Statistika

Predavanje 11

Jednostavna linearna regresija

 Fokus predavanja
 Kako na osnovu regresione analize i
vrijednosti nezavisne varijable predviđati
vrijednost zavisne varijable
 Značenje regresionih koeficijenata b0 i b1
 Zaključivanje u vezi sa koeficijentom pravca i
koeficijentom korelacije
 Ocjena srednje vrijednosti Y i predviđanje
pojedinačnih vrijednosti Y

Statistika – Predavanje 11 11-2

 Korelacija vs. Regresija
 Dijagram rasturanja se može koristiti da pokaže
relaciju između dvije varijable
 Korelacija mjeri jačinu linearne veze između
dvije varijable
 Korelacija se bavi jačinom veze
 Korelacija se ne bavi pitanjem kauzalnosti

Statistika – Predavanje 11 11-3

 Tipovi relacija
Linearne relacije Krivolinijske veze

Y Y

X X

Y Y

X X
Statistika – Predavanje 11 11-6
 Tipovi relacija
(nastavak)
Snažne relacije Slabe relacije

Y Y

X X

Y Y

X X
Statistika – Predavanje 11 11-7
 Tipovi relacija
(nastavak)
Nema relacije

X
Statistika – Predavanje 11 11-8
 Uvod u
regresionu analizu
 Regresiona analiza se koristi za:
 Predviđanje vrijednosti zavisne varijable na osnovu
vrijednosti makar jedne nezavisne varijable
 Objašnjavanje efekata promjena nezavisne varijable
na zavisnu promjenljivu
Zavisna varijabla: varijabla koju želimo da
objasnimo ili predviđamo
Nezavisna varijabla: varijabla koja se koristi da za
objašnjavanje zavisne varijable

Statistika – Predavanje 11 11-4

 Model jednostavne linearne
regresije

 Samo jedna nezavisna varijabla, X

 Relacija između X i Y se opisuje
linearnom funkcijom
 Pretpostavlja se da su promjene u Y
izazvane promjenama u X

Statistika – Predavanje 11 11-5.

 Model jednostavne linearne
regresije

Koeficijent Slučajna
Presjek Y Nezavisna greška
nagiba
(populacija) varijabla
(populacija)
Zavisna
varijabla

Yi  β0  β1Xi  ε i
Linearna komponenta Komponenta
greške

Statistika – Predavanje 11 11-9

 Model jednostavne linearne
regresije
(nastavak)

Y Yi  β0  β1Xi  ε i
Opservirana
(prava) vrijednost
Y za Xi
εi Nagib = β1
Predviđena Greška za
(ocijenjena)
vrijednost Xi
vrijednost Y za Xi

Presjek = β0

Xi X
Statistika – Predavanje 11 11-10
 Pretpostavke regresionog modela

Pretpostavke dočarava akronim LINE:

 Linearnost
 Između pojedinih vrijednosti nezavisne promjenljive X i odgovarajućih
prosječnih vrijednosti Y postoji linearna veza.
 Nezavisnost grešaka (Indipendency)
 Vrijednosti grešaka su statistički nezavisne (između bilo koja dva
stohastička člana ne postoji linearna veza).
 Normalnost grešaka (stohastički član ima normalan raspored)
 greške (ε) su normalno raspoređene za bilo koju vrijednost varijable X
εi : N(0;σ2)
 Jednake varijanse (Homoskedastičnost) (Equal variance)
 Raspored vjerovatnoće grešaka ima konstantnu varijansu
 X nije slučajna promjenljiva

Statistika – Predavanje 11 11-11

 Jednačina jednostavne linearne
regresije (Regresiona prava)
Jednačina jednostavne linearne regresije daje
ocjenu regresione prave populacije

Ocijenjena (ili
predviđena) Y Ocjena
Ocjena
vrijednost za regresionog
regresionog
opservaciju i presjeka
nagiba
Vrijednost X za

Ŷi  b0  b1Xi
opservaciju i

Očekivana vrijednost greške ei je nula

Statistika – Predavanje 11 11-11

 Metod najmanjih kvadrata

 b0 i b1 vrijednosti se dobijaju tako što se

minimizira suma kvadrata razlika između Y i
Ŷ

min  (Yi Ŷi )  min  (Yi  (b0  b1Xi ))

