Professional Documents
Culture Documents
On-Line Udzbenik Statistika
On-Line Udzbenik Statistika
ZA
PRAVNIKE
Autori:
Prof.dr.sc. Nihada Mujić
Mr.sc. Jelena Legčević
Mr.sc. Martina Mikrut
Recenzenti:
Prof.dr.sc. Ivana Barković
Prof.dr.sc. Jasna Horvat
Lektorica:
Nataša Balaban, prof.
ISBN 978-953-6072-47-7
2
Sadržaj
1. Pojam i predmet proučavanja statistike
2. Izvori podataka i metode prikupljanja podataka
3. Faze rada statističke metode
4. Statističko tabeliranje
5. Grafičko prikazivanje nominalnih i redoslijednih
nizova
6. Relativni brojevi kvalitativnih nizova
7. Numerički nizovi
8. Grafičko prikazivanje numeričkih nizova
9. Srednje vrijednosti
10. Aritmetička sredina
11. Medijan
12. Mod
13. Mjere disperzije
14. Standardizirano obilježje
15. Analiza vremenskih nizova
16. Indeksna metoda
17. Individualni indeksi stalne baze
18. Verižni indeksi
19. Preračunavanje individualnih indeksa
20. Srednje vrijednosti vremenskih nizova
21. Skupni indeksi
22. Linearni trend
23. Regresija i korelacija
24. Metoda uzoraka
3
4
“Statistički način mišljenja
jednog će
dana za svakodnevni život
građana postati jednako
neophodan
kao znanje čitanja i pisanja.”
5
Definicija statistike
6
Statistika u svakodnevnom
životu
Prosjek ocjena
Stopu inflacije
Postotak porasta nezaposlenih
Prosječnu starost stanovnika RH
...
7
Podjela statistike
Deskriptivna statistika
Inferencijalna statistika
9
Definiranje statističkog skupa
ŠTO: Pojmovno
GDJE: Prostorno
KADA: Vremenski
u jednom trenutku
u intervalu
10
Elementi statističkog skupa
STATISTIČKA STATISTIČKA
JEDINICA MASA
11
Statističko obilježje
12
Statističko obilježje
13
14
Podaci prema izvoru
15
Sekundarni podaci
INTERNI EKSTERNI
PODACI PODACI
-Statistički uredi
-Zavodi za
-Računovodstvo
istraživanje
- Referada
tržišta
- Knjižnica
-Državne
...
institucije
...
16
Primarni podaci
Metode prikupljanja podataka dijele se na:
Osobno– F2F (uz pomoć papirnatog upitnika
PAPI ili računala CAPI)
Telefonsko (uz pomoć računala CATI)
Poštansko (klasična pošta ili fax)
Internet (web, mail, chat, …)
Opažanja (mjerenje)
17
18
Faze rada statističke metode
Statističko promatranje
Statistička analiza
Tumačenje rezultata
19
Statističko promatranje
S obzirom na vrijeme:
Periodično
Jednokratno
Tekuće
S obzirom na obuhvat:
Sveobuhvatno (iscrpno)
Reprezentativno (uzorak)
20
Grupiranje ili klasifikacija
21
Grupiranje ili klasifikacija
Formiranje grupa:
Iscrpno
Isključivo
Raspoređivanje podataka u
grupe ili razrede koji mogu biti:
Jednaki ili nejednaki
Zatvoreni ili otvoreni
22
Statistička analiza
Uređivanjem izvornih
podataka na temelju utvrđenog
pravila kreira se statistički niz
23
Vrste statističkih nizova
(skupova):
24
b) Grupirani statistički niz
podaci se prikazuju u tablicama distribucije
frekvencija
