Osnove Statistike I Kineziometrije Za Visu Trenersku Dizi

OSNOVE STATISTIKE I
KINEZIOMETRIJE
prof.dr.sc.Nataša
prof.dr.sc. NatašaViskić-Štalec
Viskić-Štalec--nositeljica
nositeljicapredmeta
predmeta
(tel.01/3658-732,
(tel. 01/3658-732,soba
sobabr.
br.130/2)
130/2)
doc.dr.sc.Dražan
doc.dr.sc. DražanDizdar
Dizdar --predmetni
predmetninastavnik
nastavnik
(tel.01/3658-731,
(tel. 01/3658-731,soba
sobabr.
br.130/1,
130/1,ddizdar@kif.hr)
ddizdar@kif.hr)
mr.sc.Darko
mr.sc. DarkoKatović
Katović--stručni
stručnisuradnik
suradnik
(tel.01/3658-643,
(tel. 01/3658-643,soba
sobabr.
br.43,
43,darko@kif.hr)
darko@kif.hr)
ŽeljkoPedišić,
Željko Pedišić,prof.
prof.--znanstveni
znanstveninovak
novak
(tel.01/3658-643,
(tel. 01/3658-643,soba
sobabr.
br.43)
43)
doc.dr.sc. Dražan Dizdar
OSNOVE STATISTIKE I
KINEZIOMETRIJE
ISPIT
praktični/pismeni teoretski/usmeni
mr.sc. Darko Katović prof.dr.sc. Nataša Viskić-Štalec
Željko Pedišić, prof doc.dr.sc. Dražan Dizdar

OSNOVE STATISTIKE I
KINEZIOMETRIJE
Statistika se bavi prikupljanjem, sređivanjem, sažimanjem i
grafičkim prikazivanjem podataka koji su dobiveni nekim
mjerenjem.
Kineziometrija (kinezis – kretanje, metrija – mjerenje) -

predstavlja znanstvenu disciplinu koja se bavi problemima
mjerenja u kineziologiji.

OSNOVNI STATISTIČKI
POJMOVI
statistika ??
??
Statistka - skup metoda i postupaka za sređivanje,

analiziranje i grafičko prikazivanje velike količine
podataka.
POJMOVI
Statistka - skup metoda i postupaka za sređivanje,
analiziranje i grafičko prikazivanje velike količine
podataka.
podatak ???
?

POJMOVI
Podatak - određena kvantitativna ili kvalitativna vrijednost
kojom je opisno određeno obilježje (svojstvo) nekog entiteta.
entitet ???
?

POJMOVI
Entitet - jedinka nekog skupa osoba, objekata, stvari, pojava,
procesa i sl. koja je opisana određenim obilježjima ili
svojstvima.
varijabla ?
???

POJMOVI
Varijabla - svojstva, obilježja, osobine, sposobnosti,
motorička znanja, itd. po kojim se entiteti međusobno
razlikuju.
Šime Marko Mate
TV=192 cm TV=174 cm TV=186 cm
TM=87 kg TM=68 kg TM=75 kg

POJMOVI
Populacija entiteta - skup svih entiteta čija su obilježja
predmet statističke analize najčešće se naziva (statistički
skup, univerzum entiteta)
Populacija entiteta može biti beskonačan
P = {ei; i = 1,2,...}
ili konačan
P = {ei ; i = 1,2,..,N}
skup entiteta (ei) .

POJMOVI
Uzorak entiteta - podskup entiteta izabran iz populacije u
skladu s nekim pravilom, a s ciljem da je što bolje reprezentira.
E = {ei; i = 1,2….,n}, n < N
n - broj entiteta u uzorku, a naziva se efektiv ili opseg uzorka

N - broj entiteta u populaciji
Vrste uzoraka entiteta jednostavni slučajni uzorak
namjerni
prigodni intervalni uzorak
slučajni stratificirani uzorak
POJMOVI
Vrste varijabli
nominalne
kvalitativne
ordinalne
intervalne
kvantitativne
omjerne
diskretne kontinuirane

POJMOVI
Populacija ili univezum varijabli W = {wj; j = 1,2,…}
predstavlja skup svih mogućih varijabli kojima se može
opisati stanje nekog entiteta.
Uzorak varijabli - podskup varijabli V = {vj; j = 1,2,…,m}
izabran na temelju neke teorije iz populacije varijabli.
Matrica podataka - skup podataka dobivenih opisom skupa

entiteta E= {ei;i=1,…,n}, nekim skupom varijabli
V= {vj;j = 1,..,m} smještenih tako da svaki redak sadrži
podatke kojima je pojedini entitet ei opisan sa m varijabli, dok
svaki stupac sadrži podatke n entiteta u pojedinoj varijabli vj.
POJMOVI
Spol TV TM
Šime m 192 87
Marko m 174 68
Mate m 186 75

