Neparametarski Statistički Testovi

NEPARAMETARSKI STATISTIČKI TESTOVI
Naziv djela:
Neparametarski statistički testovi
Autor:
Prof. dr. Emina Resić
Izdavač:
Ekonomski fakultet u Sarajevu
Za izdavača:
Prof. dr. Kemal Kozarić, dekan
Recenzenti:
Prof. dr. Rabija Somun Kapetanović
Prof. dr. Ksenija Dumičić
Dizajn i DTP:
Adis Duhović, prof.
Štampa:
Top Dog
Tiraž:
100 primjeraka
CIP - Katalogizacija u publikaciji

Nacionalna i univerzitetska biblioteka
Bosne i Hercegovine, Sarajevo
519.23(075.8)
RESIĆ, Emina
Neparametarski statistički testovi / Emina Resić.
- Sarajevo : Ekonomski fakultet, 2017. - 229 str. :
ilustr. ; 25 cm
Bibliografija: str. 187-189 i uz tekst.
ISBN 978-9958-25-127-6
COBISS.BH-ID 24113414
Emina Resić
NEPARAMETARSKI
STATISTIČKI
TESTOVI
PREDGOVOR
Udžbenik „Neparametarski statistički testovi“ je prije svega namjenjen studentima

Ekonomskog fakulteta u Sarajevu, ali i studentima drugih ekonomskih i srodnih
fakulteta čiji je zadatak usvojiti i praktično primijeniti gradivo sličnog sadržaja. Oblasti
prezentovane u udžbeniku predstavljaju sastavni dio programa predmeta Neparametarske
statističke metode i Primjenjena statistička analiza, koji se izučavaju na dodiplomskom
studiju. Izbor izloženog gradiva i obim materijala usaglašeni su, kao prvo, da olakšaju
studentima usvajanje materije vezane za ove predmete, ali i da zadovolje zahtjeve jednog
ekonomiste ili istraživača koji praktično, u svom svakodnevnom radu, koristi statističke
metode analize.
Pristup je baziran na analizi, prezentaciji i primjeni koncepata neparametarske statistike.
Matematska prezentacija je korištena u mjeri u kojoj je autor smatrao korisnom za
razumijevanje prezentirane problematike, ali je naglasak stavljen na aplikativni dio. Osnove
neparametarske statističke analize su izložene kombinovanjem istovremeno tradicionalnog
i savremenog pristupa, te je na taj način korisniku omogućeno da stečena znanja korektno
primjeni, poštujući načela i principe teorijske statistike. U svakom poglavlju su definisani
osnovni pojmovi i prezentirane formalne procedure odgovarajućih neparametarskih
statističkih testova, koje su potom primjenjene na konkretnim primjerima i to direktno
kroz formalne procedure a potom primjenom sofverskog SPSS paketa. Nastojalo se
naglasiti prepoznavanje adekvatnosti primjene odabranih neparametarskih statističkih
testova, kao i pravilno tumačenje dobivenih rezultata.
Ovom prilikom želim izraziti svoju duboku zahvalnost svima onima koji su mi pomogli
u toku pisanja ovog udžbenika. Prvenstveno se želim zahvaliti recenzentima prof. dr
Rabiji Somun Kapetanović i prof. dr Kseniji Dumičić na ljudskoj i profesionalnoj podršci
i nizu korisnih savjeta i sugestija. Neizmjernu zahvalnost dugujem mom suprugu Senadu
i kćerkama Almedini i Azemini na ljubavi, strpljenju, vremenu, podršci i nesebičnom
odricanju kako bi ovaj udžbenik ugledao svjetlost dana. Zahvaljujem od srca i svim mojim
studentima koji su mi svojim interesom za statističke discipline dali motivaciju da napišem
ovaj udžbenik.
I na samom kraju ovo djelo, kao i svaki svoj uspjeh u životu, posvećujem mojim roditeljima,
jer sve dok sam živa sjećanje na njih davaće mi snagu da idem naprijed.
Sarajevo, januar 2017.

Emina Resić
5
SADRŽAJ
Predgovor 5
1. Uvod u neparametarsku statistiku 9
2. Neparametarski testovi za jedan uzorak 15

2.1. Hi-kvadrat test saglasnosti ili prilagođenosti (goodnes of fit) 17
2.2. Hi-kvadrat test nezavisnosti ili homogenosti 29
2.3. Binomni test 42
2.4. Test koraka (Runs test) 46
2.5. Kolmogorov-Smirnov (KS) test 54
2.6. Test znaka za jedan uzorak (sign test) 61
2.7. Wilcoxon test ranga sa znakom za jedan uzorak 68
3. Neparametarski testovi za dva nezavisna uzorka 79

3.1. Mann-Whitney U test 81
3.2. Kolmogorov-Smirnov Z test 94
3.3. Wald-Wolfowitz test koraka 101
3.4. Moses extreme reactions test 106
4. Neparametarski testovi za dva zavisna uzorka 113

4.1. McNemar test 115
4.2. Marginal homogeneity test 119
4.3. Sign test (test znakova) 121
4.4. Wilcoxon test ranga sa znakom za dva zavisna uzorka 128
4.5. Spearmanov koeficijent korelacije ranga i test njegove signifikantnosti 140
4.6. Kendallov koeficijent korelacije ranga i test njegove signifikantnosti 144
5. Neparametarski testovi za K nezavisnih uzoraka 149

5.1. Kruskal-Wallisov one way test 151
5.2. Test medijane 157
5.3. Janckheere-Terpstra test 164
7
6. Neparametarski testovi za K zavisnih uzoraka 169
6.1. Friedman test 171
6.2. Kendall’s W test 176
6.3. Cochran’s Q test 181
Izvori 187
Popis tabela 190
Popis slika 194
Popis grafikona 197
Prilozi 198
Prilog 1. Tablice funkcije rasporeda Gausove (normalne) distribucije 198
Prilog 2. Tablice funkcije rasporeda Studentove (t) distribucije 200
Prilog 3. Tablice funkcije rasporeda F distribucije 206
Prilog 4. Tablice funkcije rasporeda hi-kvadrat distribucije 214
Prilog 5. Kritične vrijednosti binomnog testa znakova 220
Prilog 6. Kritične vrijednosti za runs test 222
Prilog 7. Kritične vrijednosti za Kolmogorov-Smirnov test 224
Prilog 8. Kritične vrijednosti Wilcoxonovog testa ranga sa znakom za jedan uzorak 225
Prilog 9. Donja i gornja kritična vrijednost U testa sume rangova 226
Prilog 10. Kritične vrijednosti Wilcoxonovog testa ranga sa znakom za dva zavisna uzorka 227
Prilog 11. Kritične vrijednosti za Spearmanov koeficijent korelacije ranga 228
Prilog 12. Kritične vrijednosti za test Kendallovog koeficijenta korelacije ranga 229
8
1
Uvod u
neparametarsku
statistiku
1 Uvod u neparametarsku statistiku
U inferencijalnoj statistici vezanoj za parametarske metode i statističke testove polazi se od

pretpostavke da je distribucija parametara uzoraka u najmanju ruku poznata. Međutim, u
praksi se uglavnom susrećemo sa takvim situacijama kada je ništa ili je vrlo malo poznato
o distribuciji populacije, a vrlo česte su i situacije kada imamo informacije o populaciji ali
empirijska distribucija ne zadovoljava pretpostavku „normalnosti”1. Dešavaju se i situacije
kada postoje teoretski zadane gornja ili donja granica ili obje izvan kojih se rezultati ne
mogu kretati (npr broj bodova osvojenih na testu ne može biti niži od 0 niti viši od 100,
cijena ne može biti negativan broj, ocjene se kreću u granicama od 1 do 5, itd.). Tu su i
slučajevi da je vjerovatnoća realizacije posmatranog događaja vrlo mala (ako je p<0,10)
te je za takve slučajeve aproksimaciju potrebno vršiti primjenom Poissonove distribucije
vjerovatnoća (distribucije rijetkih događaja). Vrlo često u empirijskim podacima imamo
outliere koji kvare pretpostavku „normalnosti”, a iz objektivnih razloga ih ne možemo
eliminisati jer sadrže informacije važne za naše istraživanje.
Iz prethodno navedenih razloga u empirijskim istraživanjima se vrlo često koriste metode
statističke inferencije koje nemaju kao pretpostavku zadan to jeste a priori poznat oblik
distribucije parametara. Te metode nazivamo neparametarske metode ili metode slobodne
od distribucije (distribution-free methods). Neparametarski testovi su zasnovani na nekim
opštim pretpostavkama kao što je slučajan izbor elemenata u uzorak, te su stoga u
empirijskim istraživanjima pretpostavke za njihovu primjenu u većini slučajeva ispunjene.
Neparametarske metode se primjenjuju prvenstveno kod podataka koji su izraženi
kvalitativnim (nominalnim i ordinalnim) mjernim skalama obzirom da u tom slučaju
najčešće nije moguće izvršiti aproksimaciju nekom od poznatih teorijskih distribucija
vjerovatnoća, dok se parametarske metode uglavnom koriste kod podataka izraženih
kvantitativnim (intervalnim i metričkim) skalama i to ako zadovolje neke vrlo rigidne
pretpostavke. Naziv neparametarska statistika nije sasvim adekvatan, jer se ponekad i
kod neparametarskih metoda kod procesa statističkog testiranja za postavku i provjeru
hipoteza upotrebljavaju parametri populacije kao što je medijana ili proporcija.
Kod neparametarskih metoda se do zaključaka dolazi pomoću ranga mjerenja ili putem
prebrojavanja jedinica, te na osnovu algebarskih znakova plus (+) i minus (-). Ne uzima se
kao pretpostavka poznavanje oblika distribucije, mada neki neparametarski testovi polaze
od pretpostavke da su oblici dvije ili više ispitivanih distribucija identični. Pored toga, u
nekim slučajevima se polazi i od pretpostavke da je distribucija kontinuirana. Ponekad
se uvodi i pretpostavka da je raspored populacije simetričan, što je i dalje manje rigidna
pretpostavka u odnosu na pretpostavku „normalnosti“.
1
Ne ponaša se po Gausovoj (normalnoj) distribuciji.
11
Kako na osnovu prethodne elaboracije možemo zaključiti, jedna od ključnih prednosti

neparametarskih testova je da mogu da se izvode na populacijama različitih oblika, što
nije slučaj kod parametarskih testova. Prednost neparametarskih testova dolazi naročito
do izražaja i u tome da se mogu primjeniti i kod vrlo malih uzoraka, do pet jedinica, što
uglavnom nije slučaj sa parametarskim testovima2. Primjena neparametarskih testova je
metodološki relativno jednostavna, te je i to jedna veoma značajna prednost.
Nedostatak neparametarskih testova, u odnosu na parametarske, je u nešto smanjenoj
preciznosti koja se izražava u procentima kao snaga testa (power). Primjena pojedinih
neparametarskih testova je manje univerzalna nego parametarskih, i svaki od njih ima
posebnu tablicu vjerovatnoća koja služi kao osnova upoređenja kod određivanja teorijske
ili kritične vrijednosti zadane statistike testa.
Da rezimiramo, neparametarski testovi se koriste kod kvalitativnih obilježja a kod
numeričkih obilježja se koriste u situaciji kada radimo sa malim uzorcima koji nemaju
normalan raspored. Tada se varijable ne tretiraju kao brojevi na kojima je moguće primjeniti
matematičke operacije, već kao rangirani niz. Neparametarski testovi testiraju da li postoji
signifikantna „razlika” između frekvencija ili njihovih rangova unutar skupa. Prednost u
odnosu na parametarske testove jeste da se mogu koristiti i kod kvalitativnih obilježja i kod
malih uzoraka koji nemaju normalan raspored, a nedostatak što imaju manju pouzdanost
i manju snagu nego parametarski testovi. Stoga se neparametarski testovi koriste ukoliko:
• Podaci zavisne varijable (Y) nisu izraženi na intervalnoj niti metričkoj mjernoj skali.
Obično neintervalni podaci postoje u obliku rangova vrijednosti (0/1). Intervalni
ili metrički podaci, čine neophodnim da se u analizi koriste prosjeci i standardne
devijacije, dakle da se primjene parametarski testovi.
• Distribucija podataka analizirane varijable su u velikoj mjeri asimetrične. Za
primjenu parametarskih testova zahtjeva se relativno normalna distribucija
podataka zavisne varijable (da indikatori asimetrije i zaobljenosti teže „normalnim
vrijednostima” 0 i 3) to jeste zadovoljenje pretpostavke „normalnosti“, što nije slučaj
kod neparametarskih testova.
• Ukoliko postoji nekoliko nejednakih varijansi između grupa (nezadovoljenje
pretpostavke homogenosti varijanse).
• Ako su jedna ili više varijabli u skupu podataka mjerene kvalitativnom (nominalnom
ili ordinalnom) skalom.
• Kada je veličina uzorka veoma mala (5 ili manje slučajeva ili objekata) tada ne
postoji druga alternativa osim korištenje neparametarskih testova; izuzev u slučaju
kada je raspodjela posmatrane varijable u populaciji u potpunosti poznata što u
većini situacija nije slučaj.
2
Soldić Aleksić, J. (2011). Primjenjena analiza podataka, Ekonomski fakultet u Beogradu, Beograd, str. 246
12
1 Uvod u neparametarsku statistiku
U tabeli 1. 1. prezentirani su uslovi i kriteriji na bazi kojih biramo parametarsku ili

neparametarsku opciju statističkog testa.
Tabela 1. 1. Parametarski versus neparametarski testovi
Parametarski test Kriteriji Neparametarski test
intervalna, mjerna skala mjerenja može biti i nominalna ili ordinalna

normalna ili približno
oblik distribucije nije relevantno
normalna
veća statistička snaga manja
jednake varijansa nije relevantno
veća osjetljivost manja
veća razumljivost za korisnike manja
U programskom paketu SPSS na raspolaganju imamo neparametarske testove prezentirane

u tabeli 1. 2. i na slici 1. 1. Klasifikacija je data u odnosu na broj uzoraka i vrstu opservacija
(nezavisne ili zavisne).
Tabela 1. 2. Neparametarski testovi u SPSS programskom paketu
Tip uzorka Odgovarajući neparametarski test

Hi-kvadrat test
Binomni test
Test koraka (Runs test)
Jedan uzorak
Kolmogorov-Smirnov test
Test znakova (Sign test)
Wilcoxon test ranga sa znakom
Mann-Whitney U test
Kolmogorov-Smirnov Z test
Dva nezavisna uzorka
Wald-Wolfowitz test koraka
Moses extreme reactions test
Wilcoxon test ranga sa znakom
Test znakova (Sign test)
McNemar test
Dva zavisna uzorka
Marginal homogeneity test
Spearman rank correlation test
Kendall rank correlation test
13
Tip uzorka Odgovarajući neparametarski test

Kruscal-Wallis test
K nezavisnih uzoraka Test medijane
Janckheere-Terpstra test
Friedman test
K zavisnih uzoraka Kendall's W test
Cochran's Q test
Slika 1. 1. Neparametarski testovi u SPSS programskom paketu
U nastavku ćemo detaljno analizirati najčešće korištene neparametarske testove

(prezentirane u tabeli 1. 2.).
14
2
Neparametarski
testovi za jedan
uzorak
2 Neparametarski testovi za jedan uzorak
Neparametarski testovi sa jednim uzorkom iz analizirane populacije mogu nam dati

odgovore na sljedeća pitanja:
• Da li postoji statistički značajna razlika između mjere srednje vrijednosti za uzorak
i pretpostavljene (zamišljene) mjere srednje vrijednosti za populaciju?
• Da li postoji statistički značajna razlika između empirijskih i teorijskih (pretpostavljenih
ili po nekom rasporedu očekivanih) frekvencija (goodnes of fit)?
• Da li postoji statistički značajna razlika između empirijskih i teorijskih (pretpostavljenih
ili po nekom rasporedu očekivanih) proporcija?
• Da li postoji povezanost (međuzavisnost) između dvije varijable koje su vezane za
kvalitativne mjerne skale?
2.1. Hi-kvadrat test saglasnosti ili prilagođenosti

(goodnes of fit)
Cilj koji želimo postići primjenom hi-kvadrat testa prilagođenosti jeste da ispitamo da li su
naši empirijski podaci saglasni sa nekom hipotetičkom (zamiišljenom, pretpostavljenom)
raspodjelom. Hipoteze testa možemo izraziti na sljedeći način:
H0: ne postoji statistički značajna razlika između empirijske (observirane) raspodjele
frekvencija i očekivane (pretpostavljene, teorijske) raspodjele frekvencija/ H1: postoji
značajna statistička razlika između empirijske (observirane) raspodjele frekvencija i
očekivane (pretpostavljene, teorijske) raspodjele
Dakle, hi- kvadrat test se upotrebljava za testiranje značajnosti razlike između dobijenih,
to jeste empirijskih i očekivanih frekvencija. Statistika testa se definiše formulom:
^ fk,emp. - fk,teor.h2
. = /< F
m
2
|emp fk,teor.
k=1
gdje je:
m- broj modaliteta ili intervala
fk,emp. (fk,teor.) - empirijske (teorijske) frekvencije
17
Tumačenje dobijene vrijednosti bazira se na teorijskom hi-kvadrat rasporedu:
a. Raspored je definisan u oblasti od 0 do +∞.

b. Kriva rasporeda nije simetrična, međutim, sa povećanjem broja modaliteta
posmatranog obilježja (sa povećanjem broja stepena slobode) hi-kvadrat raspored
se približava to jeste teži ka normalnom rasporedu.
c. Za svaki broj stepeni slobode postoji i određeni hi-kvadrat raspored i kritične oblasti
(ne)odbacivanja nulte hipoteze.
Dobijena empirijska hi-kvadrat vrijednost se upoređuje sa teorijskom hi-kvadrat

vrijednošću Pk (| 2 1 |teor .) = 1 - a & | teor., k = m - r - 1 , gdje je r- broj parametara
2 2 '
'
koji su procjenjeni iz empirijskih podataka. Postupak zaključivanja je sljedeći:

. 1 | teor. & H0, | emp. $ | teor. & H1 .
2 2 2 2
|emp
Primjer 2. 1. 1.
Direktor fabrike automobila je posljednjih godina zabilježio strukturu prodaje automobila
prema njihovoj boji prikazanu u tabeli 2. 1.
Tabela 2. 1. Struktura prodaje automobila prema boji
Boja Distribucija iz prethodnog perioda
Crvena 580
Crna 620
Bijela 400
Zelena 250
Druge boje 150
Ove godine tvrdi da su se preferencije promijenile i da se popularnost boja promijenila

u odnosu na prethodne godine. Testirati takvu pretpostavku ako znamo da je prodaja u
tekućoj godini data u tabeli 2. 2.
18
Tabela 2. 2. Prodaja automobila u tekućoj godini
Boja Distribucija iz tekućeg perioda

Crvena 575
Crna 700
Bijela 685
Zelena 320
Druge boje 220
Nivo značajnosti je 99%.

Rješenje.
Hipoteze će glasiti:
H0: femp. = fteor. ,6k, k = 1, m , ista distribucija boje kupljenih automobila u tekućem i
prethodnom periodu
H1: 7 femp. ! fteor. , nije ista distribucija boje kupljenih automobila u tekućem i prethodnom
periodu
Uzimamo da je distribucija iz prethodnog perioda teorijska distribucija sa kojom vršimo
poređenje, te je prilagođavamo da N bude identično (tako što ćemo svaku frekvenciju iz
prethodnog perioda pomnožiti sa (2500/2000) i određujemo hi-kvadrat empirijsku vrijednost
= /< F.
m
2
| emp.
fk,teor.
k=1
Tabela 2. 3. Radna tabela za izračunavanje empirijske hi-kvadrat vrijednosti za primjer 2. 1. 1.
Distribucija
Distribucija Distribucija iz ^ fk,emp. - fk,teor.h2
Boja iz prethodnog
iz prethodnog
tekućeg perioda - < F
perioda
perioda korigovana fk,teor.
- fk, teor. fk,emp.
Crvena 580 725 575 31,03
Crna 620 775 700 7,26
Bijela 400 500 685 68,45
Zelena 250 312,5 320 0,18
Druge boje 150 187,5 220 5,63
Ukupno 2000 2500 2500 112,56
19
= /< F = 112, 56
m
2
| emp.
fk,teor.
k=1
Određujemo tabličnu ili teorijsku hi-kvadrat vrijednost (prilog 4.).

Pk = 5 - 1 = 4 (| 2 1 |teor.) = 1 - 0, 01 = 0, 99 & | teor. = 13, 27
2 2
'
Na bazi upoređivanja empirijske i teorijske hi-kvadrat vrijednosti zaključujemo:

. 2 | teor. & H1 , to jeste preferencije su se promijenile i popularnost boja se promijenila
2 2
| emp
u odnosu na prethodne godine.
SPSS procedura.
Za SPSS proceduru trebaju nam podaci šifrirani tako da brojevima predstavimo boje: 1 –
crvena, 2 – crna, 3 – bijela, 4 – zelena i 5 – druge boje. Unesemo u naredne dvije kolone
empirijske frekvencije (iz tekućeg perioda) i teorijske frekvencije (iz prethodnog perioda).
U opciji „Select“ biramo „Weight Cases“ i uzimamo kao ponder empirijske frekvencije iz
tekućeg perioda.
Slika 2. 1. SPSS procedura za ponderisanje u primjeru 2. 1. 1.
20
U opciji „Analyze“ biramo neparametarski hi-kvadrat test i unosimo frekvencije iz

prethodnog perioda kao očekivane frekvencije.
Slika 2. 2. SPSS procedura za provođenje hi-kvadrat testa u primjeru 2. 1. 1.
21
Slika 2. 3. SPSS procedura za unos elemenata potrebnih za provođenje hi-kvadrat testa u primjeru
2. 1. 1.
Tabela 2. 4. Rezultati hi-kvadrat testa u primjeru 2. 1. 1. – SPSS output
xbroj
Observed N Expected N Residual
1,00 575 725,0 -150,0
2,00 700 775,0 -75,0
3,00 685 500,0 185,0
4,00 320 312,5 7,5
5,00 220 187,5 32,5
Total 2500
22
Test Statistics
xbroj
Chi-Square 112,556a
df 4
Asymp. Sig. 0,000
a. 0 cells (,0%) have expected frequencies less than 5. The minimum expected cell frequency is 187,5.
P vrijednost je niža od 0,01 što znači da odbacujemo nultu i prihvatamo alternativnu

hipotezu da su se preferencije i popularnost boja promijenile u odnosu na prethodne
godine.
Primjer 2. 1. 2.
Na 4 odvojena područja ispitujemo kupovinu kafe. Pretpostavka je da kafu u istoj proporciji
kupuju potrošači na svakom od ova 4 područja. Izabrali smo uzorak potrošača kafe da bi
testirali tu pretpostavku.
Tabela 2. 5. Kupovina kafe u uzorku za primjer 2. 1. 2.
područje broj potrošača u uzorku broj kupaca kafe u uzorku

A 100 20
B 200 35
C 150 37
D 250 43
Možemo li prihvatiti pretpostavku da je proporcija kupaca kafe jednaka za svako područje

sa greškom 5%?
Rješenje.
Prvo ćemo postaviti hipoteze:
H0: P1 = P2 = ... = Pk = ... = Pm = P k = 1, m , ista proporcija kupaca kafe u svim područjima
H1: 7 Pk ! P , nije ista proporcija kupaca kafe u svim područjima
23
Određujemo očekivane ili teorijske frekvencije po modelu:

m
/f k, emp.
fk,teor. = nk $ p gdje je p = k m
=1
= 135 = 0, 193
700
/ nk
k=1
Tabela 2. 6. Radna tabela za izračunavanje teorijskih frekvencija za primjer 2. 1. 2.
broj potrošača u broj kupaca kafe u očekivani broj kupaca

područje
uzorku - nk uzorku - fk, emp. kafe - fk, teor.
A 100 20 19,286
B 200 35 38,572
C 150 37 28,929
D 250 43 48,215
suma 700 135 135,002
Izračunavamo empirijsku hi-kvadrat vrijednost: |emp. = / < F
m
2
k=1
fk,teor.
.
Tabela 2. 7. Radna tabela za izračunavanje hi-kvadrat empirijske vrijednosti za primjer 2. 1. 2.
broj potrošača u broj kupaca kafe u

očekivani broj ^ fk,emp. - fk,teor.h2
područje kupaca kafe -
uzorku - nk uzorku - fk, emp. fk,teor.
fk,teor.
A 100 20 19,286 0,02643

B 200 35 38,572 0,33079
C 150 37 28,929 2,25176
D 250 43 48,215 0,56406
suma 700 135 135,002 3,17304
= /< F = 3, 173
m
2
| emp.
fk,teor.
k=1
24

Pk = 5 - 1 = 4 (| 2 1 |teor.) = 1 - 0, 05 = 0, 95 & | teor. = 9, 487
2 2
'
Na bazi upoređivanja empirijske i teorijske hi-kvadrat vrijednosti zaključujemo:

. 1 | teor. & H1 .
2 2
| emp
Dakle, možemo reći da je u svakom području proporcija kupaca kafe jednaka.
SPSS procedura.
Za SPSS proceduru su nam potrebni šifrirani podaci, tako da brojevima predstavimo
područja: 1 – A, 2 – B, 3 – C i 4 – D. Unesemo u naredne dvije kolone empirijske
frekvencije i teorijske frekvencije. U opciji „Select“ biramo „Weight Cases“ i uzimamo kao
ponder empirijske frekvencije. U opciji „Analyze“ biramo neparametarski hi-kvadrat test
i unosimo teorijske frekvencije kao očekivane frekvencije.
Slika 2. 4. SPSS procedura za unos elemenata potrebnih za provođenje hi-kvadrat testa u primjeru
2. 1. 2.
25
podrucjebroj
1,00 20 19,3 ,7
2,00 35 38,6 -3,6
3,00 37 28,9 8,1
4,00 43 48,2 -5,2
Total 135
Test Statistics
podrucjebroj
Chi-Square 3,173a
df 3
Asymp. Sig. 0,366
Kako je p vrijednost 0,366>0,05, ne odbacujemo nultu hipotezu, tj. zaključujemo da je

proporcija kupaca kafe jednaka u svakom području.
Primjer 2. 1. 3.
Asistent tvrdi da je distribucija mailova koje mu studenti šalju radnim danima uniformno
raspodjeljena. Za 100 primljenih mailova od strane studenata registrovao je dan kada su
primljeni (tabela 2. 9.).
Tabela 2. 9. Broj primljenih mailova od strane studenata
Dan u sedmici Broj primljenih mailova

Ponedeljak 28
Utorak 23
Srijeda 14
Četvrtak 25
Petak 10
26
Želimo ispitati na nivou značajnosti od 95% da li je asistent u pravu.

Rješenje.
Uniformna raspodjela znači da imamo jednake očekivane frekvencije za svaki dan u
sedmici (100/5=20).
Tabela 2. 10. Radna tabela za izračunavanje hi-kvadrat empirijske vrijednosti za primjer 2. 1. 3.
Broj primljenih mailova

Očekivani broj primljenih ^ fk,emp. - fk,teor.h2
Dan u sedmici mailova kafe (po uniformnoj
- fk, emp. fk,teor.
distribuciji) - fk, teor.
Ponedeljak 28 20 3,2
Utorak 23 20 0,45
Srijeda 14 20 1,8
Četvrtak 25 20 1,25
Petak 10 20 5
ukupno 100 100 11,7
Određujemo emprijsku hi-kvadarat statistiku:
= /< F = 11, 7
m
2
| emp.
fk,teor.
k=1

Pk = 5 - 1 = 4 (| 2 1 |teor.) = 1 - 0, 05 = 0, 95 & | teor. = 9, 487
2 2
'
Na bazi upoređivanja empirijske i teorijske hi-kvadrat vrijednosti zaključujemo da je:

. 1 | teor. & H1 . Dakle, možemo reći da asistent nije u pravu to jeste da analiziranu
2 2
| emp
distribuciju ne možemo smatrati uniformnom.
SPSS procedura.
Za SPSS proceduru trebaju nam podaci šifrirani tako da brojevima predstavimo dane:
1 – ponedeljak, 2 – utorak, 3 – srijeda, 4 – četvrtak i 5 – petak.
27
Slika 2. 5. SPSS procedura za provođenje hi-kvadrat testa u primjeru 2. 1. 3.
Slika 2. 6. SPSS procedura za unos elemenata potrebnih za provođenje hi-kvadrat testa u primjeru 2. 1. 3.
28
mailovi
1,00 28 20,0 8,0
2,00 23 20,0 3,0
3,00 14 20,0 -6,0
4,00 25 20,0 5,0
5,00 10 20,0 -10,0
Total 100
Test Statistics
mailovi
Chi-Square 11,700a
df 4
Asymp. Sig. 0,020
a. 0 cells (. 0%) have expected frequencies less than 5. The minimum expected cell frequency is 20. 0.
Kako je p vrijednost 0,02<0,05, odbacujemo nultu hipotezu, tj. sa greškom prve vrste 5%
zaključujemo da distribucija mailova koje studenti šalju asistentu radnim danima nije
uniformno raspodjeljena.
2.2. Hi-kvadrat test nezavisnosti ili homogenosti

Ako su X i Y dvije kategoričke varijable, cilj hi-kvadrat testa nezavisnosti je da ispita da
li su te dvije promjenljive nezavisne. Pomoću hi-kvadrat testa nezavisnosti testiramo
postoji li povezanost između dvije varijable, ali u tim slučajevima postoji bitna razlika
između računa korelacije i rezultata hi-kvadrat testa, jer račun korelacije pokazuje stepen
povezanosti između dvije varijable, dok hi-kvadrat test pokazuje vjerovatnost to jeste
signifikantnost povezanosti.
29
Određivanje razlika između aritmetičkih sredina, neki računi korelacije i tome slično,
su metode koje se mogu primijeniti samo na kvantitativne (brojčane) podatke, koji su
ili normalno raspoređeni ili makar simetrično raspoređeni. Ako su podaci kvalitativni
ili ako im distribucija značajno odstupa od normalne, onda se veliki broj postupaka u
okviru parametarskih postupaka (osim računa proporcija i nekih koeficijenata korelacije
koji se zasnivaju na procesu rangiranja i ne koriste orginalne vrijednosti varijabli) ne
mogu upotrijebiti, nego se većinom upotrebljava postupak nazvan χ² - test. Frekvencije u
pojedinim ćelijama kontigencijske tablice moraju biti nezavisne, tako da svaka frekvencija
u pojedinoj ćeliji ne smije pripadati drugom pojedincu. U kontigencijsku tablicu se ne
smije unositi više odgovora istog ispitanika. U okviru hi-kvadrat testa se račun vrši samo
sa frekvencijama, pa nije dopušteno u račun unositi nikakve mjerne jedinice. Osnovni
podaci istraživanja mogu biti i mjerne vrijednosti, ali u proceduru računa za hi-kvadrat
se unose samo njihove frekvencije. Kada imamo podatke o nekoj osobini koja se pojavila,
moramo uvrstiti i frekvencije u kojima se ta osobina nije pojavila.
Hipoteze hi-kvadrat testa nezavisnosti glase:
H0: nema signifikantne veze između dva obilježja X i Y/ H1: postoji signifikantna veza
među obilježjima X i Y
U slučajevima gdje je teorijska (tablična) vrijednost hi-kvadrat testa manja od empirijske
(izračunate) vrijednosti hi-kvadrata, odbacuje se nulta hipoteza i prihvata alternativna
hipoteza.
Nijedna očekivana frekvencija ne treba biti previše mala. U slučaju da imamo više od
80% očekivanih frekvencija većih od 5 a niti jedna očekivana frekvencija nije manja od
1, možemo koristiti procedure hi-kvadrat testa. Ukoliko to nije zadovoljeno postoje neka
pravila:
• Hi-kvadrat za 2 x 2 kontigencijsku tablicu nije poželjno računati ako je N manje od

40. Dozvoljeno je kreirati tablicu i kod manjeg broja ispitanika (ali nikako ako je N
manji od 20), ako ni jedna očekivana frekvencija nije manja od 5.
• Za 2 x 2 kontigencijsku tablicu (kada postoji samo 1 stepen slobode) ako u bilo
kojoj ćeliji imamo očekivanu frekvenciju manju od 5, moguće je provesti korekciju
za kontinuitet (Yatesova korekcija). Ako su razlike izmedu stvarnih i očekivanih
frekvencija vrlo male, tako da primjenom Yatesove korekcije dobijemo razliku koja
je numerički veća (bez obzira na predznak), onda upotreba te korekcije nema smisla.
Korekcija ima smisla samo kod malih frekvencija u ćelijama, jer će kod velikih
frekvencija sa korekcijom doći samo do malih razlika u završnom rezultatu.
30
• U tablicama kontigencije većeg reda (kada je broj stepeni slobode veći od 1), hi-
kvadrat vrijednost se može izračunati ako manje od 20% ćelija ima očekivanu
frekvenciju manju od 5, a niti jedna ćelija očekivanu frekvenciju manju od 1. Ako
to nije postignuto, treba spajati ćelije u kojima su očekivane frekvencije previše
male. Takvo spajanje ima smisla samo onda ako se time ne pokvari svrha samog
ispitivanja, tj. ako fenomen koji ispitujemo ostaje i dalje vidljiv. Također moguće
je koristiti preciznu p-vrijednost dobijenu Fischer exact testom, koji je isto tako
neparametarski test ili p vrijednost procijeniti Monte-Carlo simulacijom koja je isto
kao i hi-kvadrat procedura asimptotska opcija, ali daje prezicniju p vrijednost nego
hi-kvadrat test. Fischer exact test je potrebno koristiti ako je N manje od 40 i ako u
bilo kojoj ćeliji imamo očekivanu frekvenciju manju od 5, to jeste ako u bilo kojoj
ćeliji imamo očekivanu frekvenciju manju od 1 nebitno koliko je N.3
• Napomena: U novije vrijeme pojavile su se rasprave koje dokazuju da nije naročito
važno pridržavati se pravila navedenh u prethodnim stavkama.
Kontigencijska tablica za primjenu hi-kvadrat testa nezavisnosti konstruiše se na način

prikazan u tabeli 2. 12.
Tabela 2. 12. Konstrukcija kontigencijske tablice
Tabela kontigencije (mij=fij, ni. =fi., n. j=f. j)
modaliteti obilježja B
modaliteti ukupno
obilježja A (∑)
B1 B2 ... Bj ... Bc
A1 m11 m12 m1j m1c n1.
A2 m21 m22 m2j m2c n2.
...
Ai mi1 mi2 mij mic ni.
...
Ar mr1 mr2 mrj mrc nr.
ukupno (∑) n. 1 n. 1 n. j n. c n
gdje je ni. - frekvencija marginalne kolone i n j. - frekvencija marginalne vrste.
3
http://spssx-discussion. 1045642. n5. nabble. com/Chi-square-and-Fisher-s-Exact-Test-td1075915. html, pristup 14. 11. 2014.
31
Ako je pij - vjerovatnoća izbora elementa osnovnog skupa sa modalitetima obilježja

Ai i B j , pi. - vjerovatnoća izbora sa modalitetom Ai , p.j - vjerovatnoća izbora sa
modalitetom Bj i pij = pi. $ p.j jer su Ai i B j nezavisni, procedura samog testa glasi:
1.H0: pij = pi. $ p.j /H1: 7 pij ! pi. $ p.j

2.Pk (| 2 1 |teor .) = 1 - a & | teor.
2 2
''
k'' = ^r - 1h $ ^c - 1h
n n.j ni. $ n.j
3. pi. = ni. , p.j = n , pij =
n2
ni. $ n.j
eij = n $ pij = n
r c ^mij - eijh2
. = / /
2
|emp eij
i=1 j=1
4.|emp . 1 | teor. & H0, | emp. $ | teor. & H1

2 2 2 2
Za r = c = 2 & k = 1 koristimo Yates - ovu korekciju: od svake apsolutne razlike

''
empirijskih i očekivanih frekvencija oduzmemo 0,5 i dobivenu vrijednost kvadriramo.

Ako se kod testa nezavisnosti prihvati alternativna hipoteza X1 mjera zavisnosti je
koeficijent kontigencije:
2
|emp
C=
.
,01C11
n + |emp
2
.
Veći koeficijent kontigencije C znači veću zavisnost modaliteta obilježja i obratno.

