Medicinska statistika i informatika

- repetitorijum -
 Sadržaj
Osnovni statistički pojmovi………………………………………………………………….2
Sređivanje podataka………………………………………………………………………...5
Relativni brojevi……………………………………………………………………………...7
Mere centralne tendencije………………………………………………………………….9
Mere varijabiliteta…………………………………………………………………………..13
Verovatnoća i raspodele verovatnoća…………………………………………………...18
Uzorak i uzoračke raspodele……………………………………………………………..23
Statističko zaključivanje – ocenjivanje populacionih parametara na osnovu uzorka.28
Testiranje hipoteza….……………………………………………………………………..30
t-test…………………………………………………………………………………………36
Hi-kvadrat test………………………………………………………………………………38
McNemarov test……………………………………………………………………………41
Fisherov test tačne verovatnoće…………………………………………………………42
Test sume rangova………………………………………………………………………...43
Test ekvivalentnih parova…………………………………………………………………44
Korelacija……………………………………………………………………………………45
Regresija……………………………………………………………………………………47
Pretraživanje bibliografskih baza podataka……………………………………………..49
Neformalno i formalno odlučivanje u medicine…………………………………………52
Medicinsko odlučivanje I – dijagnoza……………………………………………………54
Medicinsko odlučivanje II – izbor terapije……………………………………………….58

1
 Osnovni statistički pojmovi

Statistika je nauka o generisanju informacija i znanja kroz prikupljanje,

analizu i interpretaciju podataka koji su podložni slučajnom variranju. Predstavlja
opšti intelektualni metod koji se primenjuje kad god postoje podaci sa osobinama
variranja i slučajnošću pojavljivanja. Moglo bi se reći da je statistika nauka o
odlučivanju u uslovima nesigurnosti. Medicinska statistika je statistika primenjena u
oblastima povezanim sa zdravljem i bolešću (biomedicinske i javnozdravstvene
nauke), kao i nauka koja razvija nove alate i metode za istraživanje ovih oblasti.
Medicinska statistika je nauka o odlučivanju u uslovima nesigurnosti u oblastima
povezanim sa zdravljem i bolešću.
Osnovni skup je skup svih istovrsnih elemenata sa zajedničkom
promenljivom karakteristikom. Elementi osnovnog skupa, odnosno njegovi
sastavni delovi, nazivaju se jedinice posmatranja. U kliničkim istraživanjima,
jedinica posmatranja je najčešće pojedinačna obolela osoba (ispitanik, pacijent), u
eksperimentalnim istraživanjima može biti laboratorijska životinja ili bakterijska
kolonija, kao i bolnica u javnozdravstvenim istraživanjima. Osnovni skup (populacija)
je kompletan skup jedinica posmatranja od interesa u istraživanju (svi oboleli od
osteoporoze, svi učenici osnovnih škola...). To je stvaran i konačan skup. Isti naziv
se odnosi i na beskonačan skup svih mogućih rezultata posmatrane karakteristike (u
teorijskom smislu beskonačan broj merenja koncentracije hemoglobina u krvi).
Jedinice posmatranja su nosioci brojnih obeležja (karakteristika, osobina).
Obeležje posmatranja je bilo koja kvantitativna ili kvalitativna karakteristika
(osobina) jedinica posmatranja. Obeležje može imati konstantne vrednosti
(konstanta) ili promenljive vrednosti (varijabla). Varijable su obeležja koja su
podložna variranju. Pod variranjem (varijabilitetom, varijacijom) podrazumeva se
promenljivost obeležja posmatranja od jedinice do jedinice posmatranja. Istraživači
retko donose zaključke na osnovu ispitivanja kompletnog osnovnog skupa. To se
uglavnom čini na osnovu uzorka koji predstavlja podskup osnovnog skupa biran na
određen način. Zaključke dobijene analizom podataka na osnovu uzorka, istraživač
zatim generalizuje na čitav osnovni skup. Da bi takva generalizacija zaključka bila
valjana, uzorak mora biti reprezentativan za osnovni skup, odnosno uzorak mora biti
sličan osnovnom skupu u odnosu na ispitivano obeležje.
Predmet statistike je podatak, pojedinačna činjenica ili zapažanje
(opservacija) koji se dobija merenjem. Merenje predstavlja proces dodeljivanja
brojeva ili drugih simbola specifičnim karakteristikama jedinica posmatranja (osoba,
objekata...). Podaci se mogu generisati u mernom procesu na različite načine:
 direktnim merenjem primenom instrumenta (merenje telesne mase ili
koncentracije holesterola u plazmi)
 opservacijom zapažanja o patološkim promenama na koži
 intervjuom u kojem ispitanik odgovarajući na pitanja ispitivača daje tražene
podatke (da li je ispitanik pušač)
 upitnikom na kojem ispitanik sam daje odgovore na postavljena pitanja.
Prilikom merenja može doći do grešaka u merenju koje mogu biti
sistematske ili slučajne. Podaci i varijable po tipu mogu biti kategorijalni ili
numerički.

2
 Kategorijalni (kvalitativni) podaci postoje kada se svaka jedinica
posmatranja može svrstati u samo jednu od više kategorija varijable. Mogu biti:
a) Nominalni podaci – kategorije su označene imenima i nemaju poredak.
 Pol (ženski, muški)
 Krvna grupa (A, B, AB, O)
 Ishod lečenja (izlečen, neizlečen)
 Navika pušenja (nepušač, pušač)
 Lokalizacija patoloških promena na koži (glava, trup, ekstremiteti)
b) Ordinalni podaci – kategorije su uređene ili rangirane na neki način (od
manjeg ka većem ili obrnuto).
 Zadovoljstvo pacijenata zdravstvenom zaštitom (vrlo nezadovoljan,
nezadovoljan, neutralan, zadovoljan, vrlo zadovoljan)
 Stadijum bolesti (bez bolesti, početni stadijum, uznapredovali stadijum)
 Navika pušenja (nepušač, umereni pušač, prekomerni pušač)
 Uhranjenost (pothranjenost, normalna uhranjenost, gojaznost)
Kategorijalni podaci koji imaju samo dve međusobno isključive kategorije,
jesu binarni odnosno dihotomni. Primeri su pol (ženski, muški) i ishod lečenja
(izlečen, neizlečen).
Numerički (kvantitativni) podaci nastaju merenjem ili prebrojavanjem. Mogu
biti:
a) Diskretni (diskontinuirani, prekidni) numerički podaci - kada varijabla
može imati samo određene celobrojne vrednosti.
 Broj dece u porodici
 Broj porođaja ili broj obolelih
 Broj poseta lekaru
 Frekvencija srca
 Broj trombocita
b) Kontinuirani (neprekidni) numerički podaci - varijabla može imati bilo koju
vrednost iz intervala variranja.
 Telesna masa i visina
 Starost
 Telesna temperatura
 Pritisak
Kod merenja neprekidnih varijabli, preciznost merenja zavisi od preciznosti
mernog instrumenta i potreba samog istraživanja. Krvni pritisak predstavlja
numeričku kontinuiranu varijablu, najčešće se zapisuje u obliku celih brojeva,
međutim ukoliko se koristi precizniji merni instrument mogli bismo zabeležiti i
decimalne vrednosti. Broj decimala zavisi ponovo od preciznosti mernog
instrumenta.
Numerički podaci se mogu transformisati u kategorijalne podatke
(nominalne ili ordinalne). Tada dolazi do gubitka jednog dela informacija. Podaci o

3
uhranjenosti mogu biti izraženi kao indeks telesne mase (kg/m 2) u vidu kontinuiranih
numeričkih podataka. Ovi podaci se mogu transformisati u kategorijalne podatke sa
mogućim kategorijama: pothranjenost, normalna uhranjenost i gojaznost. Ovde
dolazi do gubitka jednog dela informacija, jer više nije poznato u kojoj meri se
jedinice posmatranja unutar kategorija razlikuju prema indeksu telesne mase.
Adekvatnost merenja
U svakom merenju postoji izvestan stepen neizvesnosti koji može biti iskazan
kao greška u merenju. Greške u merenju mogu se klasifikovati u dve kategorije:
sistematske i slučajne greške. Sistematske greške daju predvidive precenjene ili
potcenjene vrednosti (loše kalibrisani instrument koji daje uvek precenjene ili uvek
potcenjene). Za razliku od sistematskih grešaka, slučajne greške nisu predvidive i u
datom mernom procesu mogu dati i precenjene i potcenjene vrednosti. Greške u
merenju nastaju delovanjem različitih faktora kao što je to loša kalibracija
instrumenta, neodgovarajuće vreme odziva instrumenta u odnosu na promene
merene varijable, uticaj samog instrumenta namerenu veličinu, delovanje okoline,
humani faktori – međuposmatrački i unutarposmatrački varijabilitet (kako lekar
ocenjuje depresivnost pacijenta na nekoj skali). Slučajne greške nastaju i usled
“šuma” - malih i brzih promena u okolini ili u samom instrumentu koje mogu uticati na
izmerenu vrednost. Identifikacijom i smanjenjem grešaka merenje se može učiniti
adekvatnijim. Adekvatnost merenja podrazumeva koncepte kao što su:
1) Tačnost – odnosi se na bliskost izmerene vrednosti i tačne/korektne
vrednosti (označena kao referentna, kriterijumska ili vrednost zlatnog
standarda)
2) Slaganje – odnosi se na bliskost izmerenih vrednosti različitim metodama pri
čemu se niti jedan od njih ne može proglasiti zlatnim standardom, pa se i ne
može primeniti ocena tačnosti
3) Preciznost – odnosi se na bliskost više ponovljenih merenja iste veličine pod
istim uslovima
Mnoga merenja u medicini zasnivaju se na primeni “papirnih instrumenata” -
upitnika i skala. Izmerena vrednost (skor) dobija se putem odgovaranja na pitanja
(stavke, ajteme) na upitniku ili skali. Adekvatnost takvog mernog procesa opisana je
konceptima valjanosti/validnosti (srodan je konceptu tačnosti) i pouzdanosti (srodan
je konceptu preciznosti). Dva su osnovna razloga da se kontinuirane varijable beleže
po tipu kategorijalnih podataka:
1) sa kategorijalnim podacima je lakše opisivanje osnovnog skupa (npr. koliki je
procenat gojaznih u populaciji)
2) donošenje odluka o nekoj intervenciji je olakšano kada su podaci grupisani na
neki način (da se gojazni podvrgnu preventivnom delovanju).
Do primarnih podataka dolazi se kroz istraživanja, dok se termin sekundarni
medicinski podaci odnosi na podatke u medicinskoj/zdravstvenoj dokumentaciji i
medicinskim bazama podataka.

4
 Sređivanje podataka

Sređivanje podataka obuhvata njihovo grupisanje i tabelarno i grafičko

prikazivanje. Grupisanje je proces razvrstavanja (organizovanja, klasifikovanja)
jedinica posmatranja prema vrednostima posmatranih varijabli. Za nominalne i
ordinalne podatake grupisanje se obavlja po kategorijama. Za numeričke
diskontinuirane podatke grupisanje se obavlja po grupama koje odgovaraju
diskretnim vrednostima, a ako je raspon veliki onda po klasnim intervalima. Za
numeričke kontinuirane podatke grupisanje se obavlja po klasnim intervalima.
Prebrojavanjem jedinica posmatranja po grupama nastaju apsolutne učestalosti
(frekvencije). Deljenjem apsolutnih učestalosti ukupnim brojem jedinica posmatranja
nastaju relativne učestalosti (frekvencije) koje mogu biti iskazane u vidu proporcija
ili procentualno. Statističke tabele se koriste za pregledno prikazivanje podataka.
Dobijaju su ukrštanjem vertikalnih i horizontalnih linija pri čemu nastaju redovi –
nizovi horizontalnih površina i kolone – nizovi vertikalnih površina. Grafičko
prikazivanje je metod prikazivanja podataka u vizuelnoj formi. Postoje brojni
programi za grafičko prikazivanje podataka.
Tabelarno i grafičko prikazivanje mominalnih podataka
Grupisanje kategorijalnih (nominalnih i ordinalnih) podataka obavlja se prema
kategorijama. Ista struktura može se prikazati i grafički kružnim dijagramom ili
stubičastim dijagramom. Na kružnom dijagramu ugao kružnog isečka koji
odgovara nekoj kategoriji dobija se množenjem relativne učestalosti (iskazanih kao
proporcije) sa 360°. Stubičasti dijagram je sastavljen od razdvojenih vertikalnih
pravougaonika (ili horizontalnih) od kojih svaki reprezentuje jednu kategoriju, a čije
visine (dužine) odgovaraju učestalostima.
Za numeričke kontinuirane podatke raspodela učestalosti prikazuje se po
klasnim intervalima, a grafički prikazana histogramom i poligonom frekvencijom.
Granice i širine klasnih intervala određuju se prema određenim pravilima:
1) Utvrditi minimalnu i maksimalnu vrednost i izračunati opseg (razlika
maksimalne i minimalne vrednosti).
2) Doneti odluku o broju klasnih intervala. Prikaz raspodele sa manjim brojem
klasnih intervala je pregledniji, a sa većim brojem klasnih intervala je
informativniji o karakteristikama raspodele.
3) Doneti odluku o širini klasnih intervala. Dobija se tako što se opseg podeli
brojem klasnih intervala, a dobijena vrednost po potrebi zaokruži. Istraživač
može sam odrediti šitinu intervala zbog bolje preglednosti ili poređenja sa
drugim rezultatima.
4) Doneti odluku o donjoj granici prvog klasnog intervala. Ta granica mora biti
odabrana tako da prvi klasni interval obuhvati podatak sa minimalnom
vrednošću. Preporučljivo je da donja granica bude deljiva širinom klasnih
intervala.
5) Donja granica svakog sledećeg klasnog intervala se dobija sabiranjem donje
granice prethodnog klasnog intervala i širine klasnog intervala. Poslednji
klasni interval mora da obuhvati podatak sa maksimalnom vrednošću.

5
 6) Klasni intervali su najčešće jednake širine, a granice moraju biti tako
odabrane da obezbede da svaka jedinica opservacije pripadne samo jednom
intervalu.

Kumulativne učestalosti (frekvencije) su sukcesivni zbirovi učestalosti

pojedinih grupa ili grupnih intervala. Dobijaju se na taj način što se učestalosti
sledećih u nizu grupa sukcesivno sabiraju sa prethodnim učestalostima tako da se
kumulativna učestalost najviše grupe izjednačuje sa zbirom učestalosti. Kumulativne
učestalosti omogućavaju da znamo koliko jedinica posmatranja ima vrednost
jednaku ili manju od određene vrednosti varijable od interesa. Kumulativna
učestalost se može izračunati za apsolutne i za relativne učestalosti. Grafički se
prikazuju linijskim kumulativnim dijagramom gde se na X osi nanose vrednosti
obeležja, a na Y osi kumulativne učestalosti.

6
 Relativni brojevi

Relativni broj se dobija kao količnik dva apsolutna broja. Izračunavanje

relativnih brojeva omogućava poređenje istoimenih ili raznoimenih pojava. Relativni
brojevi mogu biti pomnoženi sa 100 kada se dobijaju procenti (%) ili sa 1000 kada se
dobijaju promili (‰). Ovako dobijeni broj se može shvatiti kao relativni broj čija je
osnova 100 ili 1000 (procenat je relativni broj čija je osnova 100). U zavisnosti od
cilja poređenja razlikujemo tri vrste relativnih brojeva:
 pokazatelji strukture (kvote)
 indeksi
 statistički koeficijenti
Vr
Rb=
Vb
Vr računska vrednost - vrednost koja se upoređuje
Vb bazna vrednost - osnova za poređenje
Pokazatelj strukture (kvota, relativna frekvencija)
Relativni broj (u statistici relativna frekvencija) koji pokazuje strukturu pojave,
odnos delova prema celini. Prikazuje se u obliku proporcije (računska vrednost
koja se dobija kao količnik dela i celine i čija se vrednost nalazi u intervalu od 0 do 1)
ili procenta. Zbir procenata ili pokazatelja strukture svih delova jedne celine mora da
bude jednak 100. Osim prostih tabele mogu biti i kombinovane u kojima se
učestalosti odnose na kategorije dve varijable. Postoje tri načina za izračunavanje
procenata. Procenti po redovima gde je bazna vrednost za poređenje zbir
učestalosti odgovorajućeg reda (horizontalna struktura). Procenti po kolonama gde
je bazna vrednost za poređenje zbir učestalosti odgovarajuće kolone (vertikalna
struktura). Totalni procenti gde je bazna vrednost za poređenje totalna učestalost
(totalna struktura).