OSNOVE KINEZIOMETRIJE
Kineziometrija (kinezis – kretanje, metrija – mjerenje) -
predstavlja znanstvenu disciplinu koja se bavi problemima
mjerenja u kineziologiji.
Mjerenje - operacija kojom se nekom objektu pridružije
oznaka ili numerička vrijednost koja odgovara razvijenosti
mjerene karakteristike, odnosno određivanje pozicije subjekta
ili objekta na nekoj od mjernih ljestvica.
U postupak mjerenja moguće je uočiti nekoliko neizbježnih
elemenata. To su:
objekt mjerenja predmet mjerenja mjerilac
mjerna skala mjerni instrument
Objekt mjerenja - u kineziološkim istraživanjima objekti
mjernja (entiteti, ispitanici) najčešće se ljudi, ali mogu biti i
sportske ekipe, poslovi u igri, itd. Općenito, objekti mjerenja
ili entiteti su nosioci informacija koje je moguće prikupiti
(kvantificirati) nekim postupkom mjerenja, a kojima se može
opisati stanje nekog entiteta.
Predmet mjerenja - predstavlja određeno svojstvo, obilježje,
karakteristiku, osobinu, sposobnost nekog objekata. Valja
naglasiti da su predmeti mjerenja u kineziološkim
istraživanjima najčešće latentini (skriveni), odnosno da nisu
izravno mjerljivi, već se procjenjuju na temelju većeg broja
mjerljivih manifestacija (pojavnih oblik).
Mjerilac - osoba koja provodi mjerenje.
Mjerne skale:
nominalna- nema kvantitativna svojstva niti kontinuitet,
već se entiteti razvrstavaju u određene kategorije ili klase,
vodeći računa da su klase definirane jednoznačno, odnosno
da svaki entitet može pripadati samo jednoj klasi.
Primjerice, varijabla spol može poprimiti dva oblika muški
i ženski. Varijabla tip košarkaša može imati tri oblika
bekovi, krila, centri itd.

Mjerne skale:
ordinalna - pored toga što određuje pripadnost pojedinog
entiteta nekoj klasi određuje i njhov redoslijed, ali razlike
između pojedinih klasa nisu jednake. Dakle, ovom
mjernom skalom moguće je utvrditi je li neki entitet bolji
od drugoga, ali ne i koliko je bolji. Primjerice, redoslijed
trkača na cilju neke trke, školske ocjene itd.

Mjerne skale:
intervalna - ima kvantitaivna svojstva i kontinuitet, pored
toga što utvrđuju rang (redoslijed), intervali uzduž skale
su jednaki. Primjenom ove mjerne skale, pored
utvrđivanja redosljeda, odnosno je li neki entitet bolji od
drugoga, moguće je utvditi i koliko je bolji (npr. skala za
procjenu inteligencije, mjerenje temperature itd.).

Mjerne skale:
omjerna - pored svih svojstava intervalne mjerne skale
ima još i apsolutnu nulu (potpuno odsustvo mjerenog
svojstva), odnosno, rezultati su izraženi od nulte
vrijednosti, pa jednaki brojčani odnosi (omjeri) znače i
jednake odnose u mjerenoj pojavi (npr. mjerenje duljine,
sile, vremena potrebnog za izvođenje neke aktivnosti itd.).

Mjerni instrument - predstavlja odgovarajući operator putem
kojeg se određuje pozicija objekta mjerenja na nekoj mjernoj
skali kojom se procjenjuje predmet mjerenja.
Vrste mjernih instrumenata:
testovi tipa “papir – olovka” – potpuno objektivni mjerni
instrumenti, jer postignuti rezultati ne zavise od pogreške
mjerioca, već isključivo o ispitaniku. Koristi se za
utvrđivanje kognitivnih sposobnosti, konativnih obilježja,
stavova, socijalnog statusa, razine znanja itd

aparatura za mjerenje – razna tehnička pomagala kojima
maipulira mjerilac u postupku mjerenja. Primjerice,
instrumenti za mjerenje morfoloških obilježja -
antropometar, kaliper, itd., fizioloških funkcija - sirometar,
aparatura za mjerenje aerobnog i anaerobnog kapaciteta,
itd.

primjena vježbe (motoričkih zadatka) – različiti motorički
zadaci kojima se u nekoj poznatoj mjeri aktivira određena
motorička spsobnost. Primjerice, skok u dalj s mjesta za
procjenu eksplozivne snaga, taping rukom za procjenu
frekvencije pokreta, okretnost na tlu za procjenu
koordinacije, itd).

subjektivna procjena mjerioca – za procjenu nekih složenih
sposobnosti, znanja i vještina, odnosno kvalitete izvedbe
koristi subjektivna procjena kompetentnih mjerilaca
(primjerice, u sportskoj gimnastici, klizanju na ledu,
skokovima u vodu itd.).

Većina mjerenja u antropološkim znanostima obavlja se
pomoću tzv. kompozitnih mjernih instrumenata. Kompozitni
mjerni instrument se sastoji od većeg broja dijelova, tzv.
čestica (item), a koje mogu biti: pitanja (zadaci), ponavljana
mjerenja i suci - mjerioci.

Metrijske ili mjerne karakteristike:
pouzdanost - metrijska karakteristika koja se odnosi na
točnost mjerenja, tj. na nezavisnost mjerenja od
nesistematskih pogrešaka.
objektivnost - mjerna karakteristika kojom se određuje
nezavisnost rezultata mjerenja od mjerioca.
homogenost - predstavlja svojstvo kompozitnih testova da
u svim svojim česticama mjeri isti predmet mjerenja,
odnosno koliko rezultati ispitanika u svim česticama zavisi
od istog predmeta mjerenja ili identične kombinacije
različitih predmeta mjerenja.
Metrijske ili mjerne karakteristike:
faktorska valjanost - nastoji utvrditi koji se predmet
mjerenja ispituje određenim mjernim instrumentom,
odnosno u kojoj mjeri svaki od njegovih faktora uvjetuje
varijabilitet dobivenih rezultata.
pragmatička valjanost - pokazuje s kolikim uspjehom,
odnosno sigurnošću možemo predvidjeti uspjeh u nekoj
praktičnoj aktivnosti.
osjetljivost - pokazatelj mogućnosti mjernog instrumenta
da uspješno razlikuje ispitanike na temelju mjerenog
svojstva.
OSNOVNI POSTUPCI ZA
UREĐIVANJE I PRIKAZIVANJE
PODATAKA
Statistička obrada vrši isključivo pomoću specijaliziranih
računalnih programa za statističko-grafičku obradu podataka
(SPSS, STATISTICA, itd.).
dr.sc. Dražan Dizdar

