ADAM SZULC

Motto: KaŜdy jest statystykiem, tylko nie wszyscy o tym wiedzą (na motywach z Jana Molliera
i Józefa Schumpetera).

Czym zajmuje się statystyka

Wyobraźmy sobie, Ŝe startujemy w turnieju tenisowym i chcemy opracować najlepszą

taktyką na najbliŜszy pojedynek. Naszym przeciwnikiem jest Piotr Samprasiński, zawodnik
doskonale znany od lat, zatem liczba zgromadzonych informacji na jego temat jest pokaźna.
Kibice sportowi zapewne zwrócili uwagę na pojawiające się w czasie transmisji
telewizyjnych zestawienia liczb informujące, np. w przypadku tenisa, o liczbie popełnionych
w aktualnym meczu błędów serwisowych, tzw. asów, zwycięskich uderzeń z forhendu itp.
ZałóŜmy, Ŝe mamy dostęp do banku danych, zawierającego takie informacje na temat naszego
przeciwnika z ostatnich kilku lat. Nie trzeba chyba nikogo przekonywać, Ŝe ich
wykorzystanie będzie pomocne w opracowaniu taktyki. JeŜeli okaŜe się, Ŝe Samprasiński
popełniał w przeszłości najwięcej błędów uderzając piłkę z bekhendu, to będziemy starali się
doprowadzić do tego by grał w ten sposób jak najczęściej.
PowyŜsza sytuacja ukazuje obecność statystyki w dziedzinie, która chyba niewielu
kojarzy się z tą gałęzią wiedzy. Gromadzący informacje o zawodnikach1 są bowiem
statystykami. Wydaje się, Ŝe większości osób słowo “statystyka” kojarzy się właśnie z
gromadzeniem i udostępnianiem informacji - jak widać z powyŜszego przykładu, urzędy
statystyczne nie mają monopolu na tę działalność. Ale statystykiem jest równieŜ korzystający
z tych danych - taką osobę będziemy nazywać analitykiem, choć w omawianym przypadku są
to analizy statystyczne najprostsze z moŜliwych i nie wymagające specjalistycznej wiedzy.
Sprowadzały się one do prognozowania postępowania przeciwnika, zgodnie z załoŜeniem iŜ
informacje o jego grze z przeszłości okaŜą się aktualne równieŜ w najbliŜszym meczu. Czy
takie załoŜenie zwiększa szanse na sukces? W większości przypadków tak, ale bez
stuprocentowej gwarancji. MoŜe się bowiem np. okazać, Ŝe informacja którą się
posługiwaliśmy jest zazwyczaj prawdziwa, ale nie sprawdza się na kortach ziemnych, na

1
Niektóre federacje sportowe (np. tenisowa czy lekkoatletyczna) zatrudniają osoby zajmujące się wyłącznie
gromadzeniem i udostępnianiem danych o przebiegu zawodów. Są one potem źródłem dla najróŜniejszych
opracowań, od popularnych ksiąŜek prezentujących zbiorcze zestawienia kibicom do wyrafinowanych publikacji
naukowych. Przykładowo, renomowane czasopismo The Journal of the Royal Statistical Society (seria D, vol.
51, nr 2) poświęciło tego typu zagadnieniom prawie cały numer.

