabrano bazno razdoblje odnosno odabranu baznu veličinu.

(81) St*  It 100

Vrijednosti baznog indeksa iznad 100 pokazuje porast vrijednosti pojave u odnosu na bazno
razdoblje za iznos postotnih jedinica koji je jednak stopi promjene u odnosu na bazno
razdoblje
(b).

Vrijednost baznog indeksa manja od 100 pokazuje smanjenje vrijednosti pojave u postotnim
jedinicama u odnosu na izabranu bazu za iznos pripadajuće stope promjene.

Bazni indeksi se mogu prikazati:

a) poligonom frekvencija ili

b) površinskim grafikonom.

Poligon frekvencija za bazne indekse je jednostavan linijski grafikon koji se od grafičkog

prikaza originalnog niza razlikuje po tome što na njemu treba biti naznačeno koja je veličina
ili razdoblje uzeto za bazno, uz sve ostale oznake koje statistički grafikon mora imati (naslov,
izvor, oznake na ordinati, oznake na apscisi i legendu). Vrijednosti indeksa se nanose po
sredini razdoblja označenog na apscisi. Zbog matematičkog obrasca računanja baznih
indeksa, njihov grafički prikaz je upravo proporcionalan grafičkom prikazu izvornih podataka
vremenskog niza i razlikuje se po baznoj crti koja prezentira vrijednost pojave u baznom
razdoblju.

Površinski grafikon za bazne indekse se sastoji od jednostavnih stupaca koji imaju iste baze,
jer se promjene odnose na istu duljinu vremenskog razdoblja npr. kada se u svim slučajevima
radi o godišnjim promjenama. Na ordinati je uočljivo označena vrijednost 100 koja je
188
pridružena baznom razdoblju i svim ostalim razdobljima u kojima je vrijednost pojave ista
kao u baznom razdoblju, što znači da promjene nema i da je indeks jednak 100.

Visine stupaca se podižu iznad bazne crte 100 do vrijednosti indeksa za sve indekse koji
imaju stope promjene pozitivnog predznaka. To znači da je u tim razdobljima promatrana
pojava bilježila rast u odnosu na bazno razdoblje.

Stupci se crtaju ispod bazne crte 100 za sve indekse čija je vrijednost manja od 100 odnosno
koji imaju stope promjene negativnog predznaka. To znači da je u tim razdobljima
promatrana pojava bilježila smanjenje vrijednosti u odnosu na bazno razdoblje.

7.1.2. Preračunavanje indeksa vremenskog niza

Pod pojmom preračunavanje indeksa vremenskog niza podrazumijevamo dobivanje

vrijednosti:

a) baznih indeksa po jednoj bazi pomoću vrijednosti baznih indeksa po drugoj bazi,

b) verižnih indeksa pomoću baznih indeksa i

c) baznih indeksa korištenjem verižnih indeksa.

Najjednostavnije je preračunavanje baznih indeksa po jednoj bazi pomoću vrijednosti

baznih indeksa po drugoj bazi. Vrši se na sljedeći način:

It
It *  100 (82)
Ib

gdje je b oznaka za novo bazno razdoblje za indekse 𝐼∗.

Za računanje verižnih indeksa preko baznih indeksa koristi se sljedeći postupak.

Budući da je po definiciji verižni indeks:

yt

189
Vt  100
yt1

vrijedi da je:

It
Vt  100, t  2,3,....N (83)
I
t1

gdje su 𝐼 i 𝐼 bazni indeksi u razdoblju t -1 i t.

Preračunavanje verižnih indeksa u bazne indekse po bazi b vrši se u dva koraka.

U prvom koraku izračuna se određuje vrijednost baznog indeksa za razdoblje prije baznog (t <
b). Izračun se vrši najprije za prethodno razdoblje, pa za ono koje njemu prethodi i tako iz
razdoblja u razdoblje unatrag. Pri tome se koristi sljedeća formula:

It
I t 1  100 (84)
Vt

gdje je:

Vt - verižni indeks za razdoblje t za t < b

It - bazni indeks za razdiblje t za t < b

Za razdoblja poslije baznog (t > b), u drugom koraku, izračun se vrši od razdoblja do
razdoblja unaprijed po sljedećoj formuli:

Vt  It1

It  100 (85)

Pri tome je:

Vt - verižni indeks za razdoblje t za t > b

190
 It - bazni indeks za razdoblje t za t > b

Verižni indeksi se, dakle, mogu pretvoriti u indekse na stalnoj bazi, vezanoj za bilo koje
razdoblje, primjenom formule:



100,t 
b
It1
It   100,t  b (86)
Vt1
 Vt
It1  ,t  b
 100

191
 1. Skupni indeksi vremenskih nizova

Skupni indeksi su relativni pokazatelji dinamike kretanja vrijednosti skupine pojava tijekom
vremena koje su na neki način povezane ili su međusobno homogene u odnosu na referentne
značajke.

Razdoblje za koje se mjeri dinamika promjene skupine pojava naziva se tekuće ili izvještajno
razdoblje. Simbolički se u pravilu označava s 1.

Razdoblje čija je pripadajuća vrijednost skupine pojava izabrana za bazu odnosno razdoblje s
kojim se uspoređuje ostvarena vrijednost pojave u tekućem razdoblju naziva se bazno ili
početno razdoblje. Simbolički se u pravilu označava s 0.

U okvirima analiza poslovne statistike najčešće se dinamika kretanja skupine pojava u

vremenu mjeri s tri vrste skupnih indeksa. To su:

a) skupni indeks cijena,

b) skupni indeks količina i

c) skupni indeks vrijednosti.

S obzirom na način izračunavanja odnosno odabira pondera pri računanju dinamike kretanja
skupni indeksi se dijele u dvije skupine:

a) Laspeyresovi skupni indeksi i

b) Paascheovi skupni indeksi.

Laspeyresovi skupni indeksi uvažavaju kao pondere vrijednosti iz baznog (0) razdoblja, a
Paascheovi indeksi imaju pondere iz tekućeg (1) razdoblja.

Skupni indeksi se, bez obzira na način izračuna, interpretiraju na isti način. Kao relativni
pokazatelji dinamike kretanja skupine pojava izraženi su u postotnim jedinicama. U svrhu
njihovog tumačenja provodi se isti postupak kao i kod individualnih indeksa. Naime, od
izračunate vrijednosti skupnog indeksa se oduzme 100. Tako dobiveni broj svojim
predznakom pokazuje smjer (porast ili smanjenje), a apsolutnom vrijednošću intenzitet
promatrane promjene.
 1.1. Skupni indeks cijena

Skupni indeks cijena je relativni pokazatelj dinamike kretanja cijena skupine pojava u
tekućem razdoblju u odnosu na bazno razdoblje uz neizmijenjene količine.

S obzirom na način izračuna, postoje dvije vrste skupnih indeksa cijena:

a) Laspeyresov skupni indeks cijena i

b) Paascheov skupni indeks cijena.

Laspeyresov skupni indeks cijena je vagana aritmetička sredina individualnih indeksa cijena,
gdje su kao ponderi uzimaju količine iz baznog, odnosno nultog razdoblja.

Laspeyresov skupni indeks cijena pokazuje za koliko postotnih jedinica su se promijenile

cijene skupine pojava u izvještajnom u odnosu na bazno razdoblje, uz pretpostavku
neizmijenjenih količine iz baznog razdoblja.

k pi1 100 pi0qi0

P01(q0)  i1pi0k (87)

 pi0qi0
i1

Pri čemu su:

pi0- cijene u baznom razdoblju,

pi1- cijene u izvještajnom razdoblju,

qi0- količine u baznom razdoblju, a

qi1- količine u izvještajnom razdoblju.

Ako su ponderi zadani u relativnim iznosima kao struktura vrijednosti iz baznog razdoblja

(𝑊 ), skupni indeks cijena se računa na sljedeći način:

k pi1 100Wi0
 p
P01(q0)  i1 i0k (88)
Wi0
i1

gdje su Wi0 ponderi koji ne moraju biti apsolutne veličine nego se mogu koristiti i strukturni

pokazatelji odnosa u baznom razdoblju.

U praksi se vrlo često koristi agregatni oblik Laspeyresov skupnog indeksa cijena:

k
 pi1qi0
P01(q0)  ik1 100 (89)

 pi0qi0
i1

Paascheov skupni indeks cijena je vagana aritmetička sredina individualnih indeksa cijena,
gdje su ponderi količine iz izvještajnog odnosno tekućeg razdoblja.

Paascheov skupni indeks cijena mjeri za koliko postotnih jedinica su se promijenile cijene
skupine pojava zajedno u izvještajnom u odnosu na bazno razdoblje, računajući uz
neizmijenjene količine iz izvještajnog razdoblja. Računa se na sljedeći način:

k pi1 100 pi0qi1

p
P01(q1)  i1 i0k (90)

 pi0qi1
i1

Ako su ponderi zadani u relativnim iznosima kao struktura vrijednosti iz izvještajnog

razdoblja (Wi1), skupni indeks cijena se računa na sljedeći način:

k pi1 100Wi1

P01(q1)  i1pi0k (91)

Wi1
i1
 gdje su Wi1 umnošci cijena baznog razdoblja i količina tekućeg razdoblja ili njima
proporcionalne veličine.

Agregatni oblik Paascheovog skupnog indeksa cijena ima sljedeći oblik:

k
 pi1qi1
P01(q1)  ik1100 (92)

 pi0qi1
i1

1.2. Skupni indeks količina

Skupni indeks količina je relativni pokazatelj dinamike kretanja količina skupine pojava u
tekućem razdoblju u odnosu na bazno razdoblje.

S obzirom na način izračuna i kod ovog skupnog indeksa se pojavljuju dva temeljna oblika:

a) Laspeyresov skupni indeks količina i

b) Paascheov skupni indeks količina.

Laspeyresov skupni indeks količina je vagana aritmetička sredina individualnih indeksa

količina, gdje su ponderi cijene iz baznog odnosno nultog razdoblja.

Laspeyresov skupni indeks količina mjeri za koliko postotnih jedinica su se promijenile

količine skupine pojava u izvještajnom u odnosu na bazno razdoblje, uz pretpostavku
neizmijenjenih cijena iz baznog razdoblja.

k qi1 100qi0pi0

Q01(p0)  i1qi0k (93)

qi0pi0
i1

Ako su ponderi zadani u relativnim iznosima kao struktura vrijednosti iz baznog razdoblja

(Wi0), skupni indeks cijena se računa na sljedeći način:

 k qi1 100Wi0

Q01(p0)  i1qi0k (94)

Wi0
i1

gdje se ponderi Wi0 definiraju kao u formuli (88).