Jednostavniji postupak za izračunavanje hi-kvadrat empirijske vrijednosti kod 2x2
kontigencijeske tablice podrazumijeva da nije potrebno izračunavati razlike između
stvarnih i očekivanih (teoretskih) frekvencija. Ćelije označimo slovima a, b, c, d, te se hi-
kvadrat empirijsko (uključujući Yatesovu korekciju) može izračunati po formuli4:
` -b$c - Nj
2
N $ a $ d 2
. =
2
|emp
(a + c) (b + d) (c + d) (a + b)
4
Dva autora, Mantel i Haenzel, razradili su tehniku izračunavanja hi-kvadrat statistike direktno iz izvornih podataka tabele
kontigencije 2x2. Njegova primjena se preporučuje kod uzoraka manjih od 200 jedinica. Prednost primjene ovog načina
izračunavanja je u tome što razrađena formula automatski obuhvata i Yates-ovu korekciju. (http://support. sas. com/
documentation/cdl/en/statug/63033/HTML/default/viewer. htm#statug_freq_a0000000648. htm, pristup 20. 10. 2014.)
32
Primjer 2. 2. 1.
U jednoj banci provedena je anonimna anketa između 47 radnika, odnosno 28 radnica i 19

radnika, te je ispitivan njihov stav prema rukovodiocu poslovnice. Iz dobivenih odgovora
može se zaključiti da je mišljenje o rukovodiocu „pozitivno“ ili „negativno“.
Muškarci (N=19) Žene ( N =28)
Pozitivan stav 15 Pozitivan stav 12
Negativan stav 4 Negativan stav 16
Budući da je rukovodilac muškarac, pitanje je da li se razlikuju stavovi muškaraca od žena
prema rukovodiocu muškarcu.
Rješenje.
Kako bismo formirali kontigencijsku tablicu najprije ćemo unijeti rezultate u tabelu 2x2 u
kojoj će apscisa predstavljati jednu varijablu (stav), a ordinata drugu varijablu (spol).
Tabela 2. 13. Kontigencijska tablica za primjer 2. 2. 1.
Stav
pozitivan negativan ukupno
muški 15 (a) 4 (b) 19
Spol
ženski 12 (c) 16 (d) 28
ukupno 27 20 47
Pod pretpostavkom da nema značajne razlike između muškaraca i žena, proporcija

negativnog (ili pozitivnog) stava morala bi biti jednaka kod muškaraca i kod žena. Radimo
sa 2x2 tablicom te koristimo jednostavan metod bez izračunavanja teorijskih frekvencija:
N $` a $ d - b $ c - 2 j
N 2
47 ^ 240 - 48 - 23, 5h2
| = +2
= =
emp.
(a c) $ (b + d) $ (c + d) $ (a + b) 27 $ 20 $ 28 $ 19
47 ^192 - 23, 5h2 1.334.435, 75
= = = 4, 64
287.280 287.280
Teorijska ili granična vrijednost uz 1 stepen slobode na nivou značajnosti od 5% iznosi

3,841 (prilog 4.). Kako je empirijska hi-kvadrat vrijednost veća od teorijske, odbacujemo
nultu i prihvatamo alternativnu hipotezu, tj. zaključujemo da se muškarci razlikuju
značajno od žena u stavu prema rukovodiocu.
33
SPSS procedura.
Za SPSS proceduru trebaju nam podaci u dvije kolone (spol i stav). U opciji za deskriptivnu
statistiku u okviru Crosstabulation kod dijela Statistics biramo Chi-square.
Slika 2. 7. SPSS procedura za kreiranje kontigencijske tablice u primjeru 2. 2. 1.
34
Slika 2. 8. SPSS procedura za unos elemenata potrebnih za kreiranje kontigencijske tablice u

primjeru 2. 2. 1.
35
Tabela 2. 14. Rezultati hi-kvadrat testa nezavisnosti u primjeru 2. 2. 1. – SPSS output
Chi - Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df
(2 - sided) (2 - sided) (1 - sided)
Pearson Chi - Square 6,031a 1 0,014
Continuity Correction b
4,645 1 0,031
Likelihood Ratio 6,310 1 0,012
Fisher’s Exact Test 0,018 0,014
N of Valid Cases 47
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 8,09.
b. Computed only for a 2x2 table
Kako je asimptotska p vrijednost5 0,031<0,05, odbacujemo nultu hipotezu, tj. zaključujemo

uz grešku prve vrste 5% da se muškarci razlikuju značajno od žena u stavu prema
rukovodiocu muškarcu, to jeste da spol ispitanika utiče na stav prema rukovodiocu
muškarcu.
Primjer 2. 2. 2.
U anketi sa 104 menadžera različitog nivoa jedno od pitanja je bilo “Da li je leadership
ključni faktor za prevazilaženje kriza i opstanak preduzeća?“.
Tabela 2. 15. Odgovori menadžera iz primjera 2. 2. 2. na pitanje o važnosti leadership-a
Šta najbolje opisuje Vašu poziciju u Da li je, po Vašem mišljenju, leadership ključni faktor
preduzeću? za prevazilaženje kriza i za opstanak preduzeća?
prvi nivo, rukovodilac - low manager ne
prvi nivo, rukovodilac - low manager da
5
Fischer exact test ne interpretiramo jer je N> 40 iako u jednoj ćeliji imamo očekivanu frekvenciju manju od 5.
36
srednji nivo - middle manager da
37
srednji nivo - middle manager ne
38
visoki nivo - top manager da
visoki nivo - top manager ne
Da li se menadžeri različitog nivoa razlikuju prema mišljenju o tom pitanju?
39
Rješenje.
Imamo dvije kategoričke varijable i testiramo da li su međusobno zavisne koristeći hi-
kvadrat test nezavisnosti.
SPSS procedura.
Slika 2. 9. SPSS procedura za kreiranje kontigencijske tablice u primjeru 2. 2. 2.
Slika 2. 10. SPSS procedura za unos elemenata potrebnih za kreiranje kontigencijske tablice u
primjeru 2. 2. 2.
40
Tabela 2. 16. Rezultati hi-kvadrat testa nezavisnosti u primjeru 2. 2. 2. – SPSS output
nivo * stav Crosstabulation

Count
stav
Total
da ne
prvi nivo, rukovodilac -
29 10 39
low manager
srednji nivo - middle
nivo 24 12 36
manager
visoki nivo - top
22 7 29
manager
Total 75 29 104
Chi - Square Tests

Value df Asymp. Sig. (2 - sided)
Pearson Chi - Square 0,832a 2 0,660
Likelihood Ratio 0,820 2 0,664
N of Valid Cases 104
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 8,09
41
Rezultat hi-kvadrat testa nezavisnosti je hi-kvadrat empirijska vrijednost 0,832 sa p

vrijednošću 0,660>0,05 te je pokazano da ne postoji međuzavisnost između pozicije
menadžera i stava o tome da je leadership ključni faktor za prevazilaženje kriza i za opstanak
preduzeća. Znači, različiti nivoi menadžmenta imaju slične stavove o leadership-u kao
ključnom faktoru za prevazilaženje kriza.
2.3. Binomni test

Binomni test ili test znakova koristimo kada provjeravamo hipotezu o proporciji na
osnovu jednog i to uglavnom malog uzorka. U dvosmjernoj varijanti binomnog testa
nulta hipoteza glasi da je proporcija populacije jednaka zamišljenoj ili pretpostavljenoj
vrijednosti p0. Obzirom na postavljenu hipotezu konstatujemo da je binomni test uz
odgovarajuću transformaciju moguće primjeniti za bilo koji oblik posmatrane varijable
(nominalna, ordinalna ili numerička).
Kako je riječ o dihotomnoj varijabli i proporcijama koristimo binomnu distribuciju, te je
stoga i test dobio naziv Binomni test. Riječ je o testu znakova, te koristimo znakove „+“
i „–“ i kritične vrijednosti testa znakova (pročitane na bazi veličine uzorka i greške prve
vrste, prilog 5.).6
Ukoliko je (n∙p)>5 i [n∙(1-p)]>5 možemo koristiti aproksimaciju prekidne binomne
distribucije sa neprekidnom normalnom distribucijom, te će statistika testa biti:
pt - p0 p0 $ (1 - p0)
zemp. = v pt = gdje je v pt = n
Primjer 2. 3. 1.
Pretpostavljamo da manje od 80% potrošača koji kupuju bijelu tehniku ima neutralan stav
prema plaćanju kreditnom karticom. Kako bismo provjerili navedenu pretpostavku uzeli
smo uzorak od 25 potrošača na slučaj odabranih koji su na određeni dan u posmatrane
četiri prodavnice bijele tehnike obavili kupovinu. Pitali smo da ocjene svoj stav prema
plaćanju kreditnom karticom i njih 18 se izjasnilo kao neutralno.
6
Mann S. (2009). Uvod u statistiku, (6. izdanje), Ekonomski fakultet u Beogradu, Beograd, str. C29
42
Rješenje.
U uzorku imamo 18 potrošača sa stavom neutralno, to jeste 18 znakova „+“. Dakle, realizovana
ili empirijska vrijednost statistike X testa znakova je 18. Iz tablice za jednosmjerni test na
gornju granicu, n = 25 i α = 0,01 čitamo da je gornja kritična vrijednost jednaka 19 (prilog
5.). Kako je empirijska vrijednost niža od kritične vrijednosti zaključujemo da nemamo
dovoljno dokaza da odbacimo nultu hipotezu, to jeste smatramo da većina potrošača koji
kupuju bijelu tehniku ima neutralan stav prema plaćanju kreditnom karticom.
SPSS procedura.
Hipoteze binomnog testa su: H0 | p # 0, 8 / H1 | p 2 0, 8
Podatke iz uzorka unosimo u SPSS tabelu, te ih rekodiramo tako da 1 bude neutralno a 2
ostalo.
Slika 2. 11. SPSS procedura za rekodiranje u primjeru 2. 3. 1. (koraci a-d)
a)
43
b)
c)
44
d)
Sada možemo primjeniti SPSS proceduru za binomni test.

Slika 2. 12. SPSS procedura za provođenje binomnog testa u primjeru 2. 3. 1.
45
Slika 2. 13. SPSS procedura za unos elemenata za provođenje binomnog testa u primjeru 2. 3. 1.
Tabela 2. 17. Rezultati binomnog testa u primjeru 2. 3. 1. – SPSS output
Binomial Test
Category N Observed Prop. Test Prop. Exact Sig. (1-tailed)
Group 1 1,00 18 0,7 0,8 0,220a
stav
Group 2 2,00 7 0,3
broj
Total 25 1,0
a. Alternative hypothesis states that the proportion of cases in the first group<,8.
P vrijednost binomnog testa je viša od 0,01 što znači da ne možemo odbaciti nultu hipotezu
da manje od 80% potrošača koji kupuju bijelu tehniku ima neutralan stav prema plaćanju
kreditnom karticom.
2.4. Test koraka (Runs test)

Test koraka koristimo kada želimo provjeriti da li su podaci kojima raspolažemo rezultat
slučajnog procesa (test for randomness), to jeste da li su međusobno nezavisni (mutually
independent).7 Pretpostavka slučajnosti je veoma bitna kod provjere da li je univarijantni
statistički proces „pod kontrolom“.
7
http://www. itl. nist. gov/div898/handbook/eda/section3/eda35d. htm, pristup: 03. 11. 2014.
46
Korak se definiše kao uzastopni niz monotono rastućih ili niz monotono opadajućih
vrijednosti, a broj rastućih ili opadajućih vrijednosti u jednom koraku je dužina koraka
(run). U „na slučaj“ nastalom nizu podataka, vjerovatnoća da je (i+1)-va vrijednost veća
ili manja od i-te vrijednosti slijedi binomnu distribuciju.
Hipoteze testa koraka glase:
H0: niz je nastao kao rezultat slučajnog procesa / H1: niz nije nastao kao rezultat slučajnog
procesa
Kod kvalitativnih varijabli imamo dihotomnost i korak znači identične modalitete
u kontinuitetu. Ukoliko imamo numeričku varijablu početni niz podataka se svodi na
dihotomni niz tako što se vrijednosti više od medijane označavaju sa „+“ a vrijednosti
niže od medijane sa „-“, dok se vrijednosti jednake medijani ne uzimaju u obzir. Korak
je uzastopni niz „+“ ili „-“ vrijednosti. Prebrojavamo koliko koraka imamo u nizu i to je
empirijski broj koraka (Remp.). Očekivani ili teorijski broj koraka i prateća mu standardna
devijacija određuju se prema formulama:
gdje je broj pozitivnih i negativnih vrijednosti u dihotomnom nizu.

Empirijska statistika testa izračunava se po modelu:
Ako je empirijski broj koraka signifikantno niži ili viši od očekivanog odbacujemo nultu i
prihvatamo alternativnu hipotezu.
Za više od 15 empirijska statistika se upoređuje sa teorijskom vrijednošću iz
normalne distribucije za zadani nivo signifikantnosti. Ukoliko je manje od 15,
tu je tablica kritičnih R vrijednosti koje zavise od veličine (prilog 6.) i sa njima se
upoređuje empirijski broj koraka (Remp.).8
8
Freund, J. E.,Williams F. J., Perles, B. M. (1993). Elementary Business Statistics, Prentice Hall, New Jersey, str. 593,
867 - 868
47
Primjer 2. 4. 1.
U toku rutinske kontrole procesa proizvodnje izvršeno je 200 mjerenja i utvrđena
odstupanja od standarda (tabela 2. 18.).
Tabela 2. 18. Odstupanja od standarda u primjeru 2. 4. 1.
-203 -457 199 -577 161 -572 -13 -442

-564 -346 -311 -13 -460 -32 -577 182
-35 204 -495 92 -344 139 -49 -147
-15 -300 143 -334 205 -492 103 -566
141 -474 -46 -243 -281 -321 -515 25
115 164 -579 194 -504 205 -280 68
-420 -107 -90 -355 134 -262 201 -435
-360 -572 136 -465 -28 -504 300 -244
213 -8 -372 156 -576 142 -406 194
-338 83 -338 -81 -118 -83 131 -351
-431 -541 202 -578 156 -574 -45 -463
194 -224 -287 -64 -437 0 -578 174
-220 180 -477 139 -381 48 -80 -125
-513 -420 169 -449 200 -571 138 -570
154 -374 -124 -384 -220 -106 -462 105
-125 201 -568 193 -540 137 -361 72
-559 -236 17 -198 83 -501 201 -550
92 -531 48 -438 11 -266 -211 -190
-21 83 -568 110 -568 290 -554 172
-579 27 -135 -44 -160 -391 32 -424
-52 -364 162 -577 172 -406 74 -385
99 -112 -430 -6 -414 194 -533 398
-543 131 -422 66 -408 -186 -235 -218
-175 -507 172 -552 188 -553 187 -536
162 -254 -74 -164 -125 103 -372 96
Da li zadovoljena pretpostavka slučajnog procesa (greška prve vrste 5%).
48
Rješenje.
Nulta hipoteza tvrdi da je riječ o slučajnom procesu, to jeste da odstupanje od standarda
slijedi slučajan proces.
Određujemo medijalnu vrijednost (-162) i vrijednosti više od medijane označimo sa „+“
(to jeste 1) a vrijednosti niže od medijane sa „-“ (to jeste 2). U tom kontekstu koristimo
SPSS proceduru rekodiranja postojeće u novu varijablu.
Slika 2. 14. SPSS procedura za rekodiranje u primjeru 2. 4. 1. (koraci a-b)
a)
49
b)
Dobijamo novi dihotomni niz i prebrojavamo korake (tabela 2. 19.).
Tabela 2. 19. Rekodirani dihotomni niz za primjer 2. 4. 1.

1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
1,00 2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00
2,00 1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
2,00 2,00 2,00 2,00 2,00 1,00 2,00 1,00 1,00 1,00
2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
1,00 1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
1,00 2,00 2,00 2,00 2,00 2,00 2,00 1,00 1,00 2,00
2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
1,00 1,00 1,00 2,00 1,00 2,00 1,00 2,00 2,00 2,00
1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
2,00 2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
1,00 1,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00 1,00
1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
2,00 2,00 2,00 2,00 2,00 1,00 2,00 1,00 1,00 1,00
2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
1,00 1,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00
2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 1,00
2,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
1,00 1,00 1,00 1,00 1,00 2,00 2,00 2,00 2,00 2,00
Remp. =120
50
Kako je više od 15, empirijska statistika se upoređuje sa teorijskom vrijednošću

iz normalne distribucije za zadani nivo signifikantnosti: . Kako je
odbacujemo nultu i prihvatamo alternativnu hipotezu da pretpostavka
slučajnog procesa nije zadovoljena.
SPSS procedura.
U opciji neparametarskih testova biramo Runs test.
Slika 2. 15. SPSS procedura za provođenje Runs testa u primjeru 2. 4. 1.
51
Slika 2. 16. SPSS procedura za unos elemenata za provođenje Runs testa u primjeru 2. 4. 1.
Tabela 2. 20. Rezultati Runs testa u primjeru 2. 4. 1. – SPSS output
Runs Test
odstupanje
Test Valuea -162,00
Cases<Test Value 100
Cases >= Test Value 100
Total Cases 200
Number of Runs 120
Z 2,694
Asymp. Sig. (2-tailed) 0,007
a. Median
P vrijednost Runs testa (0,007) je niža od 0,05, te prihvatamo alternativnu hipotezu prema
kojoj pretpostavka slučajnog procesa nije zadovoljena.
52
Primjer 2. 4. 2.
U sljedećem nizu su prezentirani podaci o 18 zahtijeva za kupovinu (K) ili prodaju (P)
koje je u kontinuitetu dao jedan berzantski špekulator:
KKKKPPKKKPPPKKKKPP
Da li je riječ o slučajnom procesu (α = 0,01)?
Rješenje.
Nulta hipoteza glasi: Redosljed zahtijeva je slučajan.
Empirijski broj koraka je 6, to jeste Remp. = 6.
Kako je n1 = 11 i n2 = 7 empirijski broj koraka (Remp.) se upoređuje sa kritičnim R
vrijednostima za α = 0,01, n1 = 11 i n2 = 7 koje glase: R1 = 4 i R2 = 15 (prilog 6.). Obzirom da
je empirijski broj koraka u intervalu kritičnih vrijednosti ne odbacujemo nultu hipotezu
da je riječ o slučajnom procesu to jeste da je redosljed zahtijeva slučajan.
SPSS procedura.
Trebamo numeričku varijablu te umjesto K uzimamo 1 a umjesto P uzimamo 2. U opciji
neparametarskih testova biramo Runs test.
Slika 2. 17. SPSS procedura za unos elemenata za provođenje Runs testa u primjeru 2. 4. 2.
53
Tabela 2. 21. Rezultati Runs testa u primjeru 2. 4. 2. – SPSS output
Runs Test
zahtjevnum
Test Valuea
2,0000
Total Cases 18
Number of Runs 6
Z -1,567
a. User-specified.
Program, bez obzira na veličinu uzorka, koristi aproksimaciju normalnom distribucijom.

Obzirom da je p vrijednost run testa (0,117) viša od zadanog nivoa greške prve vrste
ne odbacujemo nultu hipotezu da je riječ o slučajnom procesu, to jeste da je redosljed
zahtijeva slučajan.
2.5. Kolmogorov-Smirnov (KS) test

Kolmogorov-Smirnov test je neparametarski test kojim se provjerava pretpostavka da se
analizirana varijabla ponaša po zadanoj teorijskoj distribuciji na bazi uzoraka većih od 50
observacija. Najčešće se koristi za provjeru da li je u datoj empirijskoj distribuciji podataka
zadovoljena pretpostavka „normalnosti“ to jeste da li se data empirijska distribucija
frekvencija ponaša po Normalnoj (Gausovoj) raspodjeli.
Hipoteze KS testa možemo izraziti na sljedeći način:
H0: analizirana slučajna varijabla se ponaša po zadanoj teorijskoj distribuciji / H1:
analizirana slučajna varijabla se ne ponaša po zadanoj teorijskoj distribuciji
Postupak provođenja KS testa je:
1. Izračunava se vrijednost empirijske funkcije rasporeda (Sn(x)) i upoređuje sa

funkcijom raspodjele koja je pretpostavljena (F0(x)).
2. Kolmogorov-Smirnov test se fokusira na najveću razliku, pa je empirijska statistika
jednaka:
KS statistika kvantificira razliku između empirijskih i teorijskih vrijednosti funkcije

rasporeda koja se pretpostavlja.
54
3. Raspodjela statistike D je poznata i određene su kritične vrijednosti (tabela

kritičnih vrijednosti za Kolmogorov-Smirnov test za jedan uzorak, prilog 7.)9. Ako
je empirijska vrijednost niža od kritične vrijednosti ne možemo odbaciti nultu
hipotezu.
4. P-vrijednost uz odgovarajući KS test se smatra statistički značajnom ili signifikantnom
ako je niža od zadanog nivoa greške prve vrste, i u tom slučaju se prihvata hipoteza
da distribucija analizirane pojave ne zadovoljava pretpostavku da se ponaša po
zadanoj teorijskoj distribuciji.
Koristi se i Shapiro-Wilk test kao alternativa KS testu za uzorak veličine do 50 elemenata.
Primjer 2. 5. 1.
U 150 mjerenja jedne karakteristike kvaliteta (X) dobili smo podatke prezentirane u tabeli
2. 22.
Tabela 2. 22. Rezultati mjerenja iz primjera 2. 5. 1.
X Broj mjerenja
-30,5 5
30,5-33,5 13
33,5-36,5 23
36,5-39,5 22
39,5-42,5 29
42,5-45,5 29
45,5-48,5 16
48,5-54,5 13
ukupno 150
Da li možemo smatrati da varijabla X ima normalnu distribuciju?
9
Gopal, K. K. (2006). 100 Statistical Tests (third edition), Sage publication, London, str. 213
55
Rješenje.
Izračunavamo osnovne statistike za naše podatke iz uzorka: aritmetička sredina 40,48 i

varijansa 32,59. Određujemo vrijednosti empirijske funkcije rasporeda (Sn(x))10 i normalne
funkcije rasporeda koja je pretpostavljena (F0 ^|h = U c | n m) , te izračunavamo apsolutne
-
v
vrijednosti za nijhove razlike.
Tabela 2. 23. Radna tabela za izračunavanje razlika za primjer 2. 5. 1.
Broj xi- gornja

X mjerenja granica pi Sn(x) (F0 ^|h = U c | n m)
- F0 ^|h = S n ^|h
(fi) intervala v
-30,5 5 30,5 0,0333 0,0333 0,0401 0,0068

30,5-33,5 13 33,5 0,0867 0,1200 0,1112 0,0088
33,5-36,5 23 36,5 0,1533 0,2733 0,2420 0,0313
36,5-39,5 22 39,5 0,1467 0,4200 0,4325 0,0125
39,5-42,5 29 42,5 0,1933 0,6133 0,6368 0,0235
42,5-45,5 29 45,5 0,1933 0,8067 0,8106 0,0039
45,5-48,5 16 48,5 0,1067 0,9133 0,9192 0,0059
48,5-54,5 13 54,5 0,0867 1,0000 0,9930 0,0070
Najveća vrijednost među izračunatim razlikama je empirijska statistika Kolmogorov-

Smirnov testa:
Iz tabele kritičnih vrijednosti za Kolmogorov-Smirnov test za n=150 i grešku prve vrste

0,05 čitamo kritičnu vrijednost (prilog 7.). Empirijska vrijednost je niža
od kritične vrijednosti što znači da ne možemo odbaciti nultu hipotezu da varijabla X ima
normalnu distribuciju.
SPSS procedura.
Za SPSS proceduru su nam potrebni negrupisani podaci, a mi raspolažemo samo sa
intervalno grupisanim podacima. Zamijenićemo interval gornjim granicama intervala i
unijeti ih onoliko puta kolika je apsolutna frekvencija tog intervala, te primjeniti SPSS
proceduru za KS test.
10
Izračunamo relativne frekvencije i njihovu rastuću kumulantu.
56
Slika 2. 18. SPSS procedura za provođenje KS testa u primjeru 2. 5. 1.
Slika 2. 19. SPSS procedura za unos elemenata za provođenje KS testa u primjeru 2. 5. 1.
57
Tabela 2. 24. Rezultati KS testa u primjeru 2. 5. 1. – SPSS output
One-Sample Kolmogorov-Smirnov Test

X
N 150
Mean 42,2200
Normal Parametersa, b
Std. Deviation 6,07351
Absolute 0,101
Most Extreme Differences Positive 0,101
Negative -0,098
Kolmogorov-Smirnov Z 1,240
a. Test distribution is Normal.
b. Calculated from data.
P vrijednost KS testa je jednaka 0,092 što je više od 0,05, te zaključujemo da ne odbacujemo

nultu hipotezu to jeste da su pretpostavke normalne distribucije zadovoljene.
Primjer 2. 5. 2.
Za slučajnu varijablu X dobili smo sljedeće podatke prezentirane u tabeli 2. 25. (n=95).
Tabela 2. 25. Podaci za varijablu X iz primjera 2. 5. 2.
241,01 3436,14 17405,7

290,02 3957,16 18621,75
355,02 4400,18 19073,77
475,02 4779,19 21009,84
705,02 5242,21 22658,91
766,03 5527,22 24334,97
907,04 6038,24 26739,07
58
968,04 6516,26 28474,14

918,04 6927,28 30873,24
1060,04 7190,28 33067,32
968,04 7601,3 35154,41
961,04 7965,32 37675,5
1089,04 8187,33 39945,59
1092,04 8666,34 40602,63
1121,04 8979,36 43169,73
1198,04 9397,38 43865,76
1101,04 10088,4 43728,75
1204,04 11030,44 41385,66
1182,04 12186,49 41527,66
1329,06 10567,42 39803,6
1380,06 11048,44 38190,53
1499,06 12271,49 36346,46
1658,06 13679,55 33443,34
1959,08 13169,53 29583,18
2117,08 13386,54 25291,01
2175,08 13688,55 21488,86
2387,1 14652,59 17335,69
2730,11 15387,62 13678,55
2953,12 16049,65 10855,43
589,02 1768,07 7712,31
374,02 1054,04 5462,22
3910,16 2610,1
Testirati da li je dobijene podatke moguće aproksimirati eksponencijalnom distribucijom

sa greškom prve vrste 5%.
Rješenje.
n>50 Koristimo SPSS proceduru za KS test
59
Slika 2. 20. SPSS procedura za provođenje KS testa u primjeru 2. 5. 2.
Slika 2. 21. SPSS procedura za unos elemenata za provođenje KS testa u primjeru 2. 5. 2.
60
Tabela 2. 26. Rezultati KS testa u primjeru 2. 5. 2. – SPSS output
One - Sample Kolmogorov-Smirnov Test

X
N 95
Exponential parameter. a,, b
Mean 12711,7720
Absolute 0,159
Negative -0 ,073
Asymp. Sig. (2 - tailed) 0,017
a. Test Distribution is Exponential.
b. Calculated from data.
P vrijednost KS testa je jednaka 0,017 što je niže od 0,05, te sa greškom prve vrste 5%
zaključujemo da pretpostavke eksponencijalne distribucije nisu zadovoljene.
2.6. Test znaka za jedan uzorak (sign test)

Test znaka (sign test) se koristi za provjeru hipoteze o medijani populacije na bazi uzorka
iz te populacije. Dobio je naziv po tome što se orginalni podaci transformišu u seriju
znakova „+” i „-“. Prvi put je primjenjen 1710. godine od strane ljekara Johna Arbuthnotta
u Londonu.11
Hipoteze testa znaka za jedan uzorak formulišemo na sljedeći način:
H0: medijana populacije je jednaka zadanoj vrijednosti/ H1: medijana populacije se
razlikuje od zadane vrijednosti
Procedura provođenja testa znaka može se opisati na sljedeći način:
1. Imamo uzorak sa n elemenata.

2. Uporedimo empirijske podatke iz uzorka sa pretpostavljenom ili zadanom
vrijednošću medijane populacije. Ako je podatak veći od pretpostavljene vrijednosti
11
Žižić, M., Lovrić, M., Pavličić D. (2004), Osnovi statističke analize, Ekonomski fakultet u Beogradu, Beograd, str. 352
61
medijane populacije pridružujemo mu znak „+“ a ako je niži znak „-”. U slučaju da
je podatak jednak pretpostavljenoj vrijednosti medijane populacije on se eliminiše
iz daljeg postupka.
3. Dobili smo niz ili seriju znakova „+” i „-“ koji se treba ponašati po binomnoj
distribuciji čije je p=0,5.
4. Broj znakova „+” ili broj znakova „-” je empirijska statistika dvosmjernog testa
znaka za jedan uzorak ( ).12
Za uzorke sa 25 elemenata i manje primjenjujemo direktno binomnu distribuciju

vjerovatnoća. Riječ je o testu znakova gdje koristimo znakove + i – i uzimamo kritične
vrijednosti testa znakova (pročitane na bazi veličine uzorka i greške prve vrste, prilog 5.).
Ukoliko je n>25 možemo upotrijebiti aproksimaciju prekidne binomne distribucije sa

neprekidnom normalnom distribucijom, pa će statistika testa biti:
gdje je:
, p=0,5
pri čemu je dodavanje ili oduzimanje 0,5 korekcija za kontinuitet, jer dodajemo 0,5 ako
je manja ili jednaka vrijednosti (n/2) to jeste oduzimamo 0,5 ako je veća od
vrijednosti (n/2).
Primjer 2. 6. 1.
Prema ranije provedenom istraživanju zaključak je da odrasle osobe u BiH provode u
prosjeku 20 sati sedmično u nekim slobodnim aktivnostima. Izabrali smo uzorak od 10
odraslih osoba i pitali ih koliko sati sedmično u nekim slobodnim aktivnostima. Dobili
smo sljedeće odgovore: 14, 25, 21, 16, 17, 27, 19, 23, 34, 22. Da li možemo zaključiti da
medijana dužine vremena koje odrasle osobe sedmično provedu u nekim slobodnim
aktivnostima iznosi 20 sati (greška prve vrste 5%)?
12
U slučaju jednosmjernih testova kod testa na donju granicu uzima se manji od ta dva broja, dok se za test na gornju
granicu uzima veći.
62
Rješenje.
Imamo mali uzorak i testiramo medijanu populacije, te primjenjujemo test znaka. Imamo
dvosmjernu hipotezu jer nulta hipoteza glasi da medijana dužine vremena koje odrasle
osobe sedmično provedu u nekim slobodnim aktivnostima iznosi 20 sati.
Uporedimo empirijske podatke iz uzorka veličine 10 elemenata sa pretpostavljenom
vrijednošću medijane populacije (20). Ako je podatak veći od pretpostavljene vrijednosti
medijane populacije pridružujemo mu znak „+“ a ako je niži znak „-“.
Tabela 2. 27. Radna tabela za pridruživanje znaka za primjer 2. 6. 1.
dužina vremena koje odrasle osobe sedmično Poređenje sa ostavljenom vrijednošću

Znak
provedu u nekim slobodnim aktivnostima medijane populacije - 20
14 niže -
25 više +
21 više +
16 niže -
17 niže -
27 više +
19 niže -
23 više +
34 više +
22 više +
Broj znaka „+” je 6 a broj znaka „-“ je 4. Kako je u pitanju mali uzorak primjenjujemo
direktno binomnu distribuciju vjerovatnoća i uzimamo kritične vrijednosti testa znakova
(pročitane na bazi n=10 i greške prve vrste 0,05, prilog 5.) koje se kreću u intervalu (1,9)13.
Empirijska statistika kao broj znaka „+“ je u teorijskom intervalu te stoga ne možemo
odbaciti nultu hipotezu i zaključujemo da medijana dužine vremena koje odrasle osobe
sedmično provedu u nekim slobodnim aktivnostima iznosi 20 sati.
SPSS procedura.
Za provođenje SPSS procedure pored varijable „dužina vremena koje odrasle osobe sedmično
provedu u nekim slobodnim aktivnostima” u uzorku konstruišemo drugu varijablu koja je
niz konstanti vrijednosti 20. Tada koristimo varijantu testa znaka za dva zavisna uzorka.
13
Otvorene granice intervala
63
Slika 2. 22. SPSS procedura za provođenje testa znaka za dva zavisna uzorka u primjeru 2. 6. 1.
Slika 2. 23. SPSS procedura za unos elemenata za provođenje testa znaka za dva zavisna uzorka u
primjeru 2. 6. 1.
64
Tabela 2. 28. Rezultati testa znaka za dva zavisna uzorka u primjeru 2. 6. 1. – SPSS output
Frequencies
N
Negative Differencesa 6
pretpostavljena medijana - Positive Differencesb 4

vrijeme za slobodne aktivnosti Tiesc 0
Total 10
a. pretpostavljena medijana < vrijeme za slobodne aktivnosti
b. pretpostavljena medijana > vrijeme za slobodne aktivnosti
c. pretpostavljena medijana = vrijeme za slobodne aktivnosti
Test Statisticsb
pretpostavljena medijana - vrijeme za slobodne
aktivnosti
Exact Sig. (2-tailed) 0,754a
a. Binomial distribution used.
b. Sign Test
P vrijednost za test znaka (0,754) je viša od 0,05, što znači da ne možemo odbaciti nultu
hipotezu prema kojoj medijalna vrijednost varijable „dužina vremena koje odrasle osobe
sedmično provedu u nekim slobodnim aktivnostima“ iznosi 20 sati.
Primjer 2. 6. 2.
Policijska služba u jednom gradu tvrdi da je medijana reagovanja na hitne pozive u užem
centru grada četiri minute. Na osnovu uzorka od 28 slučajno odabranih poziva (u minuti)
na broj 911, dobili smo sljedeće podatke o vremenu reagovanja policije na hitne pozive u
užem centru grada (tabela 2. 29.)
Tabela 2. 29. Vreme reagovanja policije na hitne pozive u užem centru grada, podaci iz istraživanja
6 5 7 12 2 3 4 5 10 11 5 6 5 8,5
7 15 9 8 3 10 8 4,5 9 4 6 3 6 7,5
Da li možemo zaključiti da je ispravna tvrdnja policijske službe (greška prve vrste 1%)?
65
Rješenje.
Testiramo medijanu populacije i primjenjujemo test znaka. Imamo dvosmjernu hipotezu
jer nulta hipoteza glasi da medijana reagovanja na hitne pozive u užem centru grada iznosi
četiri minute.
Uporedimo empirijske podatke iz uzorka veličine 28 elemenata sa pretpostavljenom
vrijednošću medijane populacije (4). Ako je podatak veći od pretpostavljene vrijednosti
medijane populacije pridružujemo mu znak „+“ a ako je niži znak „-“.
Tabela 2. 30. Radna tabela za pridruživanje znaka za primjer 2. 6. 2.
Vrijeme reagovanja na
hitne pozive u užem 6 5 7 12 2 3 4 5 10 11 5 6 5 8,5
centru grada
Poređenje sa
ostavljenom
v v v v n n j v v v v v v v
vrijednošću medijane
populacije - 4
Znak + + + + - - + + + + + + +
Vrijeme reagovanja na
hitne pozive u užem 7 15 9 8 3 10 8 4,5 9 4 6 3 6 7,5
centru grada
Poređenje sa
ostavljenom
v v v v n v v v v j v n v v
vrijednošću medijane
populacije - 4
Znak + + + + - + + + + + - + +
Broj znaka „+” je 22 a broj znaka „-“ je 4, dok su dva podatka bila jednaka pretpostavljenoj
vrijednosti i stoga se eliminišu iz dalje analize. Kako je u pitanju uzorak sa više od 25
elemenata (n korigovano = 26) primjenjujemo aproksimaciju binomne distribucije
vjerovatnoća sa normalnom distribucijom vjerovatnoća i uzimamo kritične vrijednosti
normalne distribucije vjerovatnoća (pročitane na bazi greške prve vrste 0,01, prilog 1.)
koje se kreću u intervalu (-2,58,2,58). Empirijsku statistiku ćemo izračunati po modelu:
66
gdje je: ,
Empirijska statistika nije u teorijskom intervalu, te odbacujemo nultu hipotezu.