2 2

Statistika – Predavanje 11 11-13

 Metod najmanjih kvadrata

 Koeficijenti b0 i b1 dobijaju se primjenom

formula

n XY   X  Y
b1 
n X 2  ( X ) 2

b0  Y  b X

Statistika – Predavanje 11 11-14

 Interpretacija presjeka i nagiba

 b0 je ocijenjena prosječna vrijednost Y

kada je vrijednost X jednaka nula

 b1 je ocijenjena promjena prosječne

vrijednosti Y kao rezultat jedinične
promjene X

Statistika – Predavanje 11 11-15

 Mjere varijacije

 Ukupna varijacija ima dvije komponente:

SST  SSR  SSE
Ukupna suma Regresiona Suma kvadrata
kvadrata suma kvadrata grešaka

SST   ( Yi  Y )2 SSR   ( Ŷi  Y )2 SSE   ( Yi  Ŷi )2

gdje:
Y = prosječna vrijednost zavisne varijable
Yi = Opservirana vrijednost zavisne varijable
Ŷi = Predviđena vrijednost Yza datu Xi vrijednost
Statistika – Predavanje 11 11-16
 Mjere varijacije
(nastavak)

 SST = ukupna suma kvadrata

 Mjeri varijaciju Yi vrijednosti oko njihove sredine Y
 SSR = regresiona suma kvadrata
 Objašnjava varijacije koje se pripisuju odnosu
između X i Y
 SSE = suma kvadrata grešaka
 Varijacije su izazvane nekim drugim faktorima a ne
relacijom između X i Y

Statistika – Predavanje 11 11-17

 Mjere varijacije
(nastavak)
Y
Yi  
SSE = (Yi - Yi )2 Y
_
SST = (Yi - Y)2

Y  _
_ SSR = (Yi - Y)2 _
Y Y

Xi X
Statistika – Predavanje 11 11-18
 Koeficijent determinacije, R2
 Koeficijent determinacije mjeri dio ukupnih
varijacija zavisne promjenljive koji je objašnjen
varijacijama nezavisne varijable
 Koeficijent determinacije se naziva R na
kvadrat, R2

SSR regresiona suma kvadrata

R 
2

SST ukupna suma kvadrata

pažnja: 0  R 1
2

Statistika – Predavanje 11 11-19

 Primjeri za R2 vrijednosti
Y
R2 = 1

Perfektna linearna relacija

između X i Y:
X
R2 = 1
Y 100% varijacija Y je
objašnjeno varijacijama X

X
R2 =1
Statistika – Predavanje 11 11-20
 Primjeri za R2 vrijednosti
Y
0 < R2 < 1

Slabija linearna veza

između X i Y:
X
Dio ali ne sve varijacije Y
Y
objašnjen je varijacijama X

X
Statistika – Predavanje 11 11-21
 Primjeri za R2 vrijednosti

R2 = 0
Y
Nema linearne veze između
X i Y:

Vrijednost Y ne zavisi od X.
X (Nimalo varijacijaY nije
R2 = 0
objašnjeno varijacijama X.)

Statistika – Predavanje 11 11-22

 Standardna greška regresije
 Standardna devijacija varijacija opservacija oko
regresione linije izračunava se prema formuli

SSE  i i
( Y  Ŷ ) 2

S YX   i1
n2 n2
gdje
SSE = suma kvadrata grešaka
n = veličina uzorka

Statistika – Predavanje 11 11-23

 Upoređivanje standardnih
grešaka
SYX mjeri varijacije opserviranih Y vrijednosti
oko regresione linije

Y Y

mala sYX X velika sYX X

Veličinu SYX trebalo bi uvijek vrednovati relativno u odnosu na Y

vrijednosti u uzorku

Statistika – Predavanje 11 11-24

 Nagib regresije

 Standardna greška regresionog koeficijenta

nagiba (b1) ocjenjuje se formulom

S YX S YX
Sb1  
SSX  (X  X)
i
2

gdje:
Sb1 = standardna greška ocjene koeficijenta nagiba – metod ONK

SSE = Standardna greška regresije

S YX 
n2
Statistika – Predavanje 11 11-25
 Upoređivanje standardnih
grešaka koeficijenta pravca
Sb1 mjeri varijaciju nagiba regresionih linija iz različitih
uzoraka koji se mogu odrediti