I ova vrsta skupnog indeksa ima svoj agregatni oblik koji je vrlo zastupljen u izračunima:

k
 qi1pi0
Q01(p0)  i 1
k 100 (95)

 qi0pi0
i1

Paascheov skupni indeks količina je vagana aritmetička sredina individualnih indeksa

količina, gdje su ponderi cijene iz izvještajnog odnosno tekućeg razdoblja.

Paascheov skupni indeks količina pokazuje za koliko postotnih jedinica su se promijenile

količine skupine pojava u izvještajnom u odnosu na bazno razdoblje, uz pretpostavku
neizmijenjene cijene iz izvještajnog razdoblja.

k qi1 100qi0pi1

Q01(p1)  i1qi0k (96)

qi0pi1
i1

Ako se računa koristeći relativne pondere odnosno strukturu vrijednosti iz izvještajnog

razdoblja (Wi1), potrebna je ova formula:

k qi1 100Wi1

Q01(p1)  i1qi0k (97)

Wi1
i1

pri čemu se ponderi Wi1 definiraju kao u formuli (91).

 Agregatni oblik Paascheovog skupnog indeksa količina se računa na sljedeći način:

k
 qi1pi1
Q01(p1)  i 1
k 100 (98)

 qi0pi1
i1

1.3. Skupni indeks vrijednosti

Skupni indeks vrijednosti je relativni pokazatelj dinamike kretanja vrijednosti skupine pojava
u tekućem razdoblju u odnosu na bazno razdoblje.

Vrijednost nekog proizvoda ili usluge (i) je umnožak njegove količine i cijene:

V q p
i i i (99)

Skupni indeks vrijednosti je omjer vrijednosti skupine pojava u izvještajnom i vrijednosti

skupine pojava u baznom razdoblju.

Skupni indeks vrijednosti pokazuje za koliko postotnih jedinica se promijenila vrijednost

skupine pojava u izvještajnom u odnosu na bazno razdoblje.

Ova vrsta skupnog indeksa se računa po formuli:

k
 qi1pi1
V
01  ik1100 (100)

 qi0pi0
i1

Alternativno se skupni indeks vrijednosti može izračunati i množenjem Laspeyresovog skupnog

indeksa cijena i Paascheovog skupnog indeksa količina:

P01(q0)Q01(p1)

V 
01 100 (101)
ili množenjem Paascheovog skupnog indeksa cijena i Laspeyresovog skupnog indeksa količina na
sljedeći način:

P01(q1)Q01(p0) (102)
V01 
100

1.4.Odabrani skupni indeksi

Skupni indeksi se prema potrebama raznih ekonomskih analiza u okviru poslovne statistike
pojavljuju pod različitim nazivima. Skupni indeks cijena se može računati za cijene
ugostiteljskih usluga, za cijene poljoprivrednih proizvoda, za cijene na malo, za cijene na
veliko itd.

Između posebnih oblika skupnog indeksa cijena nedvojbeno posebnu važnost ima skupni
indeks potrošačkih cijena, a od posebnih oblika skupnog indeksa količina svojim značajem se
izdvaja indeks fizičkog obujma.
Primjer 1.

Poznate su cijene i broj podanih komada pet vrsta mobilnih telefona u jednoj splitskoj
prodavaonici u ožujku 2015. godine i u ožujku 2016. godine.
a) Izračunajte Laspeyresov skupni indeks cijena i interpretirajte ga u konkretnom
slučaju.

b) Izračunajte Paascheov skupni indeks cijena i interpretirajte ga u konkretnom

slučaju.

c) Izračunajte Laspeyresov skupni indeks količina i interpretirajte ga u

konkretnom slučaju.

d) Izračunajte Paascheov skupni indeks količina i interpretirajte ga u konkretnom

slučaju.

e) Izračunajte skupni indeks vrijednosti i interpretirajte ga u konkretnom slučaju.

Rješenje primjera 7.4.:

Podaci su ispisani u radnom listu na slici 7.6 koji je dio rješenja primjera 7.4.
 Prije izračuna skupnih indeksa potrebno je znati cijenu i količinu prodanih mobitela u baznom
(početnom) razdoblju i izvještajnom (tekućem) razdoblju. Potrebno je odrediti izvještajno ili
tekuće razdoblje ( koje se u pravilu obilježava s 1) za koje se računa dinamika pojave i bazno
ili početno razdoblje ( koje se u pravilu obilježava s 0) u odnosu na koje se dinamika pojave
računa. U ovom primjeru bazno razdoblje za cijene i količine prodanih mobitela je ožujak
2015. godine, a izvještajno razdoblje je ožujak 2016. godine.

a) Laspeyresov skupni indeks cijena P01(q0)

Potrebno je izračunati za koliko su se promijenile cijene svih navedenih vrsta mobitela u
ožujku 2016. godine u odnosu na ožujak 2015. godine, računajući uz neizmijenjene količine
prodanih mobitela iz ožujka 2015. godine.
Formula za izračun Laspeyresov skupnog indeksa cijena P01(q0)je:
k

p q
i1 i0

P01(q0)  ik1 100

p q
i0 i0
i1

Za izračun P01(q0) treba izračunati umnožak cijena iz baznog razdoblja s količinama iz baznog

razdoblja i umnožak cijena iz izvještajnog razdoblja s količinama iz baznog razdoblja.

Slika 1. Cijene i broj podanih komada pet vrsta mobilnih telefona u jednoj splitskoj
prodavaonici u ožujku 2015. godine i u ožujku 2016. godine

Izvor: Izrada autora prema računovodstvenim podacima splitske prodavaonice

U MS Excelu nema gotove funkcije za izračun traženog indeksa. Potrebno je formirati novu
tablicu u kojoj treba izračunati sljedeće vrijednosti.
U ćeliju B13 upišite naziv stupca tablice „ pi0 qi0“, a u ćeliju D13 naziv stupca „ pi1 qi0“.

U ćeliju B14 unesite formulu = B6*C6, gdje B6 sadrži cijenu prve vrste mobitela u baznom
razdoblju, a C6 je ćelija koja sadrži broj prodanih komada (količinu) prve vrste mobitela u
baznom razdoblju. Kopirajte sadržaj ćelije B14 u bloku ćelija B15:B18.
U ćeliju D14 unesite formulu =D6*C6, gdje je D6 ćelija koja sadrži cijenu prve vrste mobitela
u tekućem razdoblju, a C6 je ćelija koja sadrži broj prodanih komada (količinu) prve vrste
mobitela u baznom razdoblju. Kopirajte sadržaj ćelije D14 u bloku ćelija D15:D18.
Za izračun indeksa potrebni su zbrojevi dobivenih umnožaka u blokovima ćelija.
U ćeliju B19 unesite formulu =SUM(B14:B18) ili označite blok ćelija B14:B18 i kliknite na
AutoSum (Automatski zbroj). U ćeliju D19 unesite formulu =SUM(D14:D18) ili kopirajte
sadržaj ćelije B19.
Na ekranu računala će biti sljedeći prikaz:
 U praznu ćeliju npr.D23 upišite formulu:
=D19/B19*100.
k

p q
i1 i0

P01(q0)  i 1
k 100  100  74,89
p q
i0 i0
i1

Laspeyresov skupni indeks cijena P01(q0)iznosi 74,89, što znači da su se cijene svih pet vrsta
mobilnih telefona prodanih u splitskoj prodavaonici u ožujku 2016. u odnosu na ožujak 2015.
godine, smanjile za 25,11 (74,89-100) indeksnih jedinica pod pretpostavkom da je broj
prodanih komada ostao isti kao u ožujku 2015. godine (računajući uz neizmijenjene količine
prodanih mobitela iz ožujka 2015. godine).

b) Paascheov skupni indeks cijena

Ponovo, ali sada drugim postupkom, treba izračunati za koliko su se promijenile cijene svih
navedenih vrsta mobitela u ožujku 2016. godine u odnosu na ožujak 2015. godine, računajući
uz neizmijenjene količine prodanih mobitela iz ožujka 2016. godine.
Formula za izračun Paascheovog skupnog indeksa cijena je:
k

p q
i1 i1

P01(q1)  ik1 100

 p q
i0 i1
i1

Za izračun P01(q1) je potrebno izračunati umnožak cijena iz izvještajnog razdoblja s

količinama iz izvještajnog razdoblja i umnožak cijena iz baznog razdoblja s količinama iz
izvještajnog razdoblja.

U ćeliju C13 upišite naziv stupca tablice „ pi0 qi1“, a u ćeliju E13 naziv stupca „ pi1 qi1“.

U ćeliju C14 unesite formulu =B6*E6, gdje je B6 ćelija koja sadržava cijenu prve vrste
mobitela u baznom razdoblju, a E6 ćelija koja sadrži broj prodanih komada (količinu) prve
vrste mobitela u izvještajnom razdoblju. Kopirajte sadržaj ćelije C14 u bloku ćelija C15:C18.
U ćeliju E14 unesite formulu =D6*E6, gdje je D6 ćelija koja sadrži cijenu prve vrste mobitela u
izvještajnom razdoblju, a E6 sadrži broj prodanih proizvoda (količinu) prve vrste mobitela u
izvještajnom razdoblju. Kopirajte sadržaj ćelije E14 u bloku ćelija E15:E18.
Za izračun indeksa potrebni su zbrojevi dobivenih umnožaka u blokovima ćelija.
U ćeliju C19 unesite formulu =SUM(C14:C18) ili označite blok ćelija C14:C18 i kliknite na
AutoSum (Automatski zbroj). U ćeliju E19 unesite formulu =SUM(E14:E18).
U praznu ćeliju npr.D24 upišite formulu: =E19/C19*100.

p q
i1 i1

P01(q1)  ik1 100  100  74,98

p q
i0 i1
i1
 Paascheov skupni indeks cijena P01(q1) iznosi 74,98, što znači da su se cijene svih pet vrsta

mobilnih telefona prodanih u splitskoj prodavaonici u ožujku 2016. u odnosu na ožujak 2015.

godine, smanjile za 25,02 (74,98-100) indeksnih jedinica pod pretpostavkom da je broj

prodanih komada bio isti kao u ožujku 2016. godine.