Zaključujemo da se medijana varijable „vrijeme reagovanja na hitne pozive u užem centru
grada” razlikuje statistički značajno od pretpostavljene vrijednosti (4 minute).
SPSS procedura.
Za provođenje SPSS procedure pored varijable „vrijeme reagovanja na hitne pozive u užem
centru grada” u uzorku konstruišemo drugu varijablu koja je niz konstanti vrijednosti
4 (prema zadanoj medijalnoj vrijednosti). Tada koristimo varijantu testa znaka za dva
zavisna uzorka.
Slika 2. 24. SPSS procedura za unos elemenata za provođenje testa znaka za dva zavisna uzorka u
primjeru 2. 6. 2.
67
Tabela 2. 31. Rezultati testa znaka za dva zavisna uzorka u primjeru 2. 6. 2. – SPSS output
Frequencies
N
pretpostavljeno - vrijeme Positive Differencesb 4

reagovanja policije Tiesc 2
Total 28
a. pretpostavljeno < vrijeme reagovanja policije
b. pretpostavljeno > vrijeme reagovanja policije
c. pretpostavljeno = vrijeme reagovanja policije
Test Statisticsa
pretpostavljeno - vrijeme reagovanja policije
Z -3,334
a. Sign Test
P vrijednost testa znaka je niža od 0,01, te odbacujemo nultu hipotezu. Možemo zaključiti
da se medijana varijable „vrijeme reagovanja na hitne pozive u užem centru grada”
statistički značajno razlikuje od pretpostavljene vrijednosti koja je iznosila 4 minute.
2.7. Wilcoxon test ranga sa znakom za jedan uzorak

Wilcoxon test ranga sa znakom za jedan uzorak (One-sample Wilcoxon Test) je
neparametarski test kojim ispitujemo hipotezu o medijani populacije na osnovu uzorka.
Za razliku od testa znaka koji samo evidentira znak to jeste smjer razlike Wilcoxon test
ranga sa znakom za jedan uzorak u obzir uzima i vrijednost ranga te razlike, što ga čini
preciznijim. Za razliku od većine neparametarskih testova koji za pretpostavku imaju samo
kontinuiranu distribuciju,Wilcoxon test ranga sa znakom za jedan uzorak pretpostavlja i
da je bazni raspored simetričan, što je i dalje manje rigidan uslov od uslova koji postavlja
parametarska varijanta t ili z testa. Ukoliko ta pretpostavka nije zadovoljena potrebno je
primjeniti prethodno elaborirani test znaka za jedan uzorak.
68
Hipoteze Wilcoxon test ranga sa znakom za jedan uzorak formulišemo na sljedeći način:
H0: medijana populacije je jednaka zadanoj vrijednosti/ H1: medijana populacije se
razlikuje od zadane vrijednosti
Postupak se sastoji u tome da:
1. Imamo uzorak sa n elemenata

2. Izračunamo razlike (di=xi-µe0) između podataka iz uzorka i pretpostavljene
vrijednosti medijane populacije. Ako razlike nema (jednaka je 0) ta se razlika
eliminiše iz daljnje obrade.
3. Razlike mogu biti pozitivne i negativne. Te se razlike rangiraju i to bez obzira
na predznak, to jeste prema apsolutnim vrijednostima. Najmanja razlika dobiva
rang 1, sljedeća rang 2, itd. Ako su dvije ili više razlika jednake veličine, dobivaju
zajednički rang.
4. Zatim se svakom rangu pripisuje onaj isti predznak koji je imala i razlika: ako je
razlika pozitivna, i rang je pozitivan, a ako je razlika negativna i rang je negativan.
5. Zbrojimo posebno pozitivne rangove (T+). Dobijena vrijednost se može kretati
u intervalu od 0 (kada su sve razlike negativne) do (kada su sve razlike
pozitivne).
6. Pod pretpostavkom nulte hipoteze (tj. da je medijana populacije jednaka zadanoj
vrijednosti) postojat će tendencija da suma pozitivnih i suma negativnih rangova
budu jednake ili vrlo slične, to jeste tada će suma pozitivnih rangova težiti ka
vrijednosti svoje aritmetičke sredine .
7. Ako postoji značajna razlika u sumama rangova različitih predznaka tada će suma
pozitivnih rangova težiti jednoj od dvije ekstremne vrijednosti, to govori u prilog
odbacivanja nulte hipoteze.
8. Hipoteze ranga sa znakom za jedan uzorak možemo modelirati na sljedeći način:
. Za male uzorke empirijska vrijednost je: ,
dok se za odgovarajući nivo greške prve vrste i veličinu uzorka iz tablice za Wilcoxon
test ranga sa znakom za jedan uzorak uzimaju teorijske granice (Prilog 8.)14.
9. Ako važi , odbacujemo nultu i potvrđujemo alternativnu hipotezu da
postoji signifikantna razlika između medijalne vrijednosti analizirane populacije i
pretpostavljene vrijednosti.
14
69
Ukoliko je uzorak veličine n>30 vršimo aproksimaciju normalnom distribucijom. U tom

slučaju empirijska z statistika se određuje po formuli:
gdje je:
n – broj nenultih razlika u uzorku
- suma pozitivnih rangova
– aritmetička sredina sume pozitivnih rangova
– standardna devijacija sume pozitivnih rangova
Empirijska vrijednost se poredi sa teoretskom vrijednošću iz z distribucije te se na taj

način određuje p vrijednost.
P-vrijednost uz odgovarajući Wilcoxov test ranga sa znakom za jedan uzorak se smatra
statistički značajnom ili signifikantnom ako je niža od zadanog nivoa greške prve vrste i u
tom slučaju se prihvata hipoteza da medijana populacije signifikantno razlikuje od zadane
to jeste pretpostavljene vrijednosti.
Primjer 2. 7. 1.
Pretpostavka je da medijalna vrijednost potrošnje papira za kopir aparat u jednoj kompaniji
iznosi 143 paketa. U slučajnom uzorku od 13 sedmica evidentirali smo potrošnju papira
za kopir aparat u toj kompaniji: 138, 150, 141, 125, 133, 134, 155, 137, 139, 132, 144, 130 i
135 paketa. Sa greškom 1% testirati navedenu pretpostavku.
Rješenje.
Kako je u pitanju hipoteza koja testira medijanu biramo neparametarski Wilcoxov test
ranga sa znakom za jedan uzorak. Provjeravamo simetričnost izračunavajući koeficijent
asimetrije.
70
Tabela 2. 32. Rezultati deskriptivnih statistika za varijablu potrošnja papira za kopir aparat za
primjer 2. 7. 1.
Statistics
sedmična potrošnja papira
Valid 13
N
Missing 0
Mean 139,4615
Median 139,0000
Skewness 0,168
Std. Error of Skewness 0,616
Kurtosis -1,177
Std. Error of Kurtosis 1,191
Minimum 125,00
Maximum 155,00
Niska vrijednost koeficijenta asimetrije ukazuje na vrlo blagu desnu asimetriju te možemo
reći da distribucija teži simetričnoj. Navedeno ukazuje na zadovoljenje pretpostavke za
primjenu Wilcoxov test ranga sa znakom za jedan uzorak. Pretpostavljena medijalna
vrijednost je 143, te ćemo naći razlike vrijednosti iz uzorka i pretpostavljene vrijednosti i
razlike rangirati po apsolutnoj vrijednosti, pa rangovima dati predznak razlike.
Tabela 2. 33. Radna tabela za rangiranje za primjer 2. 7. 1.
sedmična potrošnja rang po apsolutnoj rang po apsolutnoj vrijednosti sa

razlika
papira vrijednosti znakom razlike
128 -15 12 -12
150 7 5 5
141 -2 2 -2
125 -18 13 -13
133 -10 9 -9
134 -9 7,5 -7,5
155 12 10 10
147 4 3,5 3,5
139 -4 3,5 -3,5
152 9 7,5 7,5
144 1 1 1
130 -13 11 -11
135 -8 6 -6
71
Zbrojimo pozitivne rangove i dobijamo empirijsku statistiku testa . Za

grešku prve vrste 0,01 i n=13 iz tablice kritičnih vrijednosti za Wilcoxov test ranga sa
znakom za jedan uzorak15 čitamo teorijske granice: . Kako je
ne možemo odbaciti nultu hipotezu da medijalna vrijednost potrošnje papira za kopir
aparat u jednoj kompaniji iznosi 143 paketa.
SPSS procedura.
Za provođenje SPSS procedure pored varijable „sedmična potrošnja papira” u uzorku
konstruišemo drugu varijablu koja je niz konstanti vrijednosti 143. Tada koristimo
varijantu Wilcoxovog testa za dva zavisna uzorka.
Slika 2. 25. SPSS procedura za provođenje Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 1.
15
Prilog 8.
72
Slika 2. 26. SPSS procedura za unos elemenata za provođenje Wilcoxovog testa za dva zavisna
uzorka u primjeru 2. 7. 1.
Tabela 2. 34. Rezultati Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 1. – SPSS output
Ranks
N Mean Rank Sum of Ranks
Negative Ranks 8a 8,00 64,00
sedmična
potrošnja papira Positive Ranks 5b 5,40 27,00
- pretpostavljena
medijalna Ties 0 c
vrijednost
Total 13
a. sedmična potrošnja papira <pretpostavljena medijalna vrijednost
b. sedmična potrošnja papira > pretpostavljena medijalna vrijednost
c. sedmična potrošnja papira = pretpostavljena medijalna vrijednost
Test Statisticsb
sedmična potrošnja papira - pretpostavljena
medijalna vrijednost
Z -1,294a
a. Based on positive ranks.
b. Wilcoxon Signed Ranks Test
73
P vrijednost za Wilcoxov test ranga sa znakom (0,196) je viša od 0,01, što znači da ne
možemo odbaciti nultu hipotezu prema kojoj medijalna vrijednost potrošnje papira za
kopir aparat u jednoj kompaniji iznosi 143 paketa.
Primjer 2. 7. 2.
Analizirali smo vrijeme obrta u uzorku od 32 drogerije i dobili podatke prezentirane u
tabeli 2. 35.
Tabela 2. 35. Vrijeme obrta u uzorku od 32 drogerije
Vrijeme obrta (dani)
34 30 36 31
35 43 30 34
38 34 42 38
40 38 34 37
29 35 38 32
36 41 31 29
33 28 28 35
41 33 39 39
Potrebno je da testiramo hipotezu da se medijalna vrijednost varijable „vrijeme obrta za

drogeriju” ne razlikuje od 32.
Rješenje.
I u ovom slučaju koristimo Wilcoxov test ranga sa znakom za provjeru hipoteze o
medijalnoj vrijednosti. Provjeravamo simetričnost izračunavajući koeficijent asimetrije.
74
Tabela 2. 36. Rezultati deskriptivnih statistika za varijablu vrijeme obrta u danima za primjer 2. 7. 2.
Statistics
vrijeme obrta (dani)
Valid 32
N
Missing 0
Mean 35,0313
Median 35,0000
Skewness 0,028
Std. Error of Skewness 0,414
Kurtosis -0,909
Std. Error of Kurtosis 0,809
Minimum 28,00
Maximum 43,00
Prema vrijednosti koeficijenta asimetrije zaključujemo da je pretpostavka simetričnog

rasporeda zadovoljena. Pretpostavljena medijalna vrijednost je 32, te ćemo naći razlike
vrijednosti iz uzorka i pretpostavljene vrijednosti i onda te razlike rangirati po apsolutnoj
vrijednosti te rangovima dati predznak razlike.
vrijeme obrta rang po apsolutnoj rang po apsolutnoj vrijednosti sa

razlika
(dani) vrijednosti znakom razlike
34 2 7,5 7,5
35 3 13 13
38 6 22,5 22,5
40 8 27 27
29 -3 13 -13
36 4 17,5 17,5
33 1 2,5 2,5
75
vrijeme obrta rang po apsolutnoj rang po apsolutnoj vrijednosti sa

razlika
(dani) vrijednosti znakom razlike
41 9 28,5 28,5
30 -2 7,5 -7,5
43 11 31 31
34 2 7,5 7,5
38 6 22,5 22,5
35 3 13 13
41 9 28,5 28,5
28 -4 17,5 -17,5
33 1 2,5 2,5
36 4 17,5 17,5
30 -2 7,5 -7,5
42 10 30 30
34 2 7,5 7,5
38 6 22,5 22,5
31 -1 2,5 -2,5
28 -4 17,5 -17,5
39 7 25,5 25,5
31 -1 2,5 -2,5
34 2 7,5 7,5
38 6 22,5 22,5
37 5 20 20
32 0
29 -3 13 -13
35 3 13 13
39 7 25,5 25,5
76
Zbrojimo pozitivne rangove i dobijamo empirijsku statistiku testa .

Kako je uzorak veći od 30 elemenata vršimo aproksimaciju normalnom distribucijom.
gdje je: n = 31 i
Teoretski interval za grešku prve vrste 5% i Gausovu distribuciju je (-1,96,1,96). Dobijena

empirijska statistika Wilcoxov testa nije u okviru teoretskih granica što znači da možemo
odbaciti nultu hipotezu i prihvatiti alternativnu hipotezu i zaključak je da postoji statistički
značajna razlika između medijalne vrijednosti varijable „vrijeme obrta za drogeriju” i
pretpostavljene vrijednosti 32.
SPSS procedura.
Za provođenje SPSS procedure pored varijable „vrijeme obrta za drogeriju” u uzorku
konstruišemo drugu varijablu koja je niz konstanti vrijednosti 32. Tada koristimo varijantu
za dva zavisna uzorka.
Slika 2. 27. SPSS procedura za unos elemenata za provođenje Wilcoxovog testa za dva zavisna
uzorka u primjeru 2. 7. 2.
77
Tabela 2. 38. Rezultati Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 2. – SPSS output
Ranks
vrijeme obrta
(dani) - Positive Ranks 23b 18,04 415,00
pretpostavljena Ties 1c
vrijednost
Total 32
a. vrijeme obrta (dani) < pretpostavljena vrijednost
b. vrijeme obrta (dani) > pretpostavljena vrijednost
c. vrijeme obrta (dani) = pretpostavljena vrijednost
Test Statisticsb
vrijeme obrta (dani) - pretpostavljena vrijednost
Z -3,279a
a. Based on negative ranks.
P vrijednost za Wilcoxov test ranga sa znakom (0,001) je niža od 0,05, što znači da
možemo odbaciti nultu hipotezu i zaključiti da postoji statistički značajna razlika između
vrijednosti varijable „vrijeme obrta za drogeriju” i pretpostavljene vrijednosti 32.
78
3
Neparametarski
testovi za dva
nezavisna uzorka
3 Neparametarski testovi za dva nezavisna uzorka
3.1. Mann-Whitney U test
Mann-Whitney U test podrazumjeva testiranje razlike između medijalnih vrijednosti

dva uzorka koji predstavljaju ciljne populacije i nezavisni su, ako distribucija analizirane
pojave ne zadovoljava pretpostavku „normalnosti” ili su uzorci veoma mali. Može se
reći i da se testira hipoteza da su dva nezavisna uzorka uzeta iz iste populacije. Obzirom
da je parametar na koji se test odnosi medijalna vrijednost populacija iz kojih su uzorci
uzeti možemo ga primijeniti samo ukoliko je skala varijable sa kojom radimo ordinalna,
intervalna ili metrička. Mann-Whitney U test rezultira z vrijednošću. Sličan je testu
homogenih nizova, ali koristi više informacija (tj. koristi rangove, a ne samo podjelu u
dvije kategorije). Ovaj test je neparametarska alternativa t-testu nezavisnih uzoraka.
Hipoteze U testa možemo izraziti na sljedeći način:
H0: raspodjele analizirane varijable u dvije populacije iz kojih su uzeti nezavisni uzorci su
identične/ H1: raspodjele analizirane varijable u dvije populacije iz kojih su uzeti nezavisni
uzorci nisu identične
Sa n1 obilježićemo broj elemenata u manjem uzorku a sa n2 broj elemenata u većem uzorku.
1. Uzmemo sve elemente oba uzorka zajedno (ne vodeći računa o tome kojem uzorku
pripadaju) i rangiramo ih prema varijabli koju pratimo, sa tim da rang 1 damo
elementu koji ima najnižu vrijednost.
2. Za oba uzorka posebno zbrojimo ranove (T1 i T2). Treba da važi:
3. Kada oba uzorka imaju manje od 11 elemenata ( ) empirijska statistika
je zbir rangova u manjem uzorku (T1), dok se za odgovarajući nivo greške prve vrste
i veličine uzoraka iz tablice za Mann-Whitney U test test uzima teorijska vrijednost
(Prilog 9.)16.
4. Ukoliko je empirijska statistika u intervalu za teorijske vrijednosti ne možemo
odbaciti nultu hipotezu.
Za uzorke veće od 10 elemenata empirijska statistika U testa ima približno normalan

raspored sa očekivanom vrijednošću i standardnom devijacijom
16
81
i stoga vršimo aproksimaciju normalnom distribucijom. U ovom

slučaju empirijska statistika U testa izračunava se kao:
Empirijska vrijednost se poredi sa teoretskom vrijednošću iz z distribucije te se na taj način

određuje p vrijednost. Slijedi zaključak testa. P-vrijednost uz odgovarajuće statističke
testove se smatra statistički značajnom ili signifikantnom ako je niža od zadanog nivoa
greške prve vrste i u tom slučaju se prihvata hipoteza da se populacije iz kojih su uzeti
posmatrani uzorci ili grupe statistički značajno razlikuju.
Primjer 3. 1. 1.
Imamo dva uzorka ispitanika od kojih smo prvom uzorku davali kredite, a drugom nismo.
U ostalim faktorima uzorci su slični. Pratili smo prosječne mjesečne troškove za 2014.
godinu.
Tabela 3. 1. Prosječni mjesečni troškovi za dva nezavisna uzorka
Eksperimentalna skupina (dobili kredit) Kontrolna skupina (nisu dobili kredit)
2643 953
2179 942
2672 1124
2453 1057
2546 1023
1492
2389
Želimo testirati pokazuje li grupa ispitanika koja je primila kredit bolje materijalno stanje?
Rješenje.
Posmatraćemo podatke iz oba uzorka pojedinačno i na samom početku testirati
pretpostavku „normalnosti” Shapiro-Wilk testom.
82
Slika 3. 1. SPSS procedura za podjelu podataka prema zadanoj kategoriji i dalje analize unutar
svake kategorije u primjeru 3. 1. 1.
83
Slika 3. 2. SPSS procedura za provođenje Shapiro-Wilk testa „normalnosti“ u uzorcima u primjeru

3. 1. 1.
Slika 3. 3. SPSS procedura za unos elemenata potrebnih za provođenje Shapiro-Wilk testa

„normalnosti“ u uzorcima u primjeru 3. 1. 1.
84
Tabela 3. 2. Rezultati Shapiro-Wilk testa „normalnosti“ u uzorcima u primjeru 3. 1. 1. – SPSS output
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
uzorak
Statistic df Sig. Statistic df Sig.
1,00 troskovi 0,212 5 0,200* 0,937 5 0,646
2,00 troskovi 0,263 7 0,155 0,803 7 0,044

a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
Grafikon 3. 1. Box-plot dijagrami za uzorke u primjeru 3. 1. 1. – SPSS output
Kod eksperimentalne skupine (2) na box-plot dijagramu evidentna je asimetrija i

prisustvo ekstremnih vrijednosti. P vrijednost Shapiro-Wilk testa (0,044) je niža od 0,05,
te odbacujemo pretpostavku „normalnosti“ i u daljoj analizi koristimo neparametarski
test. Uzorci su međusobno nezavisni te stoga za provjeru signifikantnosti razlike između
populacija na bazi podataka iz uzoraka primjenjujemo Mann-Whitney U test. Uzmemo
sve ispitanike zajedno i rangiramo ih prema opštem materijalnom stanju, te za obje skupine
posebno saberemo rangove.
85
Tabela 3. 3. Radna tabela za određivanje rangova za primjer 3. 1. 1.
Eksperimentalna skupina Kontrolna skupina

x rang x rang
2643 11 953 2
2179 7 942 1
2672 12 1154 5
2453 9 1057 4
2546 10 1023 3
1492 6 T1=15
2389 8
T2=63
Oba uzorka su manja od 10 elemenata te je empirijska statistika T1=15. Za grešku 5%

z teorijska vrijednost iz tablice U testa (za n1=5 i za n2=7) je iz intervala (20,45) (prilog
9.). Empirijska vrijednost nije u teorijskom intervalu što znači da odbacujemo nultu i
prihvatamo alternativnu hipotezu da razlika postoji.
SPSS procedura.
Slika 3. 4. SPSS procedura za provođenje Mann-Whitney U testa u primjeru 3. 1. 1.
86
Slika 3. 5. SPSS procedura za unos elemenata potrebnih za provođenje Mann-Whitney U testa u

primjeru 3. 1. 1.
Tabela 3. 4. Rezultati Mann-Whitney U testa u primjeru 3. 1. 1. – SPSS output
uzorak N Mean Rank Sum of Ranks

1,00 5 3,00 15,00
troskovi
2,00 7 9,00 63,00
Total 12
troskovi
Mann-Whitney U 0,000
Wilcoxon W 15,000
Z - 2,842
Exact Sig. [2*(1 - tailed Sig.)] 0,003a
a. Not corrected for ties.
b. Grouping Variable: uzorak
P vrijednost U testa (0,003) je niža od 0,05, te prihvatamo alternativnu hipotezu da grupa

ispitanika koja je primila kredit ima bolje materijalno stanje.
87
Primjer 3. 1. 2.
Za 27 osiguravajućih društava imamo podatke o sjedištu (FBiH ili RS) i kapitalu za 2009.
godinu.
Tabela 3. 5. Podaci za 27 osiguravajućih društava iz BiH
društvo sjedište kapital društvo sjedište kapital
Sarajevo FBiH 34. 960. 904 Bobar RS 20. 224. 454
Triglav BH FBiH 32. 540. 786 Nešković RS 13. 985. 963
BSO FBiH 22. 099. 696 Jahorina RS 10. 959. 128
Bosna RE FBiH 19. 388. 520 Drina RS 9. 043. 845
Croatia FBiH 18. 302. 800 Krajina RS 8. 852. 563
Grawe FBiH 14. 185. 818 Grawe Banja Luka RS 7. 941. 991
Euroherc FBiH 13. 183. 367 Brčko Gas RS 7. 672. 284
Uniqa FBiH 12. 089. 386 Mikrofin RS 5. 335. 821
VGT FBiH 8. 449. 299 Kosig Dunav RS 4. 690. 978
Merkur BH FBiH 8. 198. 774 Aura RS 204. 397
Hercegovina FBiH 7. 880. 393 Triglav Krajina RS 655. 400
Zovko FBiH 6. 704. 965
Camelija FBiH 6. 674. 173
Lido FBiH 5. 339. 267
ASA FBiH 5. 029. 321
Lok FBiH 3. 003. 481
Da li postoji statistički signifikantna razlika između kapitala društava u FBiH i RS?

Rješenje.
Rezultati Shapiro-Wilk testa „normalnosti“ kod posmatranih uzoraka su prikazani u
sljedećoj tabeli.
88
Tabela 3. 6. Rezultati Shapiro–Wilk testa „normalnosti“ kod posmatranih uzoraka u primjeru 3. 1.

2. – SPSS output
Tests of Normality
sjediste2
1,00 kapital 0,205 16 0,071 0,864 16 0,022
2,00 kapital 0,165 11 0,200* 0,950 11 0,638

Na box-plot dijagramu za FBiH evidentna je asimetrija, dok je vrijednost Shapiro-Wilk

testa (0,022) niža od 0,05, a kod RS-a imamo i prisustvo ekstremnih vrijednosti, te
odbacujemo pretpostavku „normalnosti“ i u daljoj analizi koristimo neparametarski test.
Uzorci su uzeti iz iste populacije i međusobno nezavisni, te stoga primjenjujemo Mann-
Whitney U test.
Uzimamo sva društva skupa bez obzira na sjedište i rangiramo ih prema kapitalu, te za
obje skupine posebno saberemo rangove.
89
Tabela 3. 7. Radna tabela za određivanje rangova za primjer 3. 1. 2.
društvo sjedište kapital rang društvo sjedište kapital rang

Sarajevo FBiH 34. 960. 904 27 Bobar RS 20. 224. 454 24
Triglav BH FBiH 32. 540. 786 26 Nešković RS 13. 985. 963 20
BSO FBiH 22. 099. 696 25 Jahorina RS 10. 959. 128 17
Bosna RE FBiH 19. 388. 520 23 Drina RS 9. 043. 845 16
Croatia FBiH 18. 302. 800 22 Krajina RS 8. 852. 563 15
Grawe Banja
Grawe FBiH 14. 185. 818 21 RS 7. 941. 991 12
Luka
Euroherc FBiH 13. 183. 367 19 Brčko Gas RS 7. 672. 284 10
Uniqa FBiH 12. 089. 386 18 Mikrofin RS 5. 335. 821 6
VGT FBiH 8. 449. 299 14 Kosig Dunav RS 4. 690. 978 4
Merkur BH FBiH 8. 198. 774 13 Aura RS 204. 397 1
Triglav
Hercegovina FBiH 7. 880. 393 11 RS 655. 400 2
Krajina
Zovko FBiH 6. 704. 965 9 T1 = 127
Camelija FBiH 6. 674. 173 8
Lido FBiH 5. 339. 267 6
ASA FBiH 5. 029. 321 5
Lok FBiH 3. 003. 481 3
T2= 250
Oba uzorka imaju više od 10 elemenata te koristimo aproksimaciju normalnom

distribucijom.
Teoretski interval za grešku prve vrste 5% i Gausovu distribuciju je (-1,96,1,96). Dobijena

empirijska statistika U testa je u okviru teoretskih granica što znači da ne možemo odbaciti
nultu hipotezu i zaključak je da ne postoji statistički signifikantna razlika između kapitala
društava u FBiH i RS.
SPSS procedura.
Da bismo mogli koristiti SPSS proceduru oznake za uzorke trebaju biti numeričke (1 –
FBiH i 2 – RS) te koristimo transformaciju varijable koju nudi opcija Transform - Recode
into different variable.
90
Slika 3. 6. SPSS procedura za novo kodiranje u primjeru 3. 1. 2.
Slika 3. 7. SPSS procedura za unos elemenata potrebnih za novo kodiranje u primjeru 3. 1. 2.
91
Dobićemo novu varijablu za “sjedište društva”.

Slika 3. 8. SPSS baza u primjeru 3. 1. 2. sa novom varijablom „sjediste2“.
Sada možemo primjeniti U test.
92
Slika 3. 9. SPSS procedura za provođenje Mann-Whitney U testa u primjeru 3. 1. 2.
Slika 3. 10. SPSS procedura za unos elemenata potrebnih za provođenje Mann-Whitney U testa u
primjeru 3. 1. 2.
93
Tabela 3. 8. Rezultati Mann–Whitney U testa u primjeru 3. 1. 2. – SPSS output
Ranks
sjediste2 N Mean Rank Sum of Ranks
kapital 1,00 16 15,69 251,00
2,00 11 11,55 127,00
Test Statisticsb
kapital
Mann-Whitney U 61,000
Wilcoxon W 127,000
Z - 1,332
Exact Sig. [2*(1 - tailed Sig.)] 0,195a

a. Not corrected for ties.
b. Grouping Variable: sjediste2
P vrijednost U testa (0,195) je viša od 0,05, te ne možemo odbaciti nultu hipotezu i

zaključujemo da ne postoji statistički signifikantna razlika između kapitala društava u
FBiH i RS.
3.2. Kolmogorov-Smirnov Z test

Kolmogorov-Smirnov z test za dva uzorka možemo koristiti da testiramo da li je razlika
između dvije populacije signifikantna na osnovu nezavisnih uzoraka iz tih populacija, ako
distribucija analizirane pojave ne zadovoljava pretpostavku „normalnosti” ili su uzorci
veoma mali. Drugim riječima provjeravamo da li uzorci dolaze iz iste populacije ili ne.
Najbolje rezultate ovaj test daje kada su uzorci dovoljno veliki (ne manji od 15 elemenata).17
17
94
U poređenju sa parametarskim t testom (koji koristimo u istu svrhu) Kolmogorov–

Smirnov z test za dva uzorka ima visoku snagu i efikasnost (95%).18 U poređenju sa Mann-
Whitney testom on ima manju snagu jer Mann-Whitney test uzima u obzir i mjeru srednje
vrijednosti i oblik distribucije.
Hipoteze Kolmogorov-Smirnov z testa za dva uzorka formulišemo na sljedeći način:
H0: ne postoji statistički signifikantna razlika između populacija iz kojih dolaze dva
nezavisna uzorka (uzorci su iz iste populacije) / H1: postoji statistički signifikantna razlika
između populacija iz kojih dolaze dva nezavisna uzorka (uzorci nisu iz iste populacije)
Postupak provođenja Kolmogorov-Smirnov z testa za dva uzorka je sljedeći19:
1. Imamo dva nezavisna uzorka veličina n1 i n2.

2. Odredimo zajedničke intervale za vrijednosti iz oba uzorka (rastući niz), te prema
tim intervalima odredimo empirijske distribucije frekvencija kod oba uzorka.
3. Za dobijene distribucije frekvencija odredimo relativne rastuće kumulante F - 1 i
F - 2.
4. Nađemo razlike između kumulanti i najveća među tim razlikama je empirijska
statistika Kolmogorov-Smirnov z testa za dva uzorka:
Kolmogorov-Smirnov z statistika se izračunava kao:
5. Teorijsku ili kritičnu vrijednost za grešku prve vrste α, i veličine uzoraka n1 i n2

uzimamo iz tablice kritičnih vrijednosti za Kolmogorov-Smirnov test (prilog 7.).
6. Ako je empirijska statistika viša od teorijske statistike odbacujemo nultu i prihvatamo
alternativnu hipotezu da uzorci dolaze iz različitih populacija.
18
http://books. google. ba/books?id=w7jfuqtXaXIC&pg=PA201&lpg=PA201&dq=Ks+test+for+comparing+two+ popul
ations&source=bl&ots=0C5F34f5OH&sig=Ti68oezHkZsGarZnDgf6O-Z1CyY&hl=bs&sa=X&ei=X3B0VKqxE6v9ygO
eiIHgAQ&ved=0CCYQ6AEwATgU#v=onepage&q=Ks%20test%20for%20comparing%20two%20populations&f=false
(pristup 25. 11. 2014.)
19
Huynh V. N., Nakamori Y., Lawry J., Inuiguchi M. (2010). Integrated Uncertainty Management and Applications, Springer
Science & Business Media, New York, str. 182-183
95
Primjer 3. 2. 1.
Pretpostavljamo da su žene spremne platiti veću cijenu za večeru u luksuznom restoranu
nego muškarci. Na slučaj smo odabrali uzorak sa 18 žena i uzorak sa 20 muškaraca i pitali
ih koji je maksimalan iznos koji su spremni platiti za večeru u luksuznom restoranu.
Tabela 3. 9. Podaci o iznosu koji su ispitanici iz uzorka spremni platiti za večeru u luksuznom
restoranu
Žene Muškarci
140 100
90 60
85 70
100 120
130 90
90 130
150 100
140 80
80 50
100 120
150 100
70 120
100 90
90 70
100 130
140 60
125 80
80 135
125
90
Da li na osnovu rezultata provedenog istraživanja možemo zaključiti da postoji razlika

između žena i muškaraca po pitanju koliku cijenu za večeru u luksuznom restoranu su
spremni tolerisati?
96
Rješenje.
Na samom početku analize provjeravamo da li je zadovoljena pretpostavka „normalnosti“.
Tabela 3. 10. Rezultati Shapiro–Wilk testa „normalnosti“ kod posmatranih uzoraka u primjeru 3. 2. 1. –
SPSS output
Tests of Normality
1-M 0,152 18 0,200* 0,949 18 0,408
2-Ž 0,241 18 0,007 0,891 18 0,041

U uzorku žena je narušena pretpostavka „normalnosti“ te koristimo odgovarajuću

neparametarsku proceduru. Provjeravamo nultu hipotezu da uzorci dolaze iz istih
populacija, to jeste da ne postoji razlika između žena i muškaraca, primjenom Kolmogorov-
Smirnov z testa za dva uzorka.
97
Sljedeći korak je da uredimo podatke u rastuće nizove (tabela 3. 11.).
Tabela 3. 11. Radna tabela sa numerički uređenim podacima za primjer 3. 2. 1.
Žene Muškarci
70 50
80 60
80 60
85 70
90 70
90 80
90 80
100 90
100 90
100 90
100 100
125 100
130 100
140 120
140 120
140 120
150 125
150 130
130
135
Na osnovu datih podataka formiramo zajedničke intervale i grupišemo podatke u

distribucije frekvencija, te određujemo njihove rastuće relativne kumulante.
Tabela 3. 12. Radna tabela sa podacima grupisanim u intervale i određivanjem kumulanti za

primjer 3. 2. 1.
x f1 f2 F-1 F-2 D
50-70 1 5 0,0556 0,2500 0,1944
71-90 6 5 0,3889 0,5000 0,1111
91-110 4 3 0,6111 0,6500 0,0389
111-130 2 6 0,7222 0,9500 0,2278
131-150 5 1 1,0000 1,0000 0,0000
suma 18 20
98
Najveća razlika iznosi Dmax=0,2278 i to je empirijska statistika testa. Kolmogorov-

Smirnov Z statistika se izračunava po modelu:
Teorijsku ili kritičnu vrijednost za grešku prve vrste α=0,05, i veličine uzoraka n1=18 i
n2=20 uzimamo iz tablice kritičnih vrijednosti za Kolmogorov-Smirnov test (prilog 7.):
. Kako je empirijska statistika niža od teorijske statistike ne odbacujemo nultu
hipotezu da uzorci dolaze iz iste populacije to jeste da ne postoji statistički signifikantna
razlika između žena i muškaraca po pitanju koliku cijenu za večeru u luksuznom restoranu
su spremni tolerisati.
SPSS procedura.
U opciji neparametarskih testova za dva nezavisna uzorka biramo Kolmogorov-Smirnov
z test za dva uzorka.
Slika 3. 11. SPSS procedura za provođenje Kolmogorov-Smirnov z testa za dva uzorka u primjeru 3. 2. 1.
99
Slika 3. 12. SPSS procedura za unos elemenata potrebnih za provođenje Kolmogorov-Smirnov z

testa za dva uzorka u primjeru 3. 2. 1.
Tabela 3. 13. Rezultati Kolmogorov-Smirnov z testa za dva uzorka u primjeru 3. 2. 1. – SPSS output
Frequencies
grupa (1-M,2-Ž) N
cijena večere 1,00 20
2,00 18
Total 38
Test Statisticsa
cijena večere
Absolute 0,278
Negative 0,000
a. Grouping Variable: grupa (1-M,2-Ž)
P vrijednost Kolmogorov-Smirnov z testa za dva uzorka (0,458>0,05) ne ukazuje na

signifikantnu razliku te zaključujemo da je neispravna pretpostavka da su žene spremne
platiti veću cijenu za večeru u luksuznom restoranu nego muškarci.
100
3.3. Wald-Wolfowitz test koraka

Wald-Wolfowitz test koraka također možemo primijeniti kada provjeravamo da li je razlika
između dvije populacije signifikantna na osnovu nezavisnih uzoraka iz tih populacija (da
li uzorci dolaze iz iste populacije ili ne). Razlika se provjerava ne samo u konteksu srednje
vrijednosti (medijane) već i u kontekstu varijabiliteta i oblika distribucija.20 Distribucija
varijable koja je predmet testiranja treba biti kontinuirana, dok skala te varijable može
biti ordinalna, intervalna ili metrička. Kolmogorov-Smirnov z test za dva uzorka ima
veću snagu u poređenju sa Wald-Wolfowitz testom koraka, ali je komplikovaniji u smislu
provođenja same procedure testa.
Hipoteze Wald-Wolfowitz test koraka kao i kod Kolmogorov-Smirnov z testa za dva
uzorka glase:
H0: ne postoji statistički signifikantna razlika između populacija iz kojih dolaze dva
nezavisna uzorka (uzorci su iz iste populacije) / H1: postoji statistički signifikantna razlika
između populacija iz kojih dolaze dva nezavisna uzorka po osnovu srednje vrijednosti,
varijabiliteta ili simetrije (uzorci nisu iz iste populacije)
Postupak provođenja Wald-Wolfowitz test koraka je sljedeći:
1. Podatke prezentiramo tako da u jednoj koloni imamo vrijednosti a u drugoj koloni

naznaku kojem uzorku te vrijednosti pripadaju.
2. Sortiramo podatke u rastućem nizu i pratimo broj koraka21 u koloni gdje smo
naznačili pripadnost uzorku. Broj koraka je r.
3. Kada smo utvrdili broj koraka empirijsku statistiku testa izračunavamo po modelu:
4. Kritične vrijednosti čitamo iz tablice normalne distribucije.

Ako je empirijska statistika u teorijskom intervalu ne možemo odbaciti nultu
hipotezu da uzorci dolaze iz iste populacije.
20
http://www. analystsoft. com/en/products/statplus/content/help/src/analysis_nonparametric_statistics_comparing_two_
independent_samples_mann-whitney_wilcoxon_rank_sum. html,, pristup 28. 11. 2014.
21
Slično kao kod runs testa za jedan uzorak, korak se definiše kao uzastopni niz monotono rastućih ili niz monotono
opadajućih vrijednosti koje se odnose na isti uzorak, a broj rastućih ili padajućih vrijednosti u jednom koraku je dužina
koraka (run)
101
Primjer 3. 3. 1.
Deset redovnih i deset DL studenata polagalo je ispit iz predmeta Statistika u ekonomiji i
menadžmentu i ostvarili su sljedeće bodove koje prezentiramo u tabeli 3. 14.
Tabela 3. 14. Rezulati na ispitu iz predmeta Statistika u ekonomiji i menadžmentu
Redovni studenti DL studenti

57 60
61 55
69 64
78 56
79 92
56 98
91 74
97 79
68 56
87 58
Da li postoji razlika između uspjeha redovnih i DL studenata?

Rješenje.
Shapiro-Wilk testom provjeravamo da li je zadovoljena pretpostavka „normalnosti“.
SPSS output
Tests of Normality
status (1 - redovni,2 - Kolmogorov-Smirnova Shapiro-Wilk

DL) Statistic df Sig. Statistic df Sig.
broj
1,00 0,143 10 0,200* 0,943 10 0,586
bodova
broj
2,00 0,229 10 0,147 0,842 10 0,046
bodova
102
U uzorku DL studenata nije zadovoljena pretpostavka „normalnosti”. Provjeravamo nultu

hipotezu da uzorci dolaze iz istih populacija, to jeste da ne postoji razlika između redovnih
i DL studenata, primjenom Wald-Wolfowitz testa koraka.
Ne vodeći računa o uzorku uredimo podatke u rastući niz (tabela 3. 16.).
status broj bodova

2 55
1 56
2 56
2 56
1 57
2 58
2 60
1 61
2 64
1 68
1 69
2 74
1 78
1 79
2 79
1 87
1 91
2 92
1 97
2 98
103
Imamo 15 koraka te određujemo empirijsku statistiku:
Sa greškom 5% kritične vrijednosti teorijske statistike su u interval .