STATISTIČKE SKUPINE
- modaliteti obilježja (redovi)
FREKVENCIJE
- broj jedinica modaliteta obilježja
(stupci)
Broj
Spol studenata
xi fi
M 40
Ž 60
Ukupno 100
25
Statistički nizovi
26
Tumačenje rezultata
Statistički ispravno
27
28
Statističko tabeliranje
29
Elementi statističke tablice
Naslov tablice:
Z A G L A V LJ E Ukupno
P
Brojčani dio tablice: Z
R
E Ø prosjek B
T I
S
… ne raspolaže se R
T N
- nema podatka I S
U
T
P ( ) nepotpun podatak
U
A
C
* ispravljen podatak P
A
C
Izvor
: 30
Vrste statističkih tablica
31
Grafičko
prikazivanje
nominalnih i
redoslijednih
nizova
32
Grafičko prikazivanje
Površinski grafikoni
Linijski grafikoni
Kartogrami
34
Površinski grafikoni
Jednostavni stupci (P = a * b)
Dvostruki stupci
35
Površinski grafikoni
36
Linijski grafikoni
a) NUMERIČKIH (kontinuirani i
diskontinuirani)
b) VREMENSKIH (trenutačni i
intervalni)
37
Kartogrami
VRSTE:
Dijagramske karte
Piktogrami
Statističke karte
38
Grafičko prikazivanje
redoslijednih nizova
39
40
Relativni brojevi
41
Vrste relativnih brojeva
f (ai ) dio
p(ai ) i 1,2,3,..., k
N cjelina
k
N f (ai )
i 1
43
Svojstva
Ekstremni slučajevi:
Dio pojave koji se uspoređuje = 0, tada je i p=0
Dio pojave koji se uspoređuje = C (cjelina), tada je
p=1
44
Kutno sto, vodoravno sto,
okomito sto
Analiziranje podataka u kombiniranoj tablici
relativnim brojevima strukture:
vodoravno 100, okomito 100, kutno 100
Primjer 1.
Upisani
studenti Studenti Studentice Ukupno
45
Kutno sto
stavljanje u odnos svih brojeva u tablici prema
ukupnoj statističkoj masi
Upisani
studenti Studenti Studentice Ukupno
Upisani
studenti Studenti Studentice Ukupno
46
Vodoravno sto
stavljanje u odnos svih brojeva u tablici prema
vrijednostima iz zbirnog stupca
Upisani
studenti Studenti Studentice Ukupno
Upisani
studenti Studenti Studentice Ukupno
47
Okomito sto
stavljanje u odnos svih brojeva u tablici prema
vrijednostima iz zbirnog reda
Upisani
studenti Studenti Studentice Ukupno
Upisani
studenti Studenti Studentice Ukupno
48
Relativni brojevi dinamike
Nazivaju se INDEKSI
Vrste indeksa:
individualni (dinamika jedne pojave)
skupni (odnosi stanja heterogene
skupine pojava)
49
Relativni brojevi koordinacije
P1 1 P2
RBK= =
P2 RBK P1
50
51
Numerički niz
Numerički nizovi konstruiraju se uređenjem
vrijednosti kvantitativnih varijabli
Vrste:
- NUMERIČKI KONTINUIRANI NIZOVI
- NUMERIČKI DISKONTINUIRANI NIZOVI
Grupiranje podataka:
ISKLJUČIVO
ISCRPNO
52
Numerički niz
DISTRIBUCIJA FREKVENCIJA =
skup: (xi,fi) gdje je k
fi=N
i=1
53
Numerički niz
Broj
jedinica Distribucija
modaliteta frekvencije
Obilježje obilježja
(xi) (fi)
X1 f1 (x1, f1)
Modaliteti
obilježja
X2 f2 (x2, f2)
... ... ...
Xk fk (Xk, fk)
fi = N
54
Sturgesovo pravilo
ΔX = Xmax-Xmin = RV
k k
55
Granice razreda
56
Formiranje razreda kod
kontinuiranog n.o.