c) Laspeyresov skupni indeks količina

Potrebno je doznati za koliko su se promijenile prodane količine svih navedenih vrsta

mobitela u ožujku 2016. godine u odnosu na ožujak 2015. godine, uz uvjet neizmijenjenih
cijena mobitela iz ožujka 2015. godine.
Formula za izračun Laspeyresovog skupnog indeksa količina Q01(p0)je:
k

q i1 pi0
Q01(p0)  ik1 100

q i0 pi0
i1

Za izračun Q01(p0) je potrebno izračunati umnožak prodanih mobitela iz izvještajnog razdoblja

s cijenama iz baznog razdoblja i umnožak prodanih količina iz baznog razdoblja s cijenama iz
baznog razdoblja. Umnošci su već izračunati ali za izračun indeksa potrebni su zbrojevi
dobivenih umnožaka koji se nalaze u ćelijama B19 i C19. Provjerite ih još jednom prije
uvrštavanja u potrebnu formulu za izračun. U praznu ćeliju npr.D25 upišite formulu:
=C19/B19*100.

k
 q i1 pi0

Q01(p0)  ik1 100  100 172,39

q i0 pi0
i1
Laspeyresov skupni indeks količina Q01(p0) iznosi 172,39, što znači da je broj prodanih
komada (količine) svih pet vrsta mobilnih telefona prodanih u splitskoj prodavaonici u ožujku
2016. u odnosu na ožujak 2015. godine, porastao za 72,39 (172,39-100) indeksnih jedinica
pod pretpostavkom da su cijene ostale iste kao u ožujku 2015. godine.

d) Paascheov skupni indeks količina

Potrebno je odrediti, ali koristeći Paascheov skupni indeks količina, za koliko su se

promijenile prodane količine svih navedenih vrsta mobitela u ožujku 2016. godine u odnosu
na ožujak 2015. godine, uz pretpostavku neizmijenjenih cijena mobitela iz ožujka 2016.
godine. Formula za
k

q i1 i1p
izračun Paascheovog skupnog indeksa količina Q01(p1) je:Q01(p1)  i 1
k 100

q i0 pi1
i1

Za izračun Q01(p1) je potrebno odrediti umnožak broja prodanih mobitela iz izvještajnog

razdoblja s cijenama iz tog istog razdoblja i umnožak prodanih količina iz baznog razdoblja s
cijenama iz izvještajnog razdoblja. Umnošci su već izračunati ali za izračun indeksa potrebni
su zbrojevi dobivenih umnožaka koji se nalaze u ćelijama D19 i E19. Provjerite ih još jednom
prije uvrštavanja u potrebnu formulu za izračun. U praznu ćeliju npr.D26 upišite formulu:
=E19/D19*100.
k
qi1pi1
Q01(p1)  ik1100  103355 59880 100 172,60

qi0pi1
i1
Paasscheov skupni indeks količina Q01(p1) iznosi 172,60, što znači da je broj prodanih komada
(količine) svih pet vrsta mobilnih telefona prodanih u splitskoj prodavaonici u ožujku 2016. u
odnosu na ožujak 2015. godine, porastao za 72,60 (172,60-100) indeksnih jedinica pod
pretpostavkom da su cijene bile iste kao u ožujku 2016. godine.

e) Skupni indeks vrijednosti V01

Skupni indeks vrijednosti V01 može se izračunati na više načina, pomoću različitih formula.
1. Skupni indeks vrijednosti V01 može se izračunati tako da zbroj umnožaka količine i
cijena u izvještajnom razdoblju podijelimo sa zbrojem umnožaka količine i cijene u baznom
razdoblju.

U našem slučaju u MS Excelu kliknemo u praznu ćeliju (npr.:D27) =E19/B19*100=129,26.

2. Skupni indeks vrijednosti V01 može se izračunati kao umnožak Laspeyresovog

skupnog indeksa cijena P01(q0) i Paascheovog skupnog indeksa količina Q01(p1) podijeljeno sa

100.

U našem slučaju u MS Excelu kliknemo u praznu ćeliju (npr.:D28) =D23*D26/100.

P01(q0)Q01(p1) 74,89172,39
V01   129,26 100 100

1. Skupni indeks vrijednosti V01 može se izračunati kao umnožak Paascheovog skupnog

indeksa cijena P01(q1) i Laspeyresovog skupnog indeksa količina Q01(p0) podijeljeno sa 100.

U našem slučaju u MS Excelu kliknemo u praznu ćeliju (npr.:D29) =D24*D25/100.

P01(q1)Q01(p0) 74,98172,39
V01   129,26
100 100

Skupni indeks vrijednosti V01 iznosi 129,26, što znači da je vrijednost prodaje za svih pet vrsta
mobilnih telefona prodanih u splitskoj prodavaonici u ožujku 2016. u odnosu na ožujak 2015.
godine, porasla za 29,26 (129,26-100) indeksnih jedinica.
 Pri rješavanju primjera 7.4, tablica se može formirati i na sljedeći način:

Tablica 2. Cijene i broj podanih komada pet vrsta mobilnih telefona u jednoj splitskoj
prodavaonici s pripadajućim međurezultatima u ožujku 2015. godine i u ožujku 2016. godine

Ožujak 2015. Ožujak 2016.

godine godine

broj broj
Vrsta mobilnog Cijena p prodanih Cijena p prodanih
telefona i0 komada i1 komada
q i0 q i1 p i0 · q i0 p i1 · q i0 p i1 · q i1 p i0 · q i1
I phone 6 5850 5 4250 11 29250 21250 46750 64350
I phone 5 4100 2 3340 4 8200 6680 13360 16400
Samsung Galaxy A5 2719 8 2070 17 21752 16560 35190 46223
LG G3 3295 6 2445 3 19770 14670 7335 9885
Samsung S-56 11 495 2 360 2 990 720 720 990
Ukupno 79962 59880 103355 137848
Izvor: Izrada autora prema računovodstvenim podacima splitske prodavaonice

-
7.1.4. Odabrani skupni indeksi

Skupni indeksi se prema potrebama raznih ekonomskih analiza u okviru poslovne statistike
pojavljuju pod različitim nazivima. Skupni indeks cijena se može računati za cijene
ugostiteljskih usluga, za cijene poljoprivrednih proizvoda, za cijene na malo, za cijene na
veliko itd.

Između posebnih oblika skupnog indeksa cijena nedvojbeno posebnu važnost ima skupni
indeks potrošačkih cijena, a od posebnih oblika skupnog indeksa količina svojim značajem se
izdvaja indeks fizičkog obujma.

7.1.4.1.Indeks potrošačkih cijena

Indeks potrošačkih cijena formiraju, prate i objavljuju u svojim publikacijama službene osobe
državnih statističkih institucija. To radi i DZS svakog mjeseca za područje RH.

Ova posebna vrsta skupnog indeksa cijena odražava promjene u razini cijena dobara i usluga
koje nabavlja, koristi se njima ili ih plaća referentno stanovništvo (privatna kućanstva) radi
finalne potrošnje.

U RH se ovaj indeks izračunava kao vagana aritmetička sredina cijena reprezentativne

košarice od 869 proizvoda i usluga. Za pondere su uzeti udjeli u potrošnji rezidentnih
kućanstava na domaćem teritoriju koji se temelje na rezultatima Ankete o potrošnji
kućanstava koju DZS redovito provodi od 1998. godine. Svakog mjeseca se prikuplja oko
36 700 cijena na unaprijed definiranom uzorku prodajnih mjesta na 9 zemljopisnih lokacija
(Zagreb, Slavonski Brod, Osijek, Sisak, Rijeka, Pula, Split, Dubrovnik i Varaždin). Indeks
potrošačkih cijena je sastavni dio službenih izvješća DZS od 2004. godine. Od tada su
službena statistička izvješća RH usklađena sa svjetskim obračunima i pokazateljima, a
prethodno je za iste statističke svrhe korišten indeks troškova života.
Indeks potrošačkih cijena ima različite namjene, a redovito se koristi za:

a) mjerenje inflacije,

b) očuvanje vrijednosti kod ugovora s indeksnim klauzulama (indeksiranje plaća u

kolektivnim ugovorima, indeksiranje mirovina i slično)

197
 9. TREND KOMPONENTA VREMENSKOG NIZA

Vremenski niz kao kronološki uređen niz podataka se može sastojati od više različitih
komponenata. To su:

a) trend komponenta,

b) kalendarska komponenta,

c) sezonska komponenta,

d) ciklička komponenta i

e) iregularna (slučajna) komponenta.

Kalendarska komponenta je vezana uz pojave koje ovise o pomičnim blagdanima i

praznicima unutar kalendara iste godine. Tu komponentu ima npr. niz Broj turista koji su
tijekom travnja posjetili Zvjezdano selo na Mosoru od 2005. do 2016. godine. Broj turista će
uvelike ovisiti o datumu Uskrsa, kao pomičnog blagdana, tih godina.

Sezonsku komponentu ima pojava koja se približno isto obnavlja unutar jedne godine. Primjer
je Broj noćenja domaćih turista po mjesecima u Splitsko-dalmatinskoj županiji od 2001. do
2016. godine.

Ciklička komponenta je komponenta pojave koja se približno isto obnavlja u razdoblju od

dvije ili više godina. Tu bi komponentu mogao imati npr. Broj navijača hrvatske nogometne
reprezentacije koji su letjeli zrakoplovima Croatia Airlines-a, jer se svjetsko i europsko
nogometno prvenstvo organizira svake četiri godine.

Iregularna ili slučajna komponenta uključuje sve nesustavne značajke koje utječu na razvoj
pojave u vremenu. Ta komponenta daje pojavi stohastički značaj. Sve ostale komponente
statistički niz može, ali ne mora nužno sadržavati, a iregularnu ili slučajnu komponentu ima
svaki statistički niz.

259
Vremenski nizovi koji prate kretanje ekonomskih pojava gotovo redovito sadrže trend
komponentu. Stoga je upravo analiza trend komponente vremenskih nizova od posebnog
značaja u poslovnoj statistici, pa će joj i na ovom mjestu biti posvećeno nešto više pažnje.