Indeksi dinamike
Pokazuju relativnu promenu obeležja u vremenu. Razlikuju se po tome šta
služi kao osnova za poređenje. Bazni indeksi dinamike su članovi vremenske serije
koji se porede sa istom osnovom. Osnova za poređenje može biti prva, poslednja,
najmanja, najveća ili neka druga pogodna vrednost. Lančani indeksi dinamike gde
se svaki član vremenske serije poredi sa prethodnim članom.
Bazni indeks dinamike se izračunava kada se kao računska vrednost upiše
stanje pojave u tekućem periodu (npr. vrednost Hgb u junu mesecu), a kao bazna
vrednost stanje pojave u baznom periodu (npr. vrednost Hgb u maju mesecu).
Dobijena vrednost se pomnoži sa 100.
Lančani indeks dinamike se izračunava kada se kao računska vrednost
upiše stanje pojave u tekućem vremenskom periodu (npr. vrednost Hgb u avgustu
mesecu), a kao bazna vrednost stanje pojave u prethodnom vremenskom periodu
(vrednost Hgb u julu mesecu). Dobijena vrednost se pomnoži sa 100. Lančani indeks
pokazuje promenu jedne pojave od prethodnog do narednog vremenskog perioda.

7
Ukoliko je lančani indeks veći od 100 znači da je posmatrana pojava u porastu (u
odnosu na prethodni vremenski period). Ukoliko je manji od 100 znači da je u
opadanju.

Statistički koeficijenti
Relativni brojevi kojima se upoređuju dve raznoimene pojave od kojih je
bar jedna masovna. U statističke koeficijente spadaju mnogi zdravstveni i
demografski pokazatelji. Demografski pokazatelji su natalitet i mortalitet, a
zdravstveni pokazatelji se odnose na oboljevanje (morbiditet) – incidencija i
prevalencija.
Natalitet
R
N= ∙ 1000
St

 N – natalitet izražen u promilima, broju živorođene dece na 1000 stanovnika

 R – broj živorođene dece na određenoj teritoriji za godinu dana
 St – broj stanovnika na toj teritoriji sredinom vremenskog intervala
Moratlitet
U
M= ∙ 1000
St

 M – mortalitet izražen u promilima, broju umrlih osoba na 1000 stanovnika

 U – broj umrlih osoba na određenoj teritoriji za godinu dana
 St – broj stanovnika na toj teritoriji sredinom vremenskog intervala
Incidencija
On
I= ∙ 100000
St

 I – incidencija izražena u procentimilima, broju novih slučajeva od određene

bolesti na 100000 stanovnika
 ON – broj novih slučajeva od određene bolesti na 100000 stanovnika u
određenom periodu
 St – broj stanovnika na toj teritoriji sredinom vremenskog intervala
Prevalencija
Ou
P= ∙ 100000
St

 P – prevalencija izražena u procentimilima, ukupnom broju slučajeva (i novi i

stari) od određene bolesti na 100000 stanovnika
 OU – ukupan broj slučajeva od određene bolesti na 100000 stanovnika u
određenom periodu
 St – broj stanovnika na toj teritoriji sredinom vremenskog intervala

8
 Mere centralne tendencije

U statističkom smislu prosek, srednja vrednost, odnosno mera centralne

tendencije je jedan broj, jedna vrednost koja kao reprezentativna zamenjuje sve
druge vrednosti obeležja posmatranja.
Srednje vrednosti imaju osobine. Ne mogu biti veće od najveće niti manje od
najmanje pojedinačne vrednosti u datom skupu podataka. Spadaju u apsolutne mere
jer se iskazuju u istim mernim jedinicama u kojima su iskazani i podaci za koje se
izračunavaju. Mogu imati vrednost koja ne postoji u skupu podataka. Mogu biti
iskazane i decimalnim brojem bez obzira da li su u pitanju numerički kontinuirani ili
diskontinuirani podaci.
Prema načinu izračunavanja srednje vrednosti se dele u dve grupe:
1) Matematičke (računske) srednje vrednosti – izračunavaju se na osnovu
svih vrednosti:
a. aritmetička sredina
b. geometrijska sredina
c. harmonijska sredina

2) Pozicione (lokacione) srednje vrednosti – određuju se na osnovu položaja

u nizu podataka i raspodeli učestalosti:
a. medijana
b. mod (modus, tipična vrednost)

Aritmetička sredina
Aritmetička sredina je količnik zbira svih podataka i ukupnog broja podataka.
Poznata je i kao prosečna vrednost, prosek. Obeležava se sa x (iks bar). Izračunava
se prema formuli:

x=
∑ Xi
n
Xi - pojedinačan podatak
n - broj podataka
.
Algebarski zbir odstupanja pojedinačnih vrednosti od njihove aritmetičke
sredine jednak je nuli, a zbir kvadrata odstupanja pojedinačnih vrednosti od njihove
aritmetičke sredine manji je od zbira kvadrata odstupanja od bilo koje druge
vrednosti. Prednost aritmetičke sredine je jednostavno izračunavanje i reflektovanje
svih vrednosti u skupu podataka. Nedostaci aritmetičke sredine su da se ne može
koristiti sa nominalnim i ordinalnim podacima i da je pod značajnim uticajem
ekstremnih vrednosti (na malom broju podataka samo jedna ekstremna vrednost
može učiniti aritmetičku sredinu nereprezentativnom).

Aritmetička sredina za grupisane podatke seizračunava se prema formuli:

9
 x=
∑ fx
∑f
f – frekvencija
x –diskretna vrednost obeležja/sredina klasnog intervala
U nekim slučajevima potrebno je izračunati objedinjenu aritmetičku sredinu
zasnovanu na već izračunatim aritmetičkim sredinama u ispitivanim grupama.

x=
∑nx
∑n
Medijana

Medijana ili centralna vrednost predstavlja srednju pozicionu vrednost. Deli

niz podataka poređanih po veličini na dva jednaka dela. Jednaka je drugom kvartilu,
odnosno pedesetom percentilu.

Zbir apsolutnih odstupanja svake pojedinačne vrednosti od medijane manji je

od zbira odstupanja od bilo koje druge vrednosti. U skupu sa neparnim brojem
podataka medijana je uvek stvarna i postojeća vrednost. Na primer, ako je broj
podataka 9, medijana će imati vrednost petog podatka kada su oni poređani po
veličini. U skupu sa parnim brojem podataka vrednost medijane se izračunava tako
što se saberu dva centralna podatka i dobijeni zbir podeli sa dva. Na primer, ako je
broj podataka 10, vrednost medijane se dobija tako što se zbir petog i šestog
podatka podeli sa dva.
Medijana ne zavisi od vrednosti obeležja posmatranja već od njihovog mesta,
od broja podataka. Upotrebljava se u onim slučajevima kada treba izbeći nerealnu
aritmetičku sredinu ili kada postoji posebna zainteresovanost za mesto podataka kao
što je lociranje optimalnog položaja.
Nedostaci medijane u odnosu na aritmetičku sredinu jesu da je manje
pogodna za dalje statističke analize i da ignoriše relativan uticaj svake pojedinačne
vrednosti uključujući i ekstremne vrednosti tako da nije pogodna kada istraživač želi
da srednja vrednost reflektuje svaku vrednost iz skupa podataka.
Određivanje medijane:
1) Urediti podatke od minimalne do maksimalne vrednosti.
2) Odrediti mesto (položaj) medijane prema formuli:

n+ 1
mmed =
2

10
 3) Pročitati ili izračunati vrednost koja odogovara mestu medijane. Kod neparnog
broja podataka medijana je vrednost srednjeg, centralnog podatka, a kod
parnog broja podataka vrednost medijane se izračunava kao aritmetička
sredina dva centralna podatka.

Mod

Mod (tipična vrednost) je vrednost podatka sa najvećom učestalošću.

Određivanje moda može biti olakšano ako su podaci sređeni po rastućem ili
opadajućem nizu. Kod grupisanih podataka približna vrednost moda je vrednost
grupe ili sredine klasnog intervala sa najvećom frekvencijom – modalna grupa ili
modalni interval.
Ako se pojavljuje samo jedna maksimalna frekvencija grupe ili grupnog
intervala radi se o unimodalnoj raspodeli, a ako se pojavljuju dve ili više
maksimalnih frekvencija grupa ili grupnih intervala radi se o bimodalnoj ili
multimodalnoj raspodeli.

Prednosti moda su da nije pod uticajem ekstremnih vrednosti i da je to jedina

mera centralne tendencije koja se može primeniti kod nominalnih podataka.
Nedostaci moda su da može postojati više od jednog moda u datom skupu
podataka što otežava interpretaciju, da se ne može odrediti ako ne postoje bar dva
podataka sa istim vrednostima, da nije pogodan za dalje statističke analize i da
ignoriše relativan uticaj svake pojedinačne vrednosti.
Odnos mera centralne tendencije
Uzajamni odnosi srednjih vrednosti najviše zavise od oblika raspodele
učestalosti. Kod simetrične raspodele aritmetička sredina, medijana i mod imaju
slične vrednosti.

11
 Kod desno (pozitivno) iskošene raspodele, aritmetička sredina je veća od
medijane i moda (x̄ > Med > Mod), a kod kod levo (negativno) iskošene raspodele,
aritmetička sredina je manja od medijane i moda (x̄ < Med < Mod).

Izbor srednje vrednosti

Izbor srednje vrednosti kao reprezenta skupa podataka zavisi od tipa
podataka i osobina raspodele. Za numeričke podatke sa simetričnom raspodelom i
bez ekstremnih vrednosti upotrebiti aritmetičku sredinu. Za numeričke podatke sa
asimetričnom raspodelom ili kada postoje ekstremne vrednosti, upotrebiti medijanu.
Za ordinalne podake upotrebiti medijanu. Za ordinalne podatke sa malim brojem
kategorija upotrebiti mod. Za nominalne podatke upotrebiti mod.

12
 Mere varijabiliteta

Mere varijabiliteta (mere varijacije, mere disperzije, mere raspršenja) opisuju

variranje vrednosti skupa podataka u smislu odstupanja od srednjih vrednosti i
opsega međusobnih razlika.
Mere varijabiliteta možemo podeliti na apsolutne mere varijabiliteta koje su
iskazane u jedinicima mere obeležja i relativne mere varijabiliteta koje su iskazane
neimenovanim brojevima:
Apsolutne mere varijabiliteta su:
1) Interval (raspon) varijacije
2) Kvantili, percentili, decili, kvartili
3) Srednje apsolutno odstupanje
4) Varijansa
5) Standardna devijacija
Relativne mere varijabiliteta:
1) Koeficijent varijacije
2) Standardizovane (normalizovane) vrednosti

Interval varijacije
Interval varijacije je razlika najveće i najmanje vrednosti u skupu podataka.
I =Xmax −Xmin
Xmax – najveća vrednost u skupu podataka
Xmin – najmanja vrednost u skupu podataka
Interval varijacije je najjednostavnija i najmanje informativna mera disperzije.
Pruža opšte i elementarne informacije koje služe za orjentacionu procenu
homogenosti obeležja. Nedostaci intervala varijacije su da zavisi od postojanja
ekstremnih vrednosti, da ne daje informaciju o grupisanju unutar intervala i da
njegova vrednost raste sa povećanjem uzorka.

Kvantili (percentili, decili, kvartili)

Kvantili predstavljaju pozicione vrednosti numeričkog obeležja koje niz
uređen po veličini dele na k-jednakih delova. Broj kvantila uvek je jednak k-1.
Potupak određivanja kvantila analogan je postupku određivanja medijane.
Služe za određivanje ili upoznavanje sa raspodelom frekvencija i podataka unutar
skupa. Percentili su kvantili koji statistički niz dele na 100 jednakih delova (broj
percentila je 99). Decili su kvantili koji statistički niz dele na 10 jednakih delova (broj
decila je 9). Kvartili su kvantili koji statistički niz dele na 4 jednaka dela. Broj kvartila
je 3.
Q1 - prvi ili donji kvartil jednak je 25. percentile.
Me - drugi kvartil ili medijana odnosno 50. percentil (5. decil).
Q3 - treći ili gornji kvartil jednak je 75. percentilu.

13
 Interkvartilni opseg (IQ) jednak je razlici 75. i 25. percentila, odnosno jednak
je Q3-Q1 i u njemu se nalazi 50% observacija. Kvantile (percentile, decile i kvartile)
određujemo uz pomoć relativnih kumulativnih distribucija frekvencija.

Grafikon kutije (Box and Whisker Plot, Box plot, BP)

Grafikonom kutije prikazujemo numeričke podatke. Grafikon kutije dizajnirao
je John Tukey. Grafikon se sastoji od kutije (box) čija je stranica dužine
interkvartilnog opsega (IQ) i čiji se krajevi prostiru od mesta koje odgovara prvom
kvartilu (Q1) do mesta koje odgovara trećem kvartilu (Q 3). Unutar kutije je oznaka,
obično linija koja preseca kutiju, koja odgovara vrednosti medijane. Kutija predstavlja
50% opserviranih slučajeva.
Iz kutije na obe strane izlazi po jedan produžetak, brk (whisker, mačji brk) koji
se prostire u opsegu najmanje i najveće vrednosti koje nisu neobične ili ekstremne.
Za određivanje dužine produžetaka služe nam unutrašnje i spoljašnje granice.
Unutrašnje granice su udaljene od krajeva kutije po 1,5 a spoljašnje po 3
interkvartilna opsega. Granice se ne ucrtavaju u grafikon već služe za određivanje
dužine produžetaka i identifikaciju neobičnih i ekstremnih vrednosti.
Neobične vrednosti (outlier) su sve vrednosti koje su od ivica kutije udaljene
više od 1,5, a manje od 3 dužine kutije (interkvartilnog opsega) i na grafikonu se
označavaju 0. Ekstremne vrednosti su one koje su od ivice kutije udaljene više od 3
njegove dužine i na grafikonu se obeležavaju sa * ili x.
Za unimodalne distribucije frekvencija očekuje se da iza unutrašnjih granica
bude manje od 1% podataka, dok je verovatnoća pojavljivanja podataka iza
spoljašnjih granica 1 ‰
Treba proveriti da li je vrednost ekstremnih vrednosti moguća ili je u pitanju
greška prilikom zapisivanja i/ili unošenja podataka. Proveriti da li je ta vrednost
unutar opsega mogućih vrednosti date promenljive.

14
15
 Varijansa i standardna devijacija

Varijansa je srednje kvadratno odstupanje od aritmetičke sredine. Obeležava

se sa sd2 ili s2. Izračunava se po formuli:

Xi je vrednost pojedinačnog podatka

je aritmetička sredina, a n je broj podataka. Kada je n veće od 30, u imeniocu

se može staviti n umesto n-1 jer su tada izračunate vrednosti približno jednake.

Standardna devijacija (obeležava se sa sd) izračunava se kao kvadratni

koren iz varijanse, odnosno kao kvadratni koren iz srednjeg kvadratnog odstupanja
od aritmetičke sredine:

Standardna devijacija je najvažnija i najčešće primenjivana mera varijacije.