Y Y

mala Sb1 X velika Sb1 X

Statistika – Predavanje 11 11-26

 Testiranje značajnosti regresione
veze: t test
 t test za nagib regresije populacije
 Postoji li linearna veza između X i Y?
 Nulta i alternativna hipoteza
H0: β1 = 0 (nema linearne veze, X ne utiče na Y)
H1: β1  0 (linearna veza postoji)
 Test statistika

b1  β1
gdje:

t*  b1 = ocijenjeni koeficijent pravca

regresije
Sb1
β1 = nagib prave populacije
Sb1= standardna greška ocjene
s.s.  n  2 koeficijenta nagiba
Statistika – Predavanje 11 11-27
 Interval povjerenja ocjene
koeficijenta pravca

Interval povjerenja koeficijenta pravca:

b1  t / 2, n 2Sb1 s.s. = n - 2

Statistika – Predavanje 11 11-28

 Ocjenjivanje srednjih vrijednosti Y i
predviđanje pojedinačnih vrijednosti Y
Cilj: Formirati intervale oko Y radi ukazivanja
na neizvjesnost u pogledu vrijednosti Y za
Interval dato Xi
povjerenja
aritmetičke Y 
Y
sredine Y,
za dato Xi

Y = b0+b1Xi

Interval predviđanja
individualnih Y, za
dato Xi
Xi X
Statistika – Predavanje 11 11-29
 Interval povjerenja za sredinu
promjenljive Y, za dato X
Interval povjerenja za prosječnu vrijednost
Y
za datu vrijednost Xi
Interval povjerenja za μ Y|X  X i :
Yˆ  t n  2SYX hi
Veličina intervala varira u skladu
sa udaljenosti od sredine, X.

1 (Xi  X)2 1 (Xi  X)2

hi    
n SSX n  (Xi  X)2
Statistika – Predavanje 11 11-30
 Interval predviđanja za pojedinačne
vrijednosti Y, za dato X
Interval povjerenja za individualne
vrijednosti Y za date vrijednosti Xi

Interval povjerenja za YX  X i :
Yˆ  t n  2SYX 1  hi

Ovo se dodaje širini intervala da bi se izrazila

neizvjesnost u pogledu svake pojedinačne
situacije

Statistika – Predavanje 11 11-31

 Algoritam proste linearne
regresije

 Identifikacija promjenljivih
 Odabir slučajnog uzorka
 Dijagram raspršenosti i izbor odgovarajućeg
regresionog modela
 Primjena metoda ONK
 Vrednovanje ocijenjenih vrijednosti
 Ispitivanje da li su pretpostavke modela
ispunjene
 Testiranje značajnosti regresije
 Predviđanje
Statistika – Predavanje 11 11-32
 Slabosti regresione analize

 Nepoznavanje značaja pretpostavki o primjeni

ONK
 Nepoznavanje metoda za vrednovanje
pretpostavki
 Nepoznavanje alternativnih metoda ocjenjivanja
u slučaju da neka pretpostavka nije ispunjena
 Korišćenje regresionog modela bez poznavanja
suštine problema
 Ekstrapolacija izvan relevantnog domena
(opsega)

Statistika – Predavanje 11 11-33

 Strategije za izbjegavanje
nedostataka regresije
 Početi sa dijagramom rasturanja X vs. Y radi
uočavanja moguće relacije zavisnosti

 Provjeriti da li su ispunjene pretpostavke

 Ako neka pretpostavka nije ispunjena

koristiti neki drugi metod ocjenjivanja
umjesto ONK

Statistika – Predavanje 11 11-34

 Strategije za izbjegavanje
nedostataka regresije
(nastavak)

 Testirati značajnost ocjena regresionih

koeficijenata i konstruisati intervale povjerenja

 Ne predviđati za vrijednosti izvan relevantnog

opsega

Statistika – Predavanje 11 11-35

 Koeficijent proste linearne
korelacije uzorka, r
SS xy
r
SS xx SS yy

( xi )( yi )
SS xy   ( xi  x )( yi  y )   xi yi 
n

( xi ) 2
SS xy   ( xi  x ) 2   xi2 
n

Statistika – Predavanje 11 11-36

 Koeficijent proste linearne
korelacije uzorka, r

Statistika – Predavanje 11 11-37

 t test značajnosti koeficijenta
proste linearne korelacije

 Hipoteza
H0: ρ = 0 (nema korelacije između X i Y)
HA: ρ ≠ 0 (postoji korelacija)