PRAVILO:
PRAVILO
Gornja granica prethodnog razreda jednaka je
donjoj granici idućeg razreda
PRAVILO:
PRAVILO
Donja granica idućeg razreda za 1 jedinicu
je veća od gornje granice prethodnog
razreda
57
Veličina razreda
58
Razredna sredina
xi=L1i+L2i
2
59
Korigirane frekvencije
60
Korigirane frekvencije
fc= fi
i
pc= pi
i
61
Grafičko
prikazivanje
numeričkih
nizova
62
Grafičko prikazivanje
numeričkih nizova
LINIJSKIM GRAFIKONOM
poligon frekvencija
S-L dijagram
63
1. Linijski grafikon
POLIGON FREKVENCIJA
(MNOGOKUTNIK)
- distribucija frekvencija (ili kretanje
neke pojave) se prikazuje linijama
- ako je prethodno nacrtan histogram:
polovice vrhova stupaca (tj. sredine
razreda Xi) spojiti linijama
- ucrtana linija:
oblik distribucije frekvencija
64
os X – vrijednost numeričkog
obilježja izraženog sredinom
razreda (xi )
os Y – frekvencija:
- apsolutna (fi),
- relativna (pi),
65
2. Površinski grafikon
66
Grafičko prikazivanje
kumulativnih nizova
KN “manje od”
X : gornja granica promatranog razreda
Y: frekvencija kumulativnog niza
KN “više od”
X: donja granica promatranog razreda
Y: frekvencija kumulativnog niza
67
Srednje
vrijednosti
68
Vrste srednjih vrijednosti
69
Potpune srednje vrijednosti
70
Položajne srednje vrijednosti
71
Osnovne značajke srednjih
vrijednosti
72
Zahtjevi srednjih vrijednosti
73
Aritmetička
sredina
74
Aritmetička sredina
(MEAN), X, x
prosjek
N-ti dio totala
75
Aritmetička sredina
osnovnog skupa
Aritmetička sredina
uzorka
76
Jednostavna
aritmetička sredina
X: X1,X2,X3,...XN
k
X1+X2+X3+...+Xk
Xi
i 1
X= =
N N
77
Ponderirana, vagana
aritmetička sredina
fiXi
i 1
f1X1+ f2X2+ f3X3+ ... + fkXk
X= =
f1 + f2 + f3 + ... + fk k
fi
i 1
78
Ponderirana aritmetička
sredina relativnih frekvencija
i= 1,2, ..., k
p: p1,p2, pi, ..., pk
i=1,2, ..., k
piXi
i 1
p1X1 + p2X2 + piXi+ ... +pkXk
X= = k
f1 + f2 + f3 + ... + fk
pi
i 1
79
Svojstva aritmetičke sredine
1. svojstvo
Algebarski zbroj odstupanja originalnih
vrijednosti numeričkog obilježja od
aritmetičke sredine jednak je nuli
Σ(Xi – X) = 0
2. svojstvo
Zbroj kvadrata odstupanja originalnih
vrijednosti numeričkog obilježja od
aritmetičke sredine jednak je minimumu
Σ(Xi – X)2 = min.
80
3. svojstvo
Aritmetička sredina uvijek se nalazi
između najmanje i najveće vrijednosti
numeričkog obilježja varijable Xi
Xmin X Xmax
4.svojstvo
Ako je vrijednost numeričke varijable Xi
jednaka konstanti c, aritmetička sredina
te varijable jednaka je konstanti c.
X=c
X1 = X2 = ... = Xk = c
5. svojstvo
Aritmetička sredina je sklona ekstremima
81
Medijan
82
Medijan
83
Određivanje medijana
Određivanje medijana moguće je kod:
Individualnog numeričkog obilježja
Redoslijednog numeričkog obilježja
Diskontinuiranog numeričkog obilježja i=1
Izračunavanje medijana
Medijan se izračunava kod:
Kontinuiranog numeričkog obilježja
Diskontinuiranog numeričkog obilježja gdje
su razredi različiti od 1
84
Određivanje medijana
za individualne vrijednosti
POSTUPAK:
vrijednosti obilježja poredati po veličini
odrediti centralnu jedinicu
85
Izračunavane Me kod
grupiranih vrijednosti
kada je i>1
POSTUPAK:
86
KORAK 4a: Uvrstiti podatke u formulu za
korištenje kumulativnog niza “manje od”
87
KORAK 4b: Uvrstiti podatke u formulu za
korištenje kumulativnog niza “više od”
88
Grafičko određivanje
medijana
Aritmetičko
mjerilo za
frekvencije
N/2
Aritmetičko
Me mjerilo za
obilježje
89
Uporaba medijana
90
Mod
91
MOD (Mo)
92
Utvrđivanje moda
Primjer:
Ocjena Br.