OSNOVNI POSTUPCI ZA
PODATAKA
Prikupljene podatke pohranjujemo u datoteke (fileove) u
obliku tablice ili matrice. SPOL POZ OKI
AV M B 4
EM M B 3
KV M B 4
MD M B 3
MM M K 3
NM M K 2
NK M K 3
SA M K 3
SS M C 2
VM M C 3

OSNOVNI POSTUPCI ZA
PODATAKA
Kodiranje podataka – koristi se kod kvalitativnih podataka
Kratko ime Dugo ime varijable Oblici (vrijednosti) kod
varijable varijable
SPOL Spol Muškarci M
Žene Z
POZ Pozicija u igri Bek B
Krilo K
Centar C
OKI Ocjena kvalitete igrača Vrlo slaba kvaliteta 1
Slaba kvaliteta 2
Dobra kvaliteta 3
Vrlo dobara kvaliteta 4
Izvrsna kvaliteta 5
OSNOVNI POSTUPCI ZA
PODATAKA
Grupiranje podataka
- predstavlja statistički postupak razvrstavanja entiteta s istim

oblikom obilježja u određeni broj disjunktnih podskupova.
Frekvencija - broj entiteta koji imaju isti oblik obilježja,

odnosno, broj entiteta u određenoj grupi (klasi, kategoriji,
razredu).
Prikazivanje grupiranih podataka - putem tablica i grafikona.

OSNOVNI POSTUPCI ZA
PODATAKA
Grupiranje podataka
Jednodimenzionalno grupiranje - grupiranje entiteta po
jednom obilježju (varijabli)
Primjer:
Na praktični dio ispit iz K.M. izišlo je 40 studenata, 15 ih je
položilo, a 25 nije.
OBLIK OBILJEŽJA FREKVENCIJA
Nisu položili 25
Položili 15
Ukupno 40

OSNOVNI POSTUPCI ZA
PODATAKA
Grupiranje podataka
Višedimenzionalno grupiranje - grupiranje entiteta po više
obilježja (varijabli)
Primjer:
Od 26 studenata na praktičnom dijelu ispita iz K.M. položilo
je 10, a od 14 studentica položilo ih je 5.
SPOL NISU POLOŽILI POLOŽILI UKUPNO
MUŠKARCI 16 10 26
ŽENE 9 5 14
UKUPNO 25 15 40

OSNOVNI POSTUPCI ZA
PODATAKA
Grupiranje i grafičko prikazivanje kvalitativnih podataka
S obzirom da se kvalitativne varijable (obilježja) dijele na
nominalna i ordinalna (redosljedna) moguće je razlikovati
grupiranje prema nominalnim i ordinalnim varijablama.
GRUPIRANJE NOMINALNIH PODATAKA

USPJEH NA ISPITU FREKVENCIJA %
NISU POLOŽILI 25 62,5
POLOŽILI 15 37,5
UKUPNO 40 100

OSNOVNI POSTUPCI ZA
PODATAKA
S obzirom da se kvalitativne varijable (obilježja) dijele na
nominalna i ordinalna (redosljedna) moguće je razlikovati
grupiranje prema nominalnim i ordinalnim varijablama.
GRUPIRANJE ORDINALNIH PODATAKA

USPJEH NA ISPITU FREKVENCIJA %
NEDOVOLJAN 25 62,5
DOVOLJAN 8 20
DOBAR 3 7,5
VRLO DOBAR 2 5
ODLIČAN 2 5
UKUPNO 40 100
OSNOVNI POSTUPCI ZA
PODATAKA
Relativne frekvencije - predstavlja omjer između frekvencije

određene kategorije i zbroja frekvencija svih kategorija
(ukupan broj entiteta).
fg fg
pg  %g   100
n n
pg - relatvna frekvenicja izražena u proporciji grupe g
fg - frekvencija u grupi g
%g - relativna frekvencija izražena u postotku
n - ukupan broj entiteta
k - broj kategorija (grupa) dr.sc. Dražan Dizdar
OSNOVNI POSTUPCI ZA
PODATAKA
Kvalitativni podaci najčešće se prikazuju pomoću

grafikona stupaca, grafikona redaka i strukturnim krugom.
30
odličan
25
odličan
vrlo dobar 5,0%
vrlo dobar 5,0%
20
dobar
7,5%
15 dobar
10
dovoljan dovoljan
20,0%
nedovoljan
5
62,5%
nedovoljan
0
nedovoljan dovoljan dobar vrlo dobar odličan
0 5 10 15 20 25 30
f 25 8 3 2 2

OSNOVNI POSTUPCI ZA
PODATAKA
30
GRAFIKON STUPACA
25
20
15
10
0
nedovoljan dovoljan dobar vrlo dobar odličan
f 25 8 3 2 2

OSNOVNI POSTUPCI ZA
PODATAKA
odličan
GRAFIKON REDAKA
vrlo dobar
dobar
dovoljan
nedovoljan
0 5 10 15 20 25 30

OSNOVNI POSTUPCI ZA
PODATAKA
STRUKTURNI KRUG
odličan
vrlo dobar 5,0%
5,0%
dobar
7,5%
dovoljan
20,0%
nedovoljan
62,5%