Empirijska statistika je u zadanom intervalu što znači da ne možemo odbaciti nultu hipotezu
prema kojoj ne postoji signifikantna razlika između uspjeha redovnih i DL studenata.
SPSS procedura.
U opciji neparametarskih testova za dva nezavisna uzorka biramo Wald-Wolfowitz test
koraka.
Slika 3. 13. SPSS procedura za provođenje Wald-Wolfowitz testa koraka u primjeru 3. 3. 1.
104
Slika 3. 14. SPSS procedura za unos elemenata potrebnih za provođenje Wald-Wolfowitz testa
koraka u primjeru 3. 3. 1.
105
Tabela 3. 17. Rezultati Wald-Wolfowitz testa koraka u primjeru 3. 3. 1. – SPSS output
Frequencies
status (1 - redovni,2 - DL) N
broj bodova 1,00 10
2,00 10
Total 20
Test Statisticsb, c
Exact Sig.
Number of Runs Z
(1-tailed)
Minimum Possible 13a 1,149 0,872
broj bodova
Maximum Possible 15 a
2,068 0,981
a. There are 2 inter-group ties involving 5 cases.
b. Wald-Wolfowitz Test
c. Grouping Variable: status (1 - redovni,2 - DL)
P vrijednost Wald-Wolfowitz testa koraka je viša od 0,05 što znači da nemamo argumenata
da odbacimo nultu hipotezu i zaključujemo da ne postoji signifikantna razlika između
uspjeha redovnih i DL studenata.
3.4. Moses extreme reactions test

Moses extreme reactions test22 je neparametarski test kojim upoređujemo varijabilitet
populacija iz kojih su dva nezavisna uzorka uzeta na bazi identifikacije ekstremnih
vrijednosti (outliera). Hipoteze Moses extreme reactions testa glase:
H0: ne postoji statistički signifikantna razlika između varijabiliteta populacija iz kojih
dolaze dva nezavisna uzorka (populacije imaju istu disperziju, to jeste ista je vjerovatnoća
pojavljivanja ekstremnih vrijednosti) / H1: postoji statistički signifikantna razlika između
varijabiliteta populacija iz kojih dolaze dva nezavisna uzorka (populacije nemaju istu
disperziju, to jeste nije ista vjerovatnoća pojavljivanja ekstremnih vrijednosti)
22
Moses (1952.)
106
Postupak provođenja Moses extreme reactions testa je opisan u nastavku:

1. Kao kod Mann-Whitney testa, uzmemo sve elemente oba uzorka zajedno (ne vodeći
računa o tome kom uzorku pripadaju) i rangiramo ih prema varijabli koju pratimo,
s tim da rang 1 damo elementu koji ima najnižu vrijednost.
2. Raspon rangova s (posebno za oba uzorka) dobijamo kao razliku najvišeg i najnižeg
ranga u tom uzorku uvećanu za 1 (ako rezultat nije cijeli broj onda zaokružimo na više).
3. Prvi uzorak je veličine n1 i drugi uzorak je veličine n2, što znači da za oba uzorka
raspon rangova mora biti u intervalu (n1 +n2).
4. Ako je istinita nulta hipoteza treba da važi:
pri čemu je k = s-n1.
5. Dobijenu vjerovatnoću upoređujemo sa greškom prve vrste i donosimo zaključak.
Primjer 3. 4. 1.
Profesor je 17 studenata slučajnim izborom podijelio u dvije grupe A i B. U grupi A je bilo
8 a u grupi B je bilo 9 studenata. Nastavu su slušali zajedno i imali isti tretman. Međutim
razlika je bila u načinu formiranja konačne ocjene. Kod studenata grupe A u finalnoj
ocjeni su bili bodovi u vezi sa: aktivnostima u toku nastave, parcijalnom provjerom znanja
i finalnim ispitom. Kod studenata grupe B u konačnoj ocjeni imamo samo bodove u vezi
sa parcijalnom provjerom znanja i finalnim ispitom.
Tabela 3. 18. Rezultati na ispitu kod studenata iz grupa A i B
Grupa A Grupa B
6 4
7 4
9 5
10 5
12 10
13 15
14 17
18 18
19
107
Da li je razlika u disperziji uspjeha statistički signifikantna?

Rješenje.
Shapiro-Wilk testom provjeravamo da li je zadovoljena pretpostavka „normalnosti“.
SPSS output
Tests of Normality
grupa (A/B)
A rezultat 0,112 8 0,200 ,972 8 0,915
B rezultat 0,258 9 0,085 0,831 9 0,046
U uzorku studenata grupe B nije zadovoljena pretpostavka „normalnosti”. Provjeravamo

nultu hipotezu da uzorci dolaze iz populacija sa istom disperzijom, to jeste da ne postoji
razlika u disperziji ocjena studenata iz grupe A i grupe B, primjenom Moses extreme
reactions testa.
Ne vodeći računa o pripadnosti uzorku A ili B rangiramo podatke iz oba uzorka.
108
Tabela 3. 20. Radna tabela sa rangiranjem za primjer 3. 4. 1.
Grupa A Rang Grupa B Rang
6 5 4 1,5
7 6 4 1,5
9 7 5 3,5
10 8,5 5 3,5
12 10 10 8,5
13 11 15 13
14 12 17 14
18 15,5 18 15,5
19 17
Za grupu A raspon rangova je jednak s = (15,5-5)+1=11,5 što kada zaokružimo iznosi s = 12.
Tada je: .
Kako je dobijena vjerovatnoća viša od greške prve vrste (0,05) ne možemo odbaciti nultu
hipotezu i zaključujemo da imamo istu vjerovatnoću pojavljivanja ekstremnih vrijednosti
kod obje grupe studenata.
SPSS procedura.
U opciji neparametarskih testova za dva nezavisna uzorka biramo Moses extreme reactions
test.
109
Slika 3. 15. SPSS procedura za provođenje Moses extreme reactions testa u primjeru 3. 4. 1.
Slika 3. 16. SPSS procedura za unos elemenata potrebnih za provođenje Moses extreme reactions
testa u primjeru 3. 4. 1.
110
Tabela 3. 21. Rezultati Moses extreme reactions testa u primjeru 3. 4. 1. – SPSS output
Frequencies
grupa broj N
rezultat 1,00 (Control) 8
2,00 (Experimental) 9
Total 17
Test Statisticsa, b
rezultat
12
Observed Control Group Span
Sig. (1-tailed) 0,088
7
Trimmed Control Group Span
Sig. (1-tailed) 0,043
Outliers Trimmed from each End 1
a. Moses Test
b. Grouping Variable: grupa broj
Na osnovu box-plotova zaključujemo da u analiziranim podacima nema potrebe za

„trimmed” metodologijom, jer nema izraženih outliera. P vrijednost Moses testa je
0,088>0,05 te zaključujemo da razlika u disperziji uspjeha nije statistički signifikantna.
111
4
Neparametarski
testovi za dva
zavisna uzorka
4 Neparametarski testovi za dva zavisna uzorka
Za dva uzorka kažemo da su zavisni ukoliko za svaki podatak ili vrijednost iz jednog uzorka
postoji adekvatna uparena vrijednost iz drugog uzorka, pri čemu se te obje vrijednost
dobijaju iz istog izvora (od istih objekata u istraživanju).
4.1. McNemar test

McNemar test (Siegel and Castellan,1988; Agresti,1990)23 možemo opisati kroz 2x2
krostabulaciju za uparene odgovore po nekom dihotomnom obilježju. To je vrsta
neparametarskog hi-kvadrat testa koji je specifičan jer funkcioniše sa zavisnim (koreliranim
ili uparenim) uzorcima24. Upareni podaci se javljaju kada isti subjekti odgovaraju na pitanja
pod različitim okolnostima (na primjer prije i nakon nekog tretmana). Ako upoređujemo
rezultate jedne iste grupe „prije“ i „poslije“, ili upoređujemo istu grupu u dvije različite
aktivnosti, onda vjerojatno postoji korelacija između prvih i drugih rezultata. Dizajn
uparenih uzoraka imamo i kada se specifičan subjekt prema nekom kriteriju (kao što su
recimo godine i spol) upari sa drugim subjektom u svrhu daljih analiza i komparacija.
Upoređujemo uparene proporcije i testiramo da li među njima postoji statistički
signifikantna razlika.
Hipoteze McNemar testa možemo izraziti na sljedeći način:
H0: ne postoji statistički signifikantna razlika između proporcija za dihotomno obilježje
(P12 = P21)/ H1: postoji statistički signifikantna razlika između proporcija za dihotomno
obilježje (P12 ≠ P21)
Sama procedura McNemar testa je identična kao kod hi-kvadrat testa nezavisnosti sa
dihotomnim varijablama. Njime se utvrđuje da li postoji povezanost između proporcija
dihotomnog obilježja kod dva zavisna uzorka. Ishodi u kontigencijskoj tablici dimenzije
(2 x 2) su specifično organizovani.
23
http://www. csun. edu/sites/default/files/exact-tests19. pdf, pristupljeno 04. 12. 2014.
24
Ciechalski, J. C., Pinkney, J. W. & Weaver, F. S. (2002). A method for assessing change in attitude: The McNemar Test.
Poster presented at the Annual Meeting of the American Educational Research Association, New Orleans
115
Tabela 4. 1. Kontigencijska tablica za McNemar test
II
I ukupno
+ -
+ a b a+b
- c d c+d
ukupno a+c b+d N
Ivični zbirovi nisu bitni za McNemar test. U izračunavanju se koriste one učestalosti u
kojima se ogleda razlika u djelovanju faktora. U kontigencijskoj tablici je vidljivo da se
dobijene razlike nalaze u ćelijama b i c. Empirijska vrijednost McNemarovog testa dobija
se pomoću hi-kvadrat statistike:
Primjer 4. 1. 1.
150 mladića podvrgnuto je testu trčanja na 100 m u kojemu je norma 12 s. Normu je
postiglo 75 mladića. Nakon treninga mladići su ponovo testirani, te je sada 100 mladića
postiglo normu. Prateći individualne rezultate ustanovljeno je da u drugom trčanju nije
postiglo normu 10 mladića koji su u prvom trčanju postigli normu. U drugom trčanju
normu je postiglo 35 mladića koji u prvom trčanju nisu postigli normu. Da li postoji
statistički značajna razlika između rezultata u prvom i drugom trčanju?
Rješenje.
Dobijenu informaciju ćemo predstaviti pomoću kontigencijske tablice (tabela 4. 2.).
Tabela 4. 2. Podaci iz primjera 4. 1. 1. predstavljeni u kontigencijskoj tablici
Postigli normu u Nisu postigli normu u

Ukupno
drugom trčanju drugom trčanju
Postigli normu u prvom
65 - a 10 - b 75
trčanju
Nisu postigli normu u
35 - c 40 - d 75
prvom trčanju
Ukupno 100 50 150
U ovom slučaju hipoteze glase: H0: ne postoji statistički značajna razlika između rezultata
u prvom i drugom trčanju / H1: postoji statistički značajna razlika između rezultata u
prvom i drugom trčanju.
116
Izračunavamo hi-kvadrat empirijsku vrijednost:
Teorijska ili granična vrijednost uz 1 stepen slobode na nivou značajnosti od 5% iznosi

3,841 (prilog 4.). Kako je empirijska hi-kvadrat vrijednost veća od teorijske, odbacujemo
nultu i prihvatamo alternativnu hipotezu prema kojoj postoji statistički signifikantna
razlika između rezultata u prvom i drugom trčanju.
SPSS procedura.
U dvije kolone SPSS baze podataka unosimo rezultate za dihotomnu varijablu, to jeste
uređene parove iz dva zavisna uzorka (kako podaci ne mogu ostati u obliku kvalitativne
skale kreiramo nove kolone i za opciju „da“ imamo kategoriju 1 a za opciju „ne“ kategoriju
0). U opciji Analyze biramo Nonparametric tests – 2 Related Samples – McNemar.
Slika 4. 1. SPSS procedura za provođenje McNemar testa u primjeru 4. 1. 1.
117
Slika 4. 2. SPSS procedura za unos elemenata potrebnih za provođenje McNemar testa u primjeru
4. 1. 1.
Tabela 4. 3. Rezultati McNemar testa u primjeru 4. 1. 1. – SPSS output
prvo broj & drugo broj

drugo broj
prvo broj
,00 1,00
,00 40 35
1,00 10 65
Test Statisticsb
prvo broj & drugo broj
N 150
Chi-Squarea 12,800
Asymp. Sig. 0,000
a. Continuity Corrected
b. McNemar Test
P vrijednost McNemar testa (0,000<0,05) ukazuje na signifikantnu razliku, te zaključujemo

da postoji statistički značajna razlika između rezultata u prvom i drugom trčanju.
118
4.2. Marginal homogeneity test

Marginal homogeneity test je modifikacija McNemar testa u kontekstu da varijabla sa
kojom radimo ne mora biti dihotomna već da možemo imati više od dva modaliteta.
Podatke iz dva zavisna (uparena) uzorka unosimo u kontigencijsku tablicu dimenzija (c x
c). Testira se pretpostavka da će vjerovatnoća da će biti klasificiran u kategoriju j biti ista
za prvog kao i za drugog člana uređenog para koji formiraju zavisni uzorci.
Hipoteze Marginal homogeneity testa možemo izraziti na sličan način kao kod McNemar
testa:
H0: ne postoji statistički signifikantna razlika između proporcija za posmatrano obilježje
(Pj = Pj’, j=1, 2,…, c) / H1: postoji statistički signifikantna razlika između proporcija za
posmatrano obilježje (Pj ≠ Pj’, j=1, 2,…, c)
Primjer 4. 2. 1.
Dva ekonomska analitičara ocjenjivali su 118 projekata (nivo 1 – neprihvatljivo do nivo
5 – apsolutno opravdano) i dobili smo rezultate predstavljene u tabeli 4. 4.
Tabela 4. 4. Ocjene projekata
Analitičar 2
Nivo
1 2 3 4 5
1 22 2 2
2 5 7 14
Analitičar 1 3 2 36
4 1 7 14
5 3 3
Da li su mišljenja analitičara međusobno saglasna?

Rješenje.
Riječ je o zavisnim uzorcima obzirom da se ocjenjuju isti projekti. Imamo dva zavisna
uzorka, varijablu sa ordinalnom skalom i pet modaliteta, te testiramo usaglašenost
mišljenja pomoću Marginal homogeneity testa.
119
SPSS procedura.
U dvije kolone SPSS baze podataka unosimo uređene parove iz dva zavisna uzorka za
analiziranu varijablu sa pet modaliteta. U opciji Analyze biramo Nonparametric tests – 2
Related Samples – Marginal Homogeneity.
Slika 4. 3. SPSS procedura za provođenje Marginal homogeneity testa u primjeru 4. 2. 1.
Slika 4. 4. SPSS procedura za unos elemenata potrebnih za provođenje Marginal homogeneity testa
u primjeru 4. 2. 1.
120
Tabela 4. 5. Rezultati Marginal homogeneity testa u primjeru 4. 2. 1. – SPSS output
Marginal Homogeneity Test

analitičar 1 & analitičar 2
Distinct Values 5
Off-Diagonal Cases 36
Observed MH Statistic 95,000
Mean MH Statistic 95,500
Std. Deviation of MH Statistic 3,354
Std. MH Statistic -0,149
P vrijednost Marginal homogeneity testa (0,881>0,05) ukazuje da ne možemo odbaciti nultu

hipotezu o jednakim proporcijama to jeste da su mišljenja analitičara međusobno saglasna.
4.3. Sign test (test znakova)

Test znakova koji smo već prethodno elaborirali kod analiza sa jednim uzokom, uz
određena prilagođavanja možemo koristiti i za testiranje hipoteze o medijani razlike
između uparenih podataka dobijenih iz dva zavisna uzorka. Samim tim jasno je da ga
možemo primijeniti samo ukoliko je skala varijable sa kojom radimo ordinalna, intervalna
ili metrička. Nije moguće primjeniti ga kod nominalne skale, obzirom da nije moguće
utvrditi niti kvantificirati razlike. Ovaj test je neparametarska alternativa t-testu zavisnih
uzoraka (paired samples).
Hipoteze testa znakova za dva zavisna uzorka možemo izraziti na sljedeći način:
H0: dva dobijena zavisna uzorka pripadaju istoj populaciji (medijana razlike između
uparenih podataka dobijenih iz dva zavisna uzorka je jednaka 0) / H1: dva dobijena zavisna
uzorka pripadaju istoj populaciji (medijana razlike između uparenih podataka dobijenih
iz dva zavisna uzorka nije jednaka 0)
Razliku medijana osnovnog skupa iz kojeg su u različitim stanjima (ili tretmanima) ili
vremenskim periodima (ili trenucima) uzeti uzorci obilježićemo sa: MeD = Me1 - Me2 . Tako
možemo formulisati hipoteze testa znaka: H0: MeD = 0/ H1: MeD ! 0 .
121
Sama procedura testa znaka kod dva zavisna uzorka je sljedeća:
1. Imamo uzorke sa istim brojem elemenata, X i Y, i = 1, n & ^xi, yih

2. Odredimo smjer to jeste znak razlike između članova u svakom paru („+“ ili „-“).
Ako razlike nema (jednaka je 0) taj se par briše iz daljnje obrade.
3. Dobili smo niz ili seriju znakova „+” i „-“ koji se treba ponašati po binomnoj
distribuciji čije je p=0,5.
4. Broj znakova „+” ili broj znakova „-” je empirijska statistika dvosmjernog testa
znaka za jedan uzorak ( ). 25
5. Za uzorke sa 25 elemenata i manje koristimo binomnu distribuciju vjerovatnoća.
Ovo je test znakova (gdje koristimo znakove „+“ i „–“ da definišemo razlike) i
uzimamo kritične vrijednosti testa znakova (pročitane na bazi veličine uzorka i
greške prve vrste, prilog 5.).
Kada je n>25 možemo primijeniti aproksimaciju prekidne binomne distribucije sa

neprekidnom normalnom distribucijom i empirijska statistika testa će biti:
pri čemu je:

, p=0,5
gdje je dodavanje ili oduzimanje 0,5 korekcija za kontinuitet, jer dodajemo 0,5 ako je
manja ili jednaka vrijednosti (n/2) to jeste oduzimamo 0,5 ako je veća od
vrijednosti (n/2).
Primjer 4. 3. 1.
Osam zaposlenih iz jedne kompanije pohađalo je kurs za unapređenje samopouzdanja.
Njihovi rezultati testa samopouzdanja prije i nakon kursa su prezentirani u tabeli 4. 6.
25
U slučaju jednosmjernih testova kod testa na donju granicu uzima se manji od ta dva broja, dok se za test na gornju
granicu uzima veći.
122
Tabela 4. 6. Rezultati testa samopouzdanja prije i nakon kursa
Prije 8 5 4 9 7 9 5 8
Poslije 10 8 5 11 7 8 9 9
Da li možemo zaključiti da pohađanje navedenog kursa signifikantno mijenja (povećava)

medijanu rezultata testa samopuzdanja kod zaposlenih?
Rješenje.
Riječ je o zavisnim uzorcima, jer se podaci odnose na iste zaposlene prije i nakon pohađanja
kursa samopouzdanja. Hipoteze u ovom primjeru glase: H0: pohađanje navedenog kursa
signifikantno ne mijenja medijanu rezultata testa samopouzdanja kod zaposlenih (medijana
razlike između uparenih podataka o testu samopouzdanja dobijenih prije i poslije kursa
je jednaka 0) / H1: pohađanje navedenog kursa signifikantno mijenja medijanu rezultata
testa samopouzdanja kod zaposlenih (medijana razlike između uparenih podataka o testu
samopouzdanja dobijenih prije i poslije kursa nije jednaka 0).
Određujemo smjer to jeste znak razlike (prije – poslije) između članova u svakom paru.
Tabela 4. 7. Radna tabela za određivanje znaka razlike u primjeru 4. 3. 1.
Prije 8 5 4 9 7 9 5 8
Poslije 10 8 5 11 7 8 9 9
Znak
- - - - + - -
razlike
Broj znaka „+” je 1 a broj znaka „-“ je 6 (jedan par je eliminisan iz analize). Kako je
u pitanju mali uzorak primjenjujemo binomnu distribuciju vjerovatnoća i uzimamo
kritične vrijednosti testa znakova (pročitane na bazi n=7 i greške prve vrste 0,05, prilog
5.) koje se kreću u intervalu (0, 7). kao broj znaka „-“ je u teorijskom intervalu te
stoga ne možemo odbaciti nultu hipotezu i zaključujemo da pohađanje navedenog kursa
signifikantno ne mijenja medijanu rezultata testa samopouzdanja kod zaposlenih.
SPSS procedura.
U opciji neparametarskih testova za dva zavisna uzorka biramo Sign test.
123
Slika 4. 5. SPSS procedura za provođenje Sign u primjeru 4. 3. 1.
Slika 4. 6. SPSS procedura za unos elemenata potrebnih za provođenje Sign testa u primjeru 4. 3. 1.
124
Tabela 4. 8. Rezultati Sign testa u primjeru 4. 3. 1. – SPSS output
Frequencies
Positive Differencesb 6
poslije - prije
Tiesc 1
Total 8
a. poslije < prije
b. poslije > prije
c. poslije = prije
Test Statisticsb
poslije - prije
Exact Sig. (2-tailed) 0,125a
a. Binomial distribution used.

b. Sign Test
P vrijednost (0,125>0,05) ukazuje da razlika između uparenih podataka o testu

samopouzdanja dobijenih prije i poslije kursa nije signifikantno različita od 0, te
slijedi zaključak da pohađanje navedenog kursa signifikantno ne mijenja rezultat testa
samopouzdanja kod zaposlenih.
Primjer 4. 3. 2.
Menadžer u jednoj velikoj fabrici sumnja da radnici u noćnoj smjeni koriste više sati za
bolovanje nego radnici u dnevnoj smjeni. U toj fabrici radnici svaka dva mjeseca mijenjaju
smjene. Menadžer je uzeo slučajan uzorak od 30 radnika i zabilježio ukupan broj sati koje
su ovi radnici koristili na ime bolovanja u toku prva dva mjeseca kada su radili dnevnu
smjenu i u toku naredna dva mjeseca kada su radili noćnu smjenu.
125
Tabela 4. 9. Sati bolovanja u periodu od dva mjeseca
Dnevna smjena 24 30 12 24 18 0 24 6 12 36
Noćna smjena 18 48 6 30 36 24 42 30 30 24
Dnevna smjena 12 12 6 36 18 24 12 6 12 24
Noćna smjena 32 24 18 54 12 36 42 24 18 12
Dnevna smjena 30 24 48 30 30 42 18 36 12 6
Noćna smjena 48 30 60 36 18 48 0 12 48 24
Da li na osnovu rezultata ovog istraživanja možemo zaključiti da je medijana broja sati na

ime bolovanja koje su radnici koristili signifikantno različita u dnevnoj i noćnoj smjeni?
Rješenje.
Imamo istraživanje sa zavisnim uzorcima, jer se podaci odnose na iste zaposlene u prvoj i
drugoj smjeni. Hipoteze u ovom primjeru glase: H0: medijana broja sati na ime bolovanja
koje su radnici koristili nije različita u dnevnoj i noćnoj smjeni (medijana razlike između
uparenih podataka o satima bolovanja dobijenih u dnevnoj i noćnoj smjeni je jednaka 0)
/ H1: medijana broja sati na ime bolovanja koje su radnici koristili je različita u dnevnoj i
noćnoj smjeni (medijana razlike između uparenih podataka o satima bolovanja dobijenih
u dnevnoj i noćnoj smjeni nije jednaka 0).
Određujemo smjer to jeste znak razlike (prije – poslije) između članova u svakom paru.
Tabela 4. 10. Radna tabela za određivanje znaka razlike za primjer 4. 3. 2.
Dnevna smjena 24 30 12 24 18 0 24 6 12 36
Noćna smjena 18 48 6 30 36 24 42 30 30 24
Znak + - + - - - - - - +
Dnevna smjena 12 12 6 36 18 24 12 6 12 24
Noćna smjena 32 24 18 54 12 36 42 24 18 12
Znak - - - - + - - - - +
Dnevna smjena 30 24 48 30 30 42 18 36 12 6
Noćna smjena 48 30 60 36 18 48 0 12 48 24
Znak - - - - + - + + - -
126
Broj znaka “+” je 8 a broj znaka “-“ je 22. Kako je u pitanju uzorak sa više od 25 elemenata
primjenjujemo aproksimaciju binomne distribucije vjerovatnoća sa normalnom
distribucijom:
pri čemu je:
Uzimamo kritične vrijednosti normalne distribucije (pročitane na bazi greške prve vrste
0,05, prilog 1.) koje se kreću u intervalu (-1,96,1,96). nije u teorijskom intervalu te
stoga odbacujemo nultu i prihvatamo alternativnu hipotezu i zaključujemo da je medijana
broja sati na ime bolovanja koje su radnici koristili signifikantno različita u dnevnoj i
noćnoj smjeni.
SPSS procedura.
U opciji neparametarskih testova za dva zavisna uzorka biramo Sign test.
Slika 4. 7. SPSS procedura za unos elemenata potrebnih za provođenje Sign testa u primjeru 4. 3. 2.
127
Tabela 4. 11. Rezultati Sign testa u primjeru 4. 3. 2. – SPSS output
Frequencies
N
Negative Differences a
8
sati bolovanja u noćnoj smjeni - Positive Differencesb 22

sati bolovanja u dnevnoj smjeni Tiesc 0
Total 30
a. sati bolovanja u noćnoj smjeni < sati bolovanja u dnevnoj smjeni
b. sati bolovanja u noćnoj smjeni > sati bolovanja u dnevnoj smjeni
c. sati bolovanja u noćnoj smjeni = sati bolovanja u dnevnoj smjeni
Test Statisticsa
sati bolovanja u noćnoj smjeni - sati bolovanja u
dnevnoj smjeni
Z -2,373
a. Sign Test
P vrijednost (0,018>0,05) ukazuje da je razlika između uparenih podataka o satima

bolovanja dobijenih u dnevnoj i noćnoj smjeni signifikantno različita od 0 (uz grešku prve
vrste 5%), te slijedi zaključak da broj sati bolovanja zavisi od smjene u kojoj radnik radi.
4.4. Wilcoxon test ranga sa znakom za dva zavisna uzorka

Kako je već prethodno prezentirano Wilcoxon test ranga sa znakom je moguće primijeniti
kada radimo na jednom uzorku i poredimo medijanu populacije sa nekom ciljanom
vrijednošću, te je u tom slučaju riječ o kategoriji neparametarskih testova za jedan uzorak.
Međutim,Wilcoxon test ranga sa znakom za dva uzorka (Wilcoxon Matched Pairs Signed
Rank Test) se koristi i za testiranje razlike između medijalnih vrijednosti dva uzorka
koji predstavljaju ciljnu populaciju u različitim periodima i zavisni su, ako distribucija
analizirane pojave ne zadovoljava pretpostavku „normalnosti” ili su uzorci veoma mali.
Kao i test znaka, Wilcoxon test zahtijeva brojne vrijednosti (intervalnu ili metričku skalu),
eventualno to može biti ordinalna Likertova skala koja se pomoću rangova može prevesti
128
u brojne vrijednosti. Zove se i test ekvivalentnih parova jer je riječ o zavisnim uzorcima
(ponovljenim mjerenjima). Rezultira z vrijednošću. I ovaj test je neparametarska
alternativa t-testu zavisnih uzoraka (paired samples).
Hipoteze Wilcoxon testa ranga sa znakom testa možemo izraziti na sljedeći način:
H0: ne postoji signifikantna razlika između medijalnih vrijednosti dva uzorka koji
predstavljaju ciljnu populaciju u različitim periodima ili različitim okolnostima i
zavisni su / H1: postoji signifikantna razlika između medijalnih vrijednosti dva uzorka
koji predstavljaju ciljnu populaciju u različitim periodima ili različitim okolnostima i
zavisni su.
Da bismo mogli primjeniti Wilcoxon test ranga sa znakom razlika između uparenih
vrijednosti za posmatrane grupe treba slijediti simetričnu distribuciju26. Ukoliko ta
pretpostavka nije ispunjena onda trebamo primijeniti test znakova.
Kao i kod testa znaka, razliku medijana osnovnog skupa iz kojeg su u različitim stanjima
(ili tretmanima) ili vremenskim periodima (ili trenucima) uzeti uzorci obilježićemo
sa: MeD = Me1 - Me2 . Tada možemo matematski formulisati hipoteze Wilcoxon testa:
H0: MeD = 0/ H1: MeD ! 0 .
1. Imamo uzorke sa istim brojem elemenata, X i Y, i = 1, n & ^ xi, yih

2. Izračunamo razlike (hi=xi-yi) između članova u svakom paru. Ako razlike nema
(jednaka je 0) taj se par briše iz daljnje obrade.
3. Razlike mogu biti pozitivne i negativne. Te se razlike rangiraju i to bez obzira na
predznak, to jeste prema apsolutnim vrijednostima. Najmanja razlika dobiva rang 1,
sljedeća rang 2 itd. Ako su dvije ili više razlika jednake veličine, dobivaju zajednički
rang.
4. Nakon toga svakom se rangu daje onaj isti predznak koji je imala i razlika: ako je
razlika pozitivna, i rang je pozitivan, a ako je razlika negativna i rang je negativan.
5. Zbrojimo posebno pozitivne rangove (T+) i posebno negativne rangove (T -)
6. Pod pretpostavkom nulte hipoteze (tj. da nema razlike među uzorcima) postojat će
tendencija da suma pozitivnih i suma negativnih rangova budu jednake ili slične.
7. Ako postoji značajna razlika u sumama rangova različitih predznaka, to govori u
prilog odbacivanja nulte hipoteze.
26
https://statistics. laerd. com/spss-tutorials/wilcoxon-signed-rank-test-using-spss-statistics. php, pristup 15. 11. 2014.
129
8. Empirijska vrijednost je: Temp. = min (T + , T -) , dok se za odgovarajući nivo greške

prve vrste i veličinu uzorka iz tablice za Wilcoxon test uzima teorijska vrijednost
(Prilog 10.)27.
9. Ako je Temp. # Tt odbacujemo nultu i potvrđujemo alternativnu hipotezu da postoji
signifikantna razlika između medijalnih vrijednosti dva uzorka koji predstavljaju
ciljnu populaciju u različitim periodima ili različitim okolnostima i zavisni su.
Ukoliko je uzorak veličine n>25 vršimo aproksimaciju normalnom distribucijom. U tom

slučaju empirijska z statistika se određuje po formuli:
gdje je:
n – broj nenultih razlika u uzorku
Temp. = min (T + , T -)
Empirijska vrijednost se poredi sa teoretskom vrijednošću iz z distribucije te se na taj

način određuje p vrijednost.
P-vrijednost uz odgovarajući Wilcoxov statistički test se smatra statistički značajnom ili
signifikantnom ako je niža od zadanog nivoa greške prve vrste i u tom slučaju se prihvata
hipoteza da se vrijednosti ili stanja populacije iz kojih su uzeti posmatrani uzorci ili grupe
statistički značajno razlikuju.
Primjer 4. 4. 1.
Prilikom ispitivanja uticaja propagande na potražnju za ponudom osiguravajućeg
društva, uzet je uzorak od 7 osiguravajućih društava. Zabilježena je dnevna potražnja za
“proizvodima” društva prije intenziviranja propagandnih aktivnosti (kontrolni uzorak).
27
Mann, S. (2009). Uvod u statistiku, (6. izdanje), Ekonomski fakultet u Beogradu, Beograd, str. C30
130
U eksperimentalnom dijelu prikazani su reklamni spotovi koji ukazuju na prednosti i

pogodnosti koje nude “proizvodi” društva i pokrenute su brojne dodatne propagandne
aktivnosti. Nakon mjesec dana intenzivne propagandne kampanje utvrđena je dnevna
potražnja za “proizvodima” društva.
Tabela 4. 12. Dnevna potražnja za “proizvodima” osiguravajućeg društva
Eksperimentalni uzorak Kontrolni uzorak
10 9
8 5
5 4
11 9
4 5
7 5
9 6
Da li privredna propaganda značajno pozitivno utiče na poslovanje?

Rješenje.
Rezultati Shapiro-Wilk testa „normalnosti“ su prikazani u nastavku.
1. – SPSS output
Tests of Normality
uzorak
dnevna
Eksperimentalni 0,141 7 0,200* 0,962 7 0,837
potražnja
dnevna
Kontrolni 0,284 7 0,092 0,803 7 0,044
potražnja
131
Pretpostavka „normalnosti“ nije zadovoljena u okviru kontrolnog uzorka, a uzorci su

zavisni (stanje prije i poslije). Provjeravamo da li varijabla „razlika“ (hi) zadovoljava
pretpostavku „simetričnosti“ u okviru pretpostavke „normalnosti“.
Tabela 4. 14. Rezultati Shapiro–Wilk testa „normalnosti“ kod varijable razlika između posmatranih
uzoraka u primjeru 4. 4. 1. – SPSS output
Tests of Normality
uzorak
dnevna
razlika 0,198 7 0,200* 0,896 7 0,307
potražnja
Kod varijable „razlika“ zadovoljena je pretpostavka „normalnosti“ te smatramo njezinu

distribuciju simetričnom. Stoga primjenjujemo Wilcoxon test ranga sa znakom. Računamo
razlike hi i rangiramo ih, te svakom rangu dodjelimo onaj isti predznak koji je imala i
razlika.
132
Eksperimentalni Rang razlika (prema Rang razlika sa

Kontrolni uzorak h
uzorak i apsolutnoj vrijednosti) predznakom razlike
10 9 1 2 2
8 5 3 6,5 6,5
5 4 1 2 2
11 9 2 4,5 4,5
4 5 -1 2 -2
7 5 2 4,5 4,5
9 6 3 6,5 6,5
Zbrojimo posebno pozitivne rangove (T+) i posebno negativne rangove (T- ). T+=26, T- =
-2, te biramo manji: Temp. =min (T+, T-)=2 (predznak sume možemo izostaviti). Evidentna je
velika razlika u sumama rangova različitih predznaka, te stoga očekujemo odbacivanje H0.
Iz tablice za n=7 i α=0,05 pročitamo tabličnu ili teorijsku vrijednost: Tt=2. Kako je Temp. ≤Tt
slijedi zaključak da odbacujemo nultu i prihvatamo alternativnu hipotezu H1: privredna
propaganda značajno pozitivno utiče na poslovanje.
SPSS procedura.
Slika 4. 8. SPSS procedura za provođenje Wilcoxon test ranga sa znakom u primjeru 4. 4. 1.
133
Slika 4. 9. SPSS procedura za unos elemenata potrebnih za provođenje Wilcoxon test ranga sa
znakom u primjeru 4. 4. 1.
Tabela 4. 16. Rezultati Wilcoxon test ranga sa znakom u primjeru 4. 4. 1. – SPSS output
Ranks
dnevna potražnja e Positive Ranks 1b 2,00 2,00
- dnevna potražnja
k Ties 0c
Total 7
a. dnevna potražnja e<dnevna potražnja k
b. dnevna potražnja e>dnevna potražnja k
c. dnevna potražnja e = dnevna potražnja k
Test Statisticsb
dnevna potražnja e - dnevna potražnja k
Z - 2,052a
134
P vrijednost a (0,040<0,05) ukazuje na signifikantnu razliku te slijedi zaključak uz grešku

prve vrste 5% da privredna propaganda značajno pozitivno utiče naposlovanje.
Primjer 4. 4. 2.
Inspektor sumnja da dvije medicinske laboratorije dobijaju različite rezultate prilikom
određivanja nivoa holesterola u krvi. Uzeti su uzorci krvi od 30 slučajno odabranih odraslih
osoba. Uzorak krvi svake osobe uključene u istraživanje podijeljen je u dva dijela: jedan
dio poslan je na analizu u laboratoriju A a drugi dio u laboratoriju B. U laboratorijima je
za uzorke određen nivo holesterola u krvi i dobijeni su rezultati prikazani u tabeli 4. 17.
Tabela 4. 17. Podaci o nivou holesterola u krvi iz dvije laboratorije
nivo holesterola u krvi (miligram na 100 mililitara)

Pacijent
Laboratorija A Laboratorija B
1. 145 137
2. 202 195
3. 289 250
4. 210 202
5. 180 185
6. 195 190
7. 182 177
8. 200 204
9. 330 300
10. 290 269
11. 305 271
12. 210 126
13. 180 176
14. 194 184
15. 181 182
16. 214 202
17. 265 242
18. 273 242
135
nivo holesterola u krvi (miligram na 100 mililitara)

Pacijent
Laboratorija A Laboratorija B
19. 246 217
20. 292 242
21. 288 242
22. 170 172
23. 289 243
24. 320 281
25. 312 277
26. 293 264
27. 221 199
28. 198 211
29. 354 321
30. 170 164
Da li je sumnja inspektora opravdana (greška prve vrste 5%)?