 Test statistika

r -ρ
 t (sa n – 2 stepeni slobode)
1 r 2
gdje
n2
r   r 2 ako b1  0
r   r 2 ako b1  0

Statistika – Predavanje 11 11-38

 Rezime

 Uvod u regresionu analizu i tipovi regresionih

modela
 Pretpostavke regresione analize
 Jednačina proste linearne regresije
 Mjere varijacije

Statistika – Predavanje 11 11-39

 Rezime
(nastavak)

 Ocjena i test značajnosti nagiba regresije

 Korelacija – mjeri jačinu relacije
 Ocjena srednjih vrijednosti i predviđanje
individualnih vrijednosti
 Nedostaci regresije i strategije za njihovo
prevazilaženje

Statistika – Predavanje 11 11-40

 Statistika

Predavanje 12

Vremenske serije i indeksni

brojevi
 Vremenske serije

 Numerički podaci koji su prikupljeni u

regularnim vremenskim intervalima
 Ti vremenski intervali mogu biti godišnji,
kvartalni, dnevni, itd.
 Primjer:
Godina: 2000 2001 2002 2003 2004
Prodaja: 75.3 74.2 78.5 79.7 80.2

Statistika - Predavanje 12 12-2

 Grafik vremenske serije

Grafik vremenske serije je dvodimenzionalni

prikaz podataka vremenske serije

 na vertikalnoj osi mjeri Stopa inflacije u SAD

se varijabla od interesa 16.00
14.00
Stopa inflacije (%)

12.00
 na horizontalnoj osi su 10.00
8.00
vremenski periodi 6.00
4.00
2.00
0.00
1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001
Godina

Statistika - Predavanje 12 12-3

 Komponente vremenskih serija

Vremenska serija

Trend Sezonska Ciklična Neregularna

komponenta komponenta komponenta komponenta

Opšta, trajna, Regularne Tendencije koje Haotične,

dugoročna periodične se ponavljaju rezidualne,
tendencija fluktuacije, tokom perioda slučajne
obično u toku dužeg od jedne fluktuacije
perioda od 12 godine
mjeseci

Statistika - Predavanje 12 12-4

 Trend komponenta

 Dugoročni porast ili pad (opšte uzlazno ili

silazno kretanje)
 Podaci se opserviraju u dugom vremenskom
periodu
Prodaja

Statistika - Predavanje 12
Vrijeme 12-5
 Trend komponenta

 Trend može biti opadajući ili rastući

 Trend može biti linearni ili ne-linearni

Prodaja Prodaja

Vrijeme Vrijeme
Opadajući linearni trend Rastući nelinearni trend

Statistika - Predavanje 12 12-6

 Sezonska komponenta

 Kratkoročne regularne “talasaste” fluktuacije

 Zapažaju se u toku 1 godine
 Obično mjesečno ili kvartalno

Prodaja
Ljeto
Zima
Ljeto
Zima Proljeće Jesen

Proljeće Jesen

Vrijeme (kvartali)
Statistika - Predavanje 12 12-7
 Ciklična komponenta
 Dugoročna “talasasta” putanja
 Regularlno se pojavljuje ali može biti različite
dužine
 Obično se mjeri od vrha do vrha ili od dna do
dna 1 Ciklus
Prodaja

Godina
Statistika - Predavanje 12 12-8
 Neregularna komponenta

 Nepredvidive, slučajne, “rezidualne”

fluktuacije
 Slučajne varijacije
 priroda
 neuobičajeni događaji
 “Šum” u vremenskim serijama

Statistika - Predavanje 12 12-9

 Multiplikativni model vremenskih
serija

 Koristi se prvenstveno za predviđanje

 Opservirana vrijednost u vremenskoj seriji je proizvod
komponenata

Yi  Ti  Ci  Ii

gdje Ti = Vrijednost komponente trend u godini i

Ci = Vrijednost ciklične komponente u godini i
Ii = Vrijednost neregularne (slučajne) komponente u godini i