OSNOVNI POSTUPCI ZA
PODATAKA
Grupiranje i grafičko prikazivanje kvantitativnih podataka
Kvantitativne varijable numerički izražavaju stupanj
razvijenosti mjerenog svojstva, a mogu biti diskretne i
kontinuirane.
Diskretne varijable - izražavaju konačan broj vrijednosti
mjerenog svojstva i uvijek su određene cijelim brojem, a
dobivaju se postupkom prebrojavanja (npr. broj sklekova,
broj skokova u obrani i napadu itd.).
Kontinuirane varijable - mogu poprimiti bilo koju numeričku
vrijednost, a dobivene su procedurom mjerenja na određenoj
mjernoj skali (npr. mjerenje vremena, količine, udaljenosti
itd.). dr.sc. Dražan Dizdar
OSNOVNI POSTUPCI ZA
PODATAKA
Sortiranje
uzlazno - ako se podaci nižu od najmanjeg do najvećeg
silazno - ako se podaci nižu od najvećeg do najmanjeg
Omogućava uočavanja minimalne (xmin) vrijednosti i

maksimalne (xmax) vrijednosti temeljem kojih je moguće
izračunati i tvz. totalni raspon (R) rezultata.
Rtot  xmax  xmin

OSNOVNI POSTUPCI ZA
PODATAKA
ENTITETI OP
ANZU-V 4
Primjer - broj osobnih ERJA-M 2
pogrešaka (OP) 18 košarkaša KRST-V 1
MILA-D 4
(entiteta) na jednoj MILL-M 3
košarkaškoj utakmici. NORI-M 1
NOVO-K 4
SAMA-A 2
SUBO-S 3
VANJ-M 5
VOLO-D 3
VUJI-I 2
BAZD-M 3
BLAS-M 3
GIRI-G 4
KRUN-D 3
MALI-M 3
MAMI-M 2 dr.sc. Dražan Dizdar
OSNOVNI POSTUPCI ZA
PODATAKA
ENTITETI OP
KRST-V 1
Primjer - broj osobnih NORI-M 1
pogrešaka (OP) 18 košarkaša MAMI-M 2
ERJA-M 2
(entiteta) na jednoj SAMA-A 2
košarkaškoj utakmici. VUJI-I 2
MILL-M 3
SUBO-S 3
VOLO-D 3
BAZD-M 3
BLAS-M 3
KRUN-D 3
MALI-M 3
ANZU-V 4
NOVO-K 4
GIRI-G 4
MILA-D 4
VANJ-M 5 dr.sc. Dražan Dizdar
OSNOVNI POSTUPCI ZA
PODATAKA
Broj entiteta s jednakom vrijednosti kvantitativnog obilježja

predstavlja frekvenciju, a uređeni niz kvantitativnih
vrijednosti s pripadajućim frekvencijama distribuciju
frekvencija.
BROJ OSOBNIH POGREŠAKA FREKVENCIJA
1 2
2 4
3 7
4 4
5 1
UKUPNO 18

OSNOVNI POSTUPCI ZA
PODATAKA
8
HISTOGRAM FREKVENCIJA
7
5
Frekvencije
0
1 2 3 3 5

OSNOVNI POSTUPCI ZA
PODATAKA
8
POLIGON FREKVENCIJA
7
0
1 2 3 4 5

OSNOVNI POSTUPCI ZA
PODATAKA

Ukoliko diskretna varijabla ima veliki broj pojavnih oblika ili
ako se radi o kontinuiranoj varijabli tada se podaci grupiraju
u manji broj razreda. Za uspješno grupiranje potrebno je
odrediti prikladan broj razreda i njihovu veličinu (interval
razreda).
Primjer - grupiranje Intervali razreda f rf (%)
60 mladih judaša u 5 120<x<=140 1 1,67
razreda u varijabli 140<x<=160 12 20,00
skok udalj s mjesta 160<x<=180 26 43,33
180<x<=200 16 26,67
200<x<=220 5 8,33
OSNOVNI POSTUPCI ZA
PODATAKA
HISTOGRAM FREKVENCIJA

OSNOVNI POSTUPCI ZA
PODATAKA
30 POLIGON FREKVENCIJA
25
20
15
10
0
x<=120 120<x<=140 140<x<=160 160<x<=180 180<x<=200 200<x<=220 220<x

OSNOVNI POSTUPCI ZA
PODATAKA
Ako se frekvencije (apsolutne ili relativne) svakog

narednog razreda zbrajaju sa sumom predhodnih razreda
dobiju se tzv. kumulativne frekvencije.
Intervali razreda cf crf (%)

120,000<x<=140,000 1 1,67
140,000<x<=160,000 13 21,67
160,000<x<=180,000 39 65,00
180,000<x<=200,000 55 91,67
200,000<x<=220,000 60 100,00
OSNOVNI POSTUPCI ZA
PODATAKA
70
KUMULATIVNI POLIGON
60
50
40
30
20
10
0
120<x<=140 140<x<=160 160<x<=180 180<x<=200 200<x<=220

OSNOVNI POSTUPCI ZA
PODATAKA
35
POLIGON FREKVENCIJA DVIJU GRUPA
30
25
20
15
10
0
x<=120 120<x<=140 140<x<=160 160<x<=180 180<x<=200 200<x<=220 220<x

DESKRIPTIVNI POKAZATELJI
Deskriptivni pokazatelji koriste se za opis varijabli putem:
mjera centralne tendencije ili središnjih mjera,
mjera varijabilnosti ili disperzije,
mjera asimetrije i zakrivljenosti (izduženosti ili

spljoštenosti) distribucije.