Standardna devijacija se može interpretirati kao srednje odstupanje od aritmetičke
sredine. Što je standardna devijacija manja, manje je i odstupanje vrednosti
podataka od aritmetičke sredine.
Varijansa i standardna devijacija ne mogu biti negativne (zbog kvadriranja
odstupanja) i mogu biti jednake nuli samo ako svi podaci imaju istu vrednost.
Prednost varijanse i standardne devijacije kao mera varijabiiteta je u tome što
odražavaju variranje svih vrednosti skupa podataka.
Nedostaci varijanse i standardne devijacije su osetljivost na ekstremne
vrednosti, nepodesne su za podatke sa asimetričnom raspodelom i mogu se koristiti
samo za numeričke podatke.
Nedostatak varjanse u odnosu na standardnu devijaciju je u tome što se
iskazuje kvadriranim mernim jedinicama (ako su dati podaci o koncentraciji neke
supstance iskazani kao mmol/L, varijansa tih podataka biće iskazana kao mmol 2/L2)
zbog čega je otežana interpretacija varijabiliteta. Za razliku od varijanse, standardna
devijacija ima iste merne jedinice kao i podaci (u pomenutom primeru standardna
devijacija podataka bila bi iskazana kao mmol/L) i lakše ju je zbog toga interpretirati.

16
 Koeficijent varijacije

Koeficijent varijacije (CV) je relativna mera varijacije. Izračunava se kao

količnik standardne devijacije i aritmetičke sredine i obično je iskazan u procentima:

Koeficijent varijacije pokazuje varijabilitet podataka u odnosu na aritmetičku

sredinu. CV je bezdimenziona mera, iskazuje se brojem bez bilo kakve merne
jedinice za razliku od standardne devijacije koja je apsolutna mera varijabiliteta
iskazana istim mernim jedinicama kao i podataci. Zbog toga je koeficijent varijacije,
kao relativna mera, pogodan za poređenje varijabiliteta različitih skupova podataka,
čak i kada su oni mereni potpuno različitim mernim jedinicima.
Kada je CV manji ili jednak od 30% za skup podataka se može reći da je
homogen (manje varijabilan, konzistentan, uniforman). Ako je CV veći od 30% za
skup podataka se može reći da je heterogen (više varijabilan).

Zed vrednost

Zed vrednost (zed skor, standardizovana vrednost) je odstupanje od

aritmetičke sredine iskazano standardnim devijacijama. Izračunava se pomoću
formule:

Xi - aktuelna vrednost za koju se izračunava zed vrednost

x - aritmetička sredina
sd - standardna devijacija

Zed vrednost je pokazatelj relativne pozicije neke vrednosti u skupu

podataka. Predznak zed vrednosti pokazuje da li je neka konkretna vrednost manja
(negativna zed vrednost) ili veća (pozitivna zed vrednost) od aritmetičke sredine.

17
 6. Verovatnoća i raspodele verovatnoća
Verovatnoća i raspodele verovatnoća

U prirodi postoje dve vrste događaja: sigurni i slučajni. Sigurni

(deterministički) događaji su oni u kojima određeni uslovi delovanjem nekog
zakona deterministički (jednoznačno) vode u određeni ishod.

Slučajni (nedeterministički, stohastični) događaji su oni u kojima određeni

uslovi zavisno od slučajnosti mogu voditi u različite ishode. Ovi ishodi su međusobno
isključivi, odnosno može se ostvariti samo jedan od njih. Skup svih mogućih ishoda u
određenim uslovima nazivamo skup elementarnih ishoda (skup elementarnih
događaja).

Predmet ispitivanja teorije verovatnoće jesu slučajni događaji. Verovatnoća je

mera očekivanja nekog slučajnog događaja. Kvantitativno se iskazuje na skali od 0
(nemoguć događaj) do 1 (siguran događaj) ili u procentima od 0% do 100%.
Verovatnoća malo verovatnih događaja bliska je nuli, dok je verovatnoća visoko
verovatnih događaja bliska jedinici. Verovatnoća slučajnog događaja se može
definisati i izračunati na više načina:

1) Objektivna verovatnoća

 Teorijska (klasična, matematička, a priori) verovatnoća

 Empirijska (statistička, frekvencijska, a posteriori) verovatnoća

2) Subjektivna verovatnoća

Teorijska verovatnoća zasniva se na pretpostavci da su svi mogući ishodi

jednako verovatni. Ova verovatnoća naziva se a priori, jer se određuje pre bilo
kakvog merenja ili opservacije samih ishoda. Teorijska verovatnoća izračunava se
kao količnik broja očekivanih ishoda i broja svih jednako mogućih ishoda.

Empirijska verovatnoća

Empirijska verovatnoća (relativna frekvencija) se određuje posle

ostvarivanja posmatranog događaja, a izračunava se kao odnos broja ostvarenih
(očekivanih) ishoda prema ukupnom broju mogućih ishoda:

gde je p relativna učestalost, m broj očekivanih ishoda, a n ukupan broj

mogućih ishoda.

Subjektivna verovatnoća izražava stepen uverenja određene osobe o

mogućnosti ostvarenja nekog događaja. Zasniva se na teorijskom znanju u datoj
oblasti i raspoloživim informacijama. Primenjuje se kada nije moguće neku pojavu

18
opservirati više puta i na taj način odrediti relativne frekvencije kod veoma retkih ili
događaja koji se do sada nisu desili. Subjektivna verovatnoća se može razlikovati od
jedne do druge osobe, zavisno od usvojenog teorijskog modela posmatrane pojave i
raspoloživih informacija.

Osobine verovatnoće

Nenegativnost ne može biti negativna i uvek je u intervalu od 0 (nemoguć

događaj) do 1 (siguran događaj). Normiranost je zbir verovatnoća svih mogućih
međusobno isključivih događaja iznosi 1. Aditivnost podrazumeva da ako su dva
događaja međusobno isključiva, verovatnoća da će se ostvariti bilo koji od njih dobija
se kao zbir njihovih verovatnoća.

Verovatnoća događaja koji je predmet istraživanja naziva se verovatnoćom

očekivanog događaja i obično se obeležava sa p. Verovatnoća događaja koji nije
predmet istraživanja naziva se verovatnoćom suprotnog događaja i obeležava se
sa q. Obe verovatnoće su komplementarne parcijalne verovatnoće za njih važi:
p+q=1.

Zakoni verovatnoće

Zakon adicije (zakon sabiranja verovatnoća) izračunava verovatnoću da će

se dogoditi jedan bilo koji (ili ovaj ili onaj) očekivani događaj.

Za međusobno isključive događaje (ne mogu se ostvariti istovremeno):

P(A∪B)=P(A)+P(B)

Za događaje koji nisu međusobno isključivi:

P(A∪B)=P(A)+P(B)−P(A∩B)

Zakon multiplikacije (zakon množenja verovatnoća) se odnosi na složenu

verovatnoću, verovatnoću istovremene ili uzastopne pojave dva ili više događaja.
Verovatnoća da će nastupiti očekivana kombinacija događaja (i ovaj i onaj) jednaka
je proizvodu verovatnoća svakog od tih događaja.

Za nezavisne događaje (nastupanje događaja ne zavisi od nastupanja ili

nenastupanja drugog događaja):

P(A∩B)=P(A)×P(B)

Za zavisne događaje (nastupanje događaja zavisi od nastupanja ili

nenastupanja drugog događaja):

P(A∩B)=P(A)×P(B/A)=P(B)×P(A/B)

19
 Relativna verovatnoća P(A/B) naziva se još i uslovna ili kondicionalna
verovatnoća i predstavlja verovatnoću uslovljenog događaja. Uslovna verovatnoća
je verovatnoća očekivanog događaja koji je uslovljen prethodnom pojavom nekog
drugog događaja. Uslovna verovatnoća je osnovni tip verovatnoće u prirodnim
naukama.

Teorijske raspodele verovatnoća su specifični matematički modeli

raspodela (distribucija) verovatnoća. U teorijskoj statistici formulisan je veći broj
raspodela verovatnoća od kojih neke imaju široku primenu u medicini kao što su to
binomna i normalna raspodela.

Statističke procedure zasnovane su na pretpostavci da empirijske raspodele

podataka slede neku od teorijskih raspodela, a zatim se osobine te teorijske
raspodele mogu primeniti na empirijsku raspodelu. Raspodele empirijskih podataka
nikada nisu identične teorijskim raspodelama koje su definisane matematički, već
manje ili više odstupaju od njih. Da bi osobine neke teorijske raspodele mogle biti
iskorišćene za analizu empirijskih podataka potrebno je da empirijska raspodela
bude dovoljno slična teorijskoj raspodeli.

Binomna raspodela

Binomna raspodela predstavlja raspored verovatnoća vrednosti prekidne

slučajne promenljive dihotomnog (binomnog) karaktera. Da bi neka slučajna
promenljiva mogla da sledi zakone binomnog raspoređivanja potrebno je da: prost
događaj ima dva međusobno isključiva ishoda, je verovatnoća očekivanog ishoda,
koja se obeležava sa p, konstantna u svakom prostom događaju i su događaji
nezavisni. Binomna raspodela pokazuje verovatnoću ostvarivanja svake vrednosti
slučajno promenljive u određenom broju uzastopno ponovljenih nezavisnih
događaja. Svaka binomna raspodela je definisana sa dva parametra: n i p, gde je n
broj prostih nezavisnih događaja, a p verovatnoća očekivanog događaja.
Deskriptivne mere binomne raspodele su aritmetička sredina (np) i varijansa
np(1–p).

Binomna verovatnoća predstavlja verovatnoću da će se očekivani binomni

ishod (X), sa stalnom prostom verovatnoćom (p), ostavriti x puta pri ponavljanju n
nezavisnih prostih događaja. Binomna verovatnoća x uspeha od n prostih nezavisnih
događaja dobija se primenom funkcije binomne verovatnoća:

U ovoj formuli je

20
binomni koeficijent koji daje broj kombinacija sa x uspeha iz n događaja.

Izračunavanje faktorijela:

0! = 1
1! = 1
2! = 1 x 2 = 2
3! = 1 x 2 x 3 = 6

Normalna raspodela

Normalna raspodela je najvažnija raspodela u statistici. To je kontinuirana

raspodela verovatnoća, matematički opisana formulom:

gde su μ i σ aritmetička sredina i standardna devijacija raspodele, e je osnova

prirodnog logaritma (2.72), a x je vrednost kontinuirane varijable.

Karakteriše se zvonastom simetričnom raspodelom oko njene aritmetičke

sredine. Normalna raspodela je kompletno određena parametrima normalne
raspodele: aritmetičkom sredinom i standardnom devijacijom. Njena aritmetička
sredina i medijana su jednake i odgovaraju najvišoj tački na krivi normalne
raspodele. Na udaljenosti od jedne standardne devijacije od aritmetičke sredine
nalazi se tačka infleksije – mesto gde kriva prelazi iz konkaviteta u konveksitet i
obrnuto. Krajevi (repovi) krive produžavaju se beskonačno na obe strane ali nikada
ne dotiču apscisu.

Za normalnu raspodelu važi da se 68% opservacija nalazi unutar intervala

aritmetička sredina ±1sd, 95% opservacija unutar intervala aritmetička sredina ±2sd i
99.7% unutar intervala aritmetička sredina ±3sd.

21
 Mnoge varijable u medicini imaju tendenciju da prate normalnu raspodelu sa
vrednostima grupisanim oko aritmetičke sredine i sa smanjivanjem njihove
učestalosti ka krajevima raspodele.

Normalna raspodela je široko korišćena u statistici. Primeri su klasični

statistički testovi bazirani na pretpostavci o normalnosti raspodele podataka,
određivanje nivoa značajnosti u mnogim statističkim testovima i intervalima
poverenja i aproksimacije drugih raspodela verovatnoća normalnom raspodelom kao
što je to binomna raspodela. Ono što omogućava primenu normalne raspodele u
aproksimacijama jeste centralna granična teorema po kojoj bez obzira na
karakteristike raspodele neke populacije, raspodela njenih uzoračkih aritmetičkih
sredina teži normalnoj za velike uzorke.

Specijalan tip normalne raspodele je standardna normalna raspodela (zed

raspodela) čiji su parametri μ = 0 i σ =1. Bilo koja normalna raspodela može biti
konvertovana u standardnu normalnu raspodelu transformacijom: z = (x − μ )/ σ .
Ovom formulom bilo koja vrednost originalne raspodele može biti konvertovana u
zed vrednost (z-skor, standardan skor). Zed vrednost je pokazatelj relativnog
položaja neke vrednosti u raspodeli kojoj pripada.

Standardna normalna raspodela se može iskoristiti za određivanje

verovatnoća koje se odnose na empirijske podatke uz pretpostavku da oni slede
normalnu raspodelu. Površina između apscise i krive normalne raspodele
ekvivalentna je verovatnoći. Totalna površina ispod krive jednaka je jedan.
Verovatnoća da se vrednost varijable nađe u intervalu između dve vrednosti jednaka
je površini između ovih vrednosti. Prvo je potrebno ove vrednosti transformisati u z-
vrednosti, a zatim pročitati površine samim tim i verovatnoće iz tabela površina ispod
krive standardne normalne raspodele.

22
 6. Verovatnoća i raspodele verovatnoća
Uzorak i uzoračke raspodele

Populacija predstavlja skup svih istovrsnih elemenata (jedinica posmatranja

ljudi, objekata, događaja) koji imaju neku zajedničku karakteristiku od interesa.
Ciljna populacija predstavlja skup elemenata za koji želimo da generalizujemo
zaključak. Uzoračka populacija je populacija koja je dostupna i koja predstavlja
ciljnu populaciju i iz koje potiče uzorak. Uzorak predstavlja podskup osnovnog skupa
(populacije) koji je izabran na osnovu određenog kriterijuma. Cilj i primena uzorka u
statistici je ispitivanje određene osobine i generalizacija zaključka na populaciju.

Razlozi za sprovođenje istraživanja na uzorku, a ne na populaciji, su

višestruki: manji troškovi istraživanja, kraće vreme trajanja istraživanja, podaci
dobijeni na reprezentativnom uzorku često mogu biti tačniji, jer se za manji broj
ispitanika mogu angažovati bolje obučeni kadrovi ili primeniti naprednije metode koje
obezbeđuju veću tačnost merenja i negativnog ishoda za jedinice posmatranja npr.
žrtvovanje laboratorijskih životinja radi histolopatoloških analiza.

Neophodan uslov za generalizaciju zaključka sa uzorka na populaciju jeste

reprezentativnost uzorka, odnosno njegova sličnost sa populacijom. Uzorkovanje
predstavlja proces odabira reprezentativnog dela cele populacije. Reprezentativan
uzorak poseduje karakteristike slične onima u populaciji. Osnovni preduslovi
reprezentativnosti su:

1) Način izbora jedinica posmatranja u uzorak mora biti nezavisan od vrednosti

posmatranog obeležja.
2) Verovatnoća odabira jedinica posmatranja da se nađu u uzorku mora biti
unapred poznata.

Kada ovi uslovi nisu ispunjeni radi se o pristrasnom uzorku koji je izabran na
takav način da su neke jedinice iz uzoračke populacije imale veću verovatnoću da
uđu u uzorak.

Tehnike uzorkovanja

Prema načinu uzorkovanja (biranja jedinica posmatranja u uzorak) uzorci

mogu biti:

23
  sa verovatnoćom (slučajni) - sve jedinice posmatranja u populaciji imaju
šansu da budu uključene u uzorak, a verovatnoća da bilo koja od njih bude u
uzorku može biti tačno izračunata
 bez verovatnoće (neslučajni) - jedinice posmatranja iz populacije se biraju
po principu njihove dostupnosti ili istraživač smatra da one dobro predstavljaju
populaciju. U ovom slučaju nepoznati deo populacije je isključen, a uzorak
može biti pristrasan.