Rješenje.
Nulta hipoteza glasi da dvije medicinske laboratorije ne dobijaju statistički signifikantno
različite rezultate prilikom određivanja nivoa holesterola u krvi, dok je alternativna
hipoteza da postoji značajna razlika između rezultata kod dvije medicinske laboratorije.
Rezultati Shapiro-Wilk testa „normalnosti“ za zavisne uzorke A i B su predstavljeni u
tabeli 4. 18.
Tabela 4. 18. Rezultati Shapiro–Wilk testa „normalnosti“ kod posmatranih uzoraka iz dvije
laboratorije u primjeru 4. 4. 2. – SPSS output
Tests of Normality
A 0,172 30 0,024 0,924 30 0,034
B 0,123 30 0,200* 0,976 30 0,717
136
Grafikon 4. 2. Box-plot dijagrami za zavisne uzorke u primjeru 4. 4. 2. – SPSS output
Pretpostavka „normalnosti“ nije zadovoljena u okviru uzorka A, a kako je riječ o istim

osobama uzorci su zavisni.
Tabela 4. 19. Rezultati Shapiro–Wilk testa „normalnosti“ kod varijable razlika između posmatranih
zavisnih uzoraka u primjeru 4. 4. 2. – SPSS output
Tests of Normality
razlika 0,134 30 0,180 0,941 30 0,097

Kod varijable „razlika“ zadovoljena je pretpostavka „normalnosti“ te smatramo njezinu

distribuciju simetričnom. Zadovoljene su pretpostavke za primjenu Wilcoxon testa.
Izačunamo razlike hi i rangiramo ih, te svakom rangu pridružimo onaj isti predznak koji
je imala i razlika.
137
Rang razlika (prema Rang razlika sa

A B hi
apsolutnoj vrijednosti) predznakom razlike
145 137 8 10,5 10,5
202 195 7 9 9
289 250 39 25,5 25,5
210 202 8 10,5 10,5
180 185 -5 6 -6
195 190 5 6 6
182 177 5 6 6
200 204 -4 3,5 -3,5
330 300 30 20 20
290 269 21 15 15
305 271 34 23 23
210 126 84 30 30
180 176 4 3,5 3,5
194 184 10 12 12
181 182 -1 1 -1
214 202 12 13 13
265 242 23 17 17
273 242 31 21 21
246 217 29 18,5 18,5
292 242 50 29 29
288 242 46 27,5 27,5
170 172 -2 2 -2
289 243 46 27,5 27,5
320 281 39 25,5 25,5
312 277 35 24 24
293 264 29 18,5 18,5
221 199 22 16 16
198 211 -13 14 -14
354 321 33 22 22
170 164 6 8 8
138
Zbrojimo posebno pozitivne rangove (T+) i posebno negativne rangove (T - ). T+=428,

t - =-26,5, te biramo manji: Temp. = min(T+, t -)=26,5 (predznak sume možemo izostaviti).
Postoji velika razlika u sumama rangova različitih predznaka, te stoga očekujemo
odbacivanje H0.
Uzorak je veličine n>25 i stoga vršimo aproksimaciju normalnom distribucijom.
Empirijska z statistika će biti:
gdje je:
Kako je riječ o dvosmjernom testu za grešku prve vrste 0,05 teorijska vrijednost iz
normalne distribucije biće u intervalu . Empirijska z statistika
nije u teorijskom intervalu te odbacujemo nultu i prihvatamo alternativnu hipotezu da
dvije medicinske laboratorije dobijaju statistički signifikantno različite rezultate prilikom
određivanja nivoa holesterola u krvi.
SPSS procedura.
U opciji Analyze – Nonparametric tests – 2 Related Samples biramo Wilcoxon test.
Slika 4. 10. SPSS procedura za unos elemenata potrebnih za provođenje Wilcoxon test ranga sa
znakom u primjeru 4. 4. 2.
139
Tabela 4. 21. Rezultati Wilcoxon test ranga sa znakom u primjeru 4. 4. 2. – SPSS output
Ranks
Negative Ranks 25 a
17,54 438,50
Positive Ranks 5 b
5,30 26,50
B-A
Ties 0 c
Total 30
a. B < A
b. B > A
c. B = A
Test Statisticsb
B-A
Z -4,238a
P vrijednost (0,000<0,05) ukazuje na signifikantnu razliku te slijedi zaključak da su sumnje

inspektora bile opravdane.
4.5. Spearmanov koeficijent korelacije ranga i test

njegove signifikantnosti
Kada želimo provjeriti da li između dva zavisna uzorka koja se odnose na mjerenje iste
varijable u različitim periodima ili u različitim uslovima, ili dvije varijable mjerene na istom
uzorku ali ne zadovoljavaju pretpostavke za primjenu parametarske opcije Pearsonovog
koeficijenta korelacije, postoji veza ili slaganje možemo primijeniti neparametarsku
proceduru određivanja koeficijenta korelacije ranga - Spearmanov koeficijent korelacije
ranga (Spearman rank correlation). Spearmanov koeficijent korelacije ranga (ρ) može
se koristiti za rangirane podatke kod ordinalne ili numeričke varijable i model za
izračunavanje glasi:
140
gdje je d razlika ranga za xi ranga za y: d = rx - ry . U slučaju istih vrijednosti u orginalnoj

varijabli određuje se zajednički rang.
Vrijednost koeficijenta korelacije ranga kreće se u intervalu od 0 (nema slaganja) do 1
(potpuno slaganje). Jedina razlika u odnosu na koeficijent linearne korelacije r je korištenje
rangova umjesto orginalnih podataka, što ga svrstava u neparametarske modele.
Hipoteze testa za koeficijent korelacije ranga se formulišu na sljedeći način:
H0: ne postoji slaganje (ρ=0) / H1: postoji slaganje (ρ ≠0)
Određuje se granična vrijednost to jeste teorijska statistika testa za koeficijent korelacije
ranga prema veličini zavisnih uzoraka (prilog 11.)28. Ukoliko je empirijska vrijednost veća
od granične vrijednosti odbacujemo nultu hipotezu i smatramo da je slaganje signifikantno
to jeste da je ρ≠0.
Primjer 4. 5. 1.
Pretpostavljamo da postoji veza između rezultata koje učenik ima iz predmeta Matematika
i predmeta Fizika. Na slučaj je odabrano deset učenika osnovne škole koji su se pripremali
za polaganje eksterne mature. Dat im je test iz ova dva predmeta i poredak koji su ostvarili
(prema osvojenim bodovima) prikazali smo u tabeli 4. 22.
Tabela 4. 22. Rezultati (poredak) na testovima iz Matematike i Fizike iz uzorka učenika osnovne škole
Učenik Matematika Fizika

A 2 3
B 5 4
C 4 5
D 9 8
E 3 1
F 10 10
G 6 9
H 1 2
I 8 6
J 7 7
Da li možemo potvrditi našu pretpostavku na bazi dobijenih podataka?
28
141
Rješenje.
Imamo istu grupu učenika ocjenjivanu iz dva predmeta, dakle riječ je o dva zavisna
uzorka. Podatak koji imamo je njihova pozicija na rang listi, što znači da imamo ordinalnu
varijablu i za analizu stepena međuzavisnosti moramo koristiti neparametarsku opciju
koeficijenta korelacije ranga.
Tabela 4. 23. Radna tabela za rangiranje i određivanje razlike rangova za primjer 4. 4. 2.
Učenik Matematika - rx Fizika – ry d = rx - ry d2
A 2 3 -1 1
B 5 4 1 1
C 4 5 -1 1
D 9 8 1 1
E 3 1 2 4
F 10 10 0 0
G 6 9 -3 9
H 1 2 -1 1
I 8 6 2 4
J 7 7 0 0
suma 22
Izračunavamo ρ:
Koeficijent korelacije ranga iznosi 0,867 što ukazuje na jaku direktnu vezu između rezultata
iz predmeta Matematika i Fizika.
Za n=10 i grešku prve vrste 1% čitamo tabličnu vrijednost 0,733. Empirijska vrijednost
koeficijenta korelacije ranga je viša od granične te stoga odbacujemo nultu hipotezu i
zaključujemo da je veza signifikantna.
SPSS procedura.
U opciji Analyze – Correlate - Bivariate biramo Spearman koeficijent korelacije.
142
Slika 4. 11. SPSS procedura za provođenje korelacione analize u primjeru 4. 5. 1.
Slika 4. 12. SPSS procedura za unos elemenata potrebnih za provođenje korelacione analize u
primjeru 4. 5. 1.
143
Tabela 4. 24. Korelaciona matrica u primjeru 4. 5. 1. – SPSS output
Correlations
matematika fizika
Correlation
1,000 0,867**
Coefficient
matematika
Sig. (2-tailed) . 0,001
N 10 10
Spearman’s rho
Correlation
0,867** 1,000
Coefficient
fizika
Sig. (2-tailed) 0,001 .
N 10 10
**. Correlation is significant at the 0. 01 level (2-tailed).
Koeficijent korelacije ranga iznosi 0,867. P vrijednost uz koeficijent korelacije ranga iznosi
0,001 što je niže od 0,01 i stoga smatramo vezu između rezultata iz predmeta Matematika
i Fizika signifikantnom, jakom i direktnom. Znači, uz visok rezultat na Matematici
očekujemo i visok rezultat na Fizici.
4.6. Kendallov koeficijent korelacije ranga i test njegove

signifikantnosti
Kao i Spearmanov koeficijent korelacije ranga, Kendallov koeficijent korelacije ranga
(Kendall’s rank correlation) izračunavamo kada želimo utvrditi da li postoji veza ili
slaganje između dva zavisna uzorka. Primjenjuje se na rangirane podatke kod ordinalne
ili numeričke varijable i procedura za izračunavanje glasi:
1. Uređeni par se sukcesivno i sistematično uporedi sa svim drugim parovima

. Kada i imaju isti znak onda je skor (+1), kada su
suprotnih znakova skor je (-1) a kada su isti skor se ne računa.
2. Dobijeni skorovi se saberu i razlika sume pozitivnih i sume negativnih skorova je Semp. .
3. Hipoteze testa za koeficijent korelacije ranga se formulišu na sljedeći način: H0: ne
postoji slaganje (τ=0) / H1: postoji slaganje (τ ≠0)
144
4. U tablici (prilog 12.) čitamo odgovarajuću kritičnu vrijednost Steor., na bazi veličine
uzorka i odabranog nivoa greške prve vrste.29
5. Ako je Semp. >Steor. odbacuje se nulta i prihvata alternativna hipoteza da postoji slaganje
između dva zavisna uzorka.
6. Za uzorke veće od 10 elemenata može se koristiti aproksimacija normalnom
distribucijom i biće:
Kada se radi sa vrlo malim uzorkom i kada postoji veći broj observacija koje imaju iste
rangove daje se prednost primjeni Kendallovog koeficijenta korelacije ranga u poređenju
sa Spermanovim koeficijentom korelacije ranga.
Primjer 4. 6. 1.
Poreski inspektor želi provjeriti da li postoji veza između prihoda od investicija i prihoda
od dodatnih aktivnosti. Za 10 kompanija dobio je podatke o prihodima od investicija i od
dodatnih aktivnosti.
Tabela 4. 25. Podaci o prihodima od investicija i od dodatnih aktivnosti
Prihodi
Investicije (000 KM) Dodatne aktivnosti (000 KM)
7,1 62
8,3 66
10,7 74
9,4 74
12,6 82
11,1 76
10,3 72
13,1 79
9,6 68
12,4 74
29
145
Šta poreski inspektor može zaključiti?

Rješenje.
Mjerenja su vezana za iste kompanije te su u pitanju zavisni uzorci. Koristimo Kendallov
koeficijent korelacije ranga da ispitamo da li postoji veza.
Dodatne Broj Broj

Investicije
aktivnosti Rang X Rang Y pozitivnih negativnih
(000 KM)
(000 KM) skorova skorova
7,1 62 1 1 9 0
8,3 66 2 2 8 0
10,7 74 6 6 5 0
9,4 74 3 6 3 2
12,6 82 9 10 4 1
11,1 76 7 8 3 1
10,3 72 5 4 3 1
13,1 79 10 9 2 0
9,6 68 4 3 1 0
12,4 74 8 6 0 0
ukupno 38 5
Izračunavamo empirijsku statistiku: Semp. =38-5=33.

Iz tabele u prilogu 10. za n=10 i grešku prve vrste 5% čitamo Steor. =21. Empirijska vrijednost
koeficijenta korelacije ranga je viša od granične, te stoga odbacujemo nultu hipotezu i
zaključujemo da je veza signifikantna.
SPSS procedura.
U opciji Analyze – Correlate - Bivariate biramo Kendall koeficijent korelacije.
146
Slika 4. 13. SPSS procedura za provođenje korelacione analize u primjeru 4. 6. 1.
Slika 4. 14. SPSS procedura za unos elemenata potrebnih za provođenje korelacione analize u
primjeru 4. 6. 1.
147
Tabela 4. 27. Korelaciona matrica u primjeru 4. 6. 1. – SPSS output
Correlations
dodatne
investicije
aktivnosti
Correlation
1,000 0,782**
Coefficient
investicije
Sig. (2-tailed) . 0,002
N 10 10
Kendall’s tau_b
Correlation
0,782** 1,000
Coefficient
dodatne aktivnosti
Sig. (2-tailed) 0,002 .
N 10 10
**. Correlation is significant at the 0. 01 level (2-tailed).
Kendallov koeficijent korelacije ranga iznosi 0,782. P vrijednost uz koeficijent korelacije

ranga iznosi 0,002 što je niže od 0,05 i stoga smatramo vezu između prihoda od investicija
i prihoda od dodatnih aktivnosti signifikantnom, jakom i direktnom.
148
5
Neparametarski
testovi za K
nezavisnih uzoraka
5 Neparametarski testovi za K nezavisnih uzoraka
5.1. Kruskal-Wallisov one way test
Kruskal-Wallisov one way (KW) test omogućava da provjerimo da li postoji statistički

značajna razlika između medijalnih vrijednosti više nezavisnih uzoraka koji predstavljaju
ciljne populacije ako distribucija analizirane pojave ne zadovoljava pretpostavku
„normalnosti“ ili su uzorci mali. To je prošireni test sume rangova ili poopštenje Mann–
Whitney-evog testa za k uzoraka. Predstavlja test analize varijanse, samo se umjesto
brojčanih mjernih podataka koriste rangovi. Rezultati se pretvaraju u rangove, pa se
porede srednji rangovi svake grupe. To je analiza različitih grupa, pa u svakoj grupi moraju
biti drugi ispitanici. Kruskal-Wallisov one way test rezultira hi-kvadrat empirijskom
vrijednošću. P-vrijednost uz odgovarajuće statističke testove se smatra statistički
značajnom ili signifikantnom ako je niža od 0,05. U tom slučaju se prihvata hipoteza da se
populacije iz kojih su uzeti posmatrani uzorci ili grupe statistički značajno razlikuju. Ovaj
test je neparametarska alternativa jednofaktorskoj analizi varijanse različitih grupa. Uslov
za njegovu primjenu je da varijabla koja je predmet analize bude makar na ordinalnom
nivou mjerenja. Populacije iz kojih se uzimaju uzorci trebaju biti jednako distribuirane i
mogu se razlikovati samo prema položaju medijana.30
Hipoteze Kruskal-Wallisov one way testa definišemo na sljedeći način:
H0: ne postoji signifikantna razlika između medijalnih vrijednosti više od dvije populacije
(uzorci su uzeti iz iste populacije)/ H1: postoji signifikantna razlika između medijalnih
vrijednosti više od dvije populacije (uzorci nisu uzeti iz iste populacije)
Postupak provođenja testa je sljedeći:
1. Svi se rezultati rangiraju, i to tako da najniži rezultat dobije rang 1.

2. Izračunamo sume rangova u svakom uzorku (Ti), pri čemu broj podataka u svakom
uzorku označavamo sa Ni.
3. Izračunamo vrijednost za izraz H prema sljedećoj formuli:
a Ni k 3 $ (N 1)
12 / Ti2 - +
Hemp. = $
N $ (N + 1)
30
Bahovec, V., Erjavec, N., at al. (2015). Statistika, Sveučilište u Zagrebu, Element, Zagreb, str. 393
151
4. Ako su uzorci dovoljno veliki31, H vrijednost ima hi-kvadrat distribuciju, pa zato

možemo značajnost čitati iz tablice za hi-kvadrat distribuciju uz (k-1) stepeni
slobode (k je broj grupa ili uzoraka).
5. Ako imamo veći broj zajedničkih rangova, a H je nešto ispod granice značajnosti
moguće je upotrijebiti drugu, korigiranu, formulu za izračunavanje vrijednosti
izraza H:
a Ni k 3 $ (N 1)
12 Ti2 -
N $ (N + 1)
$ / +
Hemp. =
1-
/ Ti
N $ (N 2 - 1)
Taj će postupak nešto povećati vrijednost izraza H.
Primjer 5. 1. 1.
Podaci o broju dana bolovanja zaposlenika preduzeća X u 2015. godini zadani su u tabeli
5. 1. Analizirane su tri grupe zaposlenika: mlađa dob (20 – 30 god.), srednja dob (30 – 50
god.) i starija dob (50 – 60 god.).
Tabela 5. 1. Podaci o broju dana bolovanja zaposlenika preduzeća X u 2015. godini
Mlađa dobna skupina Srednja dobna skupina Starija dobna skupina
2 7 25
5 9 30
10 0 0
0 0 0
0 15 0
7 8 3
15 10 2
8 0 2
9 15 0
31
Smatra se da su uzorci dovoljno veliki ako svaki uzorak sadrži više od 5 rezultata.
152
8 5 30
4 2 0
5 7 5
0 5 0
7 8 2
Postoji li statistički značajna razlika u broju dana bolovanja između tri posmatrane dobne
skupine, tj. utiče li značajno dob zaposlenika na broj dana bolovanja?
Rješenje.
Rezultati Shapiro-Wilk testa „normalnosti“ i prateće p vrijednosti su prezentirane u
narednoj tabeli.
Tabela 5. 2. Rezultati Shapiro–Wilk testa „normalnosti“ kod posmatranih uzoraka iz tri dobne
skupine u primjeru 5. 1. 1. – SPSS output
Tests of Normality
uzorak Statistic df Sig. Statistic df Sig.
Mladja dobna
dani bolovanja 0,120 14 0,200* 0,941 14 0,429
skupina
Srednja dobna
dani bolovanja 0,119 14 0,200* 0,922 14 0,236
skupina
Starija dobna
dani bolovanja 0,356 14 0,000 0,625 14 0,000
skupina

153
Empirijska distribucija kod uzorka starije dobne skupine je asimetrična i ima outliere,
a p vrijednost Shapiro-Wilk testa je manja od 0,05 te zaključujemo da pretpostavka
„normalnosti“ nije zadovoljena. Uzorci su nezavisni, imamo tri uzorka i stoga
primjenjujemo Kruskal-Wallisov one way test.
Rangiramo sve rezultate (rang je uz svaki rezultat označen u zagradi) i izračunamo sume
rangova u svakom uzorku (posljednji red u tabeli 5. 3.).
154
2 (15) 7 (26,5) 25 (39)

5 (22) 9 (33,5) 30 (41,5)
10 (35,5) 0 (6,5) 0 (6,5)
0 (6,5) 0 (6,5) 0 (6,5)
0 (6,5) 15 (38) 0 (6,5)
7 (26,5) 8 (30,5) 3 (18)
15 (38) 10 (35,5) 2 (15)
8 (30,5) 0 (6,5) 2 (15)
9 (33,5) 15 (38) 0 (6,5)
8 (30,5) 5 (22) 30 (41,5)
4 (19) 2 (15) 0 (6,5)
5 (22) 7 (26,5) 5 (22)
0 (6,5) 5 (22) 0 (6,5)
7 (26,5) 8 (30,5) 2 (15)
318,5 227,5 239,5
Onda je: / a N k = 14
T i
2
318, 5 2
+ 227, 5 + 239, 5 = 15039, 91 i možemo izračunati empirijsku
2 2
i 14 14
vrijednost H statistike:
a Ni k 3 $ (N 1)
12 Ti2 - 12
N $ (N + 1)
$ / +
42 $ (42 + 1)
$ 15039, 91 - 3 $ (42 + 1)
Hemp. = = = 2, 938
/ Ti - 785, 5
42 $ ^42 - 1h
1- 1 2
N $ (N 2 - 1)
Hi-kvadrat teorijska vrijednost za (k-1)=2 stepeni slobode i grešku prve vrste 5% iznosi 6
(prilog 4.). Empirijska vrijednost je niža od teorijske vrijednosti te slijedi zaključak da ne
možemo odbaciti nultu hipotezu to jeste da se uzorci statistički značajno ne razlikuju, ili
da pripadaju istoj populaciji.
SPSS procedura.
155
Slika 5. 1. SPSS procedura za provođenje Kruskal-Wallisov one way testa u primjeru 5. 1. 1.
Slika 5. 2. SPSS procedura za unos elemenata potrebnih za provođenje Kruskal-Wallisov one way
testa u primjeru 5. 1. 1.
156
Tabela 5. 4. Rezultati Kruskal-Wallisov one way testa u primjeru 5. 1. 1. – SPSS output
Ranks
uzorak N Mean Rank
dani bolovanja 1,00 14 22,75
2,00 14 24,11
3,00 14 17,64
Total 42
Test Statisticsa, b
dani bolovanja
Chi - Square 2,225
df 2
Asymp. Sig. 0,329
a. Kruskal Wallis Test
b. Grouping Variable: uzorak
P vrijednost KW testa (0,329) je viša od 0,05, te ne odbacujemo nultu hipotezu i

zaključujemo da dob zaposlenika ne utiče značajno na broj dana bolovanja.
5.2. Test medijane

Test medijane je neparametarski test koji provjerava nultu hipotezu da se medijane
pojedinačnih grupa (grupe su definisane prema nivoima nezavisne varijable, to jeste
varijable koja služi za klasifikaciju) ne razlikuju od njihove zajedničke medijane. Drugim
riječima, testiramo da li više nezavisnih populacija iz kojih su uzorci uzeti imaju istu
medijanu.
Hipoteze testa medijane (kao i kod Kruskal-Wallisov one way testa) definišemo kao:
(uzorci su uzeti iz iste populacije) / H1: postoji signifikantna razlika između medijalnih
vrijednosti više od dvije populacije (uzorci nisu uzeti iz iste populacije)
157
Procedura provođenja testa medijane je sljedeća:

1. Imamo k nezavisnih uzoraka.
2. Sve podatke (nevezano kojem uzorku pripadaju) uredimo u rastući niz.
3. Odredimo medijanu svih rezultata – zajedničku medijanu.
4. Podacima koji su iznad zajedničke medijane damo znak „+” a podacima koji su
jednaki zajedničkoj medijani ili su ispod zajedničke medijane znak „-“.
5. Rezultati se nakon toga uvrste u kontigencijsku tablicu reda 2 x k (k je broj uzoraka).
Tabela 5. 5. Kontigencijska tablica za test medijane
uzorak 1 2 3 … k
+
-
6. Primjenimo hi-kvadrat test.
Primjer 5. 2. 1.
Da bi se ispitao uticaj vrste hrane na prirast težine peradi, uzete su četiri hranljive smjese
A, B, C i D. Smjesom A je hranjeno 11 kokoši, smjesom B je hranjeno 13 kokoši, smjesom
C je hranjeno 12 kokoši i smjesom D je hranjeno 10 kokoši.
Nakon mjesec dana, izmjerena je težina kokoši i izračunat je prirast (u %).
Tabela 5. 6. Podaci o prinosu prema vrsti hrane
A 8 B 10 C 16 D 18
A 12 B 15 C 16 D 42
A 13 B 19 C 17 D 49
A 14 B 25 C 21 D 54
A 20 B 30 C 29 D 59
A 21 B 38 C 33 D 60
A 25 B 40 C 44 D 62
A 37 B 45 C 45 D 64
A 43 B 47 C 46 D 65
A 45 B 48 C 53 D 67
A 52 B 51 C 62
B 54 C 66
B 55
Utiče li vrsta hrane na prirast težine? (α = 0,05)
158
Rješenje.
Radimo sa četiri nezavisna uzorka. Shapiro–Wilk testom provjerićemo pretpostavku
„normalnosti“.

1. – SPSS output
Tests of Normality
uzorak (1-A,2-B,3-C,4-D)
1,00 prirast težine 0,183 11 0,200 0,904 11 0,208
2,00 prirast težine 0,167 13 0,200 0,917 13 0,230
3,00 prirast težine 0,152 12 0,200 0,916 12 0,258
4,00 prirast težine 0,232 10 0,136 0,805 10 0,017
Grafikon 5. 2. Box-plot dijagrami za nezavisne uzorke u primjeru 5. 2. 1. – SPSS output
159
Uzorak D ne zadovoljava pretpostavku „normalnosti” i ima outlera. Kako bi provjerili

da li vrsta hrane utiče na prirast težine to jeste da li se prirast težine statistički značajno
razlikuje u grupama koje dobijaju različite vrste hrane koristićemo test medijane. Uredimo
podatke ne vodeći računa o uzorku kojem pripadaju.
uzorak prirast težine uzorak prirast težine

A 8 A 43
B 10 C 44
A 12 A 45
A 13 B 45
A 14 C 45
B 15 C 46
C 16 B 47
C 16 B 48
C 17 D 49
D 18 B 51
B 19 A 52
A 20 C 53
A 21 B 54
C 21 D 54
A 25 B 55
B 25 D 59
C 29 D 60
B 30 C 62
C 33 D 62
A 37 D 64
B 38 D 65
B 40 C 66
D 42 D 67
160
Obzirom da je ukupan broj podataka paran (46) medijana se nalazi između 23. i 24.
podatka u rastućem nizu i iznosi 42,5.
Tabela 5. 9. Radna tabela za utvrđivanje znaka za primjer 5. 2. 1.
uzorak prirast težine znak uzorak prirast težine znak
A 8 - A 43 +
B 10 - C 44 +
A 12 - A 45 +
A 13 - B 45 +
A 14 - C 45 +
B 15 - C 46 +
C 16 - B 47 +
C 16 - B 48 +
C 17 - D 49 +
D 18 - B 51 +
B 19 - A 52 +
A 20 - C 53 +
A 21 - B 54 +
C 21 - D 54 +
A 25 - B 55 +
B 25 - D 59 +
C 29 - D 60 +
B 30 - C 62 +
C 33 - D 62 +
A 37 - D 64 +
B 38 - D 65 +
B 40 - C 66 +
D 42 - D 67 +
161
Sada možemo formirati kontigencijsku tablicu u tabeli 5. 10.
Tabela 5. 10. Kontigencijska tablica za primjer 5. 2. 1.
uzorak 1 2 3 4 ukupno
+ 3 6 6 8 23
- 8 7 6 2 23
ukupno 11 13 12 10 46
Očekivane frekvencije za svaku ćeliju u kontigencijskoj tablici iznose u ovom slučaju

polovinu broja slučajeva u toj grupi32. Dalje primjenjujemo hi-kvadrat metodologiju u
tabeli 5. 11.
Tabela 5. 11. Hi-kvadrat metodologija na bazi kontigencijske tablice za primjer 5. 2. 1.
f k, emp. f k, teor. < F
fk,teor.
3 5,5 1,14
8 5,5 1,14
6 6,5 0,04
7 6,5 0,04
6 6 0,00
6 6 0,00
8 5 1,80
2 5 1,80
ukupno 46 5,95
Broj stepeni slobode je (2-1)∙(k-1)=(2-1)∙(4-1)=3 i prema tome granična vrijednost hi-

kvadrata iznosi 8 (prilog 4.). Empirijska vrijednost hi-kvadrat statistike iznosi 5,95 i
niža je od granične vrijednosti, što znači da ne odbacujemo nultu hipotezu prema kojoj
uzorci pripadaju populaciji sa istom medijanom i da zaključujemo kako se prirast težine
statistički značajno ne razlikuje u grupama.
32
Ali ako je medijana jedan od rezultata (ako je ukupan broj podataka neparan), onda obje desne sume u tablici nisu jednaki
brojevi, pa očekivane frekvencije treba izračunati prema standardnom postupku. Očekivana frekvencija svake ćelije je
suma reda puta suma stupca, podijeljeno ukupnom sumom frekvencija.
162
SPSS procedura.
U SPSS bazi podataka imamo podatke raspoređene u dvije kolone: prva kolona označava o
kojem uzorku je riječ a u drugoj koloni je podatak o prirastu težine. U opciji Nonparametric
tests biramo testove za više od dva nezavisna uzorka i u okviru njih Median test.
Slika 5. 3. SPSS procedura za provođenje testa medijane u primjeru 5. 2. 1.
Slika 5. 4. SPSS procedura za unos elemenata potrebnih za provođenje testa medijane u primjeru 5. 2. 1.
163
Tabela 5. 12. Rezultati testa medijane u primjeru 5. 2. 1. – SPSS output
Frequencies
uzorak (1-A,2-B,3-C)
1,00 2,00 3,00 4,00
prirast težine > Median 3 6 6 8
<= Median 8 7 6 2
Test Statisticsb
prirast težine
N 46
Median 42,5000
Chi-Square 5,950a
df 3
Asymp. Sig. 0,114
b. Grouping Variable: uzorak (1-A, 2-B, 3-C)
P vrijednost testa medijane (0,114>0,05) pokazuje da ne možemo odbaciti nultu hipotezu

i zaključujemo kako vrsta hrane ne utiče signifikantno na prirast težine.
5.3. Janckheere-Terpstra test

Kao i Kruskal-Wallisov one way test i test medijane, Janckheere–Terpstra test33 omogućava
da provjerimo da li postoji statistički značajna razlika između medijalnih vrijednosti
više nezavisnih uzoraka koji predstavljaju ciljne populacije ako distribucija analizirane
pojave ne zadovoljava pretpostavku „normalnosti“ ili su uzorci veoma mali. Specifičnost
Janckheere–Terpstra testa je što podrazumjeva a priori uređen redoslijed populacija iz
kojih se uzorci uzimaju34. Upravo iz tog razloga je Janckheere–Terpstra test jednosmjerni
test, pri čemu u alternativnoj hipotezi preciziramo redosljed.
33
Jonckheere trend test
34
http://support. sas. com/documentation/cdl/en/procstat/63963/HTML/default/viewer. htm#procstat_freq_a0000000567.
htm, pristup 09. 12. 2014.
164
Hipoteze Janckheere–Terpstra testa možemo definisati na sljedeći način:

(uzorci su uzeti iz iste populacije), / H1: postoji signifikantna
razlika između medijalnih vrijednosti više od dvije populacije (uzorci nisu uzeti iz iste
populacije) (pri čemu makar jedna od nejednakosti mora biti
striktna).
Procedura direktnog izračunavanja Semp. empirijske statistike glasi:
1. Unutar svakog uzorka podaci se urede u rastući niz.

2. Za svaki podatak se odredi koliko podataka u uzorcima sa desne strane je veće od
tog podatka i na taj način se dobije veličina P. U slučaju istih vrijednosti umjesto 1
broji se 0,5.
3. Za svaki podatak se odredi koliko podataka u uzorcima sa desne strane je manje od
tog podatka i na taj način se dobije veličina Q. U slučaju istih vrijednosti umjesto 1
broji se 0,5.
4. Empirijska statistika Semp. = P- Q.
Prilikom aproksimacije normalnom distribucijom Janckheere–Terpstra empirijsku

statistiku izračunavamo po modelu:
pri čemu je PXY broj podataka u uzorku y koji su veći od svakog podatka u uzorku x.
Primjer 5. 3. 1.35
Učesnici eksperimenta su na slučaj podijeljeni u tri grupe. Svima je prikazan isti snimak
sudara dva automobila. Učesnicima prve grupe je postavljeno sljedeće pitanje: „Procijenite
brzinu kretanja vozila u trenutku kada su se sudarili.“ Učesnicima druge grupe je
postavljeno pitanje: „Procijenite brzinu kretanja vozila u trenutku kada su naletjeli jedno
na drugo.“ Učesnicima druge grupe je postavljeno pitanje: „Procijenite brzinu kretanja
35
Prema: Loftus, E. F., Palmer, J. C. (1974). Reconstruction of automobile destruction: An example of the interaction
between language and memory. Journal of Verbal Learning and Verbal Behavior, 13, str. 585-589.
165
vozila u trenutku kada su se zabili jedno u drugo.“ Očekuje se da će vrsta glagola koji se
upotrijebljen u pitanju uticati na procjenu brzine u kontekstu da energičniji glagol znači
višu brzinu. Rezultati su prikazani u sljedećoj tabeli.
Tabela 5. 13. Podaci o procjenjenoj brzini kretanja
Sudarili Naletjeli jedno na drugo Zabili se jedno u drugo

14 12 27
12 20 25
10 18 20
16 22 30
Da li na osnovu rezultata eksperimenta možemo zaključiti da će vrsta glagola koji je

upotrijebljen u pitanju uticati na procjenu brzine?
Rješenje.
U pitanju su izuzetno mali uzorci (n=4) i stoga odmah biramo neparametarsku varijantu
testa. Upravo iz razloga što se tačno očekuje koja riječ će izazvati višu procjenu bitan je
redosljed populacija i kao odgovarajući biramo Janckheere–Terpstra test.
Po proceduri unutar svakog uzorka podaci se urede u rastući niz i odredimo medijanu.
Tabela 5. 14. Radna tabela za određivanje medijana za primjer 5. 3. 1.
Sudarili Nalatjeli jedno na drugo Zabili se jedno u drugo

10 12 20
12 18 25
14 20 27
16 22 30
Me = 13 Me = 19 Me = 26
Za svaki podatak se odredi koliko podataka u uzorcima sa desne strane je veće od tog
podatka i na taj način se dobije veličina P.
P = 8 + 7 + 7 + 7 + 4 + 4 + 3,5 + 3 = 43,5
166
Za svaki podatak se odredi koliko podataka u uzorcima sa desne strane je manje od tog
podatka i na taj način se dobije veličina Q.
Q = 0 + 0 + 1 + 1 + 0 + 0 + 0,5 + 1 = 3,5
Onda je: S = P - Q = 43,5– 3,5 = 40
Kroz aproksimaciju dobijamo:
Za grešku prve vrste 5% jednosmjerno granična z vrijednost iznosi 1,65. Empirijska

statistika je veća od granične vrijednosti što znači da odbacujemo nultu hipotezu i
zaključujemo da će vrsta glagola koji je upotrijebljen u pitanju uticati na procjenu brzine.
SPSS procedura:
U SPSS bazi podataka imamo podatke raspoređene u dvije kolone: prva kolona označava
o kojem uzorku je riječ a u drugoj koloni je podatak o procjenjenoj brzini. U opciji
Nonparametric tests biramo testove za više od dva nezavisna uzorka i u okviru njih
Janckheere–Terpstra test.
Slika 5. 5. SPSS procedura za provođenje Janckheere–Terpstra testa u primjeru 5. 3. 1.
167
Slika 5. 6. SPSS procedura za unos elemenata potrebnih za provođenje Janckheere–Terpstra testa

u primjeru 5. 3. 1.
Tabela 5. 15. Rezultati Janckheere–Terpstra testa u primjeru 5. 3. 1. – SPSS output
Jonckheere-Terpstra Testa
brzina
Number of Levels in grupa 3
N 12
Observed J-T Statistic 44,000
Mean J-T Statistic 24,000
Std. Deviation of J-T Statistic 6,805
Std. J-T Statistic 2,939
a. Grouping Variable: grupa
P vrijednost Janckheere–Terpstra testa (0,003<0,05) pokazuje da možemo odbaciti nultu

i prihvatiti alternativnu hipotezu i zbog toga zaključujemo da će vrsta glagola koji je
upotrijebljen u pitanju uticati na procjenu brzine u kontekstu da energičniji glagol znači
višu brzinu.
168
6
Neparametarski
testovi za K
zavisnih uzoraka
6 Neparametarski testovi za K zavisnih uzoraka
6.1. Friedman test
Friedmanovim testom možemo provjeriti da li između tri ili više setova podataka, koji
se odnose na ponovljena mjerenja i zavisne uzorke za varijablu kod koje je predhodno
odgovarajućim statističkim testom dokazano da ne zadovoljava osobinu „normalnosti“,
postoji statistički signifikantna razlika. To je test „dvostruke analize varijanse rangova“.
Koristi se ako na istoj grupi ispitanika vršimo mjerenje u različitim periodima ili okolnostima
i rezultati dobiveni u svakom od tih perioda ili okolnosti su u korelaciji sa ostalim
rezultatima. Friedmanov test rezultira hi-kvadrat empirijskom vrijednošću. P-vrijednost
uz odgovarajuće statističke testove se smatra statistički značajnom ili signifikantnom ako
je niža od zadanog nivoa greške prve vrste. U tom slučaju se prihvata hipoteza da se stanja
populacije iz kojih su uzeti uzorci ili grupe statistički značajno razlikuju.
Hipoteze Friedmanovog testa se formulišu na sljedeći način:
H0: ne postoji signifikantna razlika između medijalnih vrijednosti više od dva uzorka koji
predstavljaju ciljnu populaciju u različitim periodima ili različitim okolnostima i zavisni
su (uzorci pripadaju istoj populaciji) / H1: postoji signifikantna razlika između medijalnih
vrijednosti više od dva uzorka koji predstavljaju ciljnu populaciju u različitim periodima
ili različitim okolnostima i zavisni su (uzorci ne pripadaju istoj populaciji)
Postupak Friedmanova testa je sljedeći:
1. Rezultati se najprije razvrstavaju u tablicu sa N redova i k kolona. Redovi
odgovaraju pojedinim ispitanicima (ili grupama ispitanika). Kolone predstavljaju
eksperimentalne uslove (različite periode, različite okolnosti ili zavisne uzorke).
2. Rezultati u svakom redu (dakle za svakog ispitanika posebno) pretvore se u rangove
tako da najviši rezultat dobije rang 1. U slučaju jednakih rezultata, dobivamo
naravno zajedničke rangove, ali to ne utiče na vrijednost testa.
3. Rangovi se u svakoj koloni (eksperimentalnoj situaciji) zbroje (Ti).
4. Kada ne bi bilo razlika u rezultatima među uzorcima iz različitih eksperimentalnih
uslova (tj. kad bi svi uzorci bili iz iste populacije), sume rangova težile bi sličnim
vrijednostima.
5. Ako se te sume značajno razlikuju, možemo odbaciti nultu hipotezu.
6. Da bismo izmjerili relativnu veličinu tih razlika, saberemo kvadrirane sume rangova
(suma rangova = Ti), i nakon toga izračunavamo hi-kvadrat empirijsku vrijednost:
$ _ / Ti2 i - 3 $ N $ (k + 1)
12
. =
2
|emp
N $ k $ (k + 1)
171
7. Ako je broj ispitanika (N) i broj eksperimentalnih uslova dovoljno veliki, dobijeni
izraz ima približno jednaku distribuciju kao i hi-kvadrat sa (k - 1) stepena slobode
(prilog 4.).
Friedmanov test koji koristi samo rangove, a ne stvarne to jeste orginalne izmjerene
vrijednosti posjeduje vrlo sličnu snagu statističkog testa kao i njegov parametarski suplement
analiza varijanse zavisnih uzoraka. U tom kontekstu sagledavanja i komparacije snage
Friedmanovog testa i parametarskog F testa prezentiramo rezultate 56 nezavisnih analiza,
kod kojih je Friedman uporedio značajnost dobivenu F testom i Friedmanovim testom.
Kod 45 od 56 analiza (80%) oba testa dala su istu statističku značajnost (p vrijednost).36
Primjer 6. 1. 1.
Provedeno je istraživanje sa ciljem da se utvrdi kako na radni učinak utiče više odmora
i da li je u toku rada racionalnije uzeti jedan duži odmor ili više kraćih odmora. Mjeren
je ukupan radni učinak kod rada od 4 minute bez odmora (eksperimentalna situacija
„a“), kod rada od ukupno 3 minute s jednim odmorom od 60 sekundi u sredini rada
(eksperimentalna situacija „b“), kod rada od ukupno 3 minute sa 2 odmora od po 30
sekundi u toku rada (eksperimentalna situacija „c“) i kod rada od ukupno 3 minute sa
3 odmora od po 20 sekundi (eksperimentalna situacija „d“). Na uzorku od ukupno 11
ispitanika dobili smo rezultate prezentirane u tabeli 6. 1.
Tabela 6. 1. Radni učinak za 11 ispitanika u različitim eksperimentalnim situacijama
Ispitanici a b c d
1 991 1157 1232 1217
2 1139 1055 1057 1256
3 762 775 931 778
4 1074 1121 1220 1260
5 544 596 655 691
6 765 728 840 700
7 904 839 746 774
8 862 916 881 1257
9 725 886 925 1089
10 1079 894 1130 1009
11 833 844 890 1063
Da li dužina i struktura odmora utiče na radni učinak?
36
http://zaf. biol. pmf. unizg. hr/behaviour/Neparametrijski%20%20testovi. pdf, pristup 13. 12. 2014.
172
Rješenje.