Mjere centralne tendencije ili središnje mjere
Zajedničko obilježje - svaka od njih predstavlja jednu
vrijednost koja bi trebala biti dobra zamjena za skup svih
pojedinačnih vrijednosti, odnosno njihov najbolji
reprezentant.
Postoji nekoliko različitih mjera centralne tendencije prema
načinu utvrđivanja i mogućnosti primjene, to su:
aritmetička sredina
mod
medijan
Aritmetička sredina
Najčešće korištena mjera centralne tendencije. Izračunava

se kao omjer zbroja svih vrijednosti neke varijable i
ukupnog broja entiteta.
n
x i
x i 1
gdje je n
i = 1, …,n,
n - broj entiteta.
Primjer
Naka je 10 entiteta postiglo sljedeće rezultate u nekom
motoričkom testu: 1, 2, 2, 3, 3, 3, 3, 4, 4, 5.
Aritmetička sredina je
1  2  2  3  3  3  3  4  4  5 30
x  3
10 10

Računa se samo za kvantitativne podatke i ima sljedeća
svojstva:
  x  x  0
n
i
i 1
  x  x
n
2
i  min
i 1
xmin  x  xmax
Mod ili dominantna vrijednost
- vrijednost kvalitativne ili kvantitativne varijable koja se
najčešće pojavljuje.
Primjer
Naka je 10 entiteta postiglo sljedeće rezultate u nekom
motoričkom testu: 1, 2, 2, 3, 3, 3, 3, 4, 4, 5.
Ocjena f
1 1
2 2
3 4
4 2
5 1 dr.sc. Dražan Dizdar
Medijan ili centralna vrijednost
- vrijdenost koja se nalazi na sredini uređenog niza podataka
(uzlazno ili silazno sortiranog), odnosno vrijednost koja
uređeni niz podataka dijeli na dva jednakobrojana dijela.
Primjer
Naka je 15 entiteta (neparan niz) izmjereno nekim testom
čiji su rezultati uređeni po veličini:
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15
1 2 2 2 2 3 3 3 3 3 4 4 4 5 5

Medijan ili centralna vrijednost
Ako je broj podataka (entiteta) paran onda je medijan jednak
aritmetičkoj sredini vrijednosti dvaju središnjih članova
uređenog niza.
Primjer
Ako je 16 entiteta (paran niz) izmjereno nekim testom čiji su
rezultati uređeni po veličini:
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16
1 1 2 2 2 3 3 3 3 3 4 4 4 4 5 5
e= (x8+x9)/2 = (3+3)/2=3

Medijan je kao i mod nisu pod utjecajem ekstremno visokih

ili niskih rezultata, te u tim slučajima (kod pozitivno i
negativno asimetrično distribuiranih varijabli) bolje
predočuju (reprezentiraju) niz podataka.

Mjere disperzije ili varijabilnosti
Mjerama disperzije ili varijabilnosti ukazuje se na veličinu

međusobnog razlikovanja rezultata entiteta u nakoj varijabli.
To su:
totalni raspon
varijanca
standardna devijacija

Totalni raspon
Totalni raspn predstavlja razliku između maksimalne (xmax) i
minimalne (xmin) vrijednosti.
Rtot  xmax  xmin
Vrlo je nesigurana mjera varijabilnosti, jer jedan ekstremni
rezultata znatno utječe na njegovu vrijednost.
Povećenjem entiteta u uzorku obično se povećava i totalni
raspon jer se povećava vjerojatnost uključivanja entiteta s
ekstremnim (maksimalnim i minimalnim) vrijednostima.
Varijanca i standardna devijacija
Procjena stupnja disperzije moguća je i putem odstupanja
vrijednosti članova niza od neke središnje vrijednosti,
najčešće aritmetičke sredine.
d i  xi  x
n
d
i 1
i 0

Varijanca – prosječno kvadratno odstupanje rezultata entiteta
od aritmetičke sredine n
 i
( x  x ) 2
s2  i 1
n 1
Standardna devijacija – korijen iz varijance
n
 i
( x  x ) 2
s i 1
n 1 dr.sc. Dražan Dizdar

Primjer
10 entiteta postiglo sljedeće rezultate u nekom motoričkom
testu xi x-x
i (x  x )
i
2
1 -2 4
2 -1 1
2 -1 1
3 0 0
30
3 0 0 x
3 0 0 10
3 0 0
4 1 1 n
4
5
1
2
1
4
 ( x  x)
i
2
12
s i 1
  1,33  1,15
 30 0 12 n 1 3
Mjere asimetrije i izduženosti distribucije
Skewness - mjera asimetrije distribucije
POZITIVNO ASIMETRIČNA DISTRIBUCIJA
o  e  x
Skewness - mjera asimetrije distribucije
NEGATIVNO ASIMETRIČNA DISTRIBUCIJA
x  e  o
Kurtosis - mjera izduženosti distribucije
platikurtična mezokurtična leptokurtična

a4 < 3 a4 = 3 a4 > 3

TEORETSKE DISTRIBUCIJE
Kontinuirane teoretske distribucije
Normalna ili Gaussova distribucija
Za slučajnu kontinuiranu varijablu x kaže se da ima
normalnu distribuciju s parametrima  i 2 ako je
2
1  x μ 
1   
f(x)  e 2 σ 
σ 2Π
 - aritmetička sredina
 - standardna devijacija
Carl Friedrich Gauss
 =3.14459.. (1777- 1855)
e - baza prirodnog logaritma (e =2,71828) dr.sc. Dražan Dizdar
Normalna ili Gaussova distribucija
0,60
3  99.73 %
0,45 2  95.45 %
0,30
1  67.27 %
0,15
0,00
-3 -2 -1 0 1 2 3
1.96   95 %
2.57  99 %
0,5
Studentova t - distribucija df=10