Slučajni uzorci

U ovom tipu uzoraka vrši se slučajna selekcija jedinica posmatranja i svaka

jedinica posmatranja u populaciji ima poznatu (jednaku i nezavisnu) verovatnoću
(šansu) da uđe u uzorak. Razlozi zbog kojih treba dati prednost slučajnim uzorcima
u odnosu na neslučajne su:

1) slučajan način biranja jedinica redukuje pristrasnost u procesu biranja jedinica

posmatranja za uzorak i
2) prilikom korišćenja analitičkih statističkih metoda pretpostavlja se da su uzorci
birani na slučajan način.

Slučajan način biranja jedinica posmatranja za uzorak doprinosi većem

kvalitetu studije. Tipovi slučajnih uzoraka su: prost slučajan uzorak, sistematski
uzorak, stratifikovani uzorak i klaster uzorak i drugi.

Prost slučajan uzorak

U prostom slučajnom uzorku sve jedinice posmatranja uzoračke populacije

imaju jednaku verovatnoću da uđu u uzorak, što se postiže korišćenjem tabela
slučajnih brojeva ili češće kompjuterski generisanog procesa odabiranja
(korišćenjem slučajnih brojeva). Proces uključuje definisanje populacije i
identifikaciju uzoračkog okvira (numerisanog spiska svih dostupnih jednica
posmatranja uzoračke populacije). U uzorak se biraju one jedinice iz uzoračkog
okvira čiji brojevi su izvučeni od strane generatora slučajnih brojeva. Ukoliko se
formira uzorak bez ponavljanja, jednom izabrani broj u daljem odabiru se preskače,
jedna jedinica može ući samo jednom u uzorak, a ukoliko se formira uzorak sa
ponavljanjem jedna jedinica posmatranja može ući više puta u uzorak.

Sistematski uzorak

U ovom tipu uzorka jedinice posmatranja se biraju sa liste uzoračke

populacije izborom svake K-te jedinice. K predstavlja korak izbora (uzorački
interval) koji zavisi od veličine uzoračke populacije i željene veličine uzorka.

N
K=
n

N veličina uzoračke populacije

24
 n veličina uzorka

Kao i kod prostog slučajnog uzorka, najpre se formira uzorački okvir,

numerisani spisak svih dostupnih jedinica posmatranja uzoračke populacije. Zatim
se izračunava korak K=N/n. Prva jedinica posmatranja odabira se pomoću
generatora slučajnih brojeva (slučajni početak), a zatim se automatski odabira svaka
K-ta jedinica u uzorak. Sistematski uzorak može dati korisne informacije ako kod
jedinica u uzoračkoj populaciji postoji uređenost po intenzitetu posmatrane
karakteristike, nije pogodan ako postoje ciklične varijacije posmatrane karakteristike.

Stratifikovani uzorak

Stratifikovani uzorak se primenjuje kod heterogenih populacija u odnosu na

neku varijablu (starosna grupa, pol, geografska lokacija - stratifikujuća varijabla).
Zbog toga se populacija deli na stratume iz kojih se zatim bira slučajni uzorak (kao
prost slučajan ili sistematski uzorak). Ovakav način odabira jedinica posmatranja
osigurava da svaka subpopulacija bude odgovarajuće zastupljena u uzorku.

Klaster uzorak

Najpre se populacija deli na klastere (grupe), a zatim se na slučajan način

biraju klasteri koji ulaze u uzorak (tako da se na slučajan način biraju grupe - klasteri,
a ne individue). Koristan je kada je populacija velika ili geografski široko
rasprostranjena. Često se primenjuje u istraživanjima gde se populacija može
podeliti prema teritorijalnom principu. Klasteri mogu biti škole na teritoriji jedne
države gde se prvo na slučajan način biraju klasteri (škole), a zatim se sve jedinice
posmatranja (učenici) iz klastera uključuju u uzorak ili se odabira slučajan uzorak
jedinica posmatranja (učenika) iz svakog od izabranih klastera (višeetapni uzorak).

Neslučajni uzorci

Kada istraživači nisu u mogućnosti da izvrše uzorkovanje na slučajan način

(zbog nedostupnosti jedinica posmatranja, ograničenih resursa...) istraživanja se
sprovode na neslučajnim uzorcima. Kod neslučajnih uzoraka verovatnoća odabira
jedinica posmatranja u uzorak nije poznata, već postoji selekciona pristrasnost.
Elementi uzorka su odabrani na bazi sopstvene procene istraživača, pa nedostaje
objektivnost u odabiru uzorka. Rezultati sprovođenja istraživanja na ovom tipu
uzoraka su pristrasni, jer uzorci nisu sasvim pouzdani. Ove tehnike su pogodne i
ekonomične za korišćenje. Važno je napomenuti da valjanost generalizacije
zaključaka sa neslučajnih uzoraka na osnovni skup ostaje nepoznata. U cilju
smanjenja pristranosti istraživač bi trebalo da jasno definiše kriterijume za
uključenje/isključenje jedinica u/iz uzorka, da uzorak učini raznovrsnijim,
organizovanjem multicentrične studije i da upotrebi statističke tehnike za otkrivanje
pristranosti i pravilnu analizu podataka kao što je analiza kovarijanse. Tipovi
neslučajnih uzoraka su: prigodni uzorak, kvota uzorak i namerni uzorak.

25
 Prigodni uzorak

U prigodan uzorak istraživač uključuje lako dostupne jedinice posmatranja.

U ovom tipu uzorka može postojati pristrasnost u smislu da se lako dostupne
jedinice na neki način razlikuju od ostalih jednica (pacijenti lečeni u bolnici imaju teže
oblike bolesti od onih koji se leče van bolnice). Varijanta ovog uzorka je uzorak po
tipu “grudve snega” u kojem inicijalno odabrane jedinice posmatranja angažuju
druge jedinice, inicijalno anketirani angažuju za anketu druge pogodne osobe.

Kvota uzorak

Populacija se najpre deli na kategorije, slično stratifikovanom uzorku, a zatim

se na neslučajan način biraju jedinice posmatranja iz tih kategorija prema unapred
utvrđenom broju (kvota) čime se kontroliše broj jedinica posmatranja iz određene
kategorije u konačnom uzorku.

Namerni uzorak

Istraživač bira one jedinice posmatranja koje poseduju određene

karakteristike za koje smatra da zadovoljavaju specifične zahteve istraživanja. U
ovom tipu uzorka može postojati značajna pristrasnost u postupku biranja jedinica
posmatranja, ali se u medicini često koriste u pilot studijama, kada se upravo želi
određeni tip jedinica posmatranja u uzorku (za istraživanje inovativnog načina
lečenja pacijenata u terminalnom stadijumu karcinoma).

Parametri su numeričke karakteristike ili deskriptivne mere populacije (mere

centralne tendencije i mere varijabiliteta izračunate za populaciju). Parametri su
nepromenljive vrednosti u populaciji. Odgovarajuće numeričke karakteristike ili
deskriptivne mere uzoraka (mere centralne tendencije i mere varijabiliteta izračunate
za uzorak) nazivaju se (uzoračkim) statistikama. Uobičajeno se populacioni
parametri označavaju grčkim slovima, a uzoračke statistike latiničnim slovima.
Parametri populacije su često nepoznati i nepristupačni za merenje. Prosečna visina
studenata u Srbiji je nepoznata i teško merljiva. Zbog toga računamo uzoračku
statistiku koja se odnosi na parametar od interesa i na osnovu nje donosimo
zaključak o populaciji.

Uzoračke raspodele

26
 Raspodela uzoračkih statistika naziva se uzoračkom raspodelom. Uzoračka
raspodela je raspodela verovatnoća svih mogućih vrednosti uzoračke statistike.
Svaki uzorak sadrži različite elemente te se vrednost uzoračke statistike razlikuje
između različitih uzoraka. Ove statistike prikazuju različite procene populacionih
parametara. Uzoračka raspodela prikazuje kako se ove različite vrednosti
raspodeljuju.

Dve vrlo važne uzoračke raspodele jesu uzoračka raspodela aritmetičkih

sredina i uzoračka raspodela proporcija. Poznavanje ovih raspodela je potrebno
zbog ocene aritmetičke sredine ili proporcije u populaciji (ocena parametra). U praksi
bi bilo teško formirati veliki broj uzoraka u cilju dobijanja empirijske raspodele
aritmetičkih sredina ili proporcije, ali to i nije neophodno, jer se na osnovu aritmetičke
sredine ili proporcije jednog uzorka i poznavanja statističkih osobina uzoračkih
raspodela može dati ocena nepoznatog parametra u populaciji.

Statističke osobine uzoračkih raspodela sadržane su u jednoj od najvažnijih

teorema u statistici – u centralnoj graničnoj teoremi. Osobine centralne granične
teoreme na primeru uzoračke raspodele aritmetičke sredine su sledeće:

1) Aritmetička sredina uzoračke raspodele jednaka je aritmetičkoj sredini u

populaciji μ
2) Standardna devijacija uzoračke raspodele aritmetičkih sredina naziva se
standardnom greškom aritmetičke sredine i jednaka je

Označava se takođe sa

3) Ako je raspodela u populaciji normalna, uzoračka raspodela aritmetičkih

sredina takođe teži ka normalnoj raspodeli. Za dovoljno velike uzorke
uzoračka raspodela aritmetičkih sredina teži ka normalnoj raspodeli bez
obzira na oblik raspodele u populaciji.

U formuli za standardnu grešku potrebno je poznavati standardnu devijaciju

populacije. Kako je ona retko poznata umesto nje koristimo standardnu devijaciju
uzorka sd:

27
 Statističko zaključivanje – ocenjivanje populacionih parametara
na osnovu uzorka

Statističko zaključivanje podrazumeva ocenu parametara populacije i

testiranje hipoteza. Ideja moderne statistike je da na osnovu uzorka (dobijenog
uzorkovanjem iz osnovnog skupa) donosimo zaključke o populaciji (statističko
zaključivanje). Jedan od najvažnijih istraživačkih zadataka jeste ocena parametara
u populaciji, najčešće aritmetičke sredine ili proporcije. Parametre ne možemo
izračunavati direktno, ali možemo dati njihovu ocenu korišćenjem uzoračkih
statistika. Uzoračka aritmetička sredina ili proporcija predstavljaju tačkaste ocene
ovih parametara u populaciji. Tačkasta procena predstavlja jednu vrednost kojom
se aproksimira populacioni parametar. Intervalna procena pruža više informacija o
populacionoj karakteristici od tačkaste procene. Ona obezbeđuje nivo poverenja za
ovu procenu. Takva intervalna procena se naziva interval poverenja. Krajnje tačke
intervala poverenja nazivaju se granicama poverenja, a verovatnoća sa kojom se
parametar nalazi unutar intervala poverenja nivoom poverenja. Intervali poverenja se
najčešće izračunavaju za nivo poverenja od 0.95 i 0.99 (95% i 99%).

Interval poverenja (IP)

Prikazuje čitav raspon vrednosti kojima se procenjuje prava vrednost

populacionog parametra. Uzima u obzir varijacije u uzoračkoj statistici od uzorka do
uzorka. Zasnovan je na opservaciji dobijenoj iz jednog uzorka. Pruža informaciju o
tome koliko je uzoračka statistika blizu nepoznatog populacionog parametra.
Prikazuje se u smislu zadatog nivoa poverenja (ne može nikad biti 100% IP).

Tumačenje IP

Ukoliko bismo uzeli sve moguće uzorke veličine n i izračunali njihove

aritmetičke sredine i intervale, 95% (99%) svih intervala bi sadržalo pravu vrednost
nepoznatog populacionog parametra. Određeni interval može ali ne mora da sadrži
pravu vrednost populacionog parametra.

Opšta formula za sve IP:

tačkasta procena ± (kritična vrednost) (standardna greška)

Kritična vrednost predstavlja broj koji granično razdvaja uzoračke statistike

za koje je verovatno da će se pojaviti od onih za koje to nije verovatno. Standardna
greška (SE) je mera odstupanja/variranja uzoračke statistike od prave vrednosti
populacionog parametra. 99% interval poverenja je sigurniji ima manji rizik greške u
odnosu na 95% interval poverenja. Istraživači češće koriste 95% interval poverenja

28
jer su oni precizniji (uži interval) u odnosu na 99% interval poverenja. Na širinu
intervala poverenja utiču veličina uzorka i varijabilitet. Širina intervala poverenja
opada sa povećanjem veličine uzorka i sa smanjenjem varijabiliteta.

Interval poverenja aritmetičke sredine

gde je:

aritmetička sredina uzorka, sd standardna devijacija, t vrednost iz tablice t raspodele

za odgovarajući broj stepena slobode (DF) i nivo poverenja, μ aritmetička sredina
populacije

predstavlja standardnu grešku aritmetičke sredine (SE).

Proizvod

predstavlja preciznost procene (E) koji odgovara polovini širine intervala poverenja.

Interval poverenja proporcije

gde je: p proporcija posmatranog događaja u uzorku, n veličina uzorka, t vrednost iz

tablice t raspodele za odgovarajući broj stepena slobode (DF) i nivo poverenja.

U formuli

predstavlja standardnu grešku proporcije.

Proizvod

predstavlja preciznost ocene što je istovremeno i polovina širine intervala

poverenja.

29
 Testiranje hipoteza

Hipoteza je pretpostavka koja zahteva dokazivanje, donošenje zaključka o

prihvatanju ili odbacivanju hipoteze. Hipoteza koju postavlja istraživač je predikcija
izvedena iz teorije koja se testira. U medicini istraživačke hipoteze se najčešće
proveravaju na osnovu podataka dobijenih iz uzorka, a zaključci se generalizuju na
osnovni skup iz kojeg je dobijen uzorak. Istraživačke hipoteze u medicini mogu se
odnositi na različite istraživačke ciljeve. U etiološkim studijama je cilj ispitati
povezanost izloženosti nekom faktoru rizika i određenog ishoda:

1) Može biti postavljena istraživačka hipoteza da se pušači i nepušači razlikuju

prema učestalosti hroničnog bronhitisa. Faktor rizika je navika pušenja, a
ishod je pojava bolesti hroničnog bronhitisa.
2) Može biti postavljena istraživačka hipoteza da se pušači i nepušači razlikuju
prema nivou karboksihemoglobina u krvi. Faktor rizika je navika pušenja, a
ishod je nivo karboksihemoglobina.

U prognostičkim studijama cilj je za definisanu populaciju ispitanika analizirati

učestalost događaja i vreme do njihovog nastupanja. Događaj može biti
preživljavanje ili smrtni ishod, nastupanje remisije, ozdravljenje, nastupanje recidiva,
pojava komplikacija... Može biti postavljena istraživačka hipoteza da je trajanje
remisije u depresivnom poremećaju kraće kod pacijenata sa slabijim socijalnim
funkcionisanjem. U studijama intervencije cilj je oceniti efektivnost nekog tretmana.
Može biti postavljena hipoteza da je antihipertenziv A efektivniji od antihipertenziva
B. U studijama o učestalosti bolesti može biti postavljena hipoteza o stopi
prevalencije neke bolesti u populaciji.

Statistička hipoteza je iskaz ili pretpostavka o populaciji. Testiranje

hipoteza je standardni statistički metod kojim se ispituje neki iskaz/tvrdnja
pretpostavka o populaciji. Procedura statističkog testiranja hipoteza (testiranja
značajnosti) prolazi kroz nekoliko faza:

 Formulisanje nulte i alternativne hipoteze

 Izbor nivoa značajnosti (α nivo)
 Izbor statističkog testa
 Izračunavanje statistike testa
 Statistički zaključak, donošenje odluke o odbacivanju ili prihvatanju nulte
hipoteze (samim tim odluke o prihvatanju ili odbacivanju alternativne hipoteze)

Nulta i alternativna hipoteza

Da bi neka istraživačka hipoteza mogla da se proveri statističkim metodama

potrebno je da se postave dve statističke hipoteze: nulta i alternativna.