na ispitu studenata
1 12
2 18
3 31
4 11
5 9
81
93
Izračunavanje moda
94
Na temelju određenog Mo razreda (b)
te dva susjedna razreda: lijevog (a) i
desnog (c), izračunava se vrijednost
Mo
Mo l1
b a
i
b a (b c )
96
Nedostaci i prednosti Mo
NEDOSTACI
ovisan je načinu formiranja razreda
nema smisla ako se distribucija približava
pravokutnoj
sporan je kod bimodalne ili multimodalne
distribucije
PREDNOSTI
kod distribucija s ekstremno malim ili velikim
vrijednostima NO Me i x imaju težnju njihovom
približavanju, pri čemu će primicanje Me biti
značajno manje od primicanja x
Mo neće imati tu tendenciju jer ga određuje
najveća frekvencija
97
Mjere disperzije
98
Mjere disperzije
99
Mjere disperzije
100
Mjere disperzije mogu biti:
apsolutne (istorodne distribucije)
relativne (raznorodne distribucije)
Varijanca
Standardna
devijacija
101
Apsolutne mjere
disperzije
prikladne za uspoređivanje disperzije
samo istorodnih distribucija
Raspon varijacija
Interkvartil
Kvartilna devijacija
Srednje apsolutno odstupanje
Varijanca
Standardna devijacija
102
1. Raspon varijacije (R)
ili raspon disperzije je gruba informacija o
veličini disperzije između najveće i najmanje
vrijednosti numeričkog obilježja
R= Xmax- Xmin
104
Donji kvartil (Q1) – je vrijednost
redosljednog ili numeričkog obilježja, koja
sve elemente u distribuciji frekvencija
dijeli na ¼ (25%) elemenata koji imaju
vrijednost obilježja jednaku ili manju od
vrijednosti donjeg kvartila i na ¾ (75%)
elemenata koji imaju vrijednost obilježja
jednaku ili veću od donjeg kvartila
IQ = Q3-Q1
25% 25%
Q1 Me Q3
50% elemenata
N
f1
Q1 l1 4 i
fQ1
Treći kvartil Q3
3N
f1
Q3 l1 4 i
fQ3
4. Srednje apsolutno
odstupanje
x i X
Za negrupirane vrijednosti MAD i 1
f i xi X
Za grupirane vrijednosti MAD i 1
k
f i 1
i
108
5. Varijanca (ơ²)
Za individualne vrijednosti:
X: x1, x2, ...,xN
2 2
( xi x )2
2 2
N
Za grupirane vrijednosti:
X: x1, x2, ...,xN
2 2
f i ( xi x )2
2 2
fi
109
6. Standardna devijacija (ơ)
2
110
Relativne mjere
disperzije
prikladne i za uspoređivanje disperzije
raznorodnih distribucija
Koeficijent varijacije
Koeficijent kvartilne devijacije
111
1. Koeficijent varijacije
V 100
X
112
2. Koeficijent kvartilne
devijacije
Disperzija središnjih 50% jedinica
Q3 Q1
Može biti u intervalu od 0 do 1
V Q
Q3 Q1
113
Standardizirano
obilježje
Standardizirano obilježje
Odstupanja originalnih vrijednosti
numeričkog obilježja od aritmetičke
sredine u raznorodnim distribucijama
frekvencija izračunavaju se s pomoću
standardiziranog obilježja:
115
Svojstva standardiziranog
obilježja
Pravilo Čebiševa
Standardizirana varijabla može poprimiti
i pozitivne i negativne vrijednosti
One će rijetko odstupati od aritmetičke
sredine za više od +3
-3 -2 - 2 3
116
116
Pravilo Čebiševa
Za zvonolike distribucije
(posebice normalne distribucije):
+1 približno 68% podataka,
+2 približno 95% podataka
(najmanje 75% svih podataka),
+3 približno 99,7% podataka
(najmanje 88,89% svih podataka).