1
jakich jest rozgrywamy nasz mecz. Po drugie, nawet wtedy gdy kłopoty z uderzaniem piłek
przez naszego przeciwnika z bekhendu dotyczą wszystkich typów kortów, to moŜe się
okazać, Ŝe trafiliśmy na jego dobry dzień jeŜeli chodzi o ten typ uderzenia. Mamy tu do
czynienia z dwiema najczęstszymi sytuacjami, w których statystyka podpowiada strategię
postępowania nieskuteczną w konkretnej sytuacji. W pierwszym omówionym przypadku
nasze analizy były zbyt proste (jednowymiarowe, jak będziemy je nazywać w dalszych
częściach ksiąŜki) i nie wykorzystywały danych w wystarczającym stopniu. W drugim
przypadku zetknęliśmy się z wydarzeniem nietypowym. Metody statystyczne mówią bowiem
jak postępować optymalnie, ale jednocześnie są nierozłącznie związane z niepewnością.
MoŜna je porównać do doradcy, który podpowiada jakie numery w grze liczbowej dają
największą szansę wygranej, ale nawet jeŜeli rada jest słuszna, to nie gwarantuje, Ŝe właśnie
te numery zostaną wylosowane.
Widzimy więc, Ŝe statystykiem nazywa się zarówno osobę zbierającą dane jak i
analizującą je. Często pierwszych określa się mianem producentów danych, drugich mianem
uŜytkowników. Role te mogą być równieŜ łączone. Grając z nieznanym zawodnikiem lub
napotykając na opisaną w poprzednim akapicie sytuację sami musimy zacząć zbierać dane,
szukając słabych i mocnych stron przeciwnika. Powinniśmy w tym celu zbierać i analizować
informacje na bieŜąco. Oczywiście takie działanie ma charakter intuicyjny i nie wymaga
studiowania podręczników statystyki. Odwrotnie - to nauka o statystyce często czerpie
inspirację ze sposobu w jaki postępujemy w świecie powtarzalnych zjawisk. MoŜna podać
ogromną liczbę przykładów jej zastosowań w Ŝyciu codziennym, w innych dziedzinach nauki
czy teŜ w działalności gospodarczej. Tak zwane ludowe przepowiednie pogody nie są niczym
inny jak zastosowaniem obserwacji z przeszłości do prognozowania przyszłości. Podobnie
postępują biura matrymonialne, na podstawie losów skojarzonych przez siebie par ustalając
optymalne cechy przyszłych małŜonków. Gdyby okazało się, Ŝe w od wielu lat małŜeństwa
blondynów z brunetkami są nieudane, to dobre biuro nie powinno kojarzyć takich par, nawet
gdyby nie było w stanie znaleźć Ŝadnego racjonalnego uzasadnienia dla powyŜszej sytuacji.
Często bowiem prawidłowości statystyczne są odzwierciedleniem bezpośrednich lub
pośrednich zaleŜności przyczynowo-skutkowych. Odkrywając te zaleŜności moŜna próbować
przewidywać postępowanie ludzi, co naleŜy do najczęstszych zastosowań statystyki w
biznesie. Klienci wielkich księgarń internetowych zapewne spotkali się z ich strony z
propozycjami nowych zakupów, nierzadko juŜ po złoŜeniu jednego zamówienia zaskakująco
trafnie dopasowanymi do ich upodobań. Propozycje te powstają na podstawie wyborów
innych osób, które nabyły tę samą ksiąŜkę, płytę czy program komputerowy. W tym

2
przypadku odsetek celnych prognoz nie musi być wysoki, aby zachęty przyniosły istotne
zwiększenie sprzedaŜy. Podobna strategia oddziaływania na masowego odbiorcę naleŜy do
standardowego repertuaru producentów reklam. Niektórzy ich twórcy zapewne zdają sobie
doskonale sprawę z naiwności czy wręcz absurdalności reklamy lecz jednocześnie wiedzą, Ŝe
istnieje pewna, dostatecznie liczna, grupa osób ulegająca jej wpływom. O ile bowiem
człowiek działając samodzielnie często jest nieprzewidywalny, to postępowanie duŜych grup
jest w wielu przypadkach niemal identyczne. Prawda ta jest znana równieŜ najpotęŜniejszym
uczestnikom rynku: firmom ubezpieczeniowym i bankom. Ustalając stawki ubezpieczeniowe
czy szacując ryzyko kredytowe w indywidualnych przypadkach popełniają one od czasu do
czasu błędy lecz ich celem jest, jak juŜ zostało zaznaczone powyŜej, wyznaczenie optymalnej
strategii w świecie zjawisk powtarzalnych. Najczęściej analizy w tej dziedzinie znacznie
wykraczają poza proste obserwacje, nierzadko wykorzystując wyrafinowany aparat
matematyczny. Pozwala to ograniczyć ryzyko nietrafnych prognoz, choć go nie eliminuje.
Istnieją jednak sytuacje, w których błędy popełnione w indywidualnych przypadkach mogą
okazać się zbyt kosztowne. Powinno się wówczas ograniczyć ich prawdopodobieństwo do
minimum, co najczęściej wiąŜe się teŜ ze zwiększonymi kosztami badania. Sytuacja taka ma
miejsce w przypadku firm farmaceutycznych, które równieŜ stosują metody statystyczne jako
jedno z podstawowych narzędzi w empirycznej ocenie skutków działania leków. Najprostsze
eksperymenty i techniki analizy w niektórych przypadkach mogą prowadzić do błędnych
wyników i w konsekwencji okazać się niebezpieczne dla zdrowia. Nie jest jednak
wykluczone, Ŝe zadziwiające osiągnięcia chińskiej medycyny, w szczególności akupunktura i
akupresura są efektem badań, które w dzisiejszych czasach byłyby niedopuszczalne.
Nieznajomość teorii statystyki i niską, z dzisiejszego punktu widzenia, wiedzę o anatomii
człowieka zrekompensowane zostały setkami lat prób i błędów.
Warto jeszcze wspomnieć o szczególnej grupie uŜytkowników statystyki - o twórcach
teorii ekonomicznych. Wbrew nazwie, prawie nigdy nie są one efektem czysto teoretycznych
dociekań. Wręcz przeciwnie, najczęściej powstają w sposób nieco zbliŜony do wspomnianych
wcześniej ludowych przepowiedni pogody czyli drogą obserwacji zjawisk, choć oczywiście
przy uŜyciu znacznie bardziej zaawansowanego aparatu statystyczno-matematycznego. Teorie
te w rzeczywistości są hipotezami na temat zjawisk i procesów ekonomicznych, a o ich
wartości decyduje m. in. weryfikacja statystyczna. Robert Barro2, omawiając wolnorynkowe
idee Adama Smitha przedstawione w Bogactwie Narodów (1776) z podziwem pisze o jego