0,5
0,4
df=3
0,5
0,4 0,3
df=100
0,4
0,3 0,2
0,3
0,2 0,1
0,2
0,1 0,0
-3 -2 -1 0 1 2 3
0,1
0,0 2.23  95 %
-3 -2 -1 0 1 2 3
3.18  
0,0 95 %
-3 -2 -1 0 1 2 3
1.97  95 %
STANDARDIZACIJA PODATAKA
(Z - VRIJEDNOST)
Postupak standardizacije provodi se pomoću formule
xij  x j
zij 
j
zij - standardizirani rezultat entiteta i (i = 1, …,n) u

varijabli j (j = 1, …,m)
xij - originalna vrijednost ispitanika i u varijabli j
x j - aritmetička sredina varijable j
j - standardna devijacija varijable j
(Z - VRIJEDNOST)
Primjer 1:
Deset učenika natjecalo se u tri SD T100M BK

atletske discipline: A.B. 359 13,6 561
- skok udalj (SD), D.F. 321 13,9 550
- trčanje na 100 metara (T100m) i J.G. 346 13,7 538
- bacanje kugle (BK) i postiglo K.L. 332 14,0 490
D.D. 450 12,2 518
rezultate navedene u tablici: E.D. 314 14,1 551
T.B 410 12,5 589
Z.N 425 12,3 602
R.G. 369 13,5 547
E.N. 378 13,8 510
Potrebno je utvrditi ukupan poredak (rang) ovog natjecanja ?
(Z - VRIJEDNOST)
Prvi korak: Izračunati aritmetičke sredine i standardne
devijacije za svaku varijablu (disciplinu).
SD T100M BK
A.B. 359 13,6 561
D.F. 321 13,9 550
J.G. 346 13,7 538
K.L. 332 14,0 490
D.D. 450 12,2 518
E.D. 314 14,1 551
T.B 410 12,5 589
SD T100m BK
Z.N 425 12,3 602
x 370,4 13,36 545,6 R.G. 369 13,5 547
 45,66 0,73 34,21 E.N. 378 13,8 510

(Z - VRIJEDNOST)
Drugi korak: Transformacija originalnih podataka u z -
vrijednosti na temelju izračunatih aritmetičkih sredina i
standardnih devijacija. SD T100M BK
A.B. 359 13,6 561
D.F. 321 13,9 550
359  370,4  11,4
z AB , SD    0,25 J.G. 346 13,7 538
45,66 45,66 K.L. 332 14,0 490
D.D. 450 12,2 518
E.D. 314 14,1 551
T.B 410 12,5 589
SD T100m BK
Z.N 425 12,3 602
x 370,4 13,36 545,6 R.G. 369 13,5 547
 45,66 0,73 34,21 E.N. 378 13,8 510

(Z - VRIJEDNOST)
Drugi korak: Transformacija originalnih podataka u z -
vrijednosti na temelju izračunatih aritmetičkih sredina i
standardnih devijacija. SD T100M BK
A.B. -0,25 0,33 0,45
D.F. -1,08 0,74 0,13
359  370,4  11,4 J.G. -0,53 0,46 -0,22
z AB , SD    0,25
45,66 45,66 K.L. -0,84 0,87 -1,63
D.D. 1,74 -1,58 -0,81
E.D. -1,24 1,01 0,16
T.B 0,87 -1,17 1,27
SD T100m BK
Z.N 1,20 -1,44 1,65
x 370,4 13,36 545,6 R.G. -0,03 0,19 0,04
 45,66 0,73 34,21 E.N. 0,17 0,60 -1,04

(Z - VRIJEDNOST)
Treći korak: Prije kondenzacije rezultata potrebno je varijabe
koje su obrnuto skalirane pomnožiti s -1, odnosno promjeniti
im predznake. SD T100M BK
A.B. -0,25 0,33 0,45
D.F. -1,08 0,74 0,13
J.G. -0,53 0,46 -0,22
K.L. -0,84 0,87 -1,63
D.D. 1,74 -1,58 -0,81
E.D. -1,24 1,01 0,16
T.B 0,87 -1,17 1,27
Z.N 1,20 -1,44 1,65
R.G. -0,03 0,19 0,04
E.N. 0,17 0,60 -1,04

(Z - VRIJEDNOST)
Treći korak: Prije kondenzacije rezultata potrebno je varijabe
koje su obrnuto skalirane pomnožiti s -1, odnosno promjeniti
im predznake. SD T100M BK
A.B. -0,25 -0,33 0,45
D.F. -1,08 -0,74 0,13
J.G. -0,53 -0,46 -0,22
K.L. -0,84 -0,87 -1,63
D.D. 1,74 1,58 -0,81
E.D. -1,24 -1,01 0,16
T.B 0,87 1,17 1,27
Z.N 1,20 1,44 1,65
R.G. -0,03 -0,19 0,04
E.N. 0,17 -0,60 -1,04

(Z - VRIJEDNOST)
Četvrti korak: Kondenzacija standardiziranih vrijednosti putem
aritmetičke sredine.
SD T100M BK Z
A.B. -0,25 -0,33 0,45 -0,04
z AB ,SD  z AB ,T 100  z AB ,BK D.F. -1,08 -0,74 0,13 -0,56
z AB   J.G. -0,53 -0,46 -0,22 -0,41
3
K.L. -0,84 -0,87 -1,63 -1,11
 0 ,25  ( 0 ,33 )  0 ,45
  0 ,04 D.D. 1,74 1,58 -0,81 0,84
3 E.D. -1,24 -1,01 0,16 -0,70
T.B 0,87 1,17 1,27 1,10
Z.N 1,20 1,44 1,65 1,43
R.G. -0,03 -0,19 0,04 -0,06
E.N. 0,17 -0,60 -1,04 -0,49