oko
oko
oko
117
Analiza
vremenskih
nizova
118
Vremenski nizovi
su nizovi istovrsnih podataka
prikupljenih u uzastopnim
vremenskim razmacima ili
trenucima
namjena analize VN je promatrati
vremenski razvoj pojava, tražiti
zakonitosti pojava i predviđati dalji
razvoj pojava
ZADATAK DINAMIČKE ANALIZE:
ispitati promjene pojava kao funkciju
vremena
y = f(t)
119
PROBLEM:
utvrđivanje homogenosti
podataka tijekom promatranog
razdoblja
KOMPONENTE:
trend komponenta
ciklička komponenta
sezonska komponenta
slučajna komponenta
121
Intervalni vremenski niz
122
Trenutačni vremenski niz
123
Usporedivost frekvencija
vremenskoga niza
Površinski Linijski
INTERVALNI
grafikon grafikon
TRENUTAČNI
Linijski
grafikon
125
Intervalni vremenski niz
a) površinski (pomoću stupaca)
izgledom i konstrukcijom nalikuje
histogramu
na X-osi se nanosi vremensko razdoblje
svakog člana vremenskog niza
na Y-osi se unosi član vremenskog niza za
određeno razdoblje (uz napomenu da
mjerilo na ordinati mora UVIJEK
započinjati s 0)
126
b) linijski
129
Indeksna
metoda
Indeksi
131
Podjela indeksa
a) individualni indeksi
S obzirom na bazu usporedbe:
a) indeksi stalne i
b) indeksi promjenjive baze
132
Individualni
indeksi
stalne baze
133
Individualni indeksi
stalne baze
Dinamika samo jedne pojave pomoću
indeksnih brojeva kroz nekoliko
vremenskih razdoblja
Baznim indeksima izražavaju se relativne
varijacije između dva stanja istog VN,
od kojih je jedna pojava bazna veličina
Yt
It =
Yb
Vrijednost kvocjenta pokazuje koliko
jedinica uspoređenih pojava odgovara
svakoj jedinici baznog stanja
134
POSTUPAK:
1. Izabiranje baze usporedbe:
Jedan član vremenskog niza
kod određivanja stalne baze, treba izabrati
reprezentativan član (npr. najčešći član u
nizu), a ne najnižu ili najvišu vrijednost u
nizu
Neka druga vrijednost:
Veličina promatrane pojave iz proteklog
vremenskog razdoblja koje nije obuhvaćeno
intervalom promatranja
AS vrijednosti pojave kada su varijacije
pojave znatne (u oba smjera); baza
usporedbe – prosjek varijacija vremenskog
niza
Yt
Koeficijent promjene
Yb
Yt
*100= It Indeks promjene
Yb
136
Ako je:
Yt = Yb It=100
137
Individualni indeksi
na bazi srednje vrijednosti
promatrane pojave
Yi
I yi = *100
Y
i=1,2,...,N
138
Pravila za indekse
na stalnoj bazi
142
Grafičko prikazivanje
verižnih indeksa
145
Preračunavanje verižnih
u bazne
ako je bazno razdoblje prvo u nizu–
postupnim množenjem:
I t-1 * Vt
It =
100
t=2,3,..., N
I t-1 * Vt
It = ; kada je t > b
100
It
I t-1 = *100 ; kada je t < b
V t
I t = 100 ; kada je t = b
146
Srednje vrijednosti
vremenskih
nizova
147
Srednje vrijednosti
vremenskih nizova
neke pojave su statičkog karaktera
nemaju opću razvojnu tendenciju
analiziraju se statičnim srednjim
vrijednostima
VRSTE:
- AS intervalnog VN
- kronološka sredina trenutačnog VN
- geometrijska sredina
(upotrebljava se u analizi intervalnog i
trenutačnog VN)
148
Kronološka sredina
149
Geometrijska sredina -
srednja vrijednost verižnih
indeksa
(prosječan tempo promjene)
Primjena:
a) u analizi VN negrupiranih i
grupiranih podataka (“prosječan
tempo promjene”)
b) kao srednja vrijednost
numeričkih nizova za nizove sa
asimetričnim rasporedom
podataka
150
Jednostavna, neponderirana
geometrijska sredina
G N x1x 2 x 3 ...x N
N
G N xi , xi 0 za svaki xi
i 1
rješava se log xi
logaritmiranjem: log G
i 1
N
151
Vagana, ponderirana
geometrijska sredina
Podaci grupirani u distribuciju
frekvencija:
k
N fi
f1 f2 f3 fN
G x1 x 2 x 3 ...x N
N
,
i 1
k
f logi xi k
log G i 1
, N fi
N i 1
međusobno jednake)
Skupni
indeksi
153
Skupni indeksi
Razlikujemo:
- skupni indeksi količina
- skupni indeksi cijena
- skupni indeks vrijednosti
154
Simboli
razdoblja
155
Zapamtiti kod izračunavanja
skupnih indeksa
156
Linearni
trend
157
Trend
158
Metode utvrđivanja trenda
- neparametrijske i
- parametrijske metode
159
Neparametrijske metode
- ne rezultiraju matematičkom
jednadžbom trenda.