1. – SPSS output
Tests of Normality
situacija
A 0,132 11 0,200* 0,963 11 0,808
B 0,170 11 0,200* 0,963 11 0,811
C 0,188 11 0,200 *
0,952 11 0,666
D 0,202 11 0,200* 0,853 11 0,047
Kod rezultata Shapiro-Wilk testa „normalnosti“ p vrijednost za eksperimentalnu situaciju

„d“ je niža od 0,05. Stoga pretpostavka „normalnosti“ nije zadovoljena, uzorci su zavisni
i imamo četiri uzorka, te primjenjujemo Friedman test. Rezultat za svakog ispitanika (za
svaki red posebno) pretvara se u rangove (rang je uz svaki rezultat označen u zagradi) i
odredimo sume rangova po kolonama (posljednji red u tabeli 6. 3.).
Tabela 6. 3. Radna tabela sa određivanjem rangova za primjer 6. 1. 1.
Ispitanici a b c d
1 991 (4) 1157 (3) 1232 (1) 1217 (2)
2 1139 (2) 1055 (4) 1057 (3) 1256 (1)
3 762 (4) 775 (3) 931 (1) 778 (2)
4 1074 (4) 1121 (3) 1220 (2) 1260 (1)
5 544 (4) 596 (3) 655 (2) 691 (1)
6 765 (2) 728 (3) 840 (1) 700 (4)
7 904 (1) 839 (2) 746 (4) 774 (3)
8 862 (4) 916 (2) 881 (3) 1257 (1)
9 725 (4) 886 (3) 925 (2) 1089 (1)
10 1079 (2) 894 (4) 1130 (1) 1009 (3)
11 833 (3) 844 (3) 890 (2) 1063 (1)
Ti 35 33 22 20
173
Izračunamo zbir kvadriranih suma rangova _ / Ti2 i = 35 2 + 33 2 + 22 2 + 20 2 = 3198 i na

osnovu toga odredimo empirijsku vrijednost hi-kvadrat statistike:
$ _ / Ti2 i - 3 $ N $ (k + 1) = 11 $ 4 $ 5 $ 3198 - 3 $ 11 $ 5 = 9, 44
12 12
|e2 =
N $ k $ (k + 1)
Uz (k - 1) = 3 stepeni slobode i grešku prve vrste 5%, teorijska vrijednost hi-kvadrata

iznosi 8. Kako je empirijska vrijednost hi-kvadrat statistike viša od tablične vrijednosti
(9,44>8) zaključujemo da odbacujemo nultu i prihvatamo alternativnu hipotezu da uzorci
ne pripadaju istoj populaciji, i da se zato statistički značajno razlikuju.
SPSS procedura.
U SPSS bazi podataka jedna kolona predstavlja uzorak za datu eksperimentalnu situaciju.
U neparametarskim testovima biramo opciju K Related Samples i Friedman test.
Slika 6. 1. SPSS procedura za provođenje Friedman testa u primjeru 6. 1. 1.
174
Slika 6. 2. SPSS procedura za unos elemenata potrebnih za provođenje Friedman testa u primjeru
6. 1. 1.
Tabela 6. 4. Rezultati Friedman testa u primjeru 6. 1. 1. – SPSS output
Ranks
Mean Rank
a 1,82
b 2,00
c 3,00
d 3,18
Test Statisticsa
N 11
Chi - Square 9,436
df 3
Asymp. Sig. 0,024
a. Friedman Test
175
P vrijednost Friedman testa je niža od 0,05, te stoga sa greškom prve vrste 5% odbacujemo
nultu i prihvatamo alternativnu hipotezu da uzorci ne pripadaju istoj populaciji, i da se
zato posmatrane populacije statistički značajno razlikuju. Dobijeni rezultat ukazuje na
zaključak da dužina i struktura odmora utiče na radni učinak, na taj način da više kratkih
odmora povećava radni učinak.
6.2. Kendall’s W test

Ukoliko imamo više od dva zavisna (uparena) uzorka i želimo analizirati da li među njima
postoji slaganje to jeste međuzavisnost izračunavamo Kendallov W koeficijent (Kendall’s
W coefficient of concordance)37. Obzirom da mora postojati mogućnost uspostavljanja
poretka to jeste pridruživanja ranga mjerna skala analizirane varijable mora biti ordinalna
ili numerička. Kada su n subjekata rangirani od strane k ocjenjivača pomoću ovog testa
analiziramo slaganje njihovih ocjena to jeste stavova ili mišljenja.
Vrijednost W koeficijenta kreće se u intervalu od 0 (nema slaganja) do 1 (potpuno
slaganje). Izračunava se po sljedećim modelima:
ili
pri čemu je je rangi-tog objekta od strane k-tog ocjenjivača.

U slučaju prisustva outliera uključuje se korekcija gdje je t broj outliera, pa je:
ili
37
Kendall, M. G., Babington Smith, B. (1939). The Problem of m Rankings, The Annals of Mathematical Statistics 10 (3), str.
275–287.
176
Koeficijent W nije koeficijent korelacije, međutim može se provesti linearna transformacija

koeficijenta W u cilju dobijanja korelacionog koeficijenta38:
Hipoteze testa za Kendall’s W koeficijent se formulišu na sljedeći način:

H0: ne postoji slaganje (W=0) / H1: postoji slaganje (W≠0)39
Određuje se granična vrijednost to jeste teorijska statistika testa za Kendallov W koeficijent.
Ukoliko je empirijska vrijednost veća od granične vrijednosti odbacujemo nultu hipotezu
i smatramo da je W≠0, to jeste da postoji signifikantno slaganje rangiranja od strane k
ocjenjivača.
Primjer 6. 2. 1.
Na takmičenju je učestvovalo šest plesnih parova. U komisiji za ocjenjivanje je devet
sudija. Njihove ocjene (od 1 do 6) prezentirane su u tabeli 6. 5.
Tabela 6. 5. Ocjene za šest plesnih parova
Sudija
Par 1 2 3 4 5 6 7 8 9
1 3 4 4 2 2 3 5 3 2
2 6 6 6 6 6 5 4 6 6
3 2 1 2 3 2 2 2 2 3
4 5 5 5 5 5 6 6 5 5
5 4 3 3 4 4 4 3 4 4
6 1 2 1 1 3 2 2 1 1
Da li su njihove ocjene usaglašene?

Rješenje.
Devet sudija ocjenjuje iste plesače, što znači da imamo zavisne uzorke. Za ocjenu
saglasnosti njihovih stavova koristimo Kendallov W koeficijent.
38
http://www. real-statistics. com/reliavility/kendalls-w/, pristupljeno 10. 12. 2014.
39
http://pqstat. com/?mod_f=Kendall_W, pristupljeno 10. 12. 2014.
177
Rangiramo ocjene svakog ocjenjivača posebno (tabela 6. 6.).
Tabela 6. 6. Radna tabela sa rangovima za primjer 6. 2. 1.
Par 1 2 3 4 5 6 zbir

1 3 6 2 5 4 1
2 4 6 1 5 3 2
3 4 6 2 5 3 1
4 2 6 3 5 4 1
Sudija
5 2 6 2 5 4 3
6 3 5 2 6 4 2
7 5 4 2 6 3 2
8 3 6 2 5 4 1
9 2 6 3 5 4 1
28 51 19 47 33 14
784 2601 361 2209 1089 196 7240
-3,5 19,5 -12,5 15,5 1,5 -17,5
12,25 380,25 156,25 240,25 2,25 306,25 1097,5
ili
178
Izračunaćemo prosječnu vrijednost W dobijenu primjenom prethodna dva modela: W =

0,84, što znači da imamo visok koeficijent slaganja. Preračunaćemo koeficijent korelacije:
Dobijeni rezultat ukazuje na jačinu veze 82%.

SPSS procedura.
U SPSS bazi podataka imamo kolonu za ocjene svakog para. U kategoriji neparametarskih
testova za više zavisnih uzoraka biramo Kendall’s W.
Slika 6. 3. SPSS procedura za provođenje Kendall’s W testa u primjeru 6. 2. 1.
179
Slika 6. 4. SPSS procedura za unos elemenata potrebnih za provođenje Kendall’s W testa u primjeru
6. 2. 1.
Tabela 6. 7. Rezultati Kendall’s W testa u primjeru 6. 2. 1. – SPSS output
Ranks
Mean Rank
par 1 3,06
par 2 5,67
par 3 1,94
par 4 5,22
par 5 3,67
par 6 1,44
Test Statistics
N 9
Kendall’s Wa 0,838
Chi-Square 37,724
df 5
Asymp. Sig. 0,000
a. Kendall’s Coefficient of Concordance
P vrijednost W statistike je 0,000 što znači da je ona signifikantna te zaključujemo da

postoji signifikantno slaganje rangiranja to jeste ocjenjivanja od strane 9 sudija.
180
6.3. Cochran’s Q test

Već smo prethodno istakli da Friedmanovim testom možemo provjeriti da li između tri ili
više setova podataka, koji se odnose na ponovljena mjerenja i zavisne uzorke za varijablu
kod koje je predhodno odgovarajućim testom dokazano da ne zadovoljava osobinu
„normalnosti“, postoji statistički signifikantna razlika. Ukoliko je varijabla sa kojom
radimo dihotomna onda je prikladno da koristimo Cochranov test. Ustvari ovim testom
provjeravamo da li postoji razlika između proporcija neke karakteristike u različitim
okolnostima.
Hipoteze Cochranovog testa se formulišu kao:
H0: ne postoji signifikantna razlika između proporcija neke karakteristike za više od dva
uzorka koji predstavljaju ciljnu populaciju u različitim periodima ili različitim okolnostima
i zavisni su (uzorci pripadaju istoj populaciji) / H1: postoji signifikantna razlika između
proporcija neke karakteristike za više od dva uzorka koji predstavljaju ciljnu populaciju
u različitim periodima ili različitim okolnostima i zavisni su (uzorci ne pripadaju istoj
populaciji)
Procedura primjene Cochranovog testa slijedi niz koraka:
1. Jednom ishodu damo vrijednost 1 (+) a drugom 0 (-) i formiramo tabelu u kojoj su
kolone različite okolnosti a redovi objekti ili ispitanici.
2. Odredimo sume za svaki uzorak (kolonu) - .
3. Odredimo sume za svaki objekat (red)- i te sume kvadriramo
, te onda za kolone gdje smo te sume izračunali i kvadrirali nađemo sume -
i .
4. Formula za empirijsku statistiku Cochranovog testa je:
5. Q statistika distribuira se približno kao i hi-kvadrat statistika, sa brojem stepeni

slobode (k-1), te prema tome iz tablice za hi-kvadrat distribuciju čitamo graničnu
vrijednost
181
6. Ako je dobijena empirijska statistika Q veća od teorijske vrijednosti možemo

odbaciti nultu hipotezu i zaključiti da postoji statistički signifikantna razlika između
proporcija analizirane karakteristike za više od dva uzorka koji predstavljaju ciljnu
populaciju u različitim periodima ili različitim okolnostima i zavisni su, to jeste da
uzorci ne pripadaju istoj populaciji.
Primjer 6. 3. 1.
15 studenata smjera menadžment polagalo je u junskom roku tri ispita. Evidentirali smo
da li je student položio (+) ili pao (-).
Tabela 6. 8. Prolaznost studenata
Ispiti
Menadžment ljudskih
Student Organizacija Strateški menadžment
rerursa
1 + + +
2 + - +
3 + + +
4 - - -
5 + + -
6 + + +
7 + + +
8 + + +
9 - + -
10 - - +
11 - - -
12 - + -
13 + + -
14 + - +
15 - - -
Postoji li razlika u proporciji uspješnosti polaganja tih ispita?
182
Rješenje.
Kako imamo iste studente na različitim ispitima riječ je o zavisnim uzorcima. Karakteristika
koju pratimo je „da li je student položio ispit” i riječ je o dihotomnoj varijabli. Unosimo 1
ako jeste i 0 ako nije, te izračunamo potrebne sume.
Tabela 6. 9. Radna tabela sa sumama potrebnim za izračunavanje Q statistike za primjer 6. 3. 1.
d / xi,j n
Menadžment k k 2
Student ljudskih Organizacija

Strateški
menadžment
/x i,j
rerursa j=1 j=1
1 1 1 1 3 9
2 1 0 1 2 4
3 1 1 1 3 9
4 0 0 0 0 0
5 1 1 0 2 4
6 1 1 1 3 9
7 1 1 1 3 9
8 1 1 1 3 9
9 0 1 0 1 1
10 0 0 1 1 1
11 0 0 0 0 0
12 0 1 0 1 1
13 1 1 0 2 4
14 1 0 1 2 4
15 0 0 0 0 0
- -
- =9
183
Izračunavamo empirijsku Q statistiku:
Iz tablice hi-kvadrat distribucije za grešku prve vrste 5% i dva stepena slobode pronalazimo
teorijsku vrijednost Q statistike i ona iznosi 6. Kako je empirijska vrijednost hi-kvadrat
statistike niža od tablične vrijednosti (0,2857>6) zaključujemo da ne možemo odbaciti
nultu i hipotezu da uzorci pripadaju istoj populaciji.
SPSS procedura.
U tri kolone unijeli smo rezultate za tri ispita. Biramo Cocran’s Q test u opciji
neparametarskih testova za više zavisnih uzoraka.
Slika 6. 5. SPSS procedura za provođenje Cocran’s Q testa u primjeru 6. 3. 1.
184
Slika 6. 6. SPSS procedura za unos elemenata potrebnih za provođenje Cocran’s Q testa u primjeru
6. 3. 1.
Tabela 6. 10. Rezultati Cocran’s Q testa u primjeru 6. 3. 1. – SPSS output
Frequencies
Value
0 1
HRM 6 9
Organizacija 6 9
Strateški menadžment 7 8
Test Statistics
N 15
Cochran’s Q 0,286a
df 2
Asymp. Sig. 0,867
a. 1 is treated as a success.
P vrijednost Cocran’s Q testa (0,867) je viša od 0,05, te stoga sa greškom prve vrste 5%
ne odbacujemo nultu hipotezu da uzorci pripadaju istoj populaciji. Dobijeni rezultat
ukazuje na zaključak da ne postoji statistički signifikantna razlika u proporciji uspješnosti
polaganja tih ispita.
185
Izvori
• Bahovec, V., Erjavec, N., at al. (2015). Statistika, Sveučilište u Zagrebu, Element,
Zagreb
• Ciechalski, J. C., Pinkney, J. W. & Weaver, F. S. (2002). A method for assessing change
in attitude: The McNemar Test. Poster presented at the Annual Meeting of the
American Educational Research Association, New Orleans
• Corder, G. W., Foreman, D. I. (2009). Nonparametric Statistics for Non-Statisticians:
A Step-by-Step Approach, Wiley, New Jersey
• Dumičić, K., Bahovec V., at al. (2011). Poslovna statistika, Sveučilište u Zagrebu,
Element, Zagreb
• Freund, J. E., Williams F. J., Perles, B. M. (1993). Elementary Business Statistics,
Prentice Hall, New Jersey
• Gopal, K. K. (2006). 100 Statistical Tests, Third edition, Sage publication, London
• Huynh V. N., Nakamori Y., Lawry J., Inuiguchi M. (2010). Integrated Uncertainty
Management and Applications, Springer Science & Business Media, New York
• International Encyclopedia of Statistics (Vols. 1 and 2) (Book). By: Press, S. James.
Journal of the American Statistical Association, march 1981, vol. 76 Issue 373, p2 06,
2p, (AN 4603133)
• Kraska-Miller, M. (2013). Nonparametric Statistics for Social and Behavioral Sciences,
CRC Press, New York
• Mann, S. (2009). Uvod u statistiku, (6. izdanje), Ekonomski fakultet u Beogradu,
Beograd
• Mendenhall,W., Reinmuth, J. (1982.). Statistics for Management and Ecomonics,
fourth Edition, Duxbury Press, Boston
• Petz, B. (2007.). Osnovne statističke metode za nematematičare (6. izdanje),
Sveučilišna naklada Slap, Zagreb
• Raič, A. (2005.). Uvod u metode istraživanja i statističku analizu, Ekonomski fakultet
u Beogradu, Beograd
• Resić, E., Delalić, A., Balavac, M., Abdić, A. (2010). Statistics in Economics and
Management, Ekonomski fakultet u Sarajevu, Sarajevo
187
• Resić, E. (2006). Zbirka zadataka iz statistike, Ekonomski fakultet u Sarajevu,
Sarajevo
• Soldić Aleksić, J. (2011). Primjenjena analiza podataka, Ekonomski fakultet u
Beogradu, Beograd
• Somun–Kapetanović, R. (2008). Statistika u ekonomiji i menadžmentu, Ekonomski
fakultet u Sarajevu, Sarajevo
• Sprent, P., Smeeton, N. C. (2007). Applied Nonparametric Statistical Methods, fourth
Edition, CRC Press, New York
• Žižić, M., Lovrić, M., Pavličić D. (2004). Osnovi statističke analize, Ekonomski
fakultet u Beogradu, Beograd
• Loftus, e. F., Palmer, J. C. (1974). Reconstruction of automobile destruction: An
example of the interaction between language and memory, Journal of Verbal Learning
and Verbal Behavior, 13, str. 585-589.
• Kendall, M. G., Babington Smith, B. (1939). The Problem of m Rankings, The Annals
of Mathematical Statistics 10 (3), str. 275–287.
• https://statistics. laerd. com/spss-tutorials/wilcoxon-signed-rank-test-using-spss-
statistics
• http://www.analystsoft.com/en/products/statplus/content/help/src/analysis_non
parametric_statistics_comparing_two_independent_samples_mann-whitney_
wilcoxon_rank_sum. html
• http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Nonpara
metrics/NonparametricAnalysis/Dialogs/StartupPanel/NonparametricsStatistics
StartupPanelWaldWolfowitzrunstest
• http://spssx-discussion.1045642.n5.nabble.com/Chi-square-and-Fisher-s-Exact-
Test-td1075915. html
• http://support.sas.com/documentation/cdl/en/statug/63033/HTML/default/
viewer.htm#statug_freq_a0000000648. htm
• http://www. itl. nist. gov/div898/handbook/eda/section3/eda35d. htm
• http://books.google.ba/books?id=w7jfuqtXaXIC&pg=PA201&lpg=PA201&dq= Ks
+test+for+comparing+two+populations&source=bl&ots=0C5F34f5OH&sig=Ti6
8oezHkZsGarZnDgf6O-Z1CyY&hl=bs&i=X3B0VKqxE6v9ygOeiIHgAQ&ved=0
CCYQ6AEwATgU#v=onepage&q=Ks%20test%20for%20comparing%20two%20
populations&f=false
188
• http://www.analystsoft.com/en/products/statplus/content/help/src/analysis_non
parametric_statistics_comparing_two_independent_samples_mann-whitney_
wilcoxon_rank_sum. html
• http://www.unistat.com/guide/nonparametric-tests-unpaired-samples
• http://www.csun.edu/sites/default/files/exact-tests19. pdf
• http://support.sas.com/documentation/cdl/en/procstat/63963/HTML/default/
viewer.htm#procstat_freq_a0000000567. htm
• http://www.ncbi.nlm.nih.gov/pmc/articles/PMC468904/
• http://dx.doi.org/10.1016/S0022-5371(74)80011-3
• http://www.real-statistics.com/reliavility/kendalls-w/
• http://pqstat.com/?mod_f=Kendall_W
• http://zaf.biol.pmf.unizg.hr/behaviour/Neparametrijski%20%20testovi. pdf
189
Popis tabela
Tabela 1. 1. Parametarski versus neparametarski testovi 13
Tabela 1. 2. Neparametarski testovi u SPSS programskom paketu 13
Tabela 2. 1. Struktura prodaje automobila prema boji 18
Tabela 2. 2. Prodaja automobila u tekućoj godini 19
Tabela 2. 3. Radna tabela za izračunavanje empirijske hi-kvadrat vrijednosti za primjer 2. 1. 1. 19
Tabela 2. 4. Rezultati hi-kvadrat testa u primjeru 2. 1. 1. – SPSS output 22
Tabela 2. 5. Kupovina kafe u uzorku za primjer 2. 1. 2. 23
Tabela 2. 6. Radna tabela za izračunavanje teorijskih frekvencija za primjer 2. 1. 2. 24
Tabela 2. 7. Radna tabela za izračunavanje hi-kvadrat empirijske vrijednosti za primjer 2. 1. 2. 24
Tabela 2. 9. Broj primljenih mailova od strane studenata 26
Tabela 2. 10. Radna tabela za izračunavanje hi-kvadrat empirijske vrijednosti za primjer 2. 1. 3. 27
Tabela 2. 12. Konstrukcija kontigencijske tablice 31
Tabela 2. 13. Kontigencijska tablica za primjer 2. 2. 1. 33
Tabela 2. 14. Rezultati hi-kvadrat testa nezavisnosti u primjeru 2. 2. 1. – SPSS output 36
Tabela 2. 15. Odgovori menadžera iz primjera 2. 2. 2. na pitanje o važnosti leadership-a 36
Tabela 2. 16. Rezultati hi-kvadrat testa nezavisnosti u primjeru 2. 2. 2. – SPSS output 41
Tabela 2. 17. Rezultati binomnog testa u primjeru 2. 3. 1. – SPSS output 46
Tabela 2. 18. Odstupanja od standarda u primjeru 2. 4. 1. 48
Tabela 2. 19. Rekodirani dihotomni niz za primjer 2. 4. 1. 50
Tabela 2. 20. Rezultati Runs testa u primjeru 2. 4. 1. – SPSS output 52
Tabela 2. 21. Rezultati Runs testa u primjeru 2. 4. 2. – SPSS output 54
Tabela 2. 22. Rezultati mjerenja iz primjera 2. 5. 1. 55
Tabela 2. 23. Radna tabela za izračunavanje razlika za primjer 2. 5. 1. 56
Tabela 2. 24. Rezultati KS testa u primjeru 2. 5. 1. – SPSS output 58
Tabela 2. 25. Podaci za varijablu X iz primjera 2. 5. 2. 58
Tabela 2. 26. Rezultati KS testa u primjeru 2. 5. 2. – SPSS output 61
Tabela 2. 27. Radna tabela za pridruživanje znaka za primjer 2. 6. 1. 63
Tabela 2. 28. Rezultati testa znaka za dva zavisna uzorka u primjeru 2. 6. 1. – SPSS output 65
Tabela 2. 29. Vreme reagovanja policije na hitne
pozive u užem centru grada, podaci iz istraživanja 65
Tabela 2. 30. Radna tabela za pridruživanje znaka za primjer 2. 6. 2. 66
Tabela 2. 31. Rezultati testa znaka za dva zavisna uzorka u primjeru 2. 6. 2. – SPSS output 68
Tabela 2. 32. Rezultati deskriptivnih statistika za varijablu
potrošnja papira za kopir aparat za primjer 2. 7. 1. 71
Tabela 2. 33. Radna tabela za rangiranje za primjer 2. 7. 1. 71
190
Tabela 2. 34. Rezultati Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 1. – SPSS output 73
Tabela 2. 35. Vrijeme obrta u uzorku od 32 drogerije 74
Tabela 2. 36. Rezultati deskriptivnih statistika za
varijablu vrijeme obrta u danima za primjer 2. 7. 2. 75
Tabela 2. 38. Rezultati Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 2. – SPSS output 78
Tabela 3. 1. Prosječni mjesečni troškovi za dva nezavisna uzorka 82
Tabela 3. 2. Rezultati Shapiro-Wilk testa „normalnosti“ u
uzorcima u primjeru 3. 1. 1. – SPSS output 85
Tabela 3. 3. Radna tabela za određivanje rangova za primjer 3. 1. 1. 86
Tabela 3. 4. Rezultati Mann-Whitney U testa u primjeru 3. 1. 1. – SPSS output 87
Tabela 3. 5. Podaci za 27 osiguravajućih društava iz BiH 88
Tabela 3. 6. Rezultati Shapiro–Wilk testa „normalnosti“
kod posmatranih uzoraka u primjeru 3. 1. 2. – SPSS output 89
Tabela 3. 7. Radna tabela za određivanje rangova za primjer 3. 1. 2. 90
Tabela 3. 8. Rezultati Mann–Whitney U testa u primjeru 3. 1. 2. – SPSS output 94
Tabela 3. 9. Podaci o iznosu koji su ispitanici iz
uzorka spremni platiti za večeru u luksuznom restoranu 96
Tabela 3. 11. Radna tabela sa numerički uređenim podacima za primjer 3. 2. 1. 98
Tabela 3. 12. Radna tabela sa podacima grupisanim u
intervale i određivanjem kumulanti za primjer 3. 2. 1. 98
Tabela 3. 13. Rezultati Kolmogorov-Smirnov z testa za
dva uzorka u primjeru 3. 2. 1. – SPSS output 100
Tabela 3. 14. Rezulati na ispitu iz predmeta Statistika u ekonomiji i menadžmentu 102
Tabela 3. 17. Rezultati Wald-Wolfowitz testa koraka u primjeru 3. 3. 1. – SPSS output 106
Tabela 3. 18. Rezultati na ispitu kod studenata iz grupa A i B 107
Tabela 3. 20. Radna tabela sa rangiranjem za primjer 3. 4. 1. 109
Tabela 3. 21. Rezultati Moses extreme reactions testa u primjeru 3. 4. 1. – SPSS output 111
Tabela 4. 1. Kontigencijska tablica za McNemar test 116
Tabela 4. 2. Podaci iz primjera 4. 1. 1. predstavljeni u kontigencijskoj tablici 116
Tabela 4. 3. Rezultati McNemar testa u primjeru 4. 1. 1. – SPSS output 118
Tabela 4. 4. Ocjene projekata 119
Tabela 4. 5. Rezultati Marginal homogeneity testa u primjeru 4. 2. 1. – SPSS output 121
191
Tabela 4. 6. Rezultati testa samopouzdanja prije i nakon kursa 123
Tabela 4. 7. Radna tabela za određivanje znaka razlike u primjeru 4. 3. 1. 123
Tabela 4. 8. Rezultati Sign testa u primjeru 4. 3. 1. – SPSS output 125
Tabela 4. 9. Sati bolovanja u periodu od dva mjeseca 126
Tabela 4. 10. Radna tabela za određivanje znaka razlike za primjer 4. 3. 2. 126
Tabela 4. 11. Rezultati Sign testa u primjeru 4. 3. 2. – SPSS output 128
Tabela 4. 12. Dnevna potražnja za “proizvodima” osiguravajućeg društva 131
Tabela 4. 14. Rezultati Shapiro–Wilk testa „normalnosti“ kod varijable
razlika između posmatranih uzoraka u primjeru 4. 4. 1. – SPSS output 132
Tabela 4. 16. Rezultati Wilcoxon test ranga sa znakom u primjeru 4. 4. 1. – SPSS output 134
Tabela 4. 17. Podaci o nivou holesterola u krvi iz dvije laboratorije 135
Tabela 4. 18. Rezultati Shapiro–Wilk testa „normalnosti“ kod
posmatranih uzoraka iz dvije laboratorije u primjeru 4. 4. 2. – SPSS output 136
Tabela 4. 19. Rezultati Shapiro–Wilk testa „normalnosti“ kod varijable razlika
između posmatranih zavisnih uzoraka u primjeru 4. 4. 2. – SPSS output 137
Tabela 4. 21. Rezultati Wilcoxon test ranga sa znakom u primjeru 4. 4. 2. – SPSS output 140
Tabela 4. 22. Rezultati (poredak) na testovima iz
Matematike i Fizike iz uzorka učenika osnovne škole 141
Tabela 4. 23. Radna tabela za rangiranje i određivanje razlike rangova za primjer 4. 4. 2. 142
Tabela 4. 24. Korelaciona matrica u primjeru 4. 5. 1. – SPSS output 144
Tabela 4. 25. Podaci o prihodima od investicija i od dodatnih aktivnosti 145
Tabela 4. 27. Korelaciona matrica u primjeru 4. 6. 1. – SPSS output 148
Tabela 5. 1. Podaci o broju dana bolovanja zaposlenika preduzeća X u 2015. godini 152
Tabela 5. 2. Rezultati Shapiro–Wilk testa „normalnosti“ kod
posmatranih uzoraka iz tri dobne skupine u primjeru 5. 1. 1. – SPSS output 153
Tabela 5. 4. Rezultati Kruskal-Wallisov one way testa u primjeru 5. 1. 1. – SPSS output 157
Tabela 5. 5. Kontigencijska tablica za test medijane 158
Tabela 5. 6. Podaci o prinosu prema vrsti hrane 158
Tabela 5. 9. Radna tabela za utvrđivanje znaka za primjer 5. 2. 1. 161
Tabela 5. 10. Kontigencijska tablica za primjer 5. 2. 1. 162
192
Tabela 5. 11. Hi-kvadrat metodologija na bazi kontigencijske tablice za primjer 5. 2. 1. 162
Tabela 5. 12. Rezultati testa medijane u primjeru 5. 2. 1. – SPSS output 164
Tabela 5. 13. Podaci o procjenjenoj brzini kretanja 166
Tabela 5. 14. Radna tabela za određivanje medijana za primjer 5. 3. 1. 166
Tabela 5. 15. Rezultati Janckheere–Terpstra testa u primjeru 5. 3. 1. – SPSS output 168
Tabela 6. 1. Radni učinak za 11 ispitanika u različitim eksperimentalnim situacijama 172
Tabela 6. 3. Radna tabela sa određivanjem rangova za primjer 6. 1. 1. 173
Tabela 6. 4. Rezultati Friedman testa u primjeru 6. 1. 1. – SPSS output 175
Tabela 6. 5. Ocjene za šest plesnih parova 177
Tabela 6. 6. Radna tabela sa rangovima za primjer 6. 2. 1. 178
Tabela 6. 7. Rezultati Kendall’s W testa u primjeru 6. 2. 1. – SPSS output 180
Tabela 6. 8. Prolaznost studenata 182
Tabela 6. 9. Radna tabela sa sumama potrebnim za izračunavanje Q statistike za primjer 6. 3. 1. 183
Tabela 6. 10. Rezultati Cocran’s Q testa u primjeru 6. 3. 1. – SPSS output 185
193
Popis slika
Slika 1. 1. Neparametarski testovi u SPSS programskom paketu 14
Slika 2. 1. SPSS procedura za ponderisanje u primjeru 2. 1. 1. 20
Slika 2. 2. SPSS procedura za provođenje hi-kvadrat testa u primjeru 2. 1. 1. 21
Slika 2. 3. SPSS procedura za unos elemenata potrebnih za
provođenje hi-kvadrat testa u primjeru 2. 1. 1. 22
Slika 2. 5. SPSS procedura za provođenje hi-kvadrat testa u primjeru 2. 1. 3. 28
Slika 2. 7. SPSS procedura za kreiranje kontigencijske tablice u primjeru 2. 2. 1. 34
kreiranje kontigencijske tablice u primjeru 2. 2. 1. 35
Slika 2. 9. SPSS procedura za kreiranje kontigencijske tablice u primjeru 2. 2. 2. 40
kreiranje kontigencijske tablice u primjeru 2. 2. 2. 40
Slika 2. 11. SPSS procedura za rekodiranje u primjeru 2. 3. 1. (koraci a-d) 43
Slika 2. 12. SPSS procedura za provođenje binomnog testa u primjeru 2. 3. 1. 45
Slika 2. 13. SPSS procedura za unos elemenata za
provođenje binomnog testa u primjeru 2. 3. 1. 46
Slika 2. 14. SPSS procedura za rekodiranje u primjeru 2. 4. 1. (koraci a-b) 49
Slika 2. 15. SPSS procedura za provođenje Runs testa u primjeru 2. 4. 1. 51
Slika 2. 16. SPSS procedura za unos elemenata za provođenje Runs testa u primjeru 2. 4. 1. 52
Slika 2. 17. SPSS procedura za unos elemenata za provođenje Runs testa u primjeru 2. 4. 2. 53
Slika 2. 18. SPSS procedura za provođenje KS testa u primjeru 2. 5. 1. 57
Slika 2. 19. SPSS procedura za unos elemenata za provođenje KS testa u primjeru 2. 5. 1. 57
Slika 2. 20. SPSS procedura za provođenje KS testa u primjeru 2. 5. 2. 60
Slika 2. 21. SPSS procedura za unos elemenata za provođenje KS testa u primjeru 2. 5. 2. 60
Slika 2. 22. SPSS procedura za provođenje testa znaka za dva zavisna uzorka u primjeru 2. 6. 1. 64
provođenje testa znaka za dva zavisna uzorka u primjeru 2. 6. 1. 64
provođenje testa znaka za dva zavisna uzorka u primjeru 2. 6. 2. 67
Slika 2. 25. SPSS procedura za provođenje Wilcoxovog
testa za dva zavisna uzorka u primjeru 2. 7. 1. 72
Slika 2. 26. SPSS procedura za unos elemenata za provođenje
Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 1. 73
194
Slika 2. 27. SPSS procedura za unos elemenata za provođenje
Wilcoxovog testa za dva zavisna uzorka u primjeru 2. 7. 2. 77
Slika 3. 1. SPSS procedura za podjelu podataka prema zadanoj
kategoriji i dalje analize unutar svake kategorije u primjeru 3. 1. 1. 83
Slika 3. 2. SPSS procedura za provođenje Shapiro-Wilk
testa „normalnosti“ u uzorcima u primjeru 3. 1. 1. 84
provođenje Shapiro-Wilk testa „normalnosti“ u uzorcima u primjeru 3. 1. 1. 84
Slika 3. 4. SPSS procedura za provođenje Mann-Whitney U testa u primjeru 3. 1. 1. 86
provođenje Mann-Whitney U testa u primjeru 3. 1. 1. 87
Slika 3. 6. SPSS procedura za novo kodiranje u primjeru 3. 1. 2. 91
Slika 3. 7. SPSS procedura za unos elemenata potrebnih za novo kodiranje u primjeru 3. 1. 2. 91
Slika 3. 8. SPSS baza u primjeru 3. 1. 2. sa novom varijablom „sjediste2“. 92
Slika 3. 9. SPSS procedura za provođenje Mann-Whitney U testa u primjeru 3. 1. 2. 93
provođenje Mann-Whitney U testa u primjeru 3. 1. 2. 93
Slika 3. 11. SPSS procedura za provođenje Kolmogorov-Smirnov z
testa za dva uzorka u primjeru 3. 2. 1. 99
provođenje Kolmogorov-Smirnov z testa za dva uzorka u primjeru 3. 2. 1. 100
Slika 3. 13. SPSS procedura za provođenje Wald-Wolfowitz testa koraka u primjeru 3. 3. 1. 104
provođenje Wald-Wolfowitz testa koraka u primjeru 3. 3. 1. 105
Slika 3. 15. SPSS procedura za provođenje Moses extreme reactions testa u primjeru 3. 4. 1. 110
provođenje Moses extreme reactions testa u primjeru 3. 4. 1. 110
Slika 4. 1. SPSS procedura za provođenje McNemar testa u primjeru 4. 1. 1. 117
provođenje McNemar testa u primjeru 4. 1. 1. 118
Slika 4. 3. SPSS procedura za provođenje Marginal homogeneity testa u primjeru 4. 2. 1. 120
provođenje Marginal homogeneity testa u primjeru 4. 2. 1. 120
Slika 4. 5. SPSS procedura za provođenje Sign u primjeru 4. 3. 1. 124
provođenje Sign testa u primjeru 4. 3. 1. 124
provođenje Sign testa u primjeru 4. 3. 2. 127
Slika 4. 8. SPSS procedura za provođenje Wilcoxon test ranga sa znakom u primjeru 4. 4. 1. 133
provođenje Wilcoxon test ranga sa znakom u primjeru 4. 4. 1. 134
provođenje Wilcoxon test ranga sa znakom u primjeru 4. 4. 2. 139
Slika 4. 11. SPSS procedura za provođenje korelacione analize u primjeru 4. 5. 1. 143
provođenje korelacione analize u primjeru 4. 5. 1. 143
Slika 4. 13. SPSS procedura za provođenje korelacione analize u primjeru 4. 6. 1. 147
provođenje korelacione analize u primjeru 4. 6. 1. 147
Slika 5. 1. SPSS procedura za provođenje Kruskal-Wallisov one way testa u primjeru 5. 1. 1. 156
provođenje Kruskal-Wallisov one way testa u primjeru 5. 1. 1. 156
Slika 5. 3. SPSS procedura za provođenje testa medijane u primjeru 5. 2. 1. 163
provođenje testa medijane u primjeru 5. 2. 1. 163
Slika 5. 5. SPSS procedura za provođenje Janckheere–Terpstra testa u primjeru 5. 3. 1. 167
provođenje Janckheere–Terpstra testa u primjeru 5. 3. 1. 168
Slika 6. 1. SPSS procedura za provođenje Friedman testa u primjeru 6. 1. 1. 174
provođenje Friedman testa u primjeru 6. 1. 1. 175
Slika 6. 3. SPSS procedura za provođenje Kendall’s W testa u primjeru 6. 2. 1. 179
provođenje Kendall’s W testa u primjeru 6. 2. 1. 180
Slika 6. 5. SPSS procedura za provođenje Cocran’s Q testa u primjeru 6. 3. 1. 184
provođenje Cocran’s Q testa u primjeru 6. 3. 1. 185
196
Popis grafikona
Grafikon 3. 1. Box-plot dijagrami za uzorke u primjeru 3. 1. 1. – SPSS output 85
Grafikon 4. 2. Box-plot dijagrami za zavisne uzorke u primjeru 4. 4. 2. – SPSS output 137
Grafikon 5. 2. Box-plot dijagrami za nezavisne uzorke u primjeru 5. 2. 1. – SPSS output 159
197
Prilozi
Prilog 1. Tablice funkcije rasporeda Gausove (normalne) distribucije
druga
z 0 1 2 3 4 5 6 7 8 9
decimala
0,0 500000 503989 507978 511966 515953 519939 523922 527903 531881 535856
0,1 539828 543795 547758 551717 555670 559618 563559 567495 571424 575345
0,2 579260 583166 587064 590954 594835 598706 602568 606420 610261 614092
0,3 617911 621720 625516 629300 633072 636831 640576 644309 648027 651732
0,4 655422 659097 662757 666402 670031 673645 677242 680822 684386 687933
0,5 691462 694974 698468 701944 705401 708840 712260 715661 719043 722405
0,6 725747 729069 732371 735653 738914 742154 745373 748571 751748 754903
0,7 758036 761148 764238 767305 770350 773373 776373 779350 782305 785236
0,8 788145 791030 793892 796731 799546 802337 805105 807850 810570 813267
0,9 815940 818589 821214 823814 826391 828944 831472 833977 836457 838913
cijeli broj 1,0 841345 843752 846136 848495 850830 853141 855428 857690 859929 862143
i prva
decimala 1,1 864334 866500 868643 870762 872857 874928 876976 879000 881000 882977
1,2 884930 886861 888768 890651 892512 894350 896165 897958 899727 901475
1,3 903200 904902 906582 908241 909877 911492 913085 914657 916207 917736
1,4 919243 920730 922196 923641 925066 926471 927855 929219 930563 931888
1,5 933193 934478 935745 936992 938220 939429 940620 941792 942947 944083
1,6 945201 946301 947384 948449 949497 950529 951543 952540 953521 954486
1,7 955435 956367 957284 958185 959070 959941 960796 961636 962462 963273
1,8 964070 964852 965620 966375 967116 967843 968557 969258 969946 970621
1,9 971283 971933 972571 973197 973810 974412 975002 975581 976148 976705
2,0 977250 977784 978308 978822 979325 979818 980301 980774 981237 981691
2,1 982136 982571 982997 983414 983823 984222 984614 984997 985371 985738
198
PRILOZI
druga
z 0 1 2 3 4 5 6 7 8 9
decimala
2,2 986097 986447 986791 987126 987455 987776 988089 988396 988696 988989
2,3 989276 989556 989830 990097 990358 990613 990863 991106 991344 991576
2,4 991802 992024 992240 992451 992656 992857 993053 993244 993431 993613
2,5 993790 993963 994132 994297 994457 994614 994766 994915 995060 995201
2,6 995339 995473 995604 995731 995855 995975 996093 996207 996319 996427
2,7 996533 996636 996736 996833 996928 997020 997110 997197 997282 997365
2,8 997445 997523 997599 997673 997744 997814 997882 997948 998012 998074
2,9 998134 998193 998250 998305 998359 998411 998462 998511 998559 998605
3,0 998650 998694 998736 998777 998817 998856 998893 998930 998965 998999
cijeli broj
i prva 3,1 999032 999065 999096 999126 999155 999184 999211 999238 999264 999289
decimala
3,2 999313 999336 999359 999381 999402 999423 999443 999462 999481 999499
3,3 999517 999534 999550 999566 999581 999596 999610 999624 999638 999651
3,4 999663 999675 999687 999698 999709 999720 999730 999740 999749 999758
3,5 999767 999776 999784 999792 999800 999807 999815 999822 999828 999835
3,6 999841 999847 999853 999858 999864 999869 999874 999879 999883 999888
3,7 999892 999896 999900 999904 999908 999912 999915 999918 999922 999925
3,8 999928 999931 999933 999936 999938 999941 999943 999946 999948 999950
3,9 999952 999954 999956 999958 999959 999961 999963 999964 999966 999967
4,0 999968 999970 999971 999972 999973 999974 999975 999976 999977 999978
199
Prilog 2. Tablice funkcije rasporeda Studentove (t) distribucije