Ako je vremenski niz stacionaran, to znači da ne sadrži trend komponentu. Ako niz ima
dugoročnu tendenciju rasta ili pada, tada kažemo da sadrži trend. Trend ima vrlo različite
oblike pojavljivanja. Najčešći oblici pojavljivanja trenda u praksi su:

a) trend polinomi k-tog stupnja,

b) eksponencijalni trend modeli,

c) hiperbolični trend modeli i

d) asimptotski trend modeli.

9.1. Trend polinomi k-tog stupnja

Ako vremenski niz ima dugoročnu tendenciju kretanja koja se može opisati trend polinomom
k-tog stupnja tj. ako se njegovo kretanje može matematički opisati na sljedeći način:

Yˆ ˆ0 ˆ1X ˆ2X 2  ... ˆkX k (120)

govorimo o trend polinomu k-tog stupnja. Formulom (120) definiran je procijenjeni model
trend polinoma k - tog stupnja, koji se kao i ostali trend modeli ovog oblika ubraja u aditivne
modele. Ocjena parametara ove skupine modela se dobije korištenjem standardne metode
najmanjih kvadrata. Ocjenjuje se (k + 1) parametar trend polinoma.

Pri određivanju stupnja trend polinoma općenito vrijedi da su za trend polinom k - tog
stupnja k - te diferencije vrijednosti vremenskog niza približno konstantne:

k yt  const. (121)

pri čemu je k k - ta diferencija vrijednosti vremenskog niza.

260
Najvažniji među njima u analizama poslovne statistike i model koji je najčešće u uporabi je
model linearnog trenda za koji je k = 1.

9.1.1.Model linearnog trenda

Ako se vrijednost promatrane pojave iz razdoblja u razdoblje mijenja za približno isti

apsolutni iznos odnosno ako su prve diferencije približno konstantne, vrijedi:

 yt  yt  yt1  const. (122)

Linearno kretanje (pozitivno ili negativno) vrijednosti promatranog vremenskog niza kroz
vrijeme se može koristiti i za prognoziranje vrijednosti pojave u budućim vremenskim
razdobljima. To se radi na temelju ocijenjenog trend modela uz pretpostavku da će se pojava i
nakon promatranog razdoblja nastaviti kretati u približno jednakim uvjetima i na približno
jednak način kao i u razdoblju za koje je ocijenjen trend model. Opći oblik linearnog trend
modela je:

yt 0 1  xt et

(123)

gdje je:

yt - vrijednosti zavisne varijable, xt - vrijednosti nezavisne

varijable koja uvijek predstavlja vrijeme i et - greške relacije.

Postupak ocjenjivanja parametara linearnog trend modela istovjetan je postupku ocjene

jednostavnog linearnog regresijskog modela. Jedino što je dodatno potrebno odrediti i
ishodišno razdoblje kojemu se dodjeljuje vrijednost 0. Ishodišno razdoblje može biti bilo koje
u nizu, a ako nula nije prva u nizu, razdoblja prije nultog unatrag imaju vrijednosti: -1,-2,-
3…, a prema naprijed su vrijednosti: 1,2,3,…

Ocijenjeni linearni trend model ima sljedeći oblik:

Yˆ  ˆ0  ˆ1X (124)

 

261
Za ocjene parametara 0 i 1 se koristi metoda najmanjih kvadrata, koja minimizira

rezidualni zbroj kvadrata:

2
n  n  n  

   
min et2  min (yt  yt )2 min yt  (0 1 xt ) 
(125)
t1 t1 t1 

Matematičkim postupkom traženja minimuma dobivaju se kao rješenje jednadžbe ocjena

parametara:

x y  nXY t t

ˆ1  t1n (126)

x t2  nX 2
t1

ˆ 0  Y ˆ1X (127)

gdje su:

x t

X  t1 (128)
n

y t (129)

Y  t1 n

Ocijenjeni linearni trend model sa svim potrebnim oznakama je:

Yˆ  ˆ0 ˆ1X

X=0, ishodište

262
 Jedinica za X=…

Jedinica za Y=…

Konstantni član modela 0 predstavlja očekivanu vrijednost pojave u ishodišnom razdoblju

 

tj. kada je nezavisna varijabla jednaka nuli. Ocjena parametra 0  Y kada je X = 0.

Regresijski koeficijent 1 pokazuje prosječnu promjenu zavisne varijable kada nezavisna

varijabla poraste za jedinicu vremena. Tako nam regresijski parametar daje informaciju o
prosječnoj apsolutnoj promjeni pojave u promatranoj jedinici vremena (najčešće je to godina,
mjesec, kvartal i sl.).

Nakon ocjene parametara trend modela potrebno je ocijeniti i njegovu reprezentativnost.

Temelj analize reprezentativnosti trend modela je jednadžba analize varijance:

SPSR  ST (130)

Zbroj kvadrata protumačenog dijela odstupanja vrijednosti varijable vremenskog niza Y od

aritmetičke sredine obilježava se SP i računa prema formuli (61) kao zbroj kvadrata
odstupanja ocijenjenih vrijednosti varijable Y od aritmetičke sredine. Postupak izračuna je
sukladan postupku računanja SP kod jednostavnog linearnog regresijskog modela.

SR je zbroj kvadrata neprotumačenog dijela odstupanja vrijednosti varijable Y od aritmetičke

sredine, a računa se kao zbroj kvadrata odstupanja originalnih ili empirijskih vrijednosti
varijable Y od regresijskih ili vrijednosti ocijenjenih pomoću trend modela. Ova odstupanja
su po definiciji procjene grešaka relacije et ili rezidualna odstupanja. Zbroj kvadrata
rezidualnih odstupanja se računa po formuli (62) jer je postupak izračuna SR za jednostavni
linearni trend sukladan postupku računanja SR kod jednostavnog linearnog regresijskog
modela.

ST je zbroj kvadrata ukupnih odstupanja vrijednosti varijable vremenskog niza Y od njezine

aritmetičke sredine. Računa se prema formuli (63) jer je i ovaj postupak izračuna ST za

263
jednostavni linearni trend sukladan postupku računanja ST kod jednostavnog linearnog
regresijskog modela.

Apsolutni pokazatelj reprezentativnosti trend modela je standardna greška. Standardna greška

trend modela pokazuje prosječno odstupanje stvarnih vrijednosti zavisne varijable od
očekivanih trend vrijednosti. Računa se na sljedeći način:

SR

ˆYˆ  n 2 (131)

Relativni pokazatelj reprezentativnosti je koeficijent varijacije trend modela koji predstavlja

postotak standardne greške trend modela od aritmetičke sredine varijable Y.

ˆYˆ
VˆYˆ  100
Y (132)

Najmanja vrijednost koeficijenta varijacije može teorijski poprimiti 0%, a najveću nije
moguće definirati. Što je koeficijent varijacije trend modela bliži nuli, to je model u pravilu
reprezentativniji.

Još jedna vrlo važna mjera reprezentativnosti trend modela je koeficijent determinacije.
Koeficijent determinacije trend modela, kao kvadrat Pearsonovog koeficijenta linearne
korelacije je omjer zbroja kvadrata odstupanja protumačenih trend modelom i zbroja kvadrata
ukupnih odstupanja.

2 SP
R (133)
ST

Koeficijent determinacije pokazuje postotak zbroja kvadrata ukupnih odstupanja vrijednosti

varijable Y od aritmetičke sredine koji je protumačen linearnim trend modelom.

Koeficijent determinacije se može izračunati i korištenjem rezidualnog zbroja kvadrata na

sljedeći način:

264
 SR (134)
2
R 1
ST

Vrijednost koeficijenta determinacije kreće se u intervalu 0  R2 1. Trend model je

reprezentativniji ako je vrijednost ovog pokazatelja bliža 1.

9.2. Eksponencijalni trend modeli

Vremenski niz ima dugoročnu tendenciju kretanja u obliku eksponencijalnog trenda k - tog
stupnja ako se njegovo kretanje može matematički opisati na ovaj način:

Y  0 1x 2x ...k x t

2 k

(135)

pri čemu su t greške modela.

Ocjena parametara eksponencijalnog trenda bilo kojeg stupnja se vrši metodom najmanjih
kvadrata. Pri tome se u pravilu provodi linearizacija korištenjem logaritamske transformacije
modela.

Ako su k-te diferencije logaritama vrijednosti vremenskog niza približno konstantne:

k (log yt)  const.

(136)

ocjenjuje se (k + 1) parametar eksponencijalnog trend modela.

Ocjena parametra 0 predstavlja trend vrijednost u ishodištu za sve trend modele odnosno

ocijenjenu vrijednost zavisne varijable Y u nultom vremenskom intervalu odnosno momentu.

ˆ
U poslovnoj statistici je posebno značajna ocjena parametra trenda  1 jer se pomoću nje

računa prosječna stopa promjene:

265
S  (ˆ1 1)100 (137)

Prosječna stopa promjene označava stopu po kojoj se u promatranoj jedinici vremena

(godišnje, mjesečno, kvartalno…) prosječno mijenja vrijednost pojave kroz čitavo
promatrano razdoblje.

9.2.1. Jednostavni eksponencijalni trend model

Dugoročno kretanje vrijednosti pojave se može aproksimirati jednostavnim eksponencijalnim

trendom prvog stupnja ako je k=1. Pri tome se ocijenjeni oblik jednostavnog
eksponencijalnog trend modela matematički opisuje na ovaj način:

ˆ ˆ ˆ
Y   0  1X (138)

Jednostavni eksponencijalni trend model se koristi za prikazivanje razvoja pojava koje se

mijenjaju od razdoblja do razdoblja za približno isti relativni iznos. Drugim riječima,
jednostavni eksponencijalni trend je prikladno koristiti za prikaz kretanja vrijednosti
vremenskog niza čiji su verižni indeksi približno isti.

Ovaj opći oblik jednostavnog eksponencijalnog trenda se logaritamskom transformacijom

prevodi u linearni oblik:

ˆ ˆ ˆ
logY  log 0 log 1  X
(139)

Ocjena parametara se dobije metodom najmanjih kvadrata uvažavajući temeljni kriterij

minimalizacije zbroja kvadrata neprotumačenih ili rezidualnih odstupanja:

n  n 2

min SR  min(log yt log yt )2  min log y (logˆ  logˆ x )

t 0 1 t

(140)
t1 t1

266
Nakon primjene matematičkog postupka traženja minimuma dobiju se logaritmirane ocjene
parametara:

 x log y  nlogY
t t

logˆ1  t1 n (141)

x t2  n X 2
t1

logˆ0  logY  logˆ1X (142)

gdje su:

x t

X t1
(143) n

log y t

logY  t1 (144)

n

Postupkom antilogaritmiranja dolazi se do traženih ocjena izvornih parametara trend modela:

ˆ0 10logˆ 0 (145)

ˆ
ˆ1 10logˆ (146) Koeficijent
1 0 je ocjena konstantni član, tj. trend vrijednost pojave u

ˆ Yˆ
ishodištu, 0  kada je X=0.