160
Parametrijske metode
161
Metoda najmanjih kvadrata
(Y Y
i 1
i ci ) 0
i ci min imun
( Y
i 1
Y ) 2
162
Da bi se uočila tendencija razvoja
pojave dobro je:
- jednakim intervalima i
- ako su prve diferencije frekvencija približno
konstantne (u apsolutnom izrazu)
gdje su:
Yci – zavisna varijabla (trend vrijednosti)
164
Kada se izračunava linearni trend kojemu
je ishodište u prvoj godini vremenskog
niza, parametri se izračunavaju na sljedeći
način:
parametar b: parametar a:
N N
x y i i x yi
a y bx
b i 1
N
i 1
N
x
i 1
2
i x xi
i 1
165
Izračunavanje parametara a i b za jednadžbu
linearnog trenda može se pojednostaviti tako da
se ishodište jednadžbe premjesti u sredinu
čitavog promatranog razdoblja
xi yi N
y i
b i 1
N
a i 1
y
x
i 1
2
i N
166
Preračunavanje godišnjih
jednadžbi u kraća vremenska
razdoblja
Trend se može izračunati i za vremenske
nizove u kojima su podaci dati u
vremenskim razdobljima koja nisu godišnje
vrijednosti – npr. u polugodištima,
kvartalima, mjesecima i dr.
167
A)TRENUTAČNI NIZ –
preračunavanje godišnje jednadžbe u
mjesečnu
parametar “a” ostaje jednak godišnjem
ukoliko se nije promijenilo ishodište
jednadžbe
b
Yci a x i , i 1,2,..., N
12
B) INTERVALNI NIZ –
preračunavanje godišnje jednadžbe u
mjesečnu
a b
Yci xi , i 1,2,..., N
12 144
168
Regresija
i korelacija
169
Korelacija
170
Uzročno - posljedična
povezanost
jednostavna
složena
171
Korelativna povezanost
172
indikator povezanosti između pojava
je KOEFICIJENT KORELACIJE ili
KOEFICIJENT ASOCIJACIJE između
varijabli
174
Linearna korelacija
175
Koeficijent determinacije
(r2)
r = ±1
176
kod tumačenja koeficijenta
korelacije (r) treba imati u vidu da
je nastao iz koeficijenta
determinacije (r2), te da npr.
r=0,70 znači r2=0,49, da je tek 50
% ukupnih odstupanja objašnjivo s
promatrane dvije pojave
177
Krivolinijska
178
Odnos koeficijenta
determinacije i koeficijenta
linearne korelacije
r 2
r Tumačenje
0 0 odsutnost
korelacije
0,00-0,25 0,00-0,50 slaba
korelacija
0,25-0,64 0,50-0,80 korelacija
srednje jakosti
KORELACIJA RANGA
jakost veze između pojava
promatranih po redoslijednom
obilježju mjeri se koeficijentom
korelacije ranga
180
Postupak izračunavanja:
181
4) najniži rang pripada najnižoj vrijednosti
182
Nedostaci:
183
Opis
Opis koeficijenata
koeficijenata korelacije
korelacije
prema
prema jačini
jačini veze
veze
Koeficijent Tumačenje
korelacije
REGRESIJA
KORELACIJA • omogućava sagledavanje
• ispitivanje veze i zavisnosti očekivane vrijednosti zavisno
između dvije pojave ili promjenjive veličine na osnovi
promjenjive veličine vrijednosti nezavisno
promjenjive veličine
Pokazatelji:
•koeficijent korelacije Pokazatelji:
•koeficijent determinacije • jednadžba regresije
•koeficijent nedeterminacije • standardna pogreška procjene
regresije
185
Analiza regresijskih modela
Osnovicu za analizu reprezentativnosti regresijskih
modela čine sljedeći statistički pokazatelji i
metode:
Rezidualna odstupanja
Relativna rezidualna odstupanja
Standardizirana odstupanja
Koeficijent determinacije
Koeficijent korelacije
Standardna greška regresije
Analiza varijance (ANOVA)
Testiranje razine signifikantnosti regresijskih koeficijenata
Određivanje intervala povjerenja regresijskih koeficijenata
Određivanje intervala povjerenja prognoziranih vrijednosti
Testiranje razine signifikantnosti koeficijenta korelacije
186
Koeficijent multiple
determinacije R2 i koeficijent
multiple korelacije R
187
Metoda
uzoraka
188
ORIGINALNE, EMPIRIJSKE,
OPAŽENE DISTRIBUCIJE su
formirane grupiranjem opažanja ili
elemenata skupa prema nekom obilježju.
