Statistika U Ekonomiji I Menadzmentu

Naziv djela:
Statistika u ekonomiji i menadmentu

Drugo izdanje
Autor:
Prof. dr Rabija Somun-Kapetanovi
Izdava:
Ekonomski fakultet u Sarajevu
Glavni i odgovorni urednik:
Dekan, prof. dr Muris ii
Recenzenti:
Prof. dr Divna Jankovi
Prof. dr elimir Vukovi
Urednik:
Prof. dr Hasan Muratovi
Lektor:
Dr Aia Softi
DTP:
Engin Meanovi
tampa:
VMG Grafika, Mostar
Tira:
300
Godina izdanja: 2008.
---------------------------------------------------------------------------CIP Katalogizacija u publikaciji
Nacionalna i univerzitetska biblioteka
Bosne i Hercegovine, Sarajevo
330. 45: 512. 2] (075. 8)
SOMUN-Kapetanovi, Rabija
Statistika u ekonomiji i menadmentu / Rabija
Somun-Kapetanovi. 2. izd. Sarajevo :
Ekonomski fakultet, 2008. 424 str. : graf.
prikazi ; 24 cm
Bibliografija: str. 423-424
ISBN 978-9958-25-008-8
I. Kapetanovi, Rabija Somun vidi
Somun-Kapetanovi, Rabija
COBISS.BH-ID 16445958
------------------------------------------------------------------------
Dr Rabija Somun-Kapetanovi
STATISTIKA
U EKONOMIJI I MENADMENTU
DRUGO IZDANJE
Sarajevo, 2008. godine
PREDGOVOR PRVOM IZDANJU

Postoji vie pristupa prezentaciji statistike metodologije. Dva ekstremna
sluaja su prezentacije kompletno matematizirane i apstraktne i prezentacije
potpuno deskriptivne, bez provjere i izvoenja dokaza. Pristup koji smo mi
primijenili u prezentaciji nalazi se izmeu ova dva ekstremna sluaja i ima
dva osnovna cilja. To su prezentacija i aplikacija analiziranih metoda i
razumijevanje i interpretacija dobijenih rezultata. Ova knjiga je namijenjena
prvenstveno studentima ekonomije, menadmenta i ostalih drutvenih
nauka. Iako su bazni koncepti statistike univerzalni, na pristup je baziran
na analizi, prezentaciji i aplikaciji osnovnih koncepata u domenu ekonomije
i menadmenta. Osnovne definicije, osobine i rezultati su izvedeni i
dokazani u mjeri u kojoj smo to smatrali korisnim za razumijevanje i
aplikaciju prezentirane problematike.
Sadraj ovog izdanja knjige je rezultat dugogodinjeg autorovog iskustva u
nastavi iz oblasti Kvantitativne ekonomije i predmeta: Matematike metode
u ekonomiji, Meusektorska analiza, Operaciona istraivanja, Statistika,
Eksperimentalna statistika, Statistika u ekonomiji i menadmentu, Poslovna
statistika, Kvantitativne metode i Demografija na Ekonomskom fakultetu u
Sarajevu, Fakultetu ekonomskih nauka i upravljanja Univeziteta Louis
Pasteur u Strasbourg-u (Facult des sciences conomiques et de gestion de
lUniversit Louis Pasteur de Strasbourg) i Instituta za demografiju
Univerziteta Marc Bloch u Strasbourg-u (Institut de dmographie de
lUniversit Marc Bloch de Strasbourg).
Ova knjiga je koncipirana prema nastavnom programu predmeta Statistika u
ekonomiji i menadmentu koji se izuava na prvoj godini Ekonomskog
fakulteta u Sarajevu. Sastavljena je iz est poglavlja sa sljedeim naslovima:
Statistika i statistika istraivanja, Analiza i sinteza podataka, Regresiona i
korelaciona analiza, Dinamika analiza i mjerenje evolucije, Osnovi
vjerovatnoe i teorijske distribucije vjerovatnoe te Teorija