Statistika - Predavanje 12 12-10

 Multiplikativni model vremenskih serija
sa sezonskom komponentom

 Koristi se za predviđanje
 Omogućava uvažavanje
sezonskih varijacija

Yi  Ti  Si  Ci  Ii

gdje Ti = Vrijednost komponente trend u godini i

Si = Vrijednost sezonske komponente u vremenu i
Ci = Vrijednost ciklične komponente u godini i
Ii = Vrijednost neregularne (slučajne) komponente u godini i

Statistika - Predavanje 12 12-11

 “Peglanje” godišnjih vremenskih
serija

 Kalkulisanje pokretnih prosjeka radi dobijanja

opšteg utiska o kretanju pojave tokom vremena

Pokretni prosjeci: prosjeci uzasopnih vrijednosti

vremenskih serija za odabrani period dužine L

Statistika - Predavanje 12 12-12

 Pokretni prosjeci

 Koriste se za “peglanje”
 Serije aritmetičkih sredina tokom vremena
 Rezultat zavisi od izbora vrijednosti L (dužina
perioda za računanje sredina)
 Primjeri:
 Za petogodišnji pokretni prosjek, L = 5
 Za sedmogodišnji pokretni prosjek, L = 7
 Itd.

Statistika - Predavanje 12 12-13

 Pokretni prosjeci

 Primjer: Petogodišnji pokretni prosjek

 Prvi prosjek:

Y1  Y2  Y3  Y4  Y5
MA(5) 
5
 Drugi prosjek:
Y2  Y3  Y4  Y5  Y6
MA(5) 
5

 itd.
Statistika - Predavanje 12 12-14
 Primjer: Godišnji podaci

God. Prodaja

1 23
2 40 Godisnja prodaja

3 25 60

4 27 50

5 32 40

Prodaja
30
6 48
20
7 33
10
8 37 0
1 2 3 4 5 6 7 8 9 10 11
9 37
Godina
10 50
11 40
itd… itd…

Statistika - Predavanje 12 12-15

 Kalkulisanje pokretnih prosjeka
5-to god.
Prosjek pokretni
Godina Prodaja god. prosjek
1 2  3  4  5
1 23 3 29.4 3
5
2 40 4 34.4
3 25 5 33.0
4 27 6 35.4
5 32 7 37.4
6 48 8 41.0
7 33 9 39.4
8 37 … …
9 37
10 50
 Svaki pokretni prosjek se računa za
11 40 konsekutivni blok od 5 godina
Statistika - Predavanje 12 12-16
 Godišnji podatak vs. Pokretni prosjek

 Petogodišnji pokretni prosjek “pegla” podatke i

pokazuje trend pojave

Godisnji podatak vs. 5-to god. pokretni prosjek

60

50

40
Prodaja

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11
Godina

Statistika - Predavanje 12 12-17

 Predviđanje na osnovu trenda

 Ocijeniti liniju trenda primjenjujući regresionu analizu

Vremenski  Vrijeme (X) se koristi

Godina
period Prodaja kao nezavisna varijabla:
(X) (Y)
1999 0 20
Ŷ  b0  b1X
2000 1 40
2001 2 30
2002 3 50
2003 4 70
2004 5 65
Statistika - Predavanje 12 12-18
 Predviđanje na osnovu trenda
(nastavak)
Vremen  Jednačina linearnog trenda je:
Godina ski Prodaja
period
(X)
(Y) Ŷi  21.905  9.5714 Xi

1999 0 20 Trend prodaje

2000 1 40 80
70
2001 2 30 Prodaja 60
50

2002 3 50 40
30
20
2003 4 70 10
0
2004 5 65 0 1 2 3 4 5 6

Godina

Statistika - Predavanje 12 12-19

 Predviđanje na osnovu trenda
(nastavak)
Vremenski  Prognoza za 6ti period:
Godina period Prodaja
Ŷ  21.905  9.5714 (6)
(X) (y)
 79.33
1999 0 20
Trend prodaje
2000 1 40
2001 2 30 80
70
2002 3 50 60

Prodaja
50
2003 4 70 40
30
20
2004 5 65 10
0
2005 6 ?? 0 1 2 3 4 5 6

Godina

Statistika - Predavanje 12 12-20

 Indeksni brojevi

 Indeksni brojevi su relativni brojevi koji omogućavaju

upoređivanje nivoa pojave u različitim vremenskim
periodima
 Indeksni brojevi se iskazuju u odnosu na bazni period