30
 Nulta hipoteza ili hipoteza koja se ovim procesom testira (H0) ‐ hipoteza o
nepostojanju razlike, na primer da su dve populacione aritmetičke sredine jednake:

Ho : μ1 = μ2

Alternativna ili radna hipoteza (H1) iskaz o onome što istraživač veruje da je
tačno u slučaju da su uzorački podaci doveli do odbacivanja nulte hipoteze da se
dve populacione aritmetičke sredine razlikuju:

H1 : μ1 ≠ μ2

U postupku testiranja hipoteza primenom statističkih metoda testira se nulta

hipoteza posle čega je moguće doneti samo jednu od dve moguće odluke:

1) Nulta hipoteza se prihvata, a odbacuje radna hipoteza i donosi se zaključak

da ne postoji značajna razlika između populacionih parametara. Ako je
testirana jednakost aritmetičkih sredina karboksihemoglobina pušača i
nepušača prihvatanjem nulte hipoteze donosi se zaključak da su one jednake,
ne postoji razlika prosečnih vrednosti karboksihemoglobina između pušača i
nepušača.
2) Nulta hipoteza se odbacuje, a prihvata radna hipoteza i donosi se zaključak
da postoji značajna razlika između populacionih parametara. Ako je testirana
jednakost aritmetičkih sredina karboksihemoglobina pušača i nepušača
odbacivanjem nulte hipoteze donosi se zaključak da se one razlikuju, postoji
statistički značajna razlika prosečnih vrednosti karboksihemoglobina između
pušača i nepušača.

Dvosmerna i jednosmerna alternativna hipoteza

Radna hipoteza formulisana kao H1: μ0≠ μ1 spada u dvosmerne (dvostrane,

neusmerene) hipoteze, njome se tvrdi da postoji razlika, ali ne i u kom smeru. Kada
se radnom hipotezom tvrdi da postoji razlika u jednom smeru u pitanju je
jednosmerna (jednostrana, usmerena) hipoteza. Jednosmerna radna hipoteza,
zavisno od tvrđenja o smeru razlike može biti formulisana kao H 1 : μ1 < μ2 ili H1: μ1 >
μ2.

Nivo značajnosti i greške u zaključivanju

U proceduri testiranja hipoteza moguća su četiri ishoda odlučivanja u

zavisnosti od toga da li se donese odluka o prihvatanju ili odbacivanju nulte hipoteze
i prave istine u populaciji. Ishodi zavise od onoga što saznajemo i odlučujemo na
osnovu analize podataka iz uzorka i onoga što predstavlja apsolutnu istinu u
populaciji. Dve ispravne odluke su odbacivanje netačne nulte hipoteze ili prihvatanje
tačne nulte hipoteze. Zaključci doneti statističkim metodama imaju probabilističku
prirodu, uvek uključuju komponentu slučajnosti. Ta slučajnost proističe iz toga što
nismo u mogućnosti da opserviramo kompletnu populaciju koja je u teorijskom

31
smislu beskonačna, već samo jedan njen deo, a to je uzorak. Formiranje uzorka
zavisi od slučajnosti. U ponovljenim biranjima uzorka mala je verovatnoća da ćemo
dobiti uzorak istog sastava, pa samim tim je moguće u ponovljenom istraživanju sa
novim uzorkom doneti i drugačiji zaključak. Zbog probabilističke prirode statističkog
zaključivanja moguće je osim ispravne odluke doneti i dve pogrešne odluke koje
nazivamo greškama prvog i drugog tipa:

1) Greška prvog tipa nastaje kada se odbaci tačna nulta hipoteza. Verovatnoća
greške ovog tipa obeležava se sa α
2) Greška drugog tipa nastaje kada se prihvati netačna nulta hipoteza.
Verovatnoća greške ovog tipa obeležava se sa β.

U proceduri testiranja hipoteza moguće je napraviti samo jedan tip greške, a

nikako obe istovremeno. Oba tipa grešaka mogu imati važne posledice. Greška
prvog tipa za posledicu ima donošenje zaključka o postojanju efekta kada ga
zapravo nema. Greška drugog tipa za posledicu ima donošenje zaključka da ne
postoji efekat kada ga zapravo ima.

Verovatnoće oba tipa grešaka moguće je u izvesnoj meri kontrolisati, pri čemu
treba uzeti u obzir da su one međusobno povezane: smanjivanje verovatnoće greške
prvog tipa dovodi do povećanja verovatnoće greške drugog tipa i obrnuto.

Verovatnoća greške prvog tipa je pod direktnom kontrolom istraživača.

Maksimalno dozvoljena verovatnoća greške prvog tipa koju istraživač prihvata u
istraživanju predstavlja nivo značajnosti (α nivo). Najčešće se za nivo značajnosti
bira verovatnoća od 0.05, retko strožiji nivo od 0.01, a još ređe nivo od 0.001.
Prelaskom sa nivoa značajnosti 0.05 na 0.01, smanjuje se verovatnoća greške prvog
tipa, ali se istovremeno povećava verovatnoća greške drugog tipa tako da istraživači
u zaključivanju najčešće biraju nivo značajnosti od 0.05.

Verovatnoća greške drugog tipa zavisi od odabranog nivoa značajnosti (α

nivo), veličine uzorka, povećanje veličine uzorka smanjuje verovatnoću greške i
prvog i drugog tipa. Povećanje uzorka je od većeg značaja za kontrolu greške
drugog tipa, jer grešku prvog tipa istraživač drži pod kontrolom izborom nivoa
značajnosti, formulacije H1 kao dvosmerne ili jednosmerne. Greška drugog tipa

32
manja je kod jednosmerne u odnosu na dvosmernu radnu hipotezu i stvarne razlike
ispitivane pojave. Na razliku ispitivanih parametara u populaciji istraživač ne može
da utiče, ali ako je ta razlika veća biće manja verovatnoća greške drugog tipa.

Komplement verovatnoće greške drugog tipa (1-β) naziva se snagom

statističkog testa koja predstavlja verovatnoću odbacivanja nulte hipoteze kada je
ona netačna. U istraživanjima se za donju prihvatljivu granicu snage testa najčešće
uzima verovatnoća od 0.80. Sve ono što je navedeno da utiče ili može poslužiti za
kontrolu verovatnoće greške drugog tipa utiče i na snagu statističkog testa, ali u
obrnutom smeru. Snaga statističkog testa biće veća ako je: odabran nivo značajnosti
0.05, a ne 0.01, veći uzorak, H 1 formulisana kao jednosmerna, ako takva formulacija
ima svoju teorijsku osnovu i veća razlika ispitivanih populacionih parametara.

Izbor statističkog testa

Izbor statističkog testa zavisi od: tipa podataka (nominalni, ordinalni,

numerički) i dizajna studije. Za nominalne podatke moguću primenu ima
Pearsonov hi-kvadrat test, a za ordinalne podatke Mann-Whitney test.

 Broja uzoraka. Za testiranje razlike dve aritmetičke sredine moguću

primenu ima t-test, a za testiranje razlike dve ili više aritmetičkih
sredina moguću primenu ima ANOVA.
 Nezavisni ili zavisni uzorci

Nezavisni (nemečovani, nevezani) uzorci su jedinice u jednom uzorku

različite i nezavisne od jedinica u drugom uzorku. Jedan uzorak čine ispitanici
izloženi štetnim isparenjima, a drugi uzorak kontrolni ispitanici koji nisu izloženi.
Testira se razlika učestalosti arterijske hipertenzije, pri čemu moguću primenu ima
hi-kvadrat test. Zavisni (vezani, korelisani) uzorci su jedinice jednog uzorka
povezane sa jedinicama drugog uzorka. Zavisni uzorci nastaju:

1) U dizajnu pre-posle kada se merenje vrednosti jedne varijable vrši na istim

jedinicama posmatranja dva ili više puta (ponovljena merenja). Uzorak čine
ispitanici oboleli od depresije. Izmeren je arterijski pritisak pre i 20 dana nakon
započete terapije antidepresivima. Testira se promena učestalosti hipotenzije
(pre i posle primene antidepresiva) pri čemu moguću primenu ima
McNemarov test.
2) Uparivanjem (mečovanjem) svakoj jedinici posmatranja iz jednog uzorka
odgovara jedna (ili više) jedinica posmatranja iz drugog uzorka, a koje su
uparene prema nekoj varijabli. Jedan uzorak čine ispitanici koji su izloženi
štetnim isparenjima, a drugi uzorak mečovan po polu i starosti čine neizloženi
kontrolni ispitanici. Svaki ispitanik iz kontrolne grupe uparen je sa nekim
ispitanikom iz gupe izloženih istog su pola i iste starosti. Testira se razlika
učestalosti arterijske hipertenzije između grupa pri čemu moguću primenu ima
McNemarov test.

33
 Parametarski testovi

Bazirani su na ocenama jednog ili više populacionih parametara (aritmetička

sredina i standardna devijacija) dobijenih na osnovu uzoračkih podataka. Koriste se
za testiranje hipoteza o populacionim parametrima (o jednakosti aritmetičkih sredina
dve populacije μ1=μ2). Pretpostavljaju normalnost raspodele u osnovnom skupu.

Neparametarski testovi

Primena neparametarskih testova ne zahteva normalnost raspodele podataka

niti poznavanje oblika raspodele u populaciji. Pravilo je da se primeni parametarski
test uvek kada su ispunjeni uslovi za njegovu primenu jer imaju veću statističku
snagu od neparametarskih testova. Za svaki parametarski test postoji najmanje
jedan ekvivalentan neparametarski test.

Izračunavanje statistike testa

Svaki statistički test ima određenu proceduru izračunavanja, a rezultat tog

izračunavanja je statistika testa. Statistika testa ima poznatu raspodelu pod
pretpostavkom važenja nulte hipoteze.

Statistički zaključak

Odluka o prihvatanju ili odbacivanju nulte hipoteze donosi se na osnovu

poređenja izračunate (empirijske) statistike testa i kritične (granične, teorijske)
vrednosti. Kritičnom vrednošću iz raspodele statistike testa određeno je područje
prihvatanja ili odbacivanja nulte hipoteze. Region odbacivanja odgovara nivou
statističke značajnosti (maksimalno dozvoljena verovatnoća greške prvog tipa).
Kritična vrednost zavisi od nivoa statističke značajnosti i od toga kako je formulisana
alternativna hipoteza, dvosmerno ili jednosmerno.

Razlog zbog čega je 1.96 granična vrednost z-testa za dvosmerno testiranje i

nivo značajnosti od 0.05 je taj što z-statistika sledi normalnu raspodelu, a na osnovu
tabela površina ispod krive standardne normalne raspodele može se izračunati da z-

34
statistika veća od 1.96 i manja od -1.96 odgovara verovatnoći od 0.05, odnosno
nivou statističke značajnosti od 0.05.

Za graničnu vrednost z-testa od 1.64 za jednosmerno testiranje i nivo

značajnosti od 0.05 na osnovu tabela površina ispod krive standardne normalne
raspodele dobija se da z-statistika manja od -1.64 ili veća od 1.64 odgovara
verovatnoći od 0.05, odnosno nivou statističke značajnosti od 0.05.

Da bi nulta hipoteza koja je testirana z-testom bila odbačena na nivou

značajnosti od 0.05 potrebno je da z-statistika bude jednaka ili veća od 1.96 u
dvosmernom testiranju, odnosno jednaka ili veća od 1.64 u jednosmernom testiranju.
Drugi način donošenja odluke o prihvatanju ili odbacivanju nulte hipoteze jeste uz
primenu statističkog softvera. U rezultatima testiranja hipoteza uz korišćenje
statističkog softvera dobije se p-vrednost koja predstavlja verovatnoću opserviranih
ili ekstremnijih razlika uzoračkih statistika pod pretpostavkom važenja nulte hipoteze.
Kada je ta verovatnoća manja od neke unapred zadate vrednosti najčešće 0.05,
odbacujemo nultu hipotezu. Kada je p-vrednost veća od 0,05 ostaje da važi nulta
hipoteza.

Donošenje odluke o prihvatanju ili odbacivanju nulte hipoteze primenom

statističkog softvera

Odluka o prihvatanju ili odbacivanju nulte hipoteze donosi se na osnovu

poređenja p-vrednosti i odabranog nivoa statističke značajnosti. Nivo statističke
značajnosti (alfa vrednost) je maksimalno dozvoljena verovatnoća greške prvog tipa i
najčešće se odabira vrednost 0.05 (alfa = 0.05). Kada je p vrednost jednaka ili manja
od izabranog nivoa značajnosti (p≤0.05) odbacuje se nulta i prihvata radna hipoteza.
Ako je p-vrednost veća od odabranog nivoa statističke značajnosti (p>0.05) ostaje
da važi nulta hipoteza.

35
 t-test

Studentov t-test je parametarski analitički metod za testiranje hipoteza o

populacionim prosečnim vrednostima. Studentov t-test je zasnovan na t raspodeli.
Ova raspodela je slična normalnoj ima zvonast oblik i simetrična je. Sa povećanjem
veličine uzorka postaje sve sličnija normalnoj raspodeli. Granične vrednosti za
odbacivanje nulte hipoteze zavise od toga da li se radi o dvosmernom ili
jednosmernom testiranju, izabranog nivoa značajnosti i od broja stepena slobode
(DF) koji predstavlja broj podataka umanjen za jedan u svakoj seriji podataka.
Pretpostavka za primenu t-testa jeste da ispitivana varijabla ima normalnu raspodelu
u osnovnom skupu, premda je test robustan na izvesno odstupanje od normalnosti.
Ta robustnost raste sa povećanjem uzorka.

Testiranje hipoteza o populacionim prosečnim vrednostima, jedan

uzorak

Testiramo nultu hipotezu da je aritmetička sredina populacije iz koje potiče

uzorak veličine n, jednaka nekoj specifikovanoj vrednosti:

H0: µ = µ0

gde je µ nepoznata aritmetička sredina populacije iz koje potiče uzorak, a µ o

je specifikovana vrednost koja je pretpostavljena na osnovu ranijih istraživanja ili
teorijskog modela. Ako na osnovu ranijih istraživanja pretpostavljena aritmetička
sredina populacije iznosi 5, nulta hipoteza ima formulaciju:

H0: µ = 5

odnosno, nulta hipoteza tvrdi da aktuelni uzorak potiče iz populacije sa

aritmetičkom sredinom koja iznosi 5. Ako na osnovu statistike testa odbacimo nultu
hipotezu, onda prihvatamo alternativnu hipotezu koja tvrdi da uzorak potiče iz
populacije sa aritmetičkom sredinom koja je različita od specifikovane vrednosti (u
ovom primeru različito od 5).

Pretpostavke za izvođenje t-testa su:

1) Slučajno biran uzorak

2) Numerički podaci
3) Normalna raspodela u populaciji

Testiranje hipoteza o populacionim prosečnim vrednostima, dva

nezavisna uzorka

Testiramo nultu hipotezu da su aritmetičke sredine osnovnih skupova iz kojih

su dobijeni uzorci jednake: H0: µ1 = µ2. Radna hipoteze bi glasila: da su aritmetičke

36
sredine različite: H1:μ1 ≠ μ2, (dvosmerno testiranje) ili da je jedna veća od druge: H 1:
µ1 > µ2, H1: µ1 < µ2, (jednosmerno testiranje).