n 1 2 3 4 5 6 7 8 9 10
0,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
0,1 0,53173 0,53527 0,53667 0,53742 0,53788 0,53820 0,53843 0,53860 0,53873 0,53884
0,2 0,56283 0,57001 0,57286 0,57438 0,57532 0,57596 0,57642 0,57676 0,57704 0,57726
0,3 0,59277 0,60376 0,60812 0,61044 0,61188 0,61285 0,61355 0,61409 0,61450 0,61484
0,4 0,62112 0,63608 0,64203 0,64520 0,64716 0,64850 0,64946 0,65019 0,65076 0,65122
0,5 0,64758 0,66667 0,67428 0,67834 0,68085 0,68256 0,68380 0,68473 0,68546 0,68605
0,6 0,67202 0,69528 0,70460 0,70958 0,71267 0,71477 0,71629 0,71744 0,71835 0,71907
0,7 0,69440 0,72180 0,73284 0,73875 0,74243 0,74493 0,74674 0,74811 0,74919 0,75006
0,8 0,71478 0,74618 0,75890 0,76574 0,76999 0,77289 0,77500 0,77659 0,77784 0,77885
0,9 0,73326 0,76845 0,78277 0,79050 0,79531 0,79860 0,80099 0,80280 0,80422 0,80536
1,0 0,75000 0,78868 0,80450 0,81305 0,81839 0,82204 0,82469 0,82670 0,82828 0,82955
1,1 0,76515 0,80698 0,82416 0,83346 0,83927 0,84325 0,84614 0,84834 0,85006 0,85145
1,2 0,77886 0,82350 0,84187 0,85182 0,85805 0,86232 0,86541 0,86777 0,86961 0,87110
1,3 0,79129 0,83838 0,85777 0,86827 0,87485 0,87935 0,88262 0,88510 0,88705 0,88862
1,4 0,80257 0,85176 0,87200 0,88295 0,88980 0,89448 0,89788 0,90046 0,90249 0,90412
t 1,5 0,81283 0,86380 0,88471 0,89600 0,90305 0,90786 0,91135 0,91400 0,91607 0,91775
1,6 0,82219 0,87463 0,89605 0,90758 0,91475 0,91964 0,92318 0,92587 0,92797 0,92966
1,7 0,83075 0,88438 0,90615 0,91782 0,92506 0,92998 0,93354 0,93622 0,93833 0,94002
1,8 0,83859 0,89317 0,91516 0,92688 0,93412 0,93902 0,94256 0,94522 0,94730 0,94897
1,9 0,84579 0,90109 0,92318 0,93488 0,94207 0,94692 0,95040 0,95302 0,95506 0,95669
2,0 0,85242 0,90825 0,93034 0,94194 0,94903 0,95379 0,95719 0,95974 0,96172 0,96331
2,1 0,85854 0,91473 0,93672 0,94817 0,95512 0,95976 0,96306 0,96553 0,96744 0,96896
2,2 0,86420 0,92060 0,94241 0,95367 0,96045 0,96495 0,96813 0,97050 0,97233 0,97378
2,3 0,86945 0,92593 0,94751 0,95853 0,96511 0,96945 0,97250 0,97476 0,97650 0,97787
2,4 0,87433 0,93077 0,95206 0,96282 0,96919 0,97335 0,97627 0,97841 0,98005 0,98134
2,5 0,87888 0,93519 0,95615 0,96662 0,97275 0,97674 0,97950 0,98153 0,98307 0,98428
2,6 0,88312 0,93923 0,95981 0,96998 0,97588 0,97967 0,98229 0,98419 0,98563 0,98675
2,7 0,88709 0,94292 0,96311 0,97295 0,97861 0,98221 0,98468 0,98646 0,98780 0,98884
2,8 0,89081 0,94630 0,96607 0,97559 0,98100 0,98442 0,98674 0,98840 0,98964 0,99060
2,9 0,89430 0,94941 0,96875 0,97794 0,98310 0,98633 0,98851 0,99005 0,99120 0,99208
3,0 0,89758 0,95227 0,97117 0,98003 0,98495 0,98800 0,99003 0,99146 0,99252 0,99333
200
PRILOZI
n 1 2 3 4 5 6 7 8 9 10
3,1 0,90067 0,95490 0,97335 0,98189 0,98657 0,98944 0,99134 0,99267 0,99364 0,99437
3,2 0,90359 0,95733 0,97533 0,98355 0,98800 0,99070 0,99247 0,99369 0,99458 0,99525
3,3 0,90634 0,95958 0,97713 0,98503 0,98926 0,99180 0,99344 0,99457 0,99539 0,99599
3,4 0,90895 0,96166 0,97877 0,98636 0,99037 0,99275 0,99428 0,99532 0,99606 0,99661
3,5 0,91141 0,96359 0,98026 0,98755 0,99136 0,99359 0,99500 0,99596 0,99664 0,99714
3,6 0,91375 0,96538 0,98162 0,98862 0,99223 0,99432 0,99563 0,99651 0,99713 0,99758
3,7 0,91598 0,96705 0,98286 0,98958 0,99300 0,99496 0,99617 0,99698 0,99754 0,99795
3,8 0,91809 0,96860 0,98400 0,99045 0,99369 0,99552 0,99664 0,99738 0,99789 0,99826
3,9 0,92010 0,97005 0,98504 0,99123 0,99430 0,99601 0,99705 0,99773 0,99819 0,99852
4,0 0,92202 0,97140 0,98600 0,99193 0,99484 0,99644 0,99741 0,99803 0,99844 0,99874
4,1 0,92385 0,97267 0,98687 0,99257 0,99532 0,99682 0,99771 0,99828 0,99866 0,99893
4,2 0,92560 0,97386 0,98768 0,99315 0,99576 0,99716 0,99798 0,99850 0,99885 0,99909
4,3 0,92727 0,97497 0,98843 0,99368 0,99614 0,99745 0,99822 0,99869 0,99900 0,99922
4,4 0,92887 0,97602 0,98912 0,99415 0,99649 0,99772 0,99842 0,99886 0,99914 0,99933
4,5 0,93040 0,97700 0,98975 0,99459 0,99680 0,99795 0,99860 0,99900 0,99926 0,99943
t
4,6 0,93186 0,97792 0,99034 0,99498 0,99708 0,99815 0,99876 0,99912 0,99935 0,99951
4,7 0,93327 0,97879 0,99089 0,99535 0,99733 0,99834 0,99890 0,99923 0,99944 0,99958
4,8 0,93462 0,97962 0,99140 0,99568 0,99756 0,99850 0,99902 0,99932 0,99951 0,99964
4,9 0,93592 0,98039 0,99187 0,99598 0,99776 0,99864 0,99912 0,99940 0,99958 0,99969
5,0 0,93717 0,98113 0,99230 0,99625 0,99795 0,99877 0,99922 0,99947 0,99963 0,99973
5,1 0,93837 0,98182 0,99271 0,99651 0,99811 0,99889 0,99930 0,99954 0,99968 0,99977
5,2 0,93952 0,98248 0,99309 0,99674 0,99827 0,99899 0,99937 0,99959 0,99972 0,99980
5,3 0,94064 0,98310 0,99344 0,99696 0,99840 0,99909 0,99944 0,99964 0,99975 0,99983
5,4 0,94171 0,98369 0,99378 0,99715 0,99853 0,99917 0,99950 0,99968 0,99978 0,99985
5,5 0,94275 0,98425 0,99409 0,99734 0,99864 0,99924 0,99955 0,99971 0,99981 0,99987
5,6 0,94375 0,98478 0,99437 0,99750 0,99875 0,99931 0,99959 0,99974 0,99983 0,99989
5,7 0,94472 0,98529 0,99465 0,99766 0,99884 0,99937 0,99963 0,99977 0,99985 0,99990
5,8 0,94565 0,98577 0,99490 0,99780 0,99893 0,99942 0,99967 0,99980 0,99987 0,99991
5,9 0,94656 0,98623 0,99514 0,99794 0,99900 0,99947 0,99970 0,99982 0,99989 0,99992
6,0 0,94743 0,98666 0,99536 0,99806 0,99908 0,99952 0,99973 0,99984 0,99990 0,99993
201
n 11 12 13 14 15 16 17 18 19 20
0,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
0,1 0,53893 0,53900 0,53906 0,53912 0,53917 0,53921 0,53924 0,53928 0,53930 0,53933
0,2 0,57743 0,57759 0,57771 0,57782 0,57792 0,57800 0,57807 0,57814 0,57820 0,57825
0,3 0,61511 0,61534 0,61554 0,61571 0,61585 0,61598 0,61609 0,61619 0,61628 0,61636
0,4 0,65159 0,65191 0,65217 0,65240 0,65260 0,65278 0,65293 0,65307 0,65319 0,65330
0,5 0,68654 0,68694 0,68728 0,68758 0,68783 0,68806 0,68826 0,68843 0,68859 0,68873
0,6 0,71967 0,72017 0,72059 0,72095 0,72127 0,72155 0,72179 0,72201 0,72220 0,72238
0,7 0,75077 0,75136 0,75187 0,75230 0,75268 0,75301 0,75330 0,75356 0,75379 0,75400
0,8 0,77968 0,78037 0,78096 0,78146 0,78190 0,78229 0,78263 0,78293 0,78320 0,78344
0,9 0,80630 0,80709 0,80776 0,80833 0,80883 0,80927 0,80965 0,81000 0,81031 0,81059
1,0 0,83060 0,83148 0,83222 0,83286 0,83341 0,83390 0,83433 0,83472 0,83506 0,83537
1,1 0,85259 0,85355 0,85436 0,85506 0,85566 0,85620 0,85667 0,85709 0,85746 0,85780
1,2 0,87233 0,87335 0,87422 0,87497 0,87563 0,87620 0,87670 0,87715 0,87756 0,87792
1,3 0,88991 0,89099 0,89191 0,89270 0,89339 0,89399 0,89452 0,89500 0,89542 0,89581
1,4 0,90546 0,90658 0,90754 0,90836 0,90907 0,90970 0,91025 0,91074 0,91118 0,91158
t 1,5 0,91912 0,92027 0,92125 0,92209 0,92282 0,92346 0,92402 0,92452 0,92498 0,92538
1,6 0,93105 0,93221 0,93320 0,93404 0,93478 0,93542 0,93599 0,93650 0,93695 0,93736
1,7 0,94140 0,94256 0,94354 0,94439 0,94512 0,94576 0,94632 0,94683 0,94728 0,94768
1,8 0,95034 0,95148 0,95245 0,95328 0,95400 0,95463 0,95518 0,95568 0,95612 0,95652
1,9 0,95802 0,95914 0,96008 0,96089 0,96158 0,96220 0,96273 0,96321 0,96364 0,96403
2,0 0,96460 0,96567 0,96658 0,96736 0,96803 0,96861 0,96913 0,96959 0,97000 0,97037
2,1 0,97020 0,97123 0,97209 0,97283 0,97347 0,97403 0,97452 0,97495 0,97534 0,97569
2,2 0,97496 0,97593 0,97675 0,97745 0,97805 0,97858 0,97904 0,97945 0,97981 0,98014
2,3 0,97898 0,97990 0,98067 0,98132 0,98189 0,98238 0,98281 0,98319 0,98352 0,98383
2,4 0,98238 0,98324 0,98396 0,98457 0,98509 0,98554 0,98594 0,98629 0,98660 0,98688
2,5 0,98525 0,98604 0,98671 0,98727 0,98775 0,98816 0,98853 0,98885 0,98913 0,98938
2,6 0,98765 0,98839 0,98900 0,98951 0,98995 0,99033 0,99066 0,99095 0,99121 0,99144
2,7 0,98967 0,99035 0,99090 0,99137 0,99177 0,99211 0,99241 0,99267 0,99291 0,99311
2,8 0,99136 0,99198 0,99249 0,99291 0,99327 0,99358 0,99385 0,99408 0,99429 0,99447
2,9 0,99278 0,99334 0,99380 0,99418 0,99450 0,99478 0,99502 0,99523 0,99541 0,99557
3,0 0,99396 0,99447 0,99488 0,99522 0,99551 0,99576 0,99597 0,99616 0,99632 0,99646
202
PRILOZI
n 11 12 13 14 15 16 17 18 19 20
3,1 0,99495 0,99541 0,99578 0,99608 0,99634 0,99656 0,99675 0,99691 0,99705 0,99718
3,2 0,99577 0,99618 0,99652 0,99679 0,99702 0,99721 0,99738 0,99752 0,99764 0,99775
3,3 0,99646 0,99683 0,99713 0,99737 0,99757 0,99774 0,99788 0,99801 0,99812 0,99821
3,4 0,99704 0,99737 0,99763 0,99784 0,99802 0,99817 0,99830 0,99840 0,99850 0,99858
3,5 0,99751 0,99781 0,99804 0,99823 0,99839 0,99852 0,99863 0,99872 0,99880 0,99887
3,6 0,99792 0,99818 0,99838 0,99855 0,99869 0,99880 0,99890 0,99898 0,99905 0,99911
3,7 0,99825 0,99848 0,99866 0,99881 0,99893 0,99903 0,99911 0,99918 0,99924 0,99929
3,8 0,99853 0,99874 0,99890 0,99902 0,99913 0,99921 0,99928 0,99934 0,99940 0,99944
3,9 0,99876 0,99894 0,99909 0,99920 0,99929 0,99936 0,99942 0,99948 0,99952 0,99956
4,0 0,99896 0,99912 0,99924 0,99934 0,99942 0,99948 0,99954 0,99958 0,99962 0,99965
4,1 0,99912 0,99926 0,99937 0,99946 0,99953 0,99958 0,99963 0,99966 0,99970 0,99972
4,2 0,99926 0,99938 0,99948 0,99955 0,99961 0,99966 0,99970 0,99973 0,99976 0,99978
4,3 0,99937 0,99948 0,99957 0,99963 0,99968 0,99972 0,99976 0,99978 0,99981 0,99983
4,4 0,99947 0,99957 0,99964 0,99970 0,99974 0,99978 0,99980 0,99983 0,99985 0,99986
4,5 0,99955 0,99964 0,99970 0,99975 0,99979 0,99982 0,99984 0,99986 0,99988 0,99989
t
4,6 0,99962 0,99969 0,99975 0,99979 0,99983 0,99985 0,99987 0,99989 0,99990 0,99991
4,7 0,99967 0,99974 0,99979 0,99983 0,99986 0,99988 0,99990 0,99991 0,99992 0,99993
4,8 0,99972 0,99978 0,99983 0,99986 0,99988 0,99990 0,99992 0,99993 0,99994 0,99995
4,9 0,99976 0,99982 0,99985 0,99988 0,99990 0,99992 0,99993 0,99994 0,99995 0,99996
5,0 0,99980 0,99985 0,99988 0,99990 0,99992 0,99993 0,99995 0,99995 0,99996 0,99997
5,1 0,99983 0,99987 0,99990 0,99992 0,99993 0,99995 0,99996 0,99996 0,99997 0,99997
5,2 0,99985 0,99989 0,99991 0,99993 0,99995 0,99996 0,99996 0,99997 0,99997 0,99998
5,3 0,99987 0,99991 0,99993 0,99994 0,99996 0,99996 0,99997 0,99998 0,99998 0,99998
5,4 0,99989 0,99992 0,99994 0,99995 0,99996 0,99997 0,99998 0,99998 0,99998 0,99999
5,5 0,99991 0,99993 0,99995 0,99996 0,99997 0,99998 0,99998 0,99998 0,99999 0,99999
5,6 0,99992 0,99994 0,99996 0,99997 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999
5,7 0,99993 0,99995 0,99996 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999
5,8 0,99994 0,99996 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999 0,99999
5,9 0,99995 0,99996 0,99997 0,99998 0,99999 0,99999 0,99999 0,99999 0,99999 1,00000
6,0 0,99996 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999 1,00000 1,00000
203
n 21 22 23 24 25 26 27 28 29 30
0,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
0,1 0,53935 0,53937 0,53939 0,53941 0,53943 0,53944 0,53946 0,53947 0,53948 0,53950
0,2 0,57830 0,57834 0,57838 0,57842 0,57845 0,57848 0,57851 0,57854 0,57856 0,57858
0,3 0,61644 0,61650 0,61656 0,61662 0,61667 0,61672 0,61676 0,61680 0,61684 0,61688
0,4 0,65340 0,65349 0,65358 0,65365 0,65372 0,65379 0,65385 0,65390 0,65396 0,65400
0,5 0,68886 0,68898 0,68909 0,68919 0,68928 0,68936 0,68944 0,68951 0,68958 0,68964
0,6 0,72254 0,72268 0,72281 0,72294 0,72305 0,72315 0,72325 0,72333 0,72342 0,72349
0,7 0,75420 0,75437 0,75453 0,75467 0,75480 0,75493 0,75504 0,75515 0,75525 0,75534
0,8 0,78367 0,78387 0,78405 0,78422 0,78438 0,78452 0,78465 0,78478 0,78489 0,78500
0,9 0,81084 0,81107 0,81128 0,81147 0,81165 0,81181 0,81196 0,81210 0,81223 0,81236
1,0 0,83565 0,83591 0,83614 0,83636 0,83655 0,83674 0,83691 0,83706 0,83721 0,83735
1,1 0,85811 0,85839 0,85864 0,85888 0,85909 0,85929 0,85948 0,85965 0,85981 0,85996
1,2 0,87825 0,87855 0,87882 0,87907 0,87931 0,87952 0,87972 0,87990 0,88007 0,88023
1,3 0,89616 0,89647 0,89676 0,89703 0,89727 0,89750 0,89770 0,89790 0,89808 0,89825
1,4 0,91194 0,91227 0,91257 0,91285 0,91310 0,91333 0,91355 0,91375 0,91394 0,91411
t 1,5 0,92575 0,92609 0,92639 0,92667 0,92693 0,92717 0,92739 0,92760 0,92779 0,92797
1,6 0,93773 0,93807 0,93838 0,93866 0,93892 0,93916 0,93938 0,93959 0,93978 0,93996
1,7 0,94805 0,94839 0,94869 0,94897 0,94923 0,94947 0,94969 0,94989 0,95008 0,95026
1,8 0,95688 0,95720 0,95750 0,95778 0,95803 0,95826 0,95848 0,95868 0,95886 0,95904
1,9 0,96437 0,96469 0,96498 0,96524 0,96549 0,96571 0,96592 0,96611 0,96629 0,96646
2,0 0,97070 0,97100 0,97128 0,97153 0,97176 0,97198 0,97217 0,97236 0,97253 0,97269
2,1 0,97601 0,97629 0,97655 0,97679 0,97701 0,97721 0,97740 0,97757 0,97773 0,97788
2,2 0,98043 0,98070 0,98094 0,98116 0,98137 0,98155 0,98173 0,98189 0,98204 0,98218
2,3 0,98410 0,98435 0,98457 0,98478 0,98496 0,98514 0,98530 0,98544 0,98558 0,98571
2,4 0,98713 0,98735 0,98756 0,98775 0,98792 0,98807 0,98822 0,98836 0,98848 0,98860
2,5 0,98961 0,98982 0,99000 0,99017 0,99033 0,99047 0,99060 0,99072 0,99084 0,99094
2,6 0,99164 0,99183 0,99200 0,99215 0,99229 0,99242 0,99253 0,99264 0,99274 0,99284
2,7 0,99330 0,99346 0,99361 0,99375 0,99387 0,99398 0,99409 0,99419 0,99427 0,99436
2,8 0,99464 0,99478 0,99491 0,99504 0,99515 0,99525 0,99534 0,99542 0,99550 0,99557
2,9 0,99572 0,99585 0,99596 0,99607 0,99617 0,99625 0,99633 0,99641 0,99648 0,99654
3,0 0,99659 0,99670 0,99680 0,99690 0,99698 0,99706 0,99713 0,99719 0,99725 0,99731
204
PRILOZI
n 21 22 23 24 25 26 27 28 29 30
3,1 0,99729 0,99739 0,99748 0,99756 0,99763 0,99769 0,99775 0,99781 0,99786 0,99791
3,2 0,99785 0,99793 0,99801 0,99808 0,99814 0,99820 0,99825 0,99830 0,99834 0,99838
3,3 0,99830 0,99837 0,99843 0,99849 0,99855 0,99860 0,99864 0,99868 0,99872 0,99875
3,4 0,99865 0,99871 0,99877 0,99882 0,99887 0,99891 0,99894 0,99898 0,99901 0,99904
3,5 0,99893 0,99899 0,99904 0,99908 0,99912 0,99915 0,99918 0,99921 0,99924 0,99926
3,6 0,99916 0,99920 0,99924 0,99928 0,99931 0,99934 0,99937 0,99939 0,99941 0,99943
3,7 0,99934 0,99937 0,99941 0,99944 0,99947 0,99949 0,99951 0,99953 0,99955 0,99957
3,8 0,99948 0,99951 0,99954 0,99956 0,99959 0,99961 0,99963 0,99964 0,99966 0,99967
3,9 0,99959 0,99962 0,99964 0,99966 0,99968 0,99970 0,99971 0,99973 0,99974 0,99975
4,0 0,99968 0,99970 0,99972 0,99974 0,99975 0,99977 0,99978 0,99979 0,99980 0,99981
4,1 0,99974 0,99976 0,99978 0,99980 0,99981 0,99982 0,99983 0,99984 0,99985 0,99986
4,2 0,99980 0,99981 0,99983 0,99984 0,99985 0,99986 0,99987 0,99988 0,99988 0,99989
4,3 0,99984 0,99986 0,99987 0,99988 0,99989 0,99989 0,99990 0,99991 0,99991 0,99992
4,4 0,99988 0,99989 0,99990 0,99990 0,99991 0,99992 0,99992 0,99993 0,99993 0,99994
4,5 0,99990 0,99991 0,99992 0,99993 0,99993 0,99994 0,99994 0,99995 0,99995 0,99995
t
4,6 0,99992 0,99993 0,99994 0,99994 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996
4,7 0,99994 0,99995 0,99995 0,99996 0,99996 0,99996 0,99997 0,99997 0,99997 0,99997
4,8 0,99995 0,99996 0,99996 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998
4,9 0,99996 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998
5,0 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998 0,99998 0,99999 0,99999 0,99999
5,1 0,99998 0,99998 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999
5,2 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999
5,3 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 1,00000
5,4 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 0,99999 1,00000 1,00000 1,00000
5,5 0,99999 0,99999 0,99999 0,99999 0,99999 1,00000 1,00000 1,00000 1,00000 1,00000
5,6 0,99999 0,99999 0,99999 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
5,7 0,99999 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
5,8 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
5,9 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
6,0 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000 1,00000
205
Prilog 3. Tablice funkcije rasporeda F distribucije

P(F)=0,1
m 1 2 3 4 5 6 7 8 9 10
1 39,8635 49,5000 53,5932 55,8330 57,2401 58,2044 58,9060 59,4390 59,8576 60,1950
2 8,5263 9,0000 9,1618 9,2434 9,2926 9,3255 9,3491 9,3668 9,3805 9,3916
3 5,5383 5,4624 5,3908 5,3426 5,3092 5,2847 5,2662 5,2517 5,2400 5,2304
4 4,5448 4,3246 4,1909 4,1072 4,0506 4,0097 3,9790 3,9549 3,9357 3,9199
5 4,0604 3,7797 3,6195 3,5202 3,4530 3,4045 3,3679 3,3393 3,3163 3,2974
6 3,7759 3,4633 3,2888 3,1808 3,1075 3,0546 3,0145 2,9830 2,9577 2,9369
7 3,5894 3,2574 3,0741 2,9605 2,8833 2,8274 2,7849 2,7516 2,7247 2,7025
8 3,4579 3,1131 2,9238 2,8064 2,7264 2,6683 2,6241 2,5893 2,5612 2,5380
9 3,3603 3,0065 2,8129 2,6927 2,6106 2,5509 2,5053 2,4694 2,4403 2,4163
n
10 3,2850 2,9245 2,7277 2,6053 2,5216 2,4606 2,4140 2,3772 2,3473 2,3226
12 3,1765 2,8068 2,6055 2,4801 2,3940 2,3310 2,2828 2,2446 2,2135 2,1878
15 3,0732 2,6952 2,4898 2,3614 2,2730 2,2081 2,1582 2,1185 2,0862 2,0593
20 2,9747 2,5893 2,3801 2,2489 2,1582 2,0913 2,0397 1,9985 1,9649 1,9367
24 2,9271 2,5383 2,3274 2,1949 2,1030 2,0351 1,9826 1,9407 1,9063 1,8775
30 2,8807 2,4887 2,2761 2,1422 2,0492 1,9803 1,9269 1,8841 1,8490 1,8195
40 2,8354 2,4404 2,2261 2,0909 1,9968 1,9269 1,8725 1,8289 1,7929 1,7627
60 2,7911 2,3933 2,1774 2,0410 1,9457 1,8747 1,8194 1,7748 1,7380 1,7070
120 2,7478 2,3473 2,1300 1,9923 1,8959 1,8238 1,7675 1,7220 1,6842 1,6524
206
PRILOZI
P(F)=0,1
m 12 15 20 24 30 40 60 120
1 60,7052 61,2203 61,7403 62,0020 62,2650 62,5291 62,7943 63,0606
2 9,4081 9,4247 9,4413 9,4496 9,4579 9,4662 9,4746 9,4829
3 5,2156 5,2003 5,1845 5,1764 5,1681 5,1597 5,1512 5,1425
4 3,8955 3,8704 3,8443 3,8310 3,8174 3,8036 3,7896 3,7753
5 3,2682 3,2380 3,2067 3,1905 3,1741 3,1573 3,1402 3,1228
6 2,9047 2,8712 2,8363 2,8183 2,8000 2,7812 2,7620 2,7423
7 2,6681 2,6322 2,5947 2,5753 2,5555 2,5351 2,5142 2,4928
8 2,5020 2,4642 2,4246 2,4041 2,3830 2,3614 2,3391 2,3162
9 2,3789 2,3396 2,2983 2,2768 2,2547 2,2320 2,2085 2,1843

n
10 2,2841 2,2435 2,2007 2,1784 2,1554 2,1317 2,1072 2,0818
12 2,1474 2,1049 2,0597 2,0360 2,0115 1,9861 1,9597 1,9323
15 2,0171 1,9722 1,9243 1,8990 1,8728 1,8454 1,8168 1,7867
20 1,8924 1,8449 1,7938 1,7667 1,7382 1,7083 1,6768 1,6433
24 1,8319 1,7831 1,7302 1,7019 1,6721 1,6407 1,6073 1,5715
30 1,7727 1,7223 1,6673 1,6377 1,6065 1,5732 1,5376 1,4989
40 1,7146 1,6624 1,6052 1,5741 1,5411 1,5056 1,4672 1,4248
60 1,6574 1,6034 1,5435 1,5107 1,4755 1,4373 1,3952 1,3476
120 1,6012 1,5450 1,4821 1,4472 1,4094 1,3676 1,3203 1,2646
207
P(F)=0,05
m 1 2 3 4 5 6 7 8 9 10
1 161,4476 199,5000 215,7073 224,5832 230,1619 233,9860 236,7684 238,8827 240,5433 241,8817
2 18,5128 19,0000 19,1643 19,2468 19,2964 19,3295 19,3532 19,3710 19,3848 19,3959
3 10,1280 9,5521 9,2766 9,1172 9,0135 8,9406 8,8867 8,8452 8,8123 8,7855
4 7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644
5 6,6079 5,7861 5,4095 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351
6 5,9874 5,1433 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600
7 5,5914 4,7374 4,3468 4,1203 3,9715 3,8660 3,7870 3,7257 3,6767 3,6365
8 5,3177 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472
9 5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373
n
10 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437
20 4,3512 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479
24 4,2597 3,4028 3,0088 2,7763 2,6207 2,5082 2,4226 2,3551 2,3002 2,2547
30 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646
40 4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0772
60 4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926
120 3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105
208
PRILOZI
P(F)=0,05
m 12 15 20 24 30 40 60 120
1 243,9060 245,9499 248,0131 249,0518 250,0951 251,1432 252,1957 253,2529
2 19,4125 19,4291 19,4458 19,4541 19,4624 19,4707 19,4791 19,4874
3 8,7446 8,7029 8,6602 8,6385 8,6166 8,5944 8,5720 8,5494
4 5,9117 5,8578 5,8025 5,7744 5,7459 5,7170 5,6877 5,6581
5 4,6777 4,6188 4,5581 4,5272 4,4957 4,4638 4,4314 4,3985
6 3,9999 3,9381 3,8742 3,8415 3,8082 3,7743 3,7398 3,7047
7 3,5747 3,5107 3,4445 3,4105 3,3758 3,3404 3,3043 3,2674
8 3,2839 3,2184 3,1503 3,1152 3,0794 3,0428 3,0053 2,9669
9 3,0729 3,0061 2,9365 2,9005 2,8637 2,8259 2,7872 2,7475

n
10 2,9130 2,8450 2,7740 2,7372 2,6996 2,6609 2,6211 2,5801
12 2,6866 2,6169 2,5436 2,5055 2,4663 2,4259 2,3842 2,3410
15 2,4753 2,4034 2,3275 2,2878 2,2468 2,2043 2,1601 2,1141
20 2,2776 2,2033 2,1242 2,0825 2,0391 1,9938 1,9464 1,8963
24 2,1834 2,1077 2,0267 1,9838 1,9390 1,8920 1,8424 1,7896
30 2,0921 2,0148 1,9317 1,8874 1,8409 1,7918 1,7396 1,6835
40 2,0035 1,9245 1,8389 1,7929 1,7444 1,6928 1,6373 1,5766
60 1,9174 1,8364 1,7480 1,7001 1,6491 1,5943 1,5343 1,4673
120 1,8337 1,7505 1,6587 1,6084 1,5543 1,4952 1,4290 1,3519
209
P(F)=0,01
m 1 2 3 4 5 6 7 8 9 10
1 4052,1807 4999,5000 5403,3520 5624,5833 5763,6496 5858,9861 5928,3557 5981,0703 6022,4732 6055,8467
2 98,5025 99,0000 99,1662 99,2494 99,2993 99,3326 99,3564 99,3742 99,3881 99,3992
3 34,1162 30,8165 29,4567 28,7099 28,2371 27,9107 27,6717 27,4892 27,3452 27,2287
4 21,1977 18,0000 16,6944 15,9770 15,5219 15,2069 14,9758 14,7989 14,6591 14,5459
5 16,2582 13,2739 12,0600 11,3919 10,9670 10,6723 10,4555 10,2893 10,1578 10,0510
6 13,7450 10,9248 9,7795 9,1483 8,7459 8,4661 8,2600 8,1017 7,9761 7,8741
7 12,2464 9,5466 8,4513 7,8466 7,4604 7,1914 6,9928 6,8400 6,7188 6,6201
8 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0289 5,9106 5,8143
9 10,5614 8,0215 6,9919 6,4221 6,0569 5,8018 5,6129 5,4671 5,3511 5,2565
n
10 10,0443 7,5594 6,5523 5,9943 5,6363 5,3858 5,2001 5,0567 4,9424 4,8491
12 9,3302 6,9266 5,9525 5,4120 5,0643 4,8206 4,6395 4,4994 4,3875 4,2961
15 8,6831 6,3589 5,4170 4,8932 4,5556 4,3183 4,1415 4,0045 3,8948 3,8049
20 8,0960 5,8489 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682
24 7,8229 5,6136 4,7181 4,2184 3,8951 3,6667 3,4959 3,3629 3,2560 3,1681
30 7,5625 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791
40 7,3141 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005
60 7,0771 4,9774 4,1259 3,6490 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318
120 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721
210
PRILOZI
P(F)=0,01
m 12 15 20 24 30 40 60 120
1 6106,3207 6157,2846 6208,7302 6234,6309 6260,6486 6286,7821 6313,0301 6339,3913
2 99,4159 99,4325 99,4492 99,4575 99,4658 99,4742 99,4825 99,4908
3 27,0518 26,8722 26,6898 26,5975 26,5045 26,4108 26,3164 26,2211
4 14,3736 14,1982 14,0196 13,9291 13,8377 13,7454 13,6522 13,5581
5 9,8883 9,7222 9,5526 9,4665 9,3793 9,2912 9,2020 9,1118
6 7,7183 7,5590 7,3958 7,3127 7,2285 7,1432 7,0567 6,9690
7 6,4691 6,3143 6,1554 6,0743 5,9920 5,9084 5,8236 5,7373
8 5,6667 5,5151 5,3591 5,2793 5,1981 5,1156 5,0316 4,9461
9 5,1114 4,9621 4,8080 4,7290 4,6486 4,5666 4,4831 4,3978