(Z - VRIJEDNOST)
Četvrti korak: Kondenzacija standardiziranih vrijednosti putem
aritmetičke sredine.
SD T100M BK Z
A.B. -0,25 -0,33 0,45 -0,04
z AB ,SD  z AB ,T 100  z AB ,BK D.F. -1,08 -0,74 0,13 -0,56
z AB   J.G. -0,53 -0,46 -0,22 -0,41
3
K.L. -0,84 -0,87 -1,63 -1,11
 0 ,25  ( 0 ,33 )  0 ,45
  0 ,04 D.D. 1,74 1,58 -0,81 0,84
3 E.D. -1,24 -1,01 0,16 -0,70
T.B 0,87 1,17 1,27 1,10
Z.N 1,20 1,44 1,65 1,43
R.G. -0,03 -0,19 0,04 -0,06
E.N. 0,17 -0,60 -1,04 -0,49

(Z - VRIJEDNOST)
Peti korak: Silazno (od većeg k manjem) sortiranje učenika po
izračunatoj prosječnoj z - vrijednosti.
Rang Učenik Z
1. Z.N 1,43
2. T.B 1,10
3. D.D. 0,84
4. A.B. -0,04
5. R.G. -0,06
6. J.G. -0,41
7. E.N. -0,49
8. D.F. -0,56
9. E.D. -0,70
10. K.L. -1,11

(Z - VRIJEDNOST)
Primjer 2:
257 dječaka izmjereno je testom za procjenu eksplozivne
snage skok udalj s mjesta. Aritmetička sredina iznosila je 215
cm, a standardna devijacija 12 cm. Učenik XY postiga je
rezultat 230 cm. Potrebno je procjeniti postotak (%) i broj
učenika koji postižu lošije i bolje rezultate od učenika XY.
230  215 15
z XY    1,25
12 12

(Z - VRIJEDNOST)
Primjer 2:
0,60
0,45 p = 0,8943
89,44 %
0,30
p = 0,1057
10,57 %
0,15
0,00
-3 -2 -1 0 1 2 3
z = 1,25  p = 0,1057  10,57 % z = 1,25

(Z - VRIJEDNOST)
Primjer 2:
Na temelju procijenjene vjerojatnosti lako se izračuna broj

ispitanika s boljim odnosno lošijim rezultatom.
d d
p , odnosno %   100
gdje je n n
p proporcija (p=0,1057),
d dio cijeline (broj učenika s boljim rezultatom od z=1,25), a
n cijelina (ukupan broj učenika n=257).
d  p  n  0,1057  257  27,16  27
257 - 27 = 230 dr.sc. Dražan Dizdar
(Z - VRIJEDNOST)
Praktična korist od standardizacije rezultata ogleda se i u
mogućnosti grafičkog prikazivanja rezultata entiteta u većem
broju varijabli koje opisuju njegov antropološki profil.
3,5
3
2,5
2
1,5
SDM
1
0,5 IP
0 NEB
1
-0,5 SKL
-1 T12min
-1,5 T20m
-2 KUS
-2,5
BP
-3
TR

PROCJENA ARITMETIČKE
SREDINE POPULACIJE
-3 -2 -1  1 2 3

SREDINE POPULACIJE
n=5 x1 n=5
x2
.
.
.
.
.
.
x10000
 -3sx -2sx -1sx  1sx 2sx 3sx
SREDINE POPULACIJE
n=10 x1
n=10
n=5
x2
.
.
.
.
.
.
x10000
 -3sx -3-2
sxsx-2s-1x-1
sxs  1s1sx2s 23ssx 3sx
x x x x
SREDINE POPULACIJE
n=50 x1
n=50
n=10
x2
.
.
.
.
.
.
x10000
 -3s -2sx-1sx  1sx 2sx3sx
-3sx -2x sx-1 sx  1sx 2sx 3sx
SREDINE POPULACIJE
s
sx 
n
-3sx -2sx -1sx  1sx 2sx 3sx
x  t p  sx    x  t p  sx
SREDINE POPULACIJE

SREDINE POPULACIJE
Primjer:
Na slučajno odabranom uzorku veličine 100 entiteta izračunata
je aritmetička sredina (x = 180 cm) i standardna devijacija
(s=10 cm). Potrebno je procijeniti interval u kojem se s
vjerojatnošću od 0,95 nalazi aritmetička sredina populacije.
s 10
sx    1cm
n 100
t
99 0 ,05  1,98
x  1,98  1    x  1,98  1
178 ,02    181,98 dr.sc. Dražan Dizdar
T-TEST
t-test za nezavisne uzorke

t-test za zavisne uzorke

T-TEST
-3 -2 -1  1 2 3

T-TEST
n=5
n=5 x 1  x 2  d 1
x1  x 2  d 2
. . .
. . .
. . .
. . .
. . .
. . . -3 -2 -1 0 1 2 3
x 1  x 2  d 10000 dr.sc. Dražan Dizdar
T-TEST
n=10
n=10 x 1  x 2  d 1
x1  x 2  d 2
. . .
. . .
. . .
. . .
. . .
. . .
x 1  x 2  d 10000 -3 -2 -1 0 1 2 3
T-TEST
n=50
n=50 x 1  x 2  d 1
x1  x 2  d 2
. . .
. . .
. . .
. . .
. . .
. . .
x 1  x 2  d 10000 -3 -2 -1 0 1 2 3
T-TEST
 df t p  s x  x
x1  x 2
t
sx  x
1 2
s12 s22
sx  x  
1 2
n1 n2
-3 -2 -1 0 1 2 3
df=(n1-1)+(n2-1)