Uslovi za testiranje razlike aritmetičkih sredina t-testom su:

1) Normalnost raspodele podataka

2) Jednakost varijansi
3) Nezavisni uzorci (jedinica posmatranja može biti zastupljena samo u
jednom uzorku pri čemu izbor jedinica za jedan uzorak nema nikakav
uticaj na izbor jedinica u drugom uzorku)

Testiranje hipoteza o populacionim prosečnim vrednostima, dva zavisna

uzorka

Zavisni uzorci nastaju u dizajnu ponovljenih merenja ili mečovanjem

(uparivanjem) sličnih jedinica iz različitih uzoraka. Razliku aritmetičkih sredina
zavisnih uzoraka možemo testirati t-testom za zavisne uzorke (t-test korelisanih
uzoraka, t-test mečovanih uzoraka – parova). Test je zasnovan na razlici pre-posle ili
razlici mečovanih parova vrednosti.

d = xpre – xposle (u dizajnu ponovljenih merenja)

d = xuzorak1 – xuzorak2 (kod mečovanih uzoraka)

Nulta hipoteza tvrdi da je aritmetička sredina ovih razlika jednaka nuli, a

alternativna suprotno:

H0: µd = 0
H0: μd ≠ 0

Uslov za primenu t-testa za zavisne uzorke jeste normalnost raspodele

podataka.

37
 Hi-kvadrat test

Hi-kvadrat test je neparametarski analitički metod za procenu značajnosti

razlike opaženih (empirijskih) i očekivanih (teorijskih) učestalosti jednog ili više
nezavisnih uzoraka. Učestalosti se odnose na kategorije ispitivane varijable.
Učestalosti (frekvencije) u ovom testu moraju biti iskazane kao apsolutni brojevi, a
ne kao proporcije ili procenti. Statistika hi-kvadrat testa izračunava se pomoću
formule:

gde je f opažena, a f' očekivana učestalost. Statistika hi-kvadrat testa sledi hi-
kvadrat raspodelu za odgovarajući broj stepena slobode. Ukoliko je veća razlika
opaženih i očekivanih učestalosti, utoliko će biti veća vrednost hi-kvadrat statistike, a
samim tim i veća verovatnoća da bude odbačena nulta hipoteza. Vrednost hi-kvadrat
statistike jednaka nuli ukazuje na potpuno slaganje, odnosno jednakost opaženih i
očekivanih učestalosti.

Prema broju varijabli u analizi razlikujemo:

1) Hi kvadrat test slaganja

2) Hi kvadrat tabele kontingencije

Hi-kvadrat test slaganja

Hi-kvadrat testom slaganja testiramo hipotezu da raspodela opaženih

učestalosti odgovara (slaže se) sa nekom pretpostavljenom raspodelom, tako da
postoji dobro slaganje opserviranih učestalosti sa očekivanim učestalostima.
Očekivane učestanosti raspoređuju se po značenju nulte hipoteze, po zakonitostima
neke od teorijskih raspodela ili po raspodeli ispitivane varijable poznatoj iz
prethodnih istraživanja.

Učestalosti u testu slaganja prezentovane su u vidu proste tabele (raspodela

po jednoj varijabli) u kojoj je svaka jedinica posmatranja svrstana u neku od

38
međusobno isključivih kategorija. Ako hi-kvadrat testom slaganja odbacimo nultu
hipotezu, možemo zaključiti da se učestalosti u populaciji predstavljene uzorkom
razlikuju od očekivanih. Broj stepena slobode u hi-kvadrat testu slaganja iznosi DF =
r – 1, gde je r broj kategorija.

Uslovi za primenu testa slaganja:

 Apsolutne učestalosti
 Uzorak čine nezavisne jedinice, svaka jedinica može biti samo jednom
pobrojana u učestalostima
 U slučaju postojanja samo dve kategorije (r=2), nijedna očekivana
frekvencija ne sme biti manja od 5
 U slučaju postojanja više od dve kategorije (r>2), ne sme biti više od 20%
očekivanih učestalosti manjih od 5. Ako nije zadovoljen ovaj uslov mora se
izvršiti sažimanje susednih kategorija

Hi-kvadrat test za r x k tabele

Hi-kvadrat test za r x k tabele se koristi za testiranje hipoteza kada su

podaci organizovani u vidu tabela kontingencije. Tabela kontingencije je složena
kombinovana tabela u kojoj raspodela zavisi od dve varijable. Kategorije prve
varijable nalaze se u pretkoloni, a kategorije druge varijable u zaglavlju tabele. Na
presecima kategorija obe varijable nalaze se ćelije koje sadrže opažene učestalosti
(kontingenti) kombinacija kategorija dve varijable, a koje se u opštem prikazu tabele
kontingencije označavaju slovima a, b, c i d. Ćelije su međusobno isključive i svaka
jedinica posmatranja može biti zastupljena u samo jednoj ćeliji. Veličina tabele

39
kontingencije zavisi od broja kategorija jedne i druge varijable. Ako jedna varijabla
ima r kategorija, a druga k kategorija, onda tabela ima dimenzije r x k.

Zavisno od cilja istraživanja i načina biranja uzorka, analizom tabela

kontingencije možemo testirati nezavisnost dve varijable ili homogenost dve
populacije. U oba ova slučaja za testiranje hipoteza može se upotrebiti hi-kvadrat
test, a način izračunavanja hi-kvadrat statistike je identičan.

Uslovi za primenu hi kvadrat testa su:

1) Za tabelu 2 x 2:

a) kada je N>40 test se može primeniti ako su sve očekivane

frekvencije ≥ 1
b) kada je N od 20 do 40 test se može primeniti ako su sve očekivane
frekvencije ≥ 5
c) kada je N<20 test se ne može primeniti

2) Za tabelu veću od 2 x 2:

a) nijedna očekivana učestalost ne sme biti manja od 1

b) ne sme biti više od 20% očekivanih učestalosti manjih od 5.

Ako nije zadovoljen uslov očekivanih učestalosti mora se izvršiti sažimanje

susednih kategorija. Ako je u tabeli 2 x 3 samo jedna očekivana učestalost manja od
5, hi-kvadrat se može primeniti, jer je 1/6 < 20%. Ako u toj istoj tabeli postoje dve
očekivane učestalosti manje 5, hi-kvadrat se ne može primeniti, jer je 2/6 > 20%. U
tom slučaju se može izvršiti sažimanje susednih kategorija, odnosno tabela 2 x 3
biće svedena na tabelu 2 x 2.

40
 McNemarov test

McNemarov test je neparametrski analitički metod za testiranje značajnosti

razlike učestalosti dihotomnih podataka koji potiču od dva vezana (zavisna) uzoraka.
Vezane uzorke mogu činiti iste jedinice opservirane dva ili više puta ili individualno
mečovane jedinice dva uzorka.

Statistika testa se izračunava pomoću formule:

koja sledi hi-kvadrat raspodelu za 1 stepen slobode.

41
 Fisherov test tačne verovatnoće

Fisherov test tačne verovatnoće je alternativa hi-kvadrat testu za tabele

r×k. Može se koristiti uvek bez obzira na učestalosti u tabelama kontingencije i u
slučajevima kada se ne može koristiti hi-kvadrat test zbog malih učestalosti.

Procedura testa zahteva izračunavanje verovatnoće opaženih učestalosti u

tabeli kontingencije, ali i svih drugih mogućih učestalosti uz uslov da marginalne
učestalosti ostanu nepromenjene. Izračunavanje ovih verovatnoća zasnovano je na
hipergeometrijskoj raspodeli. Nultu hipotezu odbacujemo ako je zbir verovatnoća
opserviranih i ekstremnijih podataka jednak ili manji od 0.05.

42
 Test sume rangova

Testovi koje koristimo započinju rangiranjem podataka. Podaci mogu biti

rangirani od najmanjeg do najvećeg ili obrnuto od najvećeg do najmanjeg.

 Ne prepostavljaju normalnu, a takođe ni jednu drugu, raspodelu.

 Uzorci su birani slučajno
 Umesto DF (broja stepena slobode) koriste se veličine uzoraka (uzorka)
za nalaženje graničnih/kritičnih vrednosti testova

Rangiranje je procedura dodeljivanja brojeva (rangova) podacima iskazanim

u kvalitatvnom zapisu ordinalnih karakteristika predstavljenih uređenim nizom.

Primer rangiranja: samoprocena zdravlja (rangovi):

dobro, odlično, loše, vrlo dobro, vrlo loše (3, 5, 2, 4, 1)

dobro, dobro, loše, odlično (2.5, 2.5, 1, 4)

Test sume rangova

Ovim testom testira se nulta hipoteza o jednakosti raspodela rangova ili

jednakosti medijana dve populacije tvrđenjem da su sume rangova slične u obe
populacije. Test sume rangova je neparametarski test koji se koristi kao alternativa
Studentovom t-testu za dva nezavisna uzorka. Primenjuje se kada nisu ispunjeni
uslovi za primenu t-testa, kada raspodela numeričkih podataka nije normalna ili se
radi o ordinalnim ili rangiranim podacima. U literaturi se pod ovim nazivom
podrazumevaju dva testa: Wilcoxonov test sume rangova i Mann-Whitney U test.
Ova dva testa su ekvivalentna, pa otuda i naziv Wilcoxon-Mann-Whitney test.

43
 Test ekvivalentnih parova

Test ekvivalentnih parova je neparametarski test koji se koristi kao

alternativa Studentovom t-testu za dva zavisna uzorka. Ovim testom se testira
sličnost raspodele rangova ili medijana pre i posle neke intervencije. Primenjuje se
kada nisu ispunjeni uslovi za primenu t-testa (odstupanje od normalnosti) ili se radi o
ordinalnim ili rangiranim podacima. Koristi se kada podaci potiču od dva vezana
(zavisna) uzorka u dizajnu ponovljenih merenja (pre-posle) kada su iste jedinice
opservirane dva puta ili u individualno mečovanim uzorcima.

44
 Korelacija

Povezanost (asocijacija, zavisnost) dve varijable podrazumeva da su

promene vrednosti jedne varijable praćene promenom vrednosti druge varijable.
Povezanost se uočava grafičkim metodom, a numeričkim metodama je merimo,
ispitujemo i dokazujemo. Tri karakteristike povezanosti koje treba ispitati: smer,
stepen/jačinu povezanosti i oblik/formu/funkciju. Smer može biti pozitivan (+) i
negativan (-). Stepen/jačina povezanosti može biti između -1 i 1 (apsolutna
vrednost označava jačinu). Oblik/ forma/ funkcija može biti linearan i nelinearan.
Povezanost može imati pozitivan ili negativan smer. Povezanost ne podrazumeva
obavezno postojanje kauzalnih odnosa između dve varijable u smislu da je jedna
varijabla uzrok, a druga varijabla posledica.

Otkrivanje povezanosti grafičkom metodom

Dijagram rasturanja je tačkasti grafikon koji koristimo za otkrivanje

povezanosti dve varijable. Dobija se tako što se za sve jedinice iz uzorka vrednosti
dve varijable nanose na x i y osu. Svaka jedinica iz uzorka predstavljena je jednom
tačkom čiji položaj odgovara preseku parova vrednosti dve varijable.

Dijagram rasturanja može ukazati na linearnost ili nelinearnost povezanosti

dve varijable. Linearna povezanost podrazumeva grupisanje tačaka na dijagramu
rasturanja oko prave linije kao što je to prikazano na grafikonu 1. Nelinearna
povezanost podrazumeva odstupanje od linearne povezanosti kao što je prikazano
na grafikonu 2.

Korelacija

Korelacija je statistički metod koji se koristi za merenje jačine i smera

povezanosti između varijabli. Koeficijent korelacije je statistika koja kvantifikuje
jačinu (stepen) povezanosti među varijablama.

45
 Vrednosti koeficijenta korelacije mogu biti u rasponu od -1 do 1. Predznak
koeficijenta korelacije pokazuje smer povezanosti: vrednosti od -1 do 0 postoje kod
negativne povezanosti, a vrednosti od 0 do 1 kod pozitivne povezanosti. Vrednosti
koje su bliske 0 ukazuju na odsustvo povezanosti. Koeficijenti korelacije:

 Pearsonov koeficjent korelacije (r)

 Spearmanov koeficijent korelacije ranga (ρ).

Pearsonovim koeficijentom korelacije (koeficijent linearne korelacije)

merimo linearnu povezanost dve varijable. Varijable označene kao x i y mogu
zameniti mesta bez uticaja na vrednost koeficijenta korelacije. Linearnost
povezanost podrazumeva da će se na dijagramu rasturanja tačke grupisati oko
prave linije. Osim linearnosti odnosa, preduslovi za primenu Pearsonovog
koeficijenta korelacije su da obe varijable moraju biti numeričke kontinuirane i da
imaju normalnu raspodelu. Statistička značajnost koeficijenta korelacije testira se t
testom. Nulta hipoteza je da se ρ ne razlikuje od 0 (H 0:ρ=0), odnosno da je korelacija
u populaciji jednaka nuli. Odbacivanjem nulte hipoteze zaključujemo da je korelacija
dve varijable statistički značajna.

Spearmanov koeficijent korelacije rangova je neparametarski metod

baziran na rangovima i primenjuje se kada odnos između varijabli nije linearan,
najmanje jedna varijabla nema normalnu raspodelu ili najmanje za jednu varijablu
podaci su ordinalni ili su dati u vidu rangova. Statistička značajnost koeficijenta
korelacije rangova testira se t testom. Nulta hipotezaje da se ρ s ne razlikuje od 0 (H 0:
ρs=0).

Statistička značajnost koeficijenta korelacije testira se t testom. Ako koeficijent

korelacije nije statistički značajan (p>0.05) može se zaključiti da između varijabli
nema povezanosti. Ako je koeficijent korelacije statistički značajan (p≤0.05) može se
zaključiti da između varijabli postoji povezanost (zavisnost, asocijacija) i može se
interpretirati njegova vrednost u smislu smera i jačine povezanosti varijabli za koje je
koeficijent korelacije i izračunat. Jedan od predloženih načina za opisivanje jačine
povezanosti dve varijable na osnovu vrednosti koeficijenta korelacije je sledeći:

46
 Regresija

Regresiona analiza

Regresiona analiza ispituje odnos između zavisne varijable (Y) i barem jedne
nezavine varijable (X). Opšti oblik regresionog modela predstavljen je regresionom
funkcijom f između bar dve varijable y=f(x). Regresioni metod omogućuje ispitivanje
smera i oblika povezanosti bar dve varijable.

Poznavanje oblika povezanosti služi definisanju kvantitativnog zakona

povezanosti (koliko i u kom smeru se menja jedna zavisna varijabla, kada se menja
druga, treća, n-ta nezavisna varijabla). Kvantitativni zakon povezanosti je
reprezentovan matematičkim modelom (regresionim modelom), regresionom
jednačinom. Četiri koraka u gradnji regresionog modela su:

1) Ispunjenost pretpostavki za korišćenje određenog modela

2) Izračunavanje parametara modela i njihova interpretacija
3) Slaganje modela sa postojećim skupom podataka
4) Validacija modela

Jednostruka linearna regresija

Ako se za dve varijable pretpostavlja linearan odnos radi se o lineranom

regresionom modelu, a regresiona jednačina bi imala oblik y=a+bx, gde je y zavisna
varijabla, a je regresiona konstanta, b je regresioni koeficijent, a x je nezavisna
varijabla. Četiri koraka u gradnji linearnog regresionog modela:

1) Ispunjenost pretpostavki

 Normalnost - subpopulacije zavisne varijable (Y) su normalno

raspodeljene za svaku vrednost nezavisne varijable (X)
 Linearnost - aritmetičke sredine subpopulacija zavisne varijable (Y)
leže na pravoj liniji
 Nezavisnost - vrednosti zavisne varijable (Y) iz uzorka za jednu
vrednost nezavisne (X) ni na koji način ne zavise od vrednosti Y
dobijene za neku drugu vrednost varijable X
 Jednakost varijansi - varijanse subpopulacija zavisne varijable (Y) su
među sobom jednake.

2) Izračunavanje parametara modela i njihova interpretacija

Regresiona konstanta a predstavlja vrednost zavisne varijable Y za X=0 i

predstavlja tačku u kojoj regresiona linija seče y osu. Regresioni koeficijent b
predstavlja vrednost za koju se zavisna varijabla (Y) promeni za jediničnu promenu
nezavisne varijable.