n
10 4,7059 4,5581 4,4054 4,3269 4,2469 4,1653 4,0819 3,9965
12 4,1553 4,0096 3,8584 3,7805 3,7008 3,6192 3,5355 3,4494
15 3,6662 3,5222 3,3719 3,2940 3,2141 3,1319 3,0471 2,9595
20 3,2311 3,0880 2,9377 2,8594 2,7785 2,6947 2,6077 2,5168
24 3,0316 2,8887 2,7380 2,6591 2,5773 2,4923 2,4035 2,3100
30 2,8431 2,7002 2,5487 2,4689 2,3860 2,2992 2,2079 2,1108
40 2,6648 2,5216 2,3689 2,2880 2,2034 2,1142 2,0194 1,9172
60 2,4961 2,3523 2,1978 2,1154 2,0285 1,9360 1,8363 1,7263
120 2,3363 2,1915 2,0346 1,9500 1,8600 1,7628 1,6557 1,5330
211
P(F)=0,005
m 1 2 3 4 5 6 7 8 9 10
1 16210,7227 19999,5000 21614,7414 22499,5833 23055,7982 23437,1111 23714,5658 23925,4062 24091,0041 24224,4868
2 198,5013 199,0000 199,1664 199,2497 199,2996 199,3330 199,3568 199,3746 199,3885 199,3996
3 55,5520 49,7993 47,4672 46,1946 45,3916 44,8385 44,4341 44,1256 43,8824 43,6858
4 31,3328 26,2843 24,2591 23,1545 22,4564 21,9746 21,6217 21,3520 21,1391 20,9667
5 22,7848 18,3138 16,5298 15,5561 14,9396 14,5133 14,2004 13,9610 13,7716 13,6182
6 18,6350 14,5441 12,9166 12,0275 11,4637 11,0730 10,7859 10,5658 10,3915 10,2500
7 16,2356 12,4040 10,8824 10,0505 9,5221 9,1553 8,8854 8,6781 8,5138 8,3803
8 14,6882 11,0424 9,5965 8,8051 8,3018 7,9520 7,6941 7,4959 7,3386 7,2106
9 13,6136 10,1067 8,7171 7,9559 7,4712 7,1339 6,8849 6,6933 6,5411 6,4172
n
10 12,8265 9,4270 8,0807 7,3428 6,8724 6,5446 6,3025 6,1159 5,9676 5,8467
12 11,7542 8,5096 7,2258 6,5211 6,0711 5,7570 5,5245 5,3451 5,2021 5,0855
15 10,7980 7,7008 6,4760 5,8029 5,3721 5,0708 4,8473 4,6744 4,5364 4,4235
20 9,9439 6,9865 5,8177 5,1743 4,7616 4,4721 4,2569 4,0900 3,9564 3,8470
24 9,5513 6,6609 5,5190 4,8898 4,4857 4,2019 3,9905 3,8264 3,6949 3,5870
30 9,1797 6,3547 5,2388 4,6234 4,2276 3,9492 3,7416 3,5801 3,4505 3,3440
40 8,8279 6,0664 4,9758 4,3738 3,9860 3,7129 3,5088 3,3498 3,2220 3,1167
60 8,4946 5,7950 4,7290 4,1399 3,7599 3,4918 3,2911 3,1344 3,0083 2,9042
120 8,1788 5,5393 4,4972 3,9207 3,5482 3,2849 3,0874 2,9330 2,8083 2,7052
212
PRILOZI
P(F)=0,005
m 12 15 20 24 30 40 60 120
1 24426,3662 24630,2051 24835,9709 24939,5653 25043,6277 25148,1532 25253,1369 25358,5734
2 199,4163 199,4329 199,4496 199,4579 199,4663 199,4746 199,4829 199,4912
3 43,3874 43,0847 42,7775 42,6222 42,4658 42,3082 42,1494 41,9895
4 20,7047 20,4383 20,1673 20,0300 19,8915 19,7518 19,6107 19,4684
5 13,3845 13,1463 12,9035 12,7802 12,6556 12,5297 12,4024 12,2737
6 10,0343 9,8140 9,5888 9,4742 9,3582 9,2408 9,1219 9,0015
7 8,1764 7,9678 7,7540 7,6450 7,5345 7,4224 7,3088 7,1933
8 7,0149 6,8143 6,6082 6,5029 6,3961 6,2875 6,1772 6,0649
9 6,2274 6,0325 5,8318 5,7292 5,6248 5,5186 5,4104 5,3001

n
10 5,6613 5,4707 5,2740 5,1732 5,0706 4,9659 4,8592 4,7501
12 4,9062 4,7213 4,5299 4,4314 4,3309 4,2282 4,1229 4,0149
15 4,2497 4,0698 3,8826 3,7859 3,6867 3,5850 3,4803 3,3722
20 3,6779 3,5020 3,3178 3,2220 3,1234 3,0215 2,9159 2,8058
24 3,4199 3,2456 3,0624 2,9667 2,8679 2,7654 2,6585 2,5463
30 3,1787 3,0057 2,8230 2,7272 2,6278 2,5241 2,4151 2,2998
40 2,9531 2,7811 2,5984 2,5020 2,4015 2,2958 2,1838 2,0636
60 2,7419 2,5705 2,3872 2,2898 2,1874 2,0789 1,9622 1,8341
120 2,5439 2,3727 2,1881 2,0890 1,9840 1,8709 1,7469 1,6055
213
Prilog 4. Tablice funkcije rasporeda hi-kvadrat distribucije

n 1 2 3 4 5 6 7 8 9 10
0,001 0,025227 0,000500 0,000008 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,01 0,079656 0,004988 0,000265 0,000012 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000
0,05 0,176937 0,024690 0,002929 0,000307 0,000029 0,000003 0,000000 0,000000 0,000000 0,000000
0,1 0,248170 0,048771 0,008163 0,001209 0,000162 0,000020 0,000002 0,000000 0,000000 0,000000
0,2 0,345279 0,095163 0,022411 0,004679 0,000886 0,000155 0,000025 0,000004 0,000001 0,000000
0,3 0,416118 0,139292 0,039972 0,010186 0,002357 0,000503 0,000100 0,000019 0,000003 0,000001
0,4 0,472911 0,181269 0,059758 0,017523 0,004670 0,001148 0,000263 0,000057 0,000012 0,000002
0,5 0,520500 0,221199 0,081109 0,026499 0,007877 0,002161 0,000554 0,000133 0,000030 0,000007
0,6 0,561422 0,259182 0,103568 0,036936 0,011997 0,003599 0,001008 0,000266 0,000066 0,000016
0,7 0,597216 0,295312 0,126796 0,048671 0,017031 0,005509 0,001664 0,000473 0,000128 0,000033
0,8 0,628907 0,329680 0,150533 0,061552 0,022967 0,007926 0,002556 0,000776 0,000223 0,000061
0,9 0,657218 0,362372 0,174572 0,075439 0,029778 0,010879 0,003715 0,001195 0,000365 0,000106
1 0,682689 0,393469 0,198748 0,090204 0,037434 0,014388 0,005171 0,001752 0,000562 0,000172
2 0,842701 0,632121 0,427593 0,264241 0,150855 0,080301 0,040160 0,018988 0,008532 0,003660
hi 3 0,916735 0,776870 0,608375 0,442175 0,300014 0,191153 0,114998 0,065642 0,035705 0,018576
kvadrat 4 0,954500 0,864665 0,738536 0,593994 0,450584 0,323324 0,220223 0,142877 0,088587 0,052653
5 0,974653 0,917915 0,828203 0,712703 0,584120 0,456187 0,340037 0,242424 0,165692 0,108822
6 0,985694 0,950213 0,888390 0,800852 0,693781 0,576810 0,460251 0,352768 0,260082 0,184737
7 0,991849 0,969803 0,928102 0,864112 0,779360 0,679153 0,571120 0,463367 0,362881 0,274555
8 0,995322 0,981684 0,953988 0,908422 0,843764 0,761897 0,667406 0,566530 0,465854 0,371163
9 0,997300 0,988891 0,970709 0,938901 0,890936 0,826422 0,747344 0,657704 0,562726 0,467896
10 0,998435 0,993262 0,981434 0,959572 0,924765 0,875348 0,811427 0,734974 0,649515 0,559507
11 0,999089 0,995913 0,988274 0,973436 0,948620 0,911624 0,861381 0,798301 0,724291 0,642482
12 0,999468 0,997521 0,992617 0,982649 0,965212 0,938031 0,899441 0,848796 0,786691 0,714943
13 0,999689 0,998497 0,995363 0,988724 0,976621 0,956964 0,927892 0,888150 0,837394 0,776328
14 0,999817 0,999088 0,997095 0,992705 0,984391 0,970364 0,948819 0,918235 0,877675 0,827008
15 0,999892 0,999447 0,998183 0,995299 0,989638 0,979743 0,964001 0,940855 0,909064 0,867938
16 0,999937 0,999665 0,998866 0,996981 0,993156 0,986246 0,974884 0,957620 0,933118 0,900368
17 0,999963 0,999797 0,999293 0,998067 0,995500 0,990717 0,982604 0,969891 0,951284 0,925636
18 0,999978 0,999877 0,999560 0,998766 0,997054 0,993768 0,988030 0,978774 0,964826 0,945036
214
PRILOZI
n 1 2 3 4 5 6 7 8 9 10
19 0,999987 0,999925 0,999727 0,999214 0,998078 0,995836 0,991813 0,985140 0,974807 0,959737
20 0,999992 0,999955 0,999830 0,999501 0,998750 0,997231 0,994430 0,989664 0,982088 0,970747
21 0,999995 0,999972 0,999895 0,999683 0,999190 0,998165 0,996230 0,992853 0,987350 0,978906
22 0,999997 0,999983 0,999935 0,999800 0,999476 0,998789 0,997460 0,995084 0,991121 0,984895
23 0,999998 0,999990 0,999960 0,999873 0,999662 0,999204 0,998295 0,996636 0,993804 0,989253
24 0,999999 0,999994 0,999975 0,999920 0,999783 0,999478 0,998861 0,997708 0,995699 0,992400
25 0,999999 0,999996 0,999985 0,999950 0,999861 0,999659 0,999241 0,998445 0,997029 0,994654
26 1,000000 0,999998 0,999990 0,999968 0,999911 0,999777 0,999496 0,998950 0,997957 0,996260
27 1,000000 0,999999 0,999994 0,999980 0,999943 0,999855 0,999667 0,999293 0,998601 0,997396
28 1,000000 0,999999 0,999996 0,999988 0,999964 0,999906 0,999780 0,999526 0,999046 0,998195
29 1,000000 0,999999 0,999998 0,999992 0,999977 0,999939 0,999855 0,999683 0,999352 0,998754
30 1,000000 1,000000 0,999999 0,999995 0,999985 0,999961 0,999905 0,999789 0,999561 0,999143
31 1,000000 1,000000 0,999999 0,999997 0,999991 0,999975 0,999938 0,999859 0,999704 0,999413
32 1,000000 1,000000 0,999999 0,999998 0,999994 0,999984 0,999959 0,999907 0,999801 0,999600
33 1,000000 1,000000 1,000000 0,999999 0,999996 0,999990 0,999974 0,999938 0,999866 0,999728
hi 34 1,000000 1,000000 1,000000 0,999999 0,999998 0,999993 0,999983 0,999959 0,999911 0,999815
kvadrat 35 1,000000 1,000000 1,000000 1,000000 0,999998 0,999996 0,999989 0,999973 0,999940 0,999875
36 1,000000 1,000000 1,000000 1,000000 0,999999 0,999997 0,999993 0,999982 0,999960 0,999916
37 1,000000 1,000000 1,000000 1,000000 0,999999 0,999998 0,999995 0,999988 0,999974 0,999943
38 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999997 0,999992 0,999983 0,999962
39 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999998 0,999995 0,999988 0,999975
40 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999997 0,999992 0,999983
41 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999998 0,999995 0,999989
42 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999999 0,999997 0,999993
43 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999998 0,999995
44 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999999 0,999997
45 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999998
46 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999 0,999999
47 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999
48 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 0,999999
49 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000
50 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000
215
n 11 12 13 14 15 16 17 18 19 20
0,001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,01 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,05 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,1 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,2 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,3 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,4 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,5 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,6 0,000004 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,7 0,000008 0,000002 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,8 0,000016 0,000004 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,9 0,000029 0,000008 0,000002 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
1 0,000050 0,000014 0,000004 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
2 0,001504 0,000594 0,000226 0,000083 0,000030 0,000010 0,000003 0,000001 0,000000 0,000000
3 0,009274 0,004456 0,002066 0,000926 0,000402 0,000170 0,000070 0,000028 0,000011 0,000004
hi
4 0,030083 0,016564 0,008809 0,004534 0,002263 0,001097 0,000517 0,000237 0,000106 0,000046
kvadrat
5 0,068833 0,042021 0,024807 0,014187 0,007874 0,004247 0,002229 0,001140 0,000569 0,000277
6 0,126636 0,083918 0,053847 0,033509 0,020252 0,011905 0,006814 0,003803 0,002072 0,001102
7 0,200916 0,142386 0,097848 0,065288 0,042350 0,026739 0,016451 0,009874 0,005787 0,003315
8 0,286696 0,214870 0,156400 0,110674 0,076217 0,051134 0,033453 0,021363 0,013329 0,008132
9 0,378108 0,297070 0,227056 0,168949 0,122483 0,086586 0,059738 0,040257 0,026521 0,017093
10 0,469613 0,384039 0,306066 0,237817 0,180260 0,133372 0,096390 0,068094 0,047054 0,031828
11 0,556737 0,471081 0,389182 0,313964 0,247406 0,190515 0,143436 0,105643 0,076162 0,053777
12 0,636357 0,554320 0,472356 0,393697 0,320971 0,256020 0,199863 0,152763 0,114375 0,083924
13 0,706675 0,630959 0,552188 0,473476 0,397702 0,327242 0,263814 0,208427 0,161429 0,122616
14 0,767007 0,699292 0,626156 0,550289 0,474471 0,401286 0,332898 0,270909 0,216309 0,169504
15 0,817503 0,758564 0,692647 0,621845 0,548583 0,475361 0,404518 0,338033 0,277403 0,223592
16 0,858869 0,808764 0,750870 0,686626 0,617948 0,547039 0,476165 0,407453 0,342722 0,283376
17 0,892124 0,850403 0,800696 0,743822 0,681136 0,614403 0,545634 0,476895 0,410132 0,347026
18 0,918419 0,884309 0,842481 0,793219 0,737334 0,676103 0,611159 0,544347 0,477562 0,412592
19 0,938906 0,911472 0,876896 0,835051 0,786266 0,731337 0,671468 0,608177 0,543164 0,478174
216
PRILOZI
n 11 12 13 14 15 16 17 18 19 20
20 0,954659 0,932914 0,904790 0,869859 0,828067 0,779779 0,725771 0,667180 0,605422 0,542070
21 0,966629 0,949620 0,927071 0,898367 0,863171 0,821489 0,773710 0,720587 0,663199 0,602867
22 0,975627 0,962480 0,944638 0,921386 0,892196 0,856808 0,815281 0,768015 0,715744 0,659489
23 0,982325 0,972274 0,958324 0,939730 0,915860 0,886265 0,850749 0,809410 0,762658 0,711205
24 0,987267 0,979659 0,968870 0,954178 0,934907 0,910496 0,880565 0,844972 0,803848 0,757608
25 0,990883 0,985177 0,976916 0,965433 0,950057 0,930175 0,905290 0,875084 0,839458 0,798569
26 0,993510 0,989266 0,982999 0,974113 0,961977 0,945972 0,925539 0,900242 0,869811 0,834188
27 0,995405 0,992273 0,987559 0,980746 0,971264 0,958517 0,941932 0,921005 0,895347 0,864736
28 0,996763 0,994468 0,990950 0,985772 0,978431 0,968380 0,955062 0,937945 0,916571 0,890601
29 0,997730 0,996060 0,993454 0,989550 0,983915 0,976064 0,965474 0,951621 0,934015 0,912241
30 0,998415 0,997208 0,995290 0,992368 0,988079 0,981998 0,973655 0,962554 0,948202 0,930146
31 0,998898 0,998030 0,996628 0,994456 0,991215 0,986544 0,980028 0,971213 0,959627 0,944810
32 0,999237 0,998616 0,997598 0,995994 0,993562 0,990000 0,984952 0,978013 0,968745 0,956702
33 0,999474 0,999032 0,998296 0,997119 0,995306 0,992610 0,988728 0,983310 0,975960 0,966259
34 0,999638 0,999325 0,998796 0,997938 0,996595 0,994567 0,991604 0,987404 0,981622 0,973875
hi
35 0,999752 0,999532 0,999153 0,998530 0,997541 0,996026 0,993779 0,990548 0,986033 0,979896
kvadrat
36 0,999831 0,999676 0,999407 0,998957 0,998232 0,997107 0,995413 0,992944 0,989444 0,984619
37 0,999885 0,999777 0,999586 0,999262 0,998734 0,997903 0,996635 0,994759 0,992065 0,988298
38 0,999922 0,999846 0,999712 0,999480 0,999098 0,998487 0,997542 0,996127 0,994065 0,991144
39 0,999947 0,999895 0,999800 0,999635 0,999359 0,998912 0,998213 0,997150 0,995583 0,993333
40 0,999964 0,999928 0,999862 0,999745 0,999547 0,999221 0,998706 0,997913 0,996728 0,995005
41 0,999976 0,999951 0,999905 0,999822 0,999680 0,999445 0,999067 0,998478 0,997587 0,996275
42 0,999984 0,999967 0,999935 0,999876 0,999775 0,999605 0,999329 0,998894 0,998228 0,997234
43 0,999989 0,999977 0,999955 0,999914 0,999843 0,999721 0,999520 0,999200 0,998704 0,997956
44 0,999993 0,999985 0,999969 0,999941 0,999890 0,999803 0,999657 0,999423 0,999056 0,998495
45 0,999995 0,999990 0,999979 0,999959 0,999923 0,999861 0,999756 0,999586 0,999315 0,998897
46 0,999997 0,999993 0,999986 0,999972 0,999947 0,999903 0,999827 0,999703 0,999504 0,999194
47 0,999998 0,999995 0,999990 0,999981 0,999963 0,999932 0,999878 0,999788 0,999643 0,999413
48 0,999999 0,999997 0,999993 0,999987 0,999975 0,999953 0,999914 0,999849 0,999743 0,999575
49 0,999999 0,999998 0,999996 0,999991 0,999982 0,999967 0,999940 0,999893 0,999816 0,999693
50 0,999999 0,999999 0,999997 0,999994 0,999988 0,999977 0,999958 0,999925 0,999869 0,999779
217
n 21 22 23 24 25 26 27 28 29 30
0,001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,01 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,05 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,1 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,2 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,3 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,4 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,5 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,6 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,7 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,8 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
0,9 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
1 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
2 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
3 0,000002 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
hi 4 0,000020 0,000008 0,000003 0,000001 0,000001 0,000000 0,000000 0,000000 0,000000 0,000000
kvadrat 5 0,000132 0,000062 0,000028 0,000013 0,000006 0,000002 0,000001 0,000000 0,000000 0,000000
6 0,000574 0,000292 0,000146 0,000071 0,000034 0,000016 0,000007 0,000003 0,000002 0,000001
7 0,001858 0,001019 0,000548 0,000289 0,000150 0,000076 0,000038 0,000019 0,000009 0,000004
8 0,004856 0,002840 0,001628 0,000915 0,000505 0,000274 0,000146 0,000076 0,000039 0,000020
9 0,010786 0,006669 0,004043 0,002404 0,001404 0,000805 0,000454 0,000252 0,000137 0,000074
10 0,021088 0,013695 0,008723 0,005453 0,003347 0,002019 0,001197 0,000698 0,000401 0,000226
11 0,037213 0,025251 0,016812 0,010988 0,007054 0,004451 0,002761 0,001685 0,001012 0,000599
12 0,060382 0,042621 0,029529 0,020092 0,013432 0,008827 0,005706 0,003628 0,002271 0,001400
13 0,091376 0,066839 0,048010 0,033880 0,023499 0,016027 0,010753 0,007100 0,004616 0,002956
14 0,130401 0,098521 0,073129 0,053350 0,038268 0,027000 0,018745 0,012811 0,008623 0,005717
15 0,177048 0,137762 0,105366 0,079241 0,058617 0,042666 0,030568 0,021565 0,014985 0,010260
16 0,230349 0,184114 0,144731 0,111924 0,085171 0,063797 0,047053 0,034181 0,024464 0,017257
17 0,288894 0,236638 0,190748 0,151338 0,118206 0,090917 0,068878 0,051411 0,037819 0,027425
18 0,350996 0,294012 0,242511 0,196992 0,157609 0,124227 0,096480 0,073851 0,055728 0,041466
19 0,414860 0,354672 0,298775 0,248010 0,202879 0,163570 0,129999 0,101864 0,078712 0,059992
20 0,478739 0,416960 0,358088 0,303224 0,253175 0,208443 0,169244 0,135536 0,107073 0,083458
218
PRILOZI
n 21 22 23 24 25 26 27 28 29 30
21 0,541056 0,479262 0,418912 0,361275 0,307390 0,258036 0,213712 0,174651 0,140851 0,112112
22 0,600490 0,540111 0,479748 0,420733 0,364256 0,311303 0,262623 0,218709 0,179811 0,145956
23 0,656022 0,598270 0,539229 0,480202 0,422437 0,367053 0,314988 0,266960 0,223457 0,184740
24 0,706941 0,652771 0,596192 0,538403 0,480626 0,424035 0,369684 0,318464 0,271068 0,227975
25 0,752836 0,702925 0,649715 0,594239 0,537626 0,481025 0,425538 0,372165 0,321752 0,274968
26 0,793551 0,748318 0,699134 0,646835 0,592401 0,536895 0,481399 0,426955 0,374509 0,324868
27 0,829147 0,788774 0,744032 0,695547 0,644115 0,590667 0,536205 0,481753 0,428295 0,376729
28 0,859849 0,824319 0,784218 0,739960 0,692147 0,641542 0,589026 0,535552 0,482087 0,429563
29 0,885998 0,855139 0,819690 0,779869 0,736084 0,688918 0,639101 0,587472 0,534934 0,482403
30 0,908012 0,881536 0,850598 0,815248 0,775711 0,732389 0,685846 0,636782 0,585996 0,534346
31 0,926342 0,903884 0,877207 0,846217 0,810981 0,771731 0,728861 0,682919 0,634576 0,584593
32 0,941450 0,922604 0,899857 0,873007 0,841988 0,806878 0,767916 0,725489 0,680127 0,632473
33 0,953783 0,938126 0,918933 0,895927 0,868932 0,837902 0,802930 0,764256 0,722261 0,677458
34 0,963761 0,950876 0,934842 0,915331 0,892092 0,864976 0,833953 0,799127 0,760740 0,719167
hi 35 0,971765 0,961255 0,947984 0,931599 0,911797 0,888351 0,861134 0,830133 0,795460 0,757360
kvadrat 36 0,978135 0,969634 0,958747 0,945113 0,928400 0,908331 0,884701 0,857402 0,826436 0,791923
37 0,983166 0,976344 0,967487 0,956240 0,942263 0,925246 0,904933 0,881139 0,853776 0,822856
38 0,987111 0,981678 0,974528 0,965327 0,953739 0,939439 0,922138 0,901601 0,877664 0,850250
39 0,990185 0,985888 0,980159 0,972691 0,963160 0,951245 0,936641 0,919077 0,898336 0,874271
40 0,992563 0,989188 0,984631 0,978613 0,970836 0,960988 0,948763 0,933872 0,916063 0,895136
41 0,994393 0,991759 0,988158 0,983343 0,977043 0,968966 0,958814 0,946294 0,931134 0,913096
42 0,995792 0,993749 0,990922 0,987095 0,982027 0,975451 0,967085 0,956641 0,943841 0,928426
43 0,996857 0,995281 0,993074 0,990053 0,986003 0,980686 0,973841 0,965195 0,954471 0,941404
44 0,997662 0,996453 0,994741 0,992370 0,989155 0,984884 0,979322 0,972215 0,963298 0,952307
45 0,998268 0,997346 0,996025 0,994175 0,991638 0,988229 0,983739 0,977938 0,970576 0,961398
46 0,998722 0,998022 0,997009 0,995573 0,993582 0,990878 0,987277 0,982572 0,976535 0,968926
47 0,999061 0,998532 0,997758 0,996650 0,995097 0,992964 0,990093 0,986301 0,981383 0,975116
48 0,999312 0,998915 0,998327 0,997476 0,996270 0,994598 0,992322 0,989284 0,985302 0,980175
49 0,999498 0,999201 0,998756 0,998106 0,997175 0,995870 0,994076 0,991656 0,988452 0,984282
50 0,999635 0,999414 0,999079 0,998584 0,997869 0,996856 0,995449 0,993533 0,990968 0,987598
219
Prilog 5. Kritične vrijednosti binomnog testa znakova
Dvosmjerni test α=0,01 Dvosmjerni test α=0,02

Jednosmjerni test α=0,005 Jednosmjerni test α=0,01
n
Donja kritična Gornja kritična Donja kritična Gornja kritična
vrijednost vrijednost vrijednost vrijednost
6 - - - -
7 - - 0 7
8 0 8 0 8
9 0 9 0 9
10 0 10 0 10
11 0 11 1 10
12 1 11 1 11
13 1 12 1 12
14 1 13 2 12
15 2 13 2 13
16 2 14 2 14
17 2 15 3 14
18 3 15 3 15
19 3 16 4 15
20 3 17 4 16
21 4 17 4 17
22 4 18 5 17
23 4 19 5 18
24 5 19 5 19
25 5 20 6 19
220
PRILOZI

n
Donja kritična Gornja kritična Donja kritična Gornja kritična
vrijednost vrijednost vrijednost vrijednost
6 0 6 0 6
7 0 7 0 7
8 0 8 1 7
9 1 8 1 8
10 1 9 1 9
11 1 10 2 9
12 2 10 2 10
13 2 11 3 10
14 2 12 3 11
15 3 12 3 12
16 3 13 4 12
17 4 13 4 13
18 4 14 5 13
19 4 15 5 14
20 5 15 5 15
21 5 16 6 15
22 5 17 6 16
23 6 17 7 16
24 6 18 7 17
25 7 18 7 18
221
Prilog 6. Kritične vrijednosti za runs test
R1,α=0,05
n1 n2
2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 2 2 2 2
3 2 2 2 2 2 2 2 2 2 3
4 2 2 2 3 3 3 3 3 3 3 3
5 2 2 3 3 3 3 3 4 4 4 4 4
6 2 2 3 3 3 3 4 4 4 4 5 5 5
7 2 2 3 3 3 4 4 5 5 5 5 5 6
8 2 3 3 3 4 4 5 5 5 6 6 6 6
9 2 3 3 4 4 5 5 5 6 6 6 7 7
10 2 3 3 4 5 5 5 6 6 7 7 7 7
11 2 3 4 4 5 5 6 6 7 7 7 8 8
12 2 2 3 4 4 5 6 6 7 7 7 8 8 8
13 2 2 3 4 5 5 6 6 7 7 8 8 9 9
14 2 2 3 4 5 5 6 7 7 8 8 9 9 9
15 2 3 3 4 5 6 6 7 7 8 8 9 9 10
R2,α=0,05
n1 n2
4 5 6 7 8 9 10 11 12 13 14 15
4 9 9
5 9 10 10 11 11
6 9 10 11 12 12 13 13 13 13
7 11 12 13 13 14 14 14 14 15 15 15
8 11 12 13 14 14 15 15 16 16 16 16
9 13 14 14 15 16 16 16 17 17 18
10 13 14 15 16 16 17 17 18 18 18
11 13 14 15 16 17 17 18 19 19 19
12 13 14 16 16 17 18 19 19 20 20
13 15 16 17 18 19 19 20 20 21
14 15 16 17 18 19 20 20 21 22
15 15 16 8 18 19 20 21 22 22
222
PRILOZI
R1,α=0,01
n2
n1 3 4 5 6 7 8 9 10 11 12 13 14 15
3 2 2 2 2
4 2 2 2 2 2 2 2 3
5 2 2 2 2 3 3 3 3 3 3
6 2 2 2 3 3 3 3 3 3 4 4
7 2 2 3 3 3 3 4 4 4 4 4
8 2 2 3 3 3 3 4 4 4 5 5 5
9 2 2 3 3 3 4 4 5 5 5 5 6
10 2 3 3 3 4 4 5 5 5 5 6 6
11 2 3 3 4 4 5 5 5 6 6 6 7
12 2 2 3 3 4 4 5 5 6 6 6 7 7
13 2 2 3 3 4 5 5 5 6 6 7 7 7
14 2 2 3 4 4 5 5 6 6 7 7 7 8
15 2 3 3 4 4 5 6 6 7 7 7 8 8
R2,α=0,01
n1 n2
5 6 7 8 9 10 11 12 13 14 15
5 11
6 11 12 13 13
7 13 13 14 15 15 15
8 13 14 15 15 16 16 17 17 17
9 15 15 16 17 17 18 18 18 19
10 15 16 17 17 18 19 19 19 20
11 15 16 17 18 19 19 20 20 21
12 17 18 19 19 20 21 21 22
13 17 18 19 20 21 21 22 22
14 17 18 19 20 21 22 23 23
15 19 20 21 22 22 23 24
223
Prilog 7. Kritične vrijednosti za Kolmogorov-Smirnov test

Greška prve vrste (dvosmjerni test)
n
0,05 0,01
1 0,975 0,995
2 0,842 0,929
3 0,708 0,823
4 0,624 0,733
5 0,565 0,669
6 0,521 0,618
7 0,486 0,577
8 0,457 0,543
9 0,432 0,514
10 0,410 0,490
11 0,391 0,468
12 0,375 0,450
13 0. 361 0,433
14 0,349 0,418
15 0,338 0,404
16 0,328 0,392
17 0,318 0,381
18 0,309 0,371
19 0. 301 0,363
20 0,294 0,356
25 0,27 0,32
30 0,24 0,29
35 0,23 0,27
više od 35 n n
1,36/ 1,63/
224
PRILOZI
Prilog 8. Kritične vrijednosti Wilcoxonovog testa ranga sa znakom za

jedan uzorak
n Jednosmjerni test α=0,025 Jednosmjerni test α=0,005
DG GG DG GG
6 0 21
7 2 26
8 3 33 0 36
9 5 50 1 44
10 8 47 3 52
11 10 56 5 61
12 13 65 7 71
13 17 74 10 81
14 21 84 13 92
15 25 95 16 104
16 29 107 19 117
17 34 119 23 130
18 40 131 27 144
19 46 144 32 158
20 52 158 37 173
21 58 173 43 188
22 66 187 48 205
23 73 203 54 222
24 81 219 61 239
25 89 236 68 257
26 98 253 75 276
27 107 271 83 295
28 116 290 91 315
29 126 309 100 335
30 137 328 109 356
225
Prilog 9. Donja i gornja kritična vrijednost U testa sume rangova
Dvosmjerni test α=0,01

n1 – manji Jednosmjerni test α=0,005
uzorak
4 5 6 7 8 9 10
n2 – veći
DG GG DG GG DG GG DG GG DG GG DG GG DG GG
uzorak
5 15 40
6 10 34 16 44 23 55
7 10 38 16 49 24 60 32 73
8 11 41 17 53 25 65 34 78 43 93
9 11 45 18 57 26 70 35 84 45 99 56 115
10 12 48 19 61 27 75 37 89 47 105 58 122 71 139
Dvosmjerni test α=0,05

n1 – manji Jednosmjerni test α=0,025
uzorak
4 5 6 7 8 9 10
n2 – veći
DG GG DG GG DG GG DG GG DG GG DG GG DG GG
uzorak
4 10 26
5 11 29 17 38
6 12 32 18 42 26 52
7 13 35 20 45 27 57 36 69
8 14 38 21 49 29 61 38 74 49 87
9 14 42 22 53 31 65 40 79 51 93 62 109
10 15 45 23 57 32 70 42 84 53 99 65 15 78 132
226
PRILOZI
Prilog 10. Kritične vrijednosti Wilcoxonovog testa ranga sa znakom za

dva zavisna uzorka

n
6 1
7 2
8 0 4
9 2 6
10 3 8
11 5 11
12 7 14
13 10 17
14 13 21
15 16 25
16 20 30
17 23 35
18 28 40
19 32 46
20 38 52
21 43 59
22 49 66
23 55 73
24 61 81
25 68 89
227
Prilog 11. Kritične vrijednosti za Spearmanov koeficijent korelacije

ranga
Greška prve vrste (dvosmjerni test)
n
0,01 0,05
4 - 0,8000
5 0,9000 0,8000
6 0,8857 0,7714
7 0,8571 0,6786
8 0,8095 0,5952
9 0,7667 0,5833
10 0,7333 0,5515
11 0,7000 0,5273
12 0,6713 0,4965
13 0,6429 0,4780
14 0,6220 0,4593
15 0,6000 0,4429
16 0,5824 0,4265
17 0,5637 0,4118
18 0,5480 0,3994
19 0,5333 0,3895
20 0,5203 0,3789
21 0,5078 0,3688
22 0,4963 0,3597
23 0,4852 0,3518
24 0,4748 0,3435
25 0,4654 0,3362
26 0,4564 0,3299
27 0,4481 0,3236
28 0,4401 0,3175
29 0,4320 0,3113
30 0,4251 0,3059
228
PRILOZI
Prilog 12. Kritične vrijednosti za test Kendallovog koeficijenta

korelacije ranga
n
5 - 10
6 15 13
7 19 15
8 22 18
9 26 20
10 29 23
11 33 27
12 38 30
13 44 34
14 47 37
15 53 41
16 58 46
17 64 50
18 69 53
19 75 57
20 80 62
21 86 66
22 91 71
23 99 75
24 104 80
25 110 86
26 117 91
27 125 95
28 130 100
29 138 106
30 145 111
31 151 117
32 160 122
33 166 128
34 175 133
35 181 139
36 190 146
37 198 152
38 205 157
39 213 163
40 222 170
229

Neparametarski Statistički Testovi

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Neparametarski Statistički Testovi

Uploaded by

Copyright:

Available Formats

NEPARAMETARSKI STATISTIČKI TESTOVI

CIP - Katalogizacija u publikaciji

Bibliografija: str. 187-189 i uz tekst.

Udžbenik „Neparametarski statistički testovi“ je prije svega namjenjen studentima

Sarajevo, januar 2017.

1. Uvod u neparametarsku statistiku 9

2. Neparametarski testovi za jedan uzorak 15

3. Neparametarski testovi za dva nezavisna uzorka 79

4. Neparametarski testovi za dva zavisna uzorka 113

5. Neparametarski testovi za K nezavisnih uzoraka 149

U inferencijalnoj statistici vezanoj za parametarske metode i statističke testove polazi se od

Kako na osnovu prethodne elaboracije možemo zaključiti, jedna od ključnih prednosti

U tabeli 1. 1. prezentirani su uslovi i kriteriji na bazi kojih biramo parametarsku ili

Tabela 1. 1. Parametarski versus neparametarski testovi

Parametarski test Kriteriji Neparametarski test

intervalna, mjerna skala mjerenja može biti i nominalna ili ordinalna

U programskom paketu SPSS na raspolaganju imamo neparametarske testove prezentirane

Tabela 1. 2. Neparametarski testovi u SPSS programskom paketu

Tip uzorka Odgovarajući neparametarski test

Tip uzorka Odgovarajući neparametarski test

Slika 1. 1. Neparametarski testovi u SPSS programskom paketu

U nastavku ćemo detaljno analizirati najčešće korištene neparametarske testove

Neparametarski testovi sa jednim uzorkom iz analizirane populacije mogu nam dati

2.1. Hi-kvadrat test saglasnosti ili prilagođenosti

Tumačenje dobijene vrijednosti bazira se na teorijskom hi-kvadrat rasporedu:

a. Raspored je definisan u oblasti od 0 do +∞.

Dobijena empirijska hi-kvadrat vrijednost se upoređuje sa teorijskom hi-kvadrat

koji su procjenjeni iz empirijskih podataka. Postupak zaključivanja je sljedeći:

Tabela 2. 1. Struktura prodaje automobila prema boji

Boja Distribucija iz prethodnog perioda

Druge boje 150

Ove godine tvrdi da su se preferencije promijenile i da se popularnost boja promijenila

Tabela 2. 2. Prodaja automobila u tekućoj godini

Boja Distribucija iz tekućeg perioda

Nivo značajnosti je 99%.

Tabela 2. 3. Radna tabela za izračunavanje empirijske hi-kvadrat vrijednosti za primjer 2. 1. 1.

Određujemo tabličnu ili teorijsku hi-kvadrat vrijednost (prilog 4.).

Na bazi upoređivanja empirijske i teorijske hi-kvadrat vrijednosti zaključujemo:

Slika 2. 1. SPSS procedura za ponderisanje u primjeru 2. 1. 1.

U opciji „Analyze“ biramo neparametarski hi-kvadrat test i unosimo frekvencije iz

Slika 2. 2. SPSS procedura za provođenje hi-kvadrat testa u primjeru 2. 1. 1.

Tabela 2. 4. Rezultati hi-kvadrat testa u primjeru 2. 1. 1. – SPSS output

Observed N Expected N Residual

1,00 575 725,0 -150,0

2,00 700 775,0 -75,0

3,00 685 500,0 185,0

4,00 320 312,5 7,5

5,00 220 187,5 32,5

P vrijednost je niža od 0,01 što znači da odbacujemo nultu i prihvatamo alternativnu

Tabela 2. 5. Kupovina kafe u uzorku za primjer 2. 1. 2.

područje broj potrošača u uzorku broj kupaca kafe u uzorku

Možemo li prihvatiti pretpostavku da je proporcija kupaca kafe jednaka za svako područje

Određujemo očekivane ili teorijske frekvencije po modelu:

Tabela 2. 6. Radna tabela za izračunavanje teorijskih frekvencija za primjer 2. 1. 2.

broj potrošača u broj kupaca kafe u očekivani broj kupaca

broj potrošača u broj kupaca kafe u

A 100 20 19,286 0,02643

Određujemo tabličnu ili teorijsku hi-kvadrat vrijednost (prilog 4.).

Na bazi upoređivanja empirijske i teorijske hi-kvadrat vrijednosti zaključujemo:

Tabela 2. 8. Rezultati hi-kvadrat testa u primjeru 2. 1. 2. – SPSS output

Kako je p vrijednost 0,366>0,05, ne odbacujemo nultu hipotezu, tj. zaključujemo da je

Tabela 2. 9. Broj primljenih mailova od strane studenata

Dan u sedmici Broj primljenih mailova