 Indeks baznog perioda = 100 po definiciji

 Bazni indeksi ili indeksi sa stalnom bazom
 Lančani indeksi ili indeksi sa promjenljivom bazom

Statistika - Predavanje 12 12-21

 Individualni indeks cijena

 Individualni indeks cijena:

Pi
Ii  100
Pbaza
gdje
Ii = indeks za godinu i
Pi = cijena u godini i
Pbaza = cijena u baznoj godini
Statistika - Predavanje 12 12-22
 Indeksni brojevi: primjer
 Cijene avionskih karata u periodu od 1995 do 2003:
Indeks
Godina Cijena (bazna
godina =
2000)
P1996 288
1995 272 85.0 I1996   100  (100 )  90
1996 288 90.0 P2000 320
1997 295 92.2
1998 311 97.2 Bazna godina:
P2000 320
1999 322 100.6 I2000   100  (100 )  100
2000 320 100.0 P2000 320
2001 348 108.8
P2003 384
2002 366 114.4 I2003   100  (100 )  120
2003 384 120.0 P2000 320
Statistika - Predavanje 12 12-23
 Indeksni brojevi: interpretacija

P1996 288  Cijene u 1996 iznosile su

I1996   100  (100 )  90 90% od cijena u baznoj
P2000 320 godini

P2000 320  Cijene u 2000 iznosile su

I2000   100  (100 )  100 100% od cijena u baznoj
P2000 320 godini (po definiciji, pošto
je 2000 bazna godina)

 Cijene u 2003 bile su

120% od cijena u baznoj
P2003 384
I2003   100  (100 )  120 godini
P2000 320

Statistika - Predavanje 12 12-24

 Grupni indeksi
 Grupni indeks se koristi za mjerenje promjena
više srodnih pojava u odnosu na bazni period

Grupni
indeksi

Neponderisani Ponderisani
agregatni agregatni
indeksi cijena indeksi cijena

Paasche-ovi indeksi Laspeyres-ov indeksi

Statistika - Predavanje 12 12-25

 Neponderisani
agregatni indeks cijena
 Neponderisani agregatni indeks cijena:
n

 i
P (t)
i = proizvod

I 
(t)
U
i1
n
 100 t = vremenski period

P (0) n = ukupan broj proizvoda

i
i1

IU( t ) = neponderisani indeks cijena u vremenu t

n

P
i1
i
(t)
= zbir cijena za grupu proizvoda u vremenu t
n

 i = zbir cijena za grupu proizvoda u vremenu 0

P (0)

i1

Statistika - Predavanje 12 12-26

 Neponderisani agregatni indeks
cijena: primjer
Izdaci za automobil:
Mjesečni troškovi (€):
Indeks
Godina Rata kredita Gorivo Popravke Ukupno (2001=100)
2001 260 45 40 345 100.0
2002 280 60 40 380 110.1
2003 305 55 45 405 117.4
2004 310 50 50 410 118.8

I2004 
 P 2004
 100 
410
(100)  118.8
P 2001 345
 Neponderisani ukupni troškovi su bili
18.8% viši u 2004. nego u 2001.
Statistika - Predavanje 12 12-27
 Ponderisani
agregatni indeksi cijena
 Laspeyres-ov indeks  Paasche-ov indeks
n n

 i Qi
P ( t ) (0)
P i
(t)
Q (t)
i
I 
(t)
L
i1
n
 100 I 
(t)
P
i1
n
 100
Pi1
i
(0)
Q (0)
i P i
(0)
Q (t)
i
i1

Q(i 0 ) : ponderisanje baznim Q(i t ) : ponderisanje tekućim

veličinama veličinama

Pi( t ) = cijena u periodu t

Pi( 0 ) = cijena u periodu 0
Statistika - Predavanje 12 12-28
 Najčešći indeksi

 Indeks cijena potrošača (CPI)

 Indeks cijena proizvođača (PPI)
 Berzanski indeksi
 Dow Jones Industrijski prosjek
 S&P 500 Indeks
 NASDAQ Indeks

Statistika - Predavanje 12 12-29

 Rezime

 Vremenske serije
 Komponente vremenskih serija
 Peglanje podataka u vremenskim serijama
 Pokretni prosjeci
 Predviđanje na osnovu trenda
 Indeksi

Statistika - Predavanje 12 12-30