ˆ
Ocjena parametra  1 pokazuje ocjenu tempa ili dinamike kretanja zavisne varijable Y (u %)

kada nezavisna varijabla poraste za jedinicu vremena. To je pokazatelj prosječne relativne

promjene zavisne varijable kada nezavisna varijabla ima jedinični prirast u vremenu.
267
 ˆ
U poslovnoj statistici je posebno značajna ocjena parametra trenda  1 jer se pomoću nje

računa prosječna stopa promjene:

S  (ˆ1 1)100 (147)

Prosječna stopa promjene kazuje stopu po kojoj se u promatranoj jedinici vremena (godišnje,
mjesečno, kvartalno…) prosječno mijenja vrijednost vremenskog niza kroz čitavo promatrano
razdoblje.Računanje prosječne stope promjene na ovaj način ima značajnu prednost pred
računanjem putem geometrijske sredine. Ovim se postupkom uzimaju u obzir sve vrijednosti
vremenskog niza u promatranom razdoblju, a ne samo prva i posljednja od njih, kao što je to
slučaj pri računanju geometrijske sredine verižnih indeksa.

Reprezentativnost jednostavnog eksponencijalnog trend modela se, kao i kod regresijskih

modela istog matematičkog oblika, temelji na jednadžbi analize varijance.

Jednadžba analize varijance kod modela jednostavnog eksponencijalnog trenda se, također,
transformira logaritmiranjem na sljedeći način:

 
n log yt
ˆ
SP  n log yt logY 2  log 0

log 1n xt
ˆ
log yt nlogY2
t1   t1 t1

2
n  n n n

  ˆ
  log2 yt log yt log 1xt log yt
ˆ
SR   log yt log yt (149)

log 0

t1   t1 t1 t1

2
n
n

ST   log y logY  log y nlogY

t
2
t 2

(150)
t1 t1

268
Pri tome vrijedi da je zbroj kvadrata ukupnih odstupanja jednak zbroju kvadrata odstupanja
protumačenih jednostavnim eksponencijalnim trend modelom i zbroja kvadrata slučajnih
grešaka ili rezidualnih odstupanja:

ST  SP SR (151)

Standardna greška trenda se i za jednostavni eksponencijalni trend računa iz ocjene zbroja

kvadrata rezidualnih odstupanja. Pri tome se elementi analize varijance računaju iz
transformiranih vrijednosti:

SR
ˆlogYˆ  (152)
n 2

Relativni pokazatelj reprezentativnosti, koeficijent varijacije trenda, je:

ˆ ˆ

ˆ
V logYˆ 
logY
100
(153)
logY

Ako je koeficijent varijacije manji od 10% model je u pravilu dobar reprezentant kretanja
pojave u promatranom razdoblju.

Koeficijent determinacije je, također, pokazatelj reprezentativnosti modela. Temelji se na

analizi varijance i definira kao omjer zbroja kvadrata odstupanja protumačenih trend
modelom i zbroja kvadrata ukupnih odstupanja.

2 SP
R 100 (154) ST

Koeficijent determinacije pokazuje postotak ukupnog zbroja kvadrata odstupanja logaritama

vrijednosti zavisne varijable Y od aritmetičke sredine njenih logaritamskih vrijednosti koji je
protumačen trend modelom.

269
Koeficijent determinacije se može izračunati i pomoću rezidualnog zbroja kvadrata, preciznije
koristeći koeficijent alijenacije A2 , koji predstavlja omjer rezidualnog zbroja kvadrata i zbroja
kvadrata ukupnih odstupanja.

R2 1 A2 (155)
Vrijednost koeficijenta determinacije kreće se u intervalu 0  R2 1. Trend model je
reprezentativniji ako je vrijednost ovog pokazatelja bliža 1.

9.3. Hiperbolički trend modeli

Ako vremenski niz ima dugoročnu tendenciju kretanja u obliku hiperboličkog trenda k-tog
stupnja njegovo se kretanje može ocijeniti modelom (156) odnosno matematički opisati na
sljedeći način:

Yˆ 
ˆ ˆ1X ˆ21X2  ... ˆkXk (156)
0

Drugim riječima, ako su k-te diferencije recipročnih vrijednosti vremenskog niza približno
konstantne ocjenjuje se hiperbolički trend (k + 1) stupnja:

k
1
( )  const. (157) yt

Parametri hiperboličkih trend modela se ocjenjuju metodom najmanjih kvadrata. Pri tome se,
kao i kod eksponencijalnih trend modela, vrši prethodno linearizacija putem logaritamske
transformacije. Kod hiperboličkih trend modela se vrši logaritamska transformacija u obliku
recipročnih vrijednosti vremenskog niza. Takav model je linearan u parametrima. Svi ostali
postupci su sukladni postupcima pri ocjenjivanju i ispitivanju reprezentativnosti
eksponencijalnih trend modela.

U poslovnoj statistici se najčešće ocjenjuju hiperbolički trend modeli prvog stupnja.

270
271
 c) usporedbu kretanja cijena između gospodarskih sektora iste zemlje,

d) deflacioniranje pojedinih kategorija nacionalnih računa i ostalih statističkih nizova

makroekonomskih kategorija.

Potrebno je napomenuti da, iako je indeks potrošačkih cijena jedinstvena i opća mjera
inflacije u RH, on je samo mjeritelj kretanja cijena dobara i usluga osobne potrošnje, a ne
stvarnih promjena razlike i strukture osobne potrošnje, za koje se podaci prikupljaju
posebnim anketama.

Indeks potrošačkih cijena se računa na temelju indeksnih lista reprezentativnih proizvoda i

usluga i odgovarajućih pondera koristeći modificiranu Laspeyresovu formulu:

n
pn
 W 0

i1 p0 (103)
It  n 100

W 0
i1

pri čemu je :

pn - cijena dobara i usluga u tekućem razdoblju, po

- cijena dobara i usluga u baznom razdoblju,

Wo - relativna struktura vrijednosti prodaje u baznom razdoblju, a

It - indeks potrošačkih cijena.

Pomoću ovog indeksa mjeri se utjecaj potrošačkih cijena na nominalne plaće. U poslovnoj
statistici posebno mjesto zauzima analiza, izračun i praćenje kretanja realnih plaća koje
odražava kretanje životnog standarda stanovništva.

Pri tome se odnos nominalnih i realnih plaća definira na sljedeći način:

Realna plaća = šč
∙ 100
 198

ć
Indeks realnih plaća = ∙ 100 (105) š č

Pri tome je važno da se iznosi realne i nominalne plaće kao i svih vrsta skupnih indeksa u
navedenim izračunima odnose na isto vremensko razdoblje.

7.1.4.2. Indeks fizičkog obujma

Indeks fizičkog obujma je poseban oblik skupnog indeksa količina. U proceduri njegovog
izračuna se statističkim postupkom deflacioniranja uklanja utjecaj cijena iz pokazatelja
vrijednosti. Na taj način se može sagledati kretanje odgovarajućih pokazatelja u fizičkom
obujmu odnosno u realnom iznosu. Deflacioniranje se vrši na sljedeći način:

ć
Indeks fizičkog obujma = ∙ 100 (106)

ć
Vrijednost u stalnim cijenama = ∙ 100 (107)

Bitno je napomenuti da svi korišteni indeksi u postupku deflacioniranja trebaju biti izračunati
po istoj bazi radi konzistentnosti i usporedivosti podataka. Svi skupni indeksi u formulama
(106) i (107) trebaju se, također,odnositi na isto vremensko razdoblje.
 199
8. SREDNJE VRIJEDNOSTI VREMENSKIH NIZOVA

Potpuna brojčana analiza vremenske pojave sadrži i utvrđivanje vrijednosti statističkih

pokazatelja koji odražavaju značajke razvoja te pojave u vremenu. Takvi pokazatelji su
srednje vrijednosti vremenskih nizova. Za potrebe brojčanih analiza u poslovnoj statistici
najčešće se koriste:

a) aritmetička sredina,

b) kronološka sredina,

c) geometrijska sredina i

d) trend.

8.1. Aritmetička sredina

Pomoću aritmetičke sredine se može izračunati prosječna vrijednost pojave po jedinici

vremena. Međutim, to nije moguće bezuvjetno već samo za frekvencije intervalnog
vremenskog niza koje ne variraju sustavno s vremenom. Drugim riječima, aritmetičku sredinu
kao mjeru centralne tendencije vremenskog niza koristimo samo kod stacionarnih vremenskih
nizova. Računamo je prema formuli:

y t

Y t1
(108)
N

Poznati su statistički postupci kojima bi se omogućila primjena aritmetičke sredine kao mjere
centralne tendencije i u slučajevima nestacionarnosti vremenskog niza. Naime, ako pojava
ima tendenciju rasta s vremenom, aritmetička sredina će neko vrijeme, kao mjera centralne
tendencije, precjenjivati niz, da bi ga nakon nekog vremena počela podcjenjivati. To bi se
moglo otkloniti uvođenjem linearne transformacije frekvencija vremenskog niza.

252
Ako je aritmetička sredina primijenjena kao mjera centralne tendencije vremenskog niza,
njena reprezentativnost se može mjeriti apsolutnom mjerom disperzije, prema formuli:
 N

(y Y) t
2

y2  t1 (109)

N

Osim standardne devijacije (y ) koja se dobije kao pozitivni drugi korijen iz varijance

(y2), definirane formulom (109), reprezentativnost aritmetičke sredine vremenskog niza se

može izraziti i relativno putem koeficijenta varijacije:

y2
V 100 (110)
Y

8.2. Kronološka sredina

Kod trenutačnih vremenskih nizova frekvencije često ne variraju sustavno s vremenom.

Svaka frekvencija u tim slučajevima pokazuje razinu pojave u određenom vremenskom
trenutku, pa bi određivanje centralne tendencije kretanja u vremenu korištenjem aritmetičke
sredine bilo neprimjereno. U statističkom smislu glavni razlog je što frekvencije trenutačnih
vremenskih nizova nemaju svojstvo kumulativnosti.