47
3) Slaganje modela sa postojećim skupom podataka

 testiranje nagiba
 određivanje koeficijenta determinacije (r2) - predstavlja kvadrat
Pirsonovog koeficijenta linearne korelacije. Može imati vrednosti od 0
do 1, od 0 do 100%. Predstavlja procenat variranja zavisne varijable
koji može biti objašnjen variranjem nezavisne varijable.

4) Validacija modela - rešava problem precenjivanja (mogućnost dobijanja

visoko značajnih, ali besmislenih rezultata zbog previše velikog broja
prediktora u modelu). Validacija može biti interna kada se model validira
na postojećem skupu podataka i eksterna kada se model validira na
potpuno novom skupu podataka.

Postoje dva načina predviđanja linearnim regresionim modelima:

1) Interpolacija - korišćenje linearnog regresionog modela za predviđanje Y

za nepoznato X koje je unutar ispitivanog opsega
2) Ekstrapolacija - korišćenje linearnog regresionog modela za predviđanje
Y za nepoznato X koje je van ispitivanog opsega.

48
 Pretraživanje bibliografskih baza podataka

PubMed je veb-sajt za pronalaženje medicinskih informacija. To je slobodno

dostupna baza podataka iz prirodnih nauka i biomedicine koja sadrži citate, sažetke i
za izvestan broj članaka ceo tekst. Američka Nacionalna medicinska biblioteka
(NLM) pod pokroviteljstvom Nacionalnog instituta za zdravlje (NIH) održava PubMed
kao deo Entrez sistema za pretragu informacija.

MEDLINE je vodeća svetska bibliografska baza iz oblasti biomedicinskih

nauka koja je besplatno dostupna na internetu i može se pretraživati preko sajta
PubMed. Pored bibliografskih podataka o svakom članku iz preko 5.000 časopisa,
uspostavljen je i link do punog teksta. Pristup člancima sa punim tekstom jednim
delom je besplatan, a drugim delom uslovljen je pretplatom na časopis ili bazu koja
ga sadrži. Svaki članak se indeksira odrednicama iz MeSH-a.

MeSH je skraćenica engleskog izraza Medical Subject Headings. MeSH je

kontrolisani rečnik za indeksiranje knjiga i članaka iz medicine i drugih prirodnih
nauka, a može da se koristi i kao tezaurus koji olakšava pretraživanje informacija.
Tezaurus predstavlja popis termina, naziva i veza uspostavljenih među njima, a
namenjen je indeksiranju, uskladištenju i pronalaženju sadržinskih informacija.
MeSH je u stvari rečnik ključnih reči onako kako ih koristi sama baza podataka.

Pristup PubMed-u i pretraživanje

PubMed-u se može pristupiti ukucavanjem sledećih veb adresa u internet

pretraživač www.pubmed.gov ili https://pubmed.ncbi.nlm.nih.gov/. Pretraživanje
počinje ukucavanjem traženog pojma (ili više pojmova) u za to predviđeni okvir na
početnoj stranici nakon čega treba kliknuti na dugme Search kako bi započeli
pretraživanje. Tokom ukucavanja punog naziva pojma koji se pretražuje, aktiviraće
se lista ponuđenih pojmova koji odgovaraju ili su slični nazivu pojma koji se
pretražuje. Klikom na željeni pojam automatski se startuje pretraživanje izabranog
pojma. Zadani pojam najpre se traži u rečniku MeSH, a ukoliko ih pretraživač tamo
ne nađe tada pretražuje naslove časopisa, spisak fraza i spisak prezimena autora.
Ukoliko se pojam ne može pronaći ni na jednom spisku onda se pretražuje svaka reč
u bibliografskom zapisu.

Booleovi operatori

Booleova logika simbolički predstavlja vezu među pojmovima ili nizovima.

Postoje tri Booleova operatora: AND, OR i NOT. Operator AND koristi se kad se kao
rezultat žele dobiti zapisi (reference) od kojih svaki u nekom polju sadrži sve tražene
pojmove. Ukoliko u okvir za pretraživanje upišemo infarction AND hypertension kao
rezultat ćemo dobiti sve reference u čijem se naslovu, sažetku ili bilo gde drugo u
zapisu nalaze i jedna i druga reč. Kada ukucamo dva termina za pretraživanje
PubMed automatski pretražuje sa AND operatorom iako nije ukucan i nije prikazan u

49
rečima za pretraživanje. Operator OR koristi se kad želimo kao rezultat pretraživanja
dobiti dokumente koji sadrže barem jednu od traženih reči. OR se koristi kad se žele
objediniti članci sa sličnom temom, primer myocardial infarction OR heart infarction.
Operator NOT koristi se kad se iz pretraživanja želi isključiti neki pojam. Ukoliko
tražimo literaturu o trovanju olovom, ali pri tome želimo isključiti svu dečiju
populaciju, tada koristimo izraz lead poisoning NOT children. Booleovi operatori
mogu se pisati velikim ili malim slovima (AND, OR, NOT ili and, or, not ).

Dodatni filteri pretraživanja

Dodatni filteri pomažu u dodatnom filtriranju pronađenih referenci kako bi sе

dobili što precizniji i relevantniji rezultati. Oni usmeravaju pretraživač na željene
delove bibliografskog zapisa i omogućavaju još uže pretraživanje zadatih pojmova.
Filteri pretraživanja se nalaze sa leve strane stranice kada je već izvršeno osnovno
pretraživanje traženog pojma. Prilikom prvog pretraživanja aktivno je samo nekoliko
filtera. Nakon izbora svi aktivni filteri će biti označeni znakom za štikliranje i
zadebljanim slovima. Filteri korišćeni prilikom pretraživanja ostaju aktivni sve do
trenutka kada se pretraživanje ne sažme drugim filterima pretraživanja ili se
aktivnost datih filtera ne isključi. Filteri se deaktiviraju ponovnim klikom na aktivni
filter ili klikom na link Clear all kada se deaktiviraju svi filteri. Aktivnost filtera je uvek
prikazana kako na naslovnoj tako i na svim ostalim stranama u toku pretraživanja
odmah iznad prikazanih rezultata pretraživanja. Oznaka „Filters applied” pokazuje
koji su filteri aktivirani. Upozorenje o aktivnosti filtera nam pokazuje: da li su svi
željeni limitatori aktivni, da li je neko pre nas aktivirao svoje limitatore u kom slučaju
je potrebno da se oni ponište klikom na link Clear all. Preporučuje se obavezna
provera da li su i koji su limitatori aktivirani pre startovanja pretraživanja. Klikom na
dugme Additional filters mogu se izabrati ostali filteri i postaviti na početnu stranicu
pretraživanja.

Dostupnost referenci (Text availability)

Daje mogućnost ograničavanja rezultata pretrage samo na reference koje

sadrže: autorske sažetke (Abstracts available), linkove za besplatno dostupne
radove u celini (Free full text available) i linkove za radove u celini (Full text
available). Na ovaj način mogu se pre svega odabrati reference koje sadrže
kompletan tekst rada besplatno dostupan.

Datumi publikovanja (Publication dates)

Medline baza sadrži članke objavljene tokom 50 godina, pa je često važno

ograničiti vreme objavljivanja literature koju želimo dobiti kao rezultat pretraživanja.
Klikom na linkove 5 years ili 10 years bira se prikaz referenci objavljenih poslednjih 5
ili 10 godina. Preko stavke Custom range može se odrediti precizan vremenski
period objavljivanja rada.

Vrsta rada (Article types) i jezik na kojem je objavljen rad (Languages)

50
 Pretraživanje možemo ograničiti na određenu vrstu rada, klinička ispitivanja,
pregledni radovi, meta-analize, smernice... Omogućava izbor radova napisanih na
željenom jeziku.

Pol (Sex) i starost (Age)

Pretraživanje radova koji uključuju istraživanje na ispitanicima određenog

pola. Omogućava izbor određenih starosnih grupa uključenih u istraživanje.

Vrste ispitanika (Species)

Pretraživanje možemo ograničiti na istraživanja rađena na ljudima ili

životinjama.

Pretraživanje određenih polja bibliografskog zapisa (Search Fields)

Omogućava pretragu samo određenih polja bibliografskog zapisa reference,

na primer Author, pretražiće se ukucani pojmovi samo unutar polja koje sadrži
prezimena autora reference.

Preuzimanje autorskih sažetaka

Rezultati pretraživanja po zadatim pojmovima i aktiviranim filterima mogu se

preuzeti sa interneta i snimiti na hard disk računara u obliku: autorskih sažetaka u txt
formatu ili kompletnih članaka u pdf formatu.

Autorski sažeci

Sažetak (Abstract) predstavlja skraćeni oblik originalnog rada. Cilj pisanja

sažetka je da na brz i efikasan način obavesti čitaoca o problemu istraživanja
saopštenog u originalnom radu. Ako se rad objavljuje u celini u nekom časopisu
obično se sažetak piše ispod naslova, a iznad rada. Najčešće je napisan na jeziku
na kome je napisan rad i na engleskom jeziku. Sažetak se takođe piše po utvrđenoj
metodologiji, a broj reči se najčešće ograničava na 250-300 reči. Sažetak treba biti
napisan tako da se lako čita, da je jasan i da se lako shvata. Elementi sažetka su:
naslov, ime autora i koautora, naziv ustanove, uvod, cilj rada, materijal i metode,
rezultati sa diskusijom i zaključak. Nemaju svi sažeci jasno naznačene delove rada.
PubMed omogućava da se jedan deo radova preuzme u celini. Ti radovi su sačuvani
u PDF formatu. PDF je skraćenica od Portable Document Format. Svaki PDF
dokument sadrži kompletan opis dokumenta, uključujući slike, tekst i fontove
potrebne za prikaz teksta. Ime dokumenta (datoteke) završava se ekstenzijom .pdf.
Obratiti pažnju da naziv datoteke ne sme sadržati specijalne znakove (: ; /, -, +) kako
bi rad mogao da se sačuva na hard disku, jer Windows ne dozvoljava specijalne
znakove u naslovu PDF dokumenata.

51
 Neformalno i formalno odlučivanje u medicini

Lekari svakodnevno donose niz odluka koje se tiču zdravstvene zaštite

pacijenata ili populacije. To uglavnom podrazumeva odluke o dijagnozi i odluke o
izboru efikasnog tretmana. Svaka odluka ima potencijalni uticaj na sledeću odluku
lekara ili uticaj na odluke drugih lekara u timu koje se odnose na zdravstvenu zaštitu.
Lekar uvek balansira između potencijalne koristi koju pacijent može imati od neke
odluke i rizika od negativnog ishoda. Takvo odlučivanje zasnovano na jednostavnom
poređenju potrencijalne koristi i potencijalnog rizika, može biti otežano kada su
odluke kompleksne, a informacije nesigurne, ali i podložno pristrasnoti od strane
onog koji odluke donosi (Evidence syntheis).

Odluke u medicini donose se na osnovu informacija koje nastaju u susretu

zdravstvenog radnika i korisnika zdravstvene zaštite. Određeni stepen neizvesnosti
je uvek povezan sa svakom informacijom (informacije uzete od samog pacijenta
mogu biti netačne ili neubedljive, prisustvo nekog znaka ne mora da znači i prisustvo
bolesti, dijagnostičke procedure mogu dati lažno pozitivne ili lažno negativne
rezultate, tok bolesti je često nepredvidiv). Određeni stepen neizvesnoti vezan je i za
primenu nekog tretmana, jer se ne može predvideti sa potpunom sigurnošću kakva
će biti njegova efikasnost kod određenog pacijenta. Praktičan rad lekara je
probabilističke, a ne determinističke prirode.

Odluke se često donose u kompleksnim uslovima kada treba odabrati jednu

od alternativnih strategija od kojih jedna može nuditi potencijalno veće koristi u
odnosu na drugu strategiju, ali sa potencijalno većim rizicima, a pri tome postoji
izvestan stepen neizvesnosti za ishod svake strategije. Strategije koje lekar praktičar
svakodnevno koristi polaze od postojećeg znanja, prethodnog iskustva i intuitivnog
rezonovanja. Svaki od ovih izvora informacija može imati određenu ulogu u
misaonom procesu lekara prilikom donošenja odluka. To znači da je proces
odlučivanja u praksi najčešće neformalan sa karakteristikama da njegovu osnovu
čine informacije dobijene u susretu lekara i korsnika zdravstvene zaštite, da zavisi od
stručnog znanja i iskustva lekara i da je odlučivanje učinjeno baš za taj konkretan
slučaj rešavanja medicisnkog problema. Za česte i uobičajene probleme ili kada sve
alternative vode sličnim ishodima, kada jedna strategija uvek nudi potencijalno
visoku korist i mali rizik, ovakav neformalan proces odlučivanja je zadovoljavajući i
nema potrebe za izvođenjem formalne analize odlučivanja.

U složenim situacijama kada je potrebno uzeti u razmatranje više različitih

ishoda i kada su na raspolaganju informacije za koje je vezan visok stepen
neizvesnosti, otežana je primena konvencionalnih neformalnih metoda u donošenju
odluke. U takvim komplesnim situacijama formalna analiza odlučivanja može biti
koristan alat zasnovan na probabilističkim metodama za biranje najpovoljnijeg
pravca akcija u zdravstvenoj zaštiti. Formalna analiza odlučivanja je sistematski
pristup donošenju odluka u uslovima nesigurnosti, a kriterijumi za njenu primenu
su:

52
 1) Da postoji problem u donošenju odluke koja se odnosi na:
a. određivanje dijagnoze, zbog nesigurnosti dijagnostičkih testova ili
b. određivanje tretmana, zbog nesigurnosti u vezi ishoda (efikasnosti
tretmana)
2) Da postoji problem oko određivanja kompromisa između koristi i štete
prilikom odabiranja jedne od dve ili više alternativnih strategija u tretmanu.
Kada jedna strategija daje veću korist u odnosu na druge strategije, ali
istovremeno nosi i veći rizik od neželjenih događaja. Ako jedna strategija
daje visoku potencijalnu korist i mali rizik od neželjenih događaja, ne
postoji potreba za izvođenjem formalne analize odlučivanja.

Formalna analiza odlučivanja

Analiza odlučivanja na novou individualnog pacijenta može biti upotrebljena

za donošenje ispravih odluka o dijagnozi i tretmanu, a na grupnom nivou za izradu
preporuka i vodiča dobre kliničke prakse i formulisanje zdravstvene politike.

Formalna analiza odlučivanja neizbežno uključuje procenu i izračunavanje

verovatnoća koje se odnose na neizvesnost informacija i ishoda, a samim tim i
neizvesnost odluka. Formalna analiza odlučivanja za procenu verovatnoća koristi
informacije iz epidemioloških i kliničkih studija ili mišljenja eksperata. Valjanost
analize odlučivanja zavisi od tačnosti procena verovatnoća i primenljivosti
pretpostavki upotrebljenih u izgradnji modela odlučivanja koje opet zavise od
dostupnosti literaturnih podataka.

53
 Medicinsko odlučivanje I - dijagnoza

U cilju donošenja odluke o dijagnozi neophodno je preći put od osnovne

(pretest) verovatnoće preko dijagnostičkog ili dijagnostičkih testova do krajnje
(posttest) verovatnoće. Za pretest verovatnoću se najčešće uzima prevalencija
datog oboljenja (prevalencija predstavlja proporciju ukupnog broja obolelih od
populacije u riziku). Ova početna verovatnoća se menja u zavisnosti od informacija
dobijenih iz dijagnostičkih postupaka (anamneza, fizikalni pregled, dijagnostički
testovi). Verovatnoća bolesti pre dijagnostičkog postupka naziva se pretest
verovatnoća (a priori verovatnoća), dok se verovatnoća bolesti nakon
izvedenog dijagnostičkog testa naziva posttest verovatnoća (a posteriori
verovatnoća). Posttest verovatnoća je veća ukoliko je rezultat dijagnostičkog
testa pozitivan, a manja ukoliko je rezultat testa bio negativan.