TEORIJSKE DISTRIBUCIJE
očekivane distribucije u skladu s našim
iskustvom ili na temelju teorijskih postavki.
Pretpostavljamo ih u nekom statističkom
modelu ili ih postavljamo kao hipotezu koju
treba ispitati.
Pojavljuju se u funkciji distribucije
vjerojatnosti
189
Teorijske distribucije
diskontinuirane slučajne
varijable
1. BINOMNA DISTRIBUCIJA
2. POISSONOVA DISTRIBUCIJA
190
1. BINOMNA DISTRIBUCIJA
2. POISSONOVA
DISTRIBUCIJA
koristi se za opis rijetkih događaja, tj.
događaja s malom vjerojatnošću (br. kvarova
strojeva:mjesečni (tjedni), broj dolazaka po
min. , broj ˇpadovaˇračunala u jednom
mjesecu)
191
Teorijske distribucije
kontinuirane slučajne
varijable
najpoznatije:
192
1. Normalna (gaussova)
distribucija
193
2. Studentova (t) distribucija
194
3. F distribucija
4 . Hi-kvadrat distribucija
195
Osnovni skup i uzorak
196
Zadaća metode uzoraka
197
Koraci u procesu izabiranja
uzorka
1. Određivanje populacije
2. Izabiranje primjerenog okvira
uzorka
3. Izabiranje plana uzorka (metode
za izbor uzorka )
4. Određivanje potrebne veličine
uzorka
198
Vrste planova uzorka
Prigodni uzorci
Namjerni uzorci
Kvotni uzorci
199
2. UZORCI UZ PRIMJENU
VJEROJATNOSTI
200
Pitanja:
nmujic@pravos.hr
legcevic@pravos.hr
mmikrut@pravos.hr
201
Literatura:
1. Kazmier, Leonard J.: Business Statistics. McGraw-Hill, 2004.
2. Neufeld, J. L.: Learning Business Statistics with Microsoft Excel,
Prentice Hall, New Jersey, 1997.
3. Newbold, Paul / Carlson, William L. / Thorne, Betty M.: Statistics for
Business and Economics. Prentice-Hall, 2002.
4. Petz, Boris: Osnovne statističke metode za nematematičare. Slap,
Jastrebarsko, 2004.
5. Sekulić, Branko et al.: Primjena matematike za ekonomiste.
Informator, Zagreb 1996.
6. Spiegel, Murray R. / Stephens, Larry J.: Statistics. McGraw-Hill, 1999.
7. Studenmund, A. H.: Using Econometrics: A Practical Guide,
HarperCollins Publishers Inc., New York, 1996.
8. Šošić, I.: Pregled formula iz statistike, Mikrorad, Zagreb
9. Šošić, Ivan / Serdar, Vladimir: Uvod u statistiku. Školska knjiga,
Zagreb, 2002.
10. Šošić, Ivan: Primijenjena statistika. Školska knjiga, Zagreb, 2004.
11. Šošić, Ivan: Zbirka zadataka iz statistike. Mikrorad, Zagreb, 1998.
12. Wonnacott, Thomas H. / Wonnacott, Ronald J.: Introductory
Statistics. Wiley, 1990.
202
Literatura:
Internet:
1. http://www.efos-statistika.com/
2. HyperStat Online (David M. Lane)
3. Statistics: Power from Data! (Statistics Canada)
4. Introductory Statistics: Concepts, Models and
Applications (David W. Stockburger)
5. Introduction to Probability (Charles M. Grinstead, J.
Laurie Snell)
6. Virtual Laboratories in Probability and Statistics
7. The R Project for Statistical Computing
203