Stoga se za računanje prosječne vrijednosti trenutačnih vremenskih nizova upotrebljava

vagana sredina njegovih frekvencija, pri čemu su ponderi veličine vremenskih razmaka.

Vagana sredina frekvencija trenutačnih vremenskih nizova naziva se kronološka sredina i

računa pomoću formule:

W  y t t

Y t1
N (111)

W t
t1

pri čemu su Wt ponderi određeni na temelju različitih veličina vremenskih intervala.

254
Ako je trenutačni vremenski niz nastao promatranjem razine pojave u jednako udaljenim
vremenskim točkama, ako je npr. promatranje provedeno početkom ili krajem razdoblja
(godine, kvartala, mjeseca) koristi se sljedeći izraz za kronološku sredinu:

y1 YN N1

  yt
2
Y t2
(112)
N 1

Izračunavanje kronološke sredine se može pojednostavniti i korištenjem linearne

transformacije frekvencija vremenskog niza.

Ako vremenski niz ima dugoročnu tendenciju rasta ili pada u vremenu i što je ona jače
izražena, manja je reprezentativnost kronološke sredine takvog niza. Općenito se
reprezentativnost kronološke sredine mjeri varijancom kronološke sredine kao apsolutnom
mjerom disperzije uvažavajući pri tome i pondere na sljedeći način:

W (y Y)
t t
2

y2  t1 (113)

N

pri čemu su Wt definirani kao u formuli (111).

Kao pozitivni drugi korijen iz varijance dobije se apsolutna mjera disperzije, standardna
devijacija, koja je najčešće u uporabi i izražena je u jedinicama originalnih frekvencija
promatranog niza.

Relativna mjera disperzije, koeficijent varijacije, koja pokazuje postotni dio vrijednosti
standardne devijacije od vrijednosti prethodno izračunate sredine vremenskog niza računa se
na uobičajeni način.

8.3. Geometrijska sredina

Geometrijsku sredinu kao mjeru centralne tendencije vremenskog niza možemo izračunati na
dva načina i to kao:

255
 a) geometrijsku sredinu vremenskog niza i

b) geometrijsku sredinu verižnih indeksa.

Geometrijska sredina vremenskog niza se računa pomoću sljedeće formule:

G  N  yt (114)
t1

Geometrijska sredina vremenskog niza se na ovaj način vrlo rijetko računa u statističkim
analizama. Razlog je jednostavan i leži u činjenici da ovako izračunata srednja vrijednost
nema logičnu interpretaciju.

Nasuprot tome, geometrijska sredina verižnih indeksa ima značajnu i vrlo široku primjenu u
poslovnoj statistici, posebno pri računanju prosječne stope promjene promatranog
vremenskog niza.

Prosječna stopa promjene se računa pomoću geometrijske sredine verižnih indeksa

podijeljenih sa 100 na sljedeći način:

N Vt

G  N1 t2 100 (115)

pri čemu je Vt verižni indeks u vremenu t.

Prosječna stopa promjene po jedinici vremena se izračunava primjenom sljedeće formule:

S  (G 1)100 (116)

Primjenom jednostavnih matematičkih postupaka (kraćenjem) dobije se sljedeća formula koja

je zbog svoje jednostavnosti redovito u uporabi pri računanju geometrijske sredine verižnih
indeksa:

256
 yN
G  N y1 1
(117)

Jednostavnost ovakvog izračuna ujedno je i najveća zamjerka geometrijskoj sredini verižnih

indeksa podijeljenih sa 100, kao mjeri prosječnog tempa promjene, jer koristi samo prvu i
posljednju vrijednost vremenskog niza. Samo ako su u ovakvim slučajevima uzastopne stope
promjene približno jednake, geometrijska sredina je reprezentativna i može se koristiti u
prognostičke svrhe.

Ako raspolažemo samo vrijednostima baznih indeksa vremenskog niza, a nemamo izvorne
podatke, prosječnu stopu promjene možemo izračunati i iz baznih indeksa na ovaj način:

IN
G  N I1 1

(118)

Pri tome je svejedno koja se baza (bazno razdoblje) odabire pri računanju indeksa na stalnoj
bazi.

Prosječnu stopu promjene se i u ovom slučaju računa prema formuli (116) kao i pri uporabi
originalnih vrijednosti vremenskog niza.

Vrlo česti motiv i cilj računanja prosječne stope promjene vremenskog niza je prognoziranje
njegovih vrijednosti u budućnosti.

Pomoću geometrijske sredine verižnih indeksa se mogu prognozirati vrijednosti pojave u

budućim vremenskim razdobljima ako:

a) su uzastopne stope promjena približno jednake i ako

b) se pretpostavlja da će prosječna stopa promjene ostati približno konstantna.

Uz navedene uvjete prognoza pojedinačnih vrijednosti pojave u narednim vremenskim

razdobljima se izračunava na sljedeći način:

257
Y  y1 Gt1 (119)

Primjer 8.1.

Na slici 7.1. su prikazani podaci o broju noćenja stranih turista u Splitsko-dalmatinskoj

županiji u razdoblju od 2001. do 2013. godine. Koristeći geometrijsku sredinu verižnih
indeksa podijeljenih sa 100 izračunajte:

a) Koliko iznosi prosječna godišnja stopa promjene broja noćenja stranih turista u
Splitsko-dalmatinskoj županiji u razdoblju od 2001. do 2013. godine?

258
 3. KARAKTERISTIKE STATISTIČKIH NIZOVA

Karakteristike, temeljne osobine kojima najčešće predstavljamo određeni statistički niz su: a)

srednje vrijednosti,

b) relativni brojevi,

c) mjere disperzije,

d) mjere asimetrije i

e) mjere zaobljenosti.

3.1. Srednje vrijednosti

Srednja vrijednost kao reprezentant statističkog niza zamjenjuje svaku pojedinačnu vrijednost
obilježja koju imaju jedinice promatranog statističkog skupa. Stoga je srednja vrijednost
mjera centralne tendencije odnosno vrijednost oko koje se gomilaju podaci statističkog niza.
Srednja vrijednost se koristi, poput imena i prezimena građanina, da bi se time opisao skup
varijabilnih podataka. S obzirom na obuhvat jedinica statističkog niza pri njihovom računanju
sve srednje vrijednosti se mogu podijeliti u dvije skupine: potpune srednje vrijednosti i
položajne srednje vrijednosti.

3.1.1. Potpune srednje vrijednosti

Potpune srednje vrijednosti se mogu izračunati samo za numerička obilježja. Naziv su dobile
zbog činjenice da njihov izračun uvažava sve pojedinačne vrijednosti varijable. U potpune
srednje vrijednosti se ubrajaju:

a) aritmetička sredina,

b) geometrijska sredina i

c) harmonijska sredina.

3.1.1.1. Aritmetička sredina

Aritmetička sredina je najčešće korištena potpuna srednja vrijednost koja u pravilu odgovara
pojmu prosjeka odnosno prosječne vrijednosti u svakodnevnom govoru i primjeni.
Aritmetička sredina se računa kao omjer zbroja vrijednosti numeričke varijable i opsega
statističkog skupa. Zbroj svih vrijednosti numeričke varijable odnosno ukupna vrijednost
numeričkog obilježja svih jedinica statističkog skupa je total statističkog skupa. Aritmetička
sredina je, dakle, omjer totala i opsega statističkog skupa.

Aritmetička sredina je jednostavna ako se računa za negrupirane numeričke podatke i tada se

koristi sljedeća formula:
N

 i1 xi x1 x2  ...xN (4) X  

N N

Za numerički statistički niz grupiran u razrede se računa složena, ponderirana ili vagana
aritmetička sredina pomoću sljedeće formule:

fx i i

i1 f1x1  f2x2  ...  fk xk f1x1  f2x2  ...  fk xk (5)

X k  
f i f1  f2  ...  fk N
i1

Relativne frekvencije su proporcionalne apsolutnim frekvencijama te se aritmetička sredina

numeričkog niza s relativnim frekvencijama računa na sljedeći način:

 fr x i i

i1 fr1x1  fr2x2  ...  frk xk fr1x1  fr2x2  ...  frk xk (6)
X k  
fr1  fr2  ...  frk 100
 fr i
i1

Aritmetička sredina se najčešće upotrebljava kako u svakodnevnoj praksi tako i za potrebe

stručnih i znanstvenih istraživanja. Svojstva aritmetičke sredine su:
 a) Aritmetička sredina se nalazi između najmanje i najveće individualne vrijednosti
obilježja koje imaju jedinice promatranog numeričkog statističkog niza:

xmin Xxmax (7)

b) Zbroj odstupanja individualnih vrijednosti obilježja od vrijednosti aritmetičke

sredine je jednak nuli:

(x  X) 0 i (8)
i1

Jednakost (8) vrijedi ako se radi o negrupiranim numeričkim podacima, a za distribuciju

frekvencija vrijedi:
k

 f (x  X)0i i (9)
i1

c) Zbroj kvadrata odstupanja individualnih vrijednosti obilježja od vrijednosti

aritmetičke sredine je minimalan.

N N

(x  X) (x a)

i
2
i
2
(10)
i1 i1

Dok nejednadžba (10) vrijedi za negrupirane numeričke podatke, za distribuciju frekvencija

vrijedi sljedeće:
k k

 f (x  X)  f (x a)
i i
2
i i
2
(11) i1 i1

Svojstvo b) i c) se provjerava na isti način ako su frekvencije relativne.

3.1.1.2. Geometrijska sredina

Geometrijska sredina se u poslovnoj statistici najčešće koristi za izračun prosječne stope
odnosno tempa promjene kod vremenskih nizova. Geometrijska sredina negrupiranih
numeričkih podataka računa se prema izrazu:

G  N x1  x2  x3...xn (12)

U slučajevima kada su jedinice statističkog skupa grupirane u razrede koristi se ova formula:

G  N x1 f1  x2 f2  x3 f3...xn fn (13)
3.1.1.3. Harmonijska sredina

Harmonijska sredina predstavlja recipročnu vrijednost aritmetičke sredine recipročnih

vrijednosti numeričkog obilježja.