2
R. J. Barro (2002), Nothing Is Sacred. Economic Ideas for the New Millenium, The MIT Press, Cambridge,
Massachussets.

3
“niezrównanej intuicji”. Jednocześnie jednak stwierdza, Ŝe współczesne uznanie dla wolnego
rynku ma swoje źródło nie w ideologii, ale w niepodwaŜalnych danych (”hard data”). W
czasach Smitha (Ŝyjącego w latach 1723-1790 ) były one, poza nielicznymi wyjątkami,
niedostępne, a moŜliwości analizy bardzo ograniczone. NiemoŜność korzystania z osiągnięć
statystyki nie okazała się więc w jego przypadku przeszkodą lecz była to sytuacja dość rzadka
- nie kaŜdy ekonomista jest Adamem Smithem. Wiele innych teorii (hipotez) ekonomicznych
zostało odrzuconych w wyniku statystycznej analizy danych. Przykładowo, wspomniany juŜ
R. Barro3 poddał weryfikacji popularną koncepcję krzywej Philipsa, zgodnie z którą istnieje
negatywny związek między bezrobociem i stopą wzrostu płac nominalnych (lub inflacją), co
sugerowała analiza danych brytyjskich z przełomu XIX i XX wieku. Barro jednak wykazał,
posługując się danymi późniejszymi, takŜe z innych gospodarek, Ŝe nie moŜna mówić o
trwałym, negatywnym związku omawianych zjawisk. Obecnie trudno sobie wyobrazić aby
jakaś teoria ekonomiczna zyskała uznanie bez wyczerpującej analizy statystycznej.

Podstawowe pojęcia statystyki

PoniŜszy przykład opisuje postępowanie, w którym przedstawione zostaną
podstawowe pojęcia statystyki omawiane w tej ksiąŜce. Wyobraźmy sobie, Ŝe robimy badanie
na zlecenie producenta samochodów, który rozwaŜa wejście na rynki dwóch krajów, na tyle
bogatych, aby moŜna było liczyć na sprzedaŜ dostatecznie duŜej liczby samochodów.
Podstawowym obiektem badania są dochody potencjalnych nabywców. Wprawdzie ich
łączna wartość jest w przybliŜeniu znana (Produkt Krajowy Brutto i jego główne składowe są
obliczane dla niemal wszystkich krajów świata), ale o tym z jaką ofertą producent wchodzi na
rynek decyduje w co najmniej takim samym stopniu rozkład dochodów osobistych. Gdyby
okazało się, Ŝe zdecydowana większość mieszkańców Ŝyje w ubóstwie, zaś przewaŜająca
część dochodów jest skoncentrowana w rękach nielicznych, to podstawą oferty powinna być
mała liczba drogich, luksusowych samochodów. Z kolei w kraju o niewielkich
nierównościach dochodowych naleŜałoby zaproponować najwięcej samochodów średniej
klasy. Rzecz jasna, zbadanie dochodów wszystkich lub większości potencjalnych nabywców
samochodów nie jest moŜliwe, choćby ze względu na koszty. Aby uzyskać przybliŜoną
informację o ich rozkładzie, w obydwu krajach losujemy pewną liczbę osób i zadajemy im
pytania o dochód. Metoda ta stanowi istotę statystyki: badamy jedynie część większej
zbiorowości i na tej podstawie staramy się wyciągnąć wnioski o kształcie zjawiska w całej