T-TEST
t < dftp  H0:x1 =x2
Uz pogrešku p ne možemo tvrditi da je razlika između

aritmetičkih sredina analiziranih uzoraka statistički značajna
t > dftp  H1:x1 x2
Razlika između aritmetičkih sredina analiziranih uzoraka je

statistički značajna uz pogrešku p

T-TEST
x1  x 2
t
sx 1  x 2
2
n
1 n


i 1
d i
2
  i d
n  i 1 
s x1  x 2 
n(n  1)
sx  x  s 2  s 2  2  r  sx  sx
1 2 x1 x2 1 2
; df=(n-1)
T-TEST
t < dftp  H0:x1 =x2
Uz pogrešku p ne možemo tvrditi da je razlika između

aritmetičkih sredina prvog i drugom mjerenja statistički
značajna
t > dftp  H1:x1 x2
Razlika između aritmetičkih sredina prvog i drugog mjerenja

je statistički značajna uz pogrešku p
KORELACIJA
Začetnikom korelacijske i regresijske analize
smatra se engleski antropolog Francis Galton koji
je pod utjecajem rođaka Charlesa Darwina,
istraživao utjecaj nasljeđa na razvoj čovjekovih
karakteristika. Francis Galton
(1822-1911)
Surađujući s Galtonom, Karl Perason je razvio
računski postupak za utvrđivanje povezanosti
između dviju varijabli i nazvao ga produkt –
moment koeficijent korelacije.
Karl Pearson
(1857–1936)
KORELACIJA
Pearsonov produkt – moment koeficijent korelacije (r)
predstavlja mjeru međusobne linearne povezanosti rezultata
dviju standardiziranih varijabli.
n
x ci yci
r i 1
n n
x 
i 1
2
ci  ci
y 2
i 1
xci = xi -x centrirarezultat entiteta i u varijabli x

x aritmetička sredina varijable x
yci = yi -y centrirani rezultat entiteta i u varijabli y
y aritmetička sredina varijable y dr.sc. Dražan Dizdar
KORELACIJA
Pearsonov koeficijent korelacija može se napisati na različite
načine. Jedan od načina koji omogućava brže izračunavanje
je pomoću formule
n n
xi rezultat entiteta i u
n x y i i varijabli x
x y  i i
i 1
n
i 1
yi rezultat entiteta i u
r i 1
  n

2
  n

2
 varijabli y
   x   
 n 2  i 1   n 2  i 1  
i  y i  
  xi    yi   n broj entiteta
 i 1 n  i 1 n 
  
  
KORELACIJA
Ako se rezultati ispitanika u varijablam x i y standardiziraju,
tada formula dobiva jednostavan oblik
( z xi z yi )
r i 1
n
z xi standardizirani rezultat ispitanika i u varijabli x

z yi standardizirani rezultat ispitanika i u varijabli y

KORELACIJA
Y r=0
yi
xi X
KORELACIJA
Y r = -1
+1
X
KORELACIJA
Y 0 < r < +1
X
KORELACIJA
Y 0 > r > -1
X
KORELACIJA
Testiranje značajnosti koeficijenta korelacije
H0 : r = 0 - korelacija nije statistički značajna uz pogrešku p
H1 : r  0 - korelacija je statistički značajna uz pogrešku p
n2
tr
1 r2
t vrijednost koja se distribuira kao t-distribucija za df = n-2
r koeficijent korelacije
n broj entiteta

Osnove Statistike I Kineziometrije Za Visu Trenersku Dizi

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Osnove Statistike I Kineziometrije Za Visu Trenersku Dizi

Uploaded by

Copyright:

Available Formats

OSNOVE STATISTIKE I

doc.dr.sc. Dražan Dizdar

Kineziometrija (kinezis – kretanje, metrija – mjerenje) -

doc.dr.sc. Dražan Dizdar

Statistka - skup metoda i postupaka za sređivanje,

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

TV=192 cm TV=174 cm TV=186 cm

TM=87 kg TM=68 kg TM=75 kg

skup entiteta (ei) .

doc.dr.sc. Dražan Dizdar

n - broj entiteta u uzorku, a naziva se efektiv ili opseg uzorka

doc.dr.sc. Dražan Dizdar

Matrica podataka - skup podataka dobivenih opisom skupa

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

doc.dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

- predstavlja statistički postupak razvrstavanja entiteta s istim

Frekvencija - broj entiteta koji imaju isti oblik obilježja,

Prikazivanje grupiranih podataka - putem tablica i grafikona.

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

GRUPIRANJE NOMINALNIH PODATAKA

dr.sc. Dražan Dizdar

GRUPIRANJE ORDINALNIH PODATAKA

Relativne frekvencije - predstavlja omjer između frekvencije

Kvalitativni podaci najčešće se prikazuju pomoću

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

Omogućava uočavanja minimalne (xmin) vrijednosti i

Rtot  xmax  xmin

Broj entiteta s jednakom vrijednosti kvantitativnog obilježja

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

Ako se frekvencije (apsolutne ili relativne) svakog

Intervali razreda cf crf (%)

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

mjera centralne tendencije ili središnjih mjera,

mjera varijabilnosti ili disperzije,

mjera asimetrije i zakrivljenosti (izduženosti ili

dr.sc. Dražan Dizdar

Najčešće korištena mjera centralne tendencije. Izračunava

dr.sc. Dražan Dizdar

dr.sc. Dražan Dizdar

e= (x8+x9)/2 = (3+3)/2=3

Medijan je kao i mod nisu pod utjecajem ekstremno visokih