Za negrupirane numeričke podatke se računa jednostavna harmonijska sredina:

1 N
H  N  N

(14)
1 1 x x i1 i i1 i N

Složena ili vagana harmonijska sredina se računa za distribuciju frekvencija koristeći sljedeću
formulu:

f i

1 i1

H k fi  k fi (15)

x
x i1 i
i1 ik

f i
i1

Specifično područje primjene harmonijske sredine je izračunavanje srednjih vrijednosti

relativnih brojeva koordinacije.
3.1.2. Položajne srednje vrijednosti

Položajne srednje vrijednosti su dobile naziv zbog toga što se određuju položajem podatka u
statističkom nizu. Stoga su položajne srednje vrijednosti nerijetko prikladnije kao mjere
centralne tendencije jer na njihovu vrijednost ne utječu izrazito male ni izrazito velike
vrijednosti statističkog niza. Položajne srednje vrijednosti su:

a) medijan i

b) mod.

3.1.2.1. Medijan

Medijan je položajna srednja vrijednost koja jedinice statističkog niza dijeli u omjeru 1 : 1,
tako da jedna polovina jedinica statističkog niza ima vrijednost obilježja jednaku ili manju od
medijana, a druga polovina jedinica statističkog niza ima vrijednost obilježja veću od
vrijednosti medijana.

Medijan se može izračunati kao srednja vrijednost redosljednih i numeričkih statističkih

nizova, a ne može se izračunati za nominalne statističke nizove. Pri tome je različit postupak
određivanja medijana kod negrupiranih nizova i kod onih čije su jedinice grupirane po
modalitetima redoslijednog ili numeričkog obilježja u statističke razrede jednakih ili različitih
veličina.

Kod negrupiranih statističkih nizova se jedinice statističkog skupa trebaju poredati po veličini
vrijednosti obilježja. U pravilu se poredak radi od najmanje do najveće vrijednosti obilježja.

Ako je broj jedinica statističkog niza neparan, medijan je jednak vrijednosti obilježja koju ima
središnji član uređenog statističkog niza.

Ako je broj jedinica statističkog niza paran, medijan je jednak poluzbroju vrijednosti obilježja
koje imaju središnja dva člana uređenog niza.

Ako je statistički niz grupiran u razrede čija je veličina jednaka 1 postupak računanja
medijana je nešto složeniji i radi se po slijedećoj proceduri:

a) potrebno je izračunati frekvencije kumulativnog niza "manje od",

 b) određuje se prva frekvencija kumulativnog niza "manje od" koja sadrži N 2-gu
jedinicu statističkog niza. Razred kojem pripada ova frekvencija kumulativnog niza "manje
od" je medijalni razred.

c) vrijednost obilježja koja je pridružena frekvenciji medijalnog razreda je ujedno

i
vrijednost medijana.

Ako su veličine razreda u koje su grupirane jedinice statističkog niza različite od 1, nakon što
su obavljeni prethodno navedeni koraci a) i b) procedure za računanje medijana kod nizova
grupiranih u razrede veličine 1, medijan se računa po formuli:

N m

 f
2 i1 i

Me  L1 i (16)
fmed

gdje je:

L1 - donja prava ili precizna granica medijalnog razreda,

N 2- polovina elemenata statističkog niza, m

 f - zbroj svih apsolutnih frekvencija do medijalnog razreda, ne uključujući medijalni

i
i1

razred,

f
med - apsolutna frekvencija medijalnog razreda,

i - veličina medijalnog razreda.

3.1.2.2. Mod

Mod je položajna srednja vrijednost koju možemo odrediti za statističke nizove čije jedinice
promatramo prema nominalnom, redosljednom ili numeričkom obilježju. Mod je najčešća
vrijednost obilježja. Za negrupirane podatke se odredi, a za statističke nizove s numeričkim
obilježjem u razredima odnosno za distribucije frekvencija se računa.

Kada se određuje mod za distribuciju koja ima razrede različitih veličina, treba najprije
izvršiti korekciju frekvencija. U tim slučajevima je razred s najvećom korigiranom
frekvencijom modalni razred.

Općenito se vrijednost moda izračunava prema formuli:

ba
Mo  L1  i (17)
(b  a)(b  c)

gdje je :

b - najveća frekvencija odnosno najveća korigirana frekvencija ako su razredi nejednakih

veličina. Razred kojemu ta frekvencija pripada je modalni razred; a – (korigirana) frekvenciju

razreda koji prethodi modalnom razredu; c – (korigirana) frekvencija razreda koji slijedi

neposredno nakon modalnog razreda; L1 - donja granica modalnog razreda; i - veličina

modalnog razreda.

Ako se dvije ili više vrijednosti obilježja pojavljuju jednako (najviše) puta, odnosno postoje
dva ili više moda, takva se distribucija naziva bimodalna ili višemodalna distribucija. U
primjeru 2.4. na slici 2.5. je prikazana bimodalna distribucija zaposlenika Ekonomskog
fakulteta u Splitu prema navršenim godinama radnog staža 1.ožujka 2016. godine.

Za nominalne statističke nizove mod se određuje brojenjem.

3.1.2.3. Kvantili

Kvantili su vrijednosti statističkog obilježja koje statistički niz dijele na q jednakobrojnih

dijelova. U poslovnoj statistici vrlo često koristimo kvartile.

Kvartili su vrijednosti statističkog obilježja koje statistički niz dijele na 4 jednakobrojna

dijela, tako da postoje:
 a) donji (prvi) kvartil (Q1) ,

b) medijan (drugi) (Q2) i

c) gornji (treći) kvartil (Q3).

Donji kvartil (Q1) je vrijednost obilježja koja dijeli statistički niz na dva dijela u omjeru 1:3.
To znači da 25% jedinica statističkog skupa ima vrijednost obilježja jednaku ili manju od
donjeg kvartila, a 75% elemenata statističkog skupa ima vrijednost obilježja veću od donjeg
kvartila.

Pri računanju donjeg kvartila za distribuciju frekvencija koristi se slična procedura koja je
opisana za određivanje medijana grupiranih statističkih nizova. Umjesto formule (16) koristit
će se u ovom slučaju sljedeća formula:

N q

  fi
f
Q1  L1  4 i1 i (18) k var t

pri čemu je:

L1 - donja prava ili precizna granica kvartilnog razreda,

N/4 - četvrtina elemenata statističkog niza,

 fi - zbroj svih apsolutnih frekvencija do kvartilnog razreda, ne uključujući kvartilni

razred,
i1

f
kvart - apsolutna frekvencija kvartilnog razreda,

i - veličina kvartilnog razreda.

Kvartilni razred je razred čija je kumulativna frekvencija prva veća od N/4.

Medijan je drugi kvartil (Q2) i već je predstavljen kao položajna srednja vrijednost.
Gornji kvartil (Q3) je vrijednost obilježja koja dijeli statistički niz na dva dijela u omjeru 3:1.
Naime, 75% elemenata statističkog skupa ima vrijednost obilježja jednaku ili manju od
gornjeg kvartila, a preostalih 25% jedinica statističkog skupa ima vrijednost obilježja veću od
gornjeg kvartila.

Pri računanju gornjeg kvartila za distribuciju frekvencija, također se koristi slična procedura
koja je opisana za određivanje medijana. Umjesto formule (16) koristit će se u ovom slučaju
formula:

3N q

  fi
Q3  L1  4 i1 i (19)
f
k var t

pri čemu je:

L1 - donja prava ili precizna granica kvartilnog razreda,

3N 4 - tri četvrtine elemenata statističkog niza,

 fi - zbroj svih apsolutnih frekvencija do kvartilnog razreda, ne uključujući kvartilni

razred,
i1

f
kvart - apsolutna frekvencija kvartilnog razreda,

i - veličina kvartilnog razreda.

Primjer 3.1.

Tablica 3.1. Ostvareni prihod deset najmoćnijih hrvatskih kompanija u 2015. u milijardama
kuna
Ostvareni prihod
Naziv kompanije u 2015.
(mrld. kn)
AGROKOR 51,3
INA 20,6
HEP 14,6
ORBICO 9,7
ADRIS GRUPA 8,7
ZABA 8,6
HT 7,1
ATLANTIC 5,5
ZG HOLDING 5,4
PBZ 5,2
Izvor: „LIDER“, broj 581. od 18. studenog 2016. str. 28. i 29.

Izračunajte aritmetičku sredinu i medijan ostvarenog prihoda deset najmoćnijih hrvatskih

kompanija u 2015. u milijardama kuna.

Rješenje primjera 3.1.:

Budući da se radi o negrupiranom statističkom nizu, aritmetička sredina se računa pomoću

formule:

 i1 xi
136,7
x  13,67
N 10
Dakle, prosječna vrijednost ostvarenog prihoda deset najmoćnijih hrvatskih kompanija u
2015. godini iznosi 13,67 mrld. kuna.

Negrupirani statistički niz u tablici 3.1. je uređen od najveće do najmanje vrijednosti

numeričkog obilježja. Medijan se, stoga, računa kao poluzbroj dvaju središnjih članova (petog
i šestog člana niza) na sljedeći način:
Me  8,65

Medijalna vrijednost je 8,65 što znači da je 5 od 10 najmoćnijih hrvatskih kompanija u 2015.

godini ostvarilo prihod od 8,65 mrld. kuna ili manji od te vrijednosti, a 5 preostalih kompanija
je imalo prihod veći od medijalne vrijednosti.

U ovom primjeru je medijan, kao položajna srednja vrijednost, bolji reprezentant od prosjeka
što je redovito slučaj u primjerima gdje imamo velike razlike (ponekad i ekstremno velike)
između vrijednosti obilježja. U našem primjeru je najmoćnija kompanija od navedenih deset
hrvatskih kompanija ipak imala desetak puta veći ostvareni prihod od one koja je ostvarila
najmanji prihod u 2015. godini. Ovakav zaključak je donesen i na temelju pokazatelja
reprezentativnosti o kojima će biti riječi u poglavlju 3.3. Mjere disperzije.
Primjer 3.2.

Tablica 3.2. Čokolade u pakiranju od 300g prodane 5. prosinca 2016. godine u jednom
splitskom trgovačkom centru
Broj
Vrsta čokolade prodanih
komada
Čokolada za kuhanje 35
Mliječna čokolada 225
Čokolada s lješnjakom 231
Čokolada s rižom 258
Bijela čokolada 193
Čokolada s voćem 156
Čokolada s keksom 183
Izvor: Računovodstveni podaci splitskog trgovačkog centra

Odredite modalnu ili najčešću vrstu prodane čokolade, u pakiranju od 300g, 5. prosinca 2016.
godine u tom splitskom trgovačkom centru.