3
R. J. Barro (1997), Makroekonomia, PWE, Warszawa, str. 541-547.

4
zbiorowości. Tę ostatnią nazywamy populacją (w polskiej literaturze jest ona teŜ często
określana mianem populacji generalnej) zaś badane elementy łącznie tworzą próbę. Innymi
słowy, próba oznacza część populacji. MoŜe być ona wylosowana czyli wybrana w sposób, w
którym wszystkie elementy są traktowane identycznie (i mają, przynajmniej przy
najprostszym sposobie losowania, jednakową szansę trafienia do próby), lub dobrana celowo
czyli z wyróŜnieniem pewnych elementów. Jedynie w pierwszym przypadku moŜliwe jest
zastosowanie rachunku prawdopodobieństwa w celu określenia jak dobrze próba reprezentuje
populację. W omawianym przykładzie średnia wartość dochodu w próbie pozwala ocenić
przybliŜoną wartość średniej w populacji czyli wśród wszystkich potencjalnych nabywców
samochodów. Wprawdzie na podstawie próby nie będziemy w stanie stwierdzić czy uzyskana
wartość jest równa wartości w populacji, ale statystyka pozwala ustalić z jakim
prawdopodobieństwem róŜnica między nimi nie będzie przekraczać załoŜonego z góry
marginesu błędu. Ów błąd jednak praktycznie nigdy nie moŜe być wyeliminowany w
badaniu, w którym posługujemy się próbą. Jak bowiem zaznaczono juŜ wcześniej -
niepewność jest nieodłącznym elementem badań statystycznych.
Oznaczmy badane kraje symbolami B (jak Brazylia) i N (jak Niemcy). Przypuśćmy,
Ŝe w obu przypadkach wylosowaliśmy po 10 dorosłych osób4, sprawdzając ich roczne
dochody, które poniŜej zostały wyraŜone w dolarach:

B: [180 200 250 410 600 720 890 4.000 15.000 400.000]

N: [16.000 18.000 22.000 26.000 29.000 31.000 35.000 38.000 45.000 70.000]

Obserwacja danych podpowiada, Ŝe odpowiednią ofertą dla kraju B będzie stosunkowo

niewielka liczba drogich samochodów oraz równieŜ niezbyt duŜa liczba samochodów
najtańszych. W kraju N natomiast moŜna liczyć na sprzedaŜ znacznej liczby samochodów
średniej klasy.
Porównajmy średnie dochody obliczone na podstawie prób. Dokonamy w ten sposób
ich pierwszej analizy statystycznej. W pierwszym kraju średnia wynosi 42.225 dolarów na
osobę, w drugim 30.000. JeŜeli B ma symbolizować Brazylię, zaś N Niemcy to wynik ten
mógłby wydać się zaskakujący. Nie jest trudno ustalić prawdopodobną przyczynę tego
zjawiska - bardzo niska liczebność próby sprawia, Ŝe rozbieŜności między próbą i populacją