U svrhu odabira adekvatne dijagnostičke procedure za pojedinačnog

pacijenta neophodno je poznavati osobine dijagnostičkih postupaka za specifične
situacije. To podrazumeva evaluaciju tačnosti dijagnostičkih procedura, interpretaciju
pozitivnih ili negativnih dijagnostičkih rezultata i modelovanje kompleksnog problema
specifičnog pacijenta. Za mnoga stanja u medicini postoje dijagnostički testovi koji se
smatraju referentnim zlatnim standardom koji predstavlja u datom trenutuku
najbolji raspoloživi kriterijum ili standard za postavljanje konačne dijagnoze -
pravog stanja zaraze ili bolesti. Postoje oboljenja i stanja koja nemaju zlatni
standard kao što su: tuberkuloza (jedan od mogućih dijagnostičkih testova je
zasejavanje Levenštajn podloge), autizam, iritabilni kolon, angina pectoris.

Postoje situacije kada iz opravdanih razloga nije moguće primeniti zlatni

standard kao dijagnostičku proceduru (izuzetno rizična procedura komplikovana za
izvođenje, dugo se čeka na rezultat, veoma sofisticirana i nemoguće je izvesti u
navedenoj zdravstvenoj ustanovi, skupa). U tim slučajevima se umesto zlatnog

54
standarda pribegava drugim dijagnostičkim procedurama čiju je tačnost neophodno
oceniti. Ispitivanje tačnosti dijagnostičkih testova izvodi se u dijagnostičkim
studijama. U njima su ispitanici svi oni kod kojih postoji sumnja na postojanje
oboljenja. Dijagnostički test čiju tačnost ispitujemo naziva se indeksni test.
Njegova se tačnost poredi sa zlatnim standardom za isto dato oboljenje. Indeksni
test iz dijagnostičke studije u praksi može postati standardan test ako je njegova
tačnost zadovoljavajuća za rešavanje konkretnog zdravstvenog problema.

Dijagnostička tabela

Poređenje dijagnostičkih rezultata indeksnog testa i rezultata zlatnog

standarda može se predstaviti u vidu dijagnostičke tabele 2x2 u kojoj se ispitanici
klasifikuju kao pozitivni ili negatvni na osnovu zlatnog standarda i indeksnog testa.
Dijagnostička tabela je tabela kontingencije dimezija 2x2 u kojoj su ispitanici
klasifikovani dvostruko. Ispitanici su klasifikovani u dve kolone prema referentnom
stanadardu: prva kolona u kojoj su ispitanici kod kojih je oboljenje zaista prisutno
(D+) i druga kolonu u kojoj su ispitanici kod kojih oboljenje ne postoji (D-). Na osnovu
rezultata indeksnog testa ispitanici su klasifikovani u dva reda: prvi red u kojem su
ispitanici kod kojih je test pozitivan (T+) i drugi red u kojem su ispitanici kod kojih je
test negativan (T-). Na taj način u četiri ćelije tabele predstavljene su četiri moguće
kombinacije. U prvom redu (T+) pozitivni rezultati testa mogu biti ili tačno pozitivni
(TP) ili lažno pozitivni (LP) zavisno od toga da li bolest zaista postoji. U drugom
redu (T-) negativni rezultati testa mogu biti lažno negativni (LN) ili tačno
negativni (TN) u zavisnosti od prisustva ili odsustva bolesti. Zbir TP+LP je ukupan
broj pacijenata koji imaju pozitivan test; zbir LN+TN je ukupan broj pacijenata
koji imaju negativan rezultat ispitivanja, a N je veličina uzorka u dijagnostičkoj
studiji.

Mere tačnosti dijagnostičkog testa su: senzitivnost, specifičnost,

sveukupna tačnost i površina ispod krive operativne karakteristike.

55
 Senzitivnost je sposobnost testa da indentifikuje one koji stvarno imaju
bolest. Na osnovu dijagnostičke tabele izračunava se kao proporcija tačno
pozitivnih od ukupnog broja obolelih.

Senzitivnost se takođe može definisati kao stopa tačno pozitivnih i

verovatnoća pozitivnog rezultata testa kod onih koji imaju bolest. Na osnovu
dijagnostičke tabele može se izračunati stopa lažno negativnih pomoću formule:

Zbir senzitivnosti i stope lažno negativnih jednak je jedinici. Ako test ima
visoku senzitivnost imaće nisku stopu lažno negativnih. Ako test ima nisku
senzitivnost imaće visoku stopu lažno negativnih, kod velikog broja onih koji su
bolesni test će biti negativan.

Specifičnost je sposobnost testa da prepozna stvarno zdrave, sposobnost

testa da isključi postojanje bolesti, da rezultat testa bude negativan kod zdravih.
Izračunava se kao proporcija tačno negativnih od ukupnog broja zdravih.

Specifičnost se takođe može definisati kao stopa tačno negativnih i

verovatnoća negativnog rezultata testa kod onih koji nemaju bolest. Na osnovu
dijagnostičke tabele može se izračunati stopa lažno pozitivnih pomoću formule:

Zbir specifičnosti i stope lažno pozitivnih jednak je jedinici. Ako test ima
visoku specifičnost imaće nisku stopu lažno pozitivnih. Ako test ima nisku
specifičnost imaće visoku stopu lažno negativnih, kod velikog broja onih koji su
zdravi test će biti pozitivan. Senzitivnost i specifičnost imaju inverzan odnos što
znači da se sa povećanjem jedne mere druga smanjuje i obratno.

Sveukupna tačnost (dijagnostička tačnost, efikasnost testa) izračunava se

kao proporcija tačnih rezultata u dijagnostičkoj tabeli:

56
 Pozitivna prediktivna vrednost (PPV) odnosi se na ispitanike kod kojih je
test pozitivan. Izračunava se kao proporcija obolelih od ukupnog broja
pozitivnih na testu:

Negativna prediktivna vrednost (NPV) odnosi se na ispitanike kod kojih je

test negativan. Izračunava se kao proporcija zdravih od ukupnog broja
negativnih na testu:

Prediktivne vrednosti su pod uticajem prevalencije bolesti. Smanjenje

prevalencije (retke bolesti) daje povećanje stope lažno pozitivnih i smanjenje
pozitivne prediktivne vrednosti.

Vrednosti senzitivnosti i specifičnosti dijagnostičkog testa kao i druge mere

dijagnostičke tačnosti, ne mogu biti upotrebljene samostalno bez poznavanja pretest
verovatnoće bolesti da bi se odredila posttest verovatnoća bolesti kod određenog
pacijenta. Poznavanjem senzitivnost i specifičnosti ne može se direktno odgovoriti
na važna dijagnostička pitanja. Ako je poznata pretest verovatnoća bolesti, a
ispitanik je na testu pozitivan, koja je verovatnoća da on zaista ima bolest? Ako je
poznata pretest verovatnoća bolesti, a ispitanik je na testu negativan, koja je
verovatnoća da on zaista nema bolest? U dijagnostičkim studijama osim mera
dijagnostičke tačnosti, mogu biti saopštene i prediktivne vednosti. Saopštene (na
osnovu istraživanja izračunate) prediktivne vrednosti retko se mogu iskoristiti u
praksi, jer prediktivne vrednosti zavise ne samo od dijagnostičke tačnosti testa, već i
od prevalencije bolesti u dijagnostičkoj studiji. Prediktivne vrednosti iz dijagnostičke
studije važe samo ako je i stopa prevalencije u primenjenom slučaju jednaka onoj u
dijagnostičkoj studiji što je retko. Iz tog razloga u praksi bi primena prediktivnih
vrednosti iz dijagnostičkih studija vodila ka pogrešnoj proceni posttest verovatnoća
bolesti. U praksi, publikovane vrednosti senzitivnosti i specifičnosti iz dijagnostičkih
studija moraju se kombinovati sa pretest verovatnoćom (a priori verovatnoćom)
bolesti u cilju određivanja posttest verovatnoće bolesti (a posteriori verovatnoća).
Posttest verovatnoća može se izračunati primenom jednog od sledećih metoda:
pretest šanse bolesti i odnosa verodostojnosti, Bayesove formule, dijagnostičke
tabele 2x2, stabla odlučivanja i nomogramom. Za izračunavanje post test
verovatnoće primenom dijagnostičke tabele 2x2 može se iskoristiti kalkulator u
Excelu. Rezultat izračunavanja posttest verovatnoće može se upotrebiti u sledećem
dijagnostičkom ciklusu kao pretest verovatnoće.

57
 Medicinsko odlučivanje II – izbor terapije

Formalna analiza odlučivanja koje se odnosi na izbor terapije podrazumeva

razmatranje alternativa, ishoda i nesigurnosti vezanih za terapiju i obuhvata sledeće
korake: jasno definisanje problema odlučivanja u zdravstvenoj zaštiti, identifikovanje
alternativnih strategija i identifikovanje potrebnih informacija o utvrđivanju statusa
pacijenta, crtanje stabla odlučivanja (dijagram odlučivanja) što podrazumeva
strukturisanje problema u vremenu: redosled odlučivanja koja moraju biti učinjena,
neizvesnosti na koje se nailazi i mogući ishodi, određivanje verovatnoća rezultata
dijagnostičkih testova i verovatnoća mogućih ishoda, određivanje ishodne mere
(efekat, korisnost, preživljavanje, troškovi), evaluacija stabla odlučivanja -
izračunavanje i poređenje vrednosti svih alternativnih strategija i analiza
senzitivnosti.

Stablo odlučivanja ili dijagram odlučivanja su grafički predstavljene sve

alternative u odlučivanju. Prikazuje skup svih mogućih akcija, listu mogućih ishoda
za svaku odluku, verovatnoće ishoda i vrednosti odluka. Prikaz je strukturisan u
hronološkom smislu s leva na desno, uključujući svaku potencijalnu odluku, ishode i
vrednost. Na dijagramu su čvorovi odluke (tačke na kojima odluka mora biti doneta)
predstavljeni kvadratom, dok su čvorovi šansi (tačke na kojima se mora čekati
ishod) predstavljeni krugom. Ishodi (korisnost, terminalni čvorovi) su na krajnjem
desnom kraju dijagrama. Stablo odlučivanja sadrži odgovarajuće verovatnoće i
vrednosti ishoda. Dijagram bi trebalo da bude kompletan i da prikazuje sve
neizvesnoti, odluke i ishode, ali istovremeno i dovoljno jednostavan da omogući
njegovo razumevanje. Stablo odlučivanja je model realnosti i kao takvo ne može
obuhvatiti svu kompleksnost određenog kliničkog problema, ali za dobijanje valjanog
zaključka dovoljno je da u modelu budu uključeni oni elementi koji omogućavaju
procenu odnosa koristi i rizika vezano za neku odluku.

Verovatnoće ishoda

Verovatnoće koje se koriste u formalnim analizama odlučivanja potiču iz

publikovanih studija. Iz studija o učestalosti bolesti potiču stope prevalencije koje su
ekvivalent empirijskoj verovatnoći iz dijagnostičkih studija potiču verovatnoće koje se
odnose na dijagnostičke testove kao što su to senzitivnosti i specifičnosti, a iz
intervencijskih studija potiču proporcije uspeha neke terapije što je opet ekvivalent
empirijske verovatnoće. Suma verovatnoća svih ishoda na svakom čvoru šansi
mora biti jednaka 1. Verovatnoće ishoda mogu biti dobijene pregledom literature - iz
sistematskih pregleda ili primarnih studija. Takvi podaci mogu imati ograničeni
vrednost, jer se odnose na drugu populaciju pacijenata. Ako takvi podaci nedostaju u
literaturi, alternativno mogu biti dobijeni analizom administrativnih baza podataka kao
što su to registri bolesti ili na osnovu mišljenja eksperata u određenoj oblasti pod
uslovom da ovako dobijene ocene u analizi senzitivnosti ne utiču na konačne
zaključke.

58
 Za svaki ishod mora postojati procena njegove vrednosti u smislu korisnosti
za pacijenta. Korisnost ishoda (ishodne mere) mogu biti definisane na nekoliko
načina: kliničke mere, rizik od smrti, rizik od komplikacija, funkcionalni status, godine
očekivanog života, mere kvaliteta života - ove mere su obično iskazane relativno,
tako da 0 predstavlja smrt, a jedinica perfektno zdravlje i ekonomski troškovi -
troškovi tretmana. Vrednost ishoda može se proceniti različitim načinima, anketom u
kojoj pacijenti skoruju određeno zdravstveno stanje ili na osnovu procene koliko je
pacijent spreman da preuzme rizik u zamenu za prelazak iz jednog u drugo
zdravstveno stanje, prihvatanje rizičnog operativnog zahvata u zamenu za veću
funkcionalnost. Za svaku specifičnu putanju (alternativnu putanju, klinički scenaro,
strategija) unutar stabla odlučivanja može se izračunati numerička vrednost
očekivane korisnosti (očekivanog ishoda). Očekivani ishodi različitih putanja porede
se da bi se postigao najoptimalniji pristup u odlučivanju. Odabrana specifična
putanja je optimalna u smislu najboljeg ishoda na osnovu kliničke ocene rezultata
lečenja, korisnosti ili troškova. U kompleksnoj analizi odlučivanja cilj je naći odluke
koje su jasno bolje od drugih i blokirati grane koje vode ka odlukama koje nisu
zadovoljavajuće za pacijenta. Očekivanu korisnost treba interpretirati kao prosek
korisnosti koja se može očekivati uvek kada se prilikom odlučivanja odabere upravo
ta specifična putanja (klinički scenario) za određenu populaciju pacijenata, iako se
mogu očekivati varijacije od pacijenta do pacijenta. Očekivana koristnost je
kombinacija verovatnoća procenjenih na osnovu literaturnih podataka i vrednosti za
pacijenta u formi korisnosti. Ovakva kombinacija u jedinstvu sa izborom pacijenta i
ekonomskim razmatranjima omogućava holistički pristup u odlučivanju u medicini.

Izračunavanje očekivanih korisnosti je zasnovano na tome da se na svakom

čvoru šansi množe verovatnoće i vrednosti ishoda svake grane, a zatim se sabiraju
rezultati svih posebnih grana. Ovaj proces naziva se usrednjavanjem.
Izračunavanje na stablu odlučivanja izvodi se s desna na levo na svakom čvoru
šansi, a rezultat je prezentovan u istim jedinicima kao i korisnost ishoda. Kada
određena specifična putanja ne može biti razmatrana iz medicinskih razloga ona je
presečena dvostrukom linijom. Analiza se izvodi tako da se počne od ishoda pa
unazad do izračunavanja korisnosti svakog pravca u odlučivanju. Izračunati
korisnost svake alternativne odluke. Uporediti korisnost alternativnih odluka. Analiza
odlučivanja može pokazati da je korisnost jedne opcije znatno veća od druge. Često
analiza odlučivanja pokazuje da dve ili više opcija imaju sličnu korisnost. U toj
situaciji neophodno je prikupiti dodatne podatke o verovatnoćama i korisnosti opcija
da bi se ukazalo na veću vrednost neke opcije ili to ostaje čvor odluke sa opcijama
jednakih koristi. Može biti neophodno da se urade prosečni iznosi. To se dobija
množenjem verovatnoće svakog ishoda i porencijalnog rizika tog ishoda i zatim
sabiranjem proizvoda da bi se odredila sveukupna korisnost neke odluke. U mnogim
situacijama precizne ocene alternativnih dijagnoza, performansi testova ili ishoda
nisu dostupne. U tim situacijama uticaj različitih pretpostavljenih vrednosti
nepoznatih parametara može bit ispitan putem analize senzitivnosti. Analiza
senzitivnosti je zamena verovatnoća u stablu odlučivanja drugim vrednostima iz

59
određenog opsega vrednosti da bi se utvrdilo kakav je uticaj takvih promena na
očekivanu korisnost.

60