Rješenje primjera 3.2.:

U tablici 3.2. je prikazan nominalni statistički niz te se mod određuje brojenjem. Najveća
apsolutna frekvencija je f4 = 258 i pokazuje broj prodanih „čokolada s rižom“. Dakle,
najčešće prodavana vrsta čokolade u pakiranju od 300g, odnosno modalna vrsta prodane
čokolade, 5. prosinca 2016. godine u tom splitskom trgovačkom centru je bila „čokolada s
rižom“.

3.2. Relativni brojevi

Relativni brojevi nastaju dijeljenjem dviju međusobno povezanih veličina. Pomoću njih se
mogu uspoređivati i analizirati pojave koje imaju različite jedinice mjere i statistički nizovi
s različitim brojem jedinica.

Veličina koja se nalazi u nazivniku relativnog broja se zove osnova ili baza relativnog broja i
po njoj se relativni brojevi međusobno razlikuju.
Relativni brojevi se mogu podijeliti na:

a) relativne brojeve strukture,

b) relativne brojeve koordinacije i

c) indekse kvalitativnih i brojčanih nizova.

3.2.1. Relativni brojevi strukture

Relativni brojevi strukture pokazuju odnos dijela prema cjelini promatranog statističkog niza.
Zbog jednostavnijeg objašnjenja u pravilu se relativni brojevi množe sa sto ili s tisuću.
Dakle, u ovu vrstu relativnih brojeva spadaju proporcije i postoci koje tako često koristimo u
analizama u okviru poslovne statistike. To su po svojoj definiciji sve relativne frekvencije
(fri):

fi
fri  n (20)
fi
i1

Pri definiranju relativnih frekvencija objašnjeno je da je proporcija (P i) relativni broj koji se

dobije stavljanjem u odnos broja jedinica dijela statističkog skupa i ukupnog broja jedinica u
skupu. Ako se proporcija pomnoži sa 100 dobiva se postotak (p i). Nerijetko, kada to zahtijeva
priroda i svrha samog istraživanja proporcije se množe s 1000. Tada imamo relativnu
frekvenciju izraženu u promilima.

Relativni brojevi strukture se mogu grafički prikazivati pomoću strukturnih stupaca,

strukturnih krugova, polukrugova ili nekim drugim geometrijskim likovima jednakih površina
i različite strukture.

3.2.2. Relativni brojevi koordinacije

Relativni brojevi koordinacije pokazuju odnos dviju veličina koje ima smisla uspoređivati. Pri
tome one u pravilu pripadaju različitim statističkim skupovima, koji mogu biti izraženi
različitim jedinicama mjere. Simbolički:

Ai
Ri  (21)
B
i

gdje je:

Ai – i-ta veličina koja se uspoređuje,

Bi – i-ta veličina s kojom se Ai uspoređuje.

Relativni brojevi koordinacije su često korišteni pokazatelji u ekonomskim analizama npr.

ostvareni bruto domaći proizvod (BDP) po stanovniku neke države, broj liječnika na deset
tisuća stanovniku, broj ostvarenih noćenja po jednom turistu, broj studenata određenog
fakulteta po jednom nastavniku, broj automobila po jednom kućanstvu i slično.

3.2.3. Indeksi kvalitativnih i brojčanih nizova

Indeksi o kojima govorimo na ovom mjestu su indeksi niza kvalitativnih i brojčanih

podataka. Pomoću tih indeksa se uspoređuje smjer i intenzitet varijacija vrijednosti nekog
statističkog niza s istovrsnim varijacijama drugog statističkog niza.

Ovim indeksima se, također, može uspoređivati smjer i intenzitet varijacija vrijednosti unutar
istog statističkog niza.

Indeksi se računaju tako da se određeni član promatranog niza stavi u odnos prema odabranoj
veličini koju nazivamo baza. Baza indeksa (B) može biti jedan od članova promatranog
statističkog niza ili neka druga zadana veličina. Za izračunavanje indeksa se koristi sljedeća
formula:

fi
(22)
Ii  100
B
pri čemu je:

fi – apsolutna frekvencija
B – baza indeksa.

Indeksi se tumače i grafički prikazuju u odnosu na 100. Od vrijednosti dobivene formulom

(22) oduzima se broj 100. Ako je indeks veći od 100, dobiveni broj pokazuje za koliko % je
vrijednost koja se uspoređuje veća od vrijednosti s kojom se uspoređuje, odnosno veća od
baze.

Ako je indeks manji od 100, rezultat će biti negativnog predznaka i pokazuje za koliko % je
veličina koja se uspoređuje manja od baze usporedbe.

Grafički prikaz indeksa kvalitativnih nizova s istom bazom su jednostavni stupci koji imaju
jednake baze, jer se članovi niza uspoređuju uvijek s istom veličinom. Specifičnost ovog
grafikona je da se stupci naslanjaju na bazu koja je jednaka 100 i od te visine se uzdižu ili
spuštaju, ovisno o tome prikazuju li vrijednosti koje su više ili manje u odnosu na vrijednost
baze.
Primjer 3.3.

Tablica 3.3. Broj zaposlenih i broj zaposlenih po jednom poduzetniku u 2015. godini u
hrvatskim županijama s više od 200 000 stanovnika
Broj zaposlenih po
Županija Broj zaposlenih jednom poduzetniku

Grad Zagreb 330 102 10

Splitsko-dalmatinska 70 498 6
Zagrebačka 47 988 8
Osječko-baranjska 37 475 9
Primorsko-goranska 60 070 7
Istarska 46 092 5
Izvor: Izrada autora prema podacima Fine i DZS

U tablici 3.3. su podaci o broju zaposlenih i broju zaposlenih po jednom poduzetniku za

hrvatske županije s više od 200 000 stanovnika u 2015. godini.
 a) Izračunajte prosječni broj zaposlenih po jednom poduzetniku u 2015. godini za
svih šest hrvatskih županija, koje su imale više od 200 000 stanovnika, zajedno.

b) Koliki je bio broj poduzetnika u 2015. godini u svakoj hrvatskoj županiji koja
je
imala najmanje 200 000 stanovnika?

c) Izračunajte indekse broja poduzetnika za 2015. godinu po hrvatskim

županijama brojnijim od 200 000 stanovnika, uzimajući za bazu broj poduzetnika u
Primorsko-goranskoj županiji.

d) Interpretirajte indekse izračunate pod c) za Splitsko-dalmatinsku i za

Zagrebačku
županiju.

Rješenje primjera 3.3.:

a) Traži se srednja vrijednost relativnog broja koordinacije koja se općenito računa

po formuli:

A i

R  ik1 .

B i
i1

U našem slučaju A je broj svih zaposlenih, a B je broj svih poduzetnika u 2015. godini u
hrvatskim županijama s više od 200 000 stanovnika. Poznat nam je broj zaposlenika u 2015.
godini u navedenim županijama Ai i pripadajući relativni brojevi koordinacije Ri.
Stoga ćemo prosjek svih šest relativnih brojeva koordinacije dobiti kao vaganu harmonijsku
sredinu pomoću formule:

Ai
R i1 k
Ai

i1 Ri

Veličinu u nazivniku, u našem slučaju ukupan broj poduzetnika, računamo pomoću sljedećeg
izraza:

A
B  i
i1

k  i

i1 R

U tu svrhu ćemo izračunati u četvrtom stupcu naredne tablice broj poduzetnika u 2015. godini
za svaku hrvatsku županiju s više od 200 000 stanovnika.

Dakle, prosječni broj zaposlenika po jednom poduzetniku u 2015. godini u svih šest
navedenih hrvatskih županija zajedno je bio:

A i
i1

592225
R k   8,14  9
72728
B i
i1

Potrebno je napomenuti da se pri interpretaciji decimalnih brojeva kada se radi o ljudima,

poduzećima, školama, prijevoznim sredstvima i slično, ne primjenjuju uobičajena pravila
zaokruživanja na višu i nižu decimalu. U ovim slučajevima, svaka decimala iza decimalnog
zareza postavlja zahtjev da se uvaži kao novi naredni cijeli broj.
Tablica 3.4. Broj zaposlenih i broj poduzetnika u 2015. godini u hrvatskim županijama s više
od 200 000 stanovnika
Indeksi broja
Broj zaposlenih poduzetnika
Broj Broj
Županija po jednom (Primorskogoranska
zaposlenih poduzetnika
poduzetniku županija=100)

1 2 3 4 5

Grad Zagreb 330102 10 33011 384,64

Splitskodalmatinsk
70498 6 11751 136,92
a

Zagrebačka 47988 8 6000 69,90

Osječkobaranjska
37475 9 4165 48,53

Primorskogoranska
60070 7 8582 100,00

Istarska 46092 5 9219 107,42

Ukupno: 592225 - 72728 -

Izvor: Izrada autora prema podacima Fine i DZS

b) Broj poduzetnika za svaku pojedinu županiju u 2015. godini je dobiven kao

omjer pripadajućeg broja zaposlenih i odgovarajućeg relativnog broja koordinacije (broja
zaposlenih po jednom poduzetniku). Rezultati su u 4. stupcu tablice 3.4.
 c) Indeksi broja poduzetnika za 2015. godinu po hrvatskim županijama brojnijim
od 200 000 stanovnika, uzimajući za bazu broj poduzetnika u Primorsko-goranskoj županiji,
su prikazani u 5. stupcu tablice 3.4. Svaki pojedini indeks je dobiven dijeljenjem broja
poduzetnika u 2015. u svakoj pojedinoj županiji (stupac 4.) s brojem poduzetnika u
Primorsko-goranskoj županiji (8582 poduzetnika).

d) Indeks broja poduzetnika za Splitsko-dalmatinsku županiju se računa na

sljedeći
način:

f2 11751
I2  100  100
136,92 f B 8582

Indeks nam pokazuje da je u 2015. godini u Splitsko-dalmatinskoj županiji bilo za 36,92 %

više (136,92 - 100) poduzetnika nego li u Primorsko-goranskoj županiji.

Indeks broja poduzetnika za Zagrebačku županiju se računa na sljedeći način:

f3 6000
I3  100  100 
69,90 f B 8582

Indeks nam pokazuje da je u 2015. godini u Zagrebačkoj županiji bilo za 30,10 % manje
(69,90 - 100) poduzetnika nego li u Primorsko-goranskoj županiji.