4
W praktyce losuje się najczęściej gospodarstwa domowe, jednak załoŜenie Ŝe są to osoby pozwoli uprościć
przykład.

5
są duŜe. Mówiąc ściślej, prawdopodobieństwo uzyskania takich rozbieŜności jest bardzo
wysokie, choć przypadkowo nawet bardzo mała próba moŜe dać dość dokładne wyniki.
Zastanówmy się teŜ, w którym z krajów moŜna liczyć na wynik w próbie bardziej zbliŜony do
wartości w populacji przy tej samej jej liczebności, wiedząc skądinąd, Ŝe zróŜnicowanie
dochodów jest znacznie wyŜsze w kraju B niŜ w N (co tym razem zostało potwierdzone przez
próbę). Gdyby wszyscy mieli jednakowe dochody, do dokładnego obliczenia średniej
wystarczyłaby próba jednoelementowa. Jest to przesłanka (choć nie ścisły dowód)
pozwalająca stwierdzić, Ŝe większe zróŜnicowanie badanego zjawiska prowadzi do
większej niepewności czyli wyŜszych przeciętnie błędów. Stwierdzenie to stanowi jedną z
najwaŜniejszych właściwości badań statystycznych. W sposób formalny zostanie uzasadnione
w dalszej części ksiąŜki.
Równie oczywista intuicyjnie jest prawda, iŜ zwiększenie liczby wylosowanych
elementów pozwala uzyskiwać dokładniejsze wyniki czyli zmniejszać róŜnicę między
wartością uzyskaną na podstawie próby i wartością w populacji. Z tego punktu widzenia
zwiększenie liczebności próby jest zjawiskiem korzystnym. Poza wzrostem kosztów wiąŜe się
jednak z utratą przejrzystości wyników. Próba kilku- czy kilkunastoelementowa, jak w
powyŜszym przykładzie, jest na tyle mała, Ŝe “wzrokowa analiza” pozwala w przybliŜeniu
odpowiedzieć na większość pytań. Większe próby zmuszają do sięgnięcia po metody
pozwalające w sposób “skondensowany” przedstawić interesujące nas cechy próby. Jednym z
wielu i najprostszym przykładem takiej metody jest właśnie obliczenie średniej. Znając jej
wartość dla obu prób potrafimy ocenić, która z nich wskazuje na wyŜszą przeciętnie
zamoŜność mieszkańców danego kraju, oczywiście w granicach błędu spowodowanego
badaniem tylko części populacji. Oceniając zróŜnicowanie próby będziemy uŜywać innego
miernika. W odróŜnieniu od przeciętnego dochodu, moŜna je badać na róŜne sposoby. Inaczej
zrobimy to, gdy będziemy starali się ocenić niepewność przekładającą się na wielkość błędów
losowych czyli wynikających z posługiwania się próbą, inaczej zaś gdy obiektem naszego
zainteresowania są analizy społeczne, których elementem jest ocena nierówności
dochodowych.
W tym momencie omówione zostały podstawowe elementy statystyki. W jej skład
wchodzi zbieranie danych oraz ich analiza, przy czym to ostatnie pojęcie moŜna rozumieć
dwojako. Sposób w jaki przedstawiamy informację o pewnej zbiorowości za pomocą liczb
tworzy statystykę opisową. Sposób w jaki za pomocą próby losowej uzyskujemy informację
o populacji tworzy wnioskowanie statystyczne. Podsumujmy dotychczasowe rozwaŜania.

6
I. Zbieranie danych stanowi pierwszy etap badań statystycznych. Poza metodami losowania
próby jest to zagadnienie przede wszystkim praktyczne i trudno byłoby w tym przypadku
stworzyć wyczerpujący zbiór uniwersalnych zasad postępowania. Nic więc dziwnego, ze
tematyka ta zajmujące zwykle niewiele miejsca w akademickich podręcznikach statystyki i
jest omawiana raczej w kontekście konkretnych przykładów niŜ jako oddzielne zagadnienie.
Niniejsza ksiąŜka nie jest pod tym względem wyjątkiem.
II. Statystyka opisowa stanowi zawsze pierwszy etap analizy. Jej zadaniem jest stworzenie
metod, za pomocą których jesteśmy w stanie przekazać w moŜliwie syntetyczny sposób
interesujące nas informacje o próbie lub populacji. Statystyka opisowa posługuje się
najczęściej miernikami (przykładem jest średnia), zestawieniami w postaci tabel lub
metodami graficznymi (przede wszystkim wykresami). Podanie wszystkich elementów próby
(jak w powyŜszym przykładzie na temat badania dochodów) równieŜ moŜna zaliczyć do
statystyki opisowej, choć jest to metoda najmniej interesująca i niepraktyczna jeŜeli badana
zbiorowość jest duŜa. Statystyka opisowa posługuje się takimi samymi metodami w
przypadku populacji, próby losowej oraz próby nielosowej.
III. Wnioskowanie statystyczne pozwala stwierdzić czy uzyskane za pomocą elementów
próby i metod statystyki opisowej wyniki moŜna, przy dopuszczalnym marginesie błędu,
przenieść na populację. Ta część statystyki w omówionym powyŜej przykładzie pozwoliłaby
m. in. ustalić czy 10-elementowa próba pozwala zachować dopuszczalny margines błędu.
Wprawdzie aby stwierdzić, Ŝe błędy losowe są wtedy bardzo duŜe wystarczy intuicja lecz
przestaje ona być wystarczającym narzędziem przy większych próbach. Wnioskowanie jest
najbardziej sformalizowaną dziedziną statystyki, wykorzystuje bowiem matematykę, ze
szczególnym uwzględnieniem rachunku prawdopodobieństwa. Z tego względu jest określane
teŜ mianem statystyki matematycznej.
W największym skrócie rozumianą klasycznie statystykę moŜna sprowadzić do
poniŜszego schematu:

7
 POPULACJA
próba opis,
GENERALNA losowa wnioskowanie

populacja
opis
nielosowa

Ilustruje on sposób myślenia o statystyce, nawet w przypadku gdy populacja generalna nie
istnieje fizycznie. W omawianym na początku przykładzie za populację moŜna uznać zbiór
wszystkich moŜliwych gier rozegrany przez naszego przeciwnika, zaś za próbę grę
rozgrywaną aktualnie.
Podaną klasyfikację moŜna uzupełnić o jeszcze jedną dziedzinę będącą w istocie
częścią matematyki. Istnienie statystyki w obecnym kształcie nie byłoby bowiem moŜliwe
bez osiągnięć takich matematyków jak Jakub Bernoulli, Karol Gauss, Piotr Laplace czy
Pafnucy Czebyszew. Poczynając od drugiej połowy XVII wieku (J. Bernoulli, którego moŜna
uznać za prekursora statystyki5, Ŝył w latach 1654-1705), niektórzy matematycy odegrali i
ciągle odgrywają wiodącą rolę w rozwoju teorii statystyki. Do tego stopnia istotną, Ŝe od
początków XX wieku nazywa się ich po prostu statystykami.
Obecnie jesteśmy gotowi do sformułowania definicji statystyki we współczesnym
znaczeniu tego słowa.

Statystyka jest to nauką o zbieraniu danych, opisywaniu ich oraz wyciąganiu poprawnych
wniosków.

5
Choć autorami pierwszych badań na temat teorii prawdopodobieństwa byli prawdopodobnie BłaŜej Pascal i
Piotr Fermat w latach 50-tych XVII wieku. Z kolei sam termin “statystyka” pojawił się dopiero kilkadziesiąt lat
później i pierwotnie w ogóle nie kojarzył się z rachunkiem prawdopodobieństwa. Pochodził od włoskiego słowa
“statista” oznaczającego polityka, męŜa stanu. Pierwotnie bowiem statystyka rozumiana jako zbieranie danych
była domeną państwa. Nie oznacza to, Ŝe władze nie zajmowały się tą działalnością wcześniej. Pierwsze
wzmianki na ten temat pochodzą ze Starego Testamentu i odnoszą się do staroŜytnego Babilonu i Egiptu.

8
Nie jest to jedyna moŜliwa próba zdefiniowania statystyki. Niektórzy współcześni autorzy
podkreślają jej znaczenie uŜytkowe, włączając je do definicji. Jessica Utts za statystykę
uznała “zbiór procedur i zasad pozyskiwania i przetwarzania informacji w celu podejmowania
decyzji w warunkach niepewności”6. Z kolei Arnold Naiman, Robert Rosenfeld i Gene Zirkel
całkowicie abstrahują od zastosowań, definiując statystykę jako naukę o zbieraniu liczb w
celu (podkreślenie autora) ich dokładnego i zwięzłego opisania oraz wyciągnięcia
poprawnych wniosków7. Oczywiście wyznaczony w ten sposób obszar jest węŜszy niŜ w
przypadku definicji Utts. Nie wydaje się jednak, aby stworzenie jednej i powszechnie
akceptowanej definicji statystyki było konieczne. Niniejsza ksiąŜka traktuje ten problem
kompromisowo: poświęcona jest przede wszystkim metodom, traktując zastosowania jako
podstawowe narzędzie ich ilustracji.

6
J. M. Utts (1999), Seeing through Statistics, str. 3, Duxbury Press, Pacific Grove.
7
A. Naiman, R. Rosenfeld i G. Zirkel (1996), Understanding Statistics, str. 4, The McGraw-Hill Companies,
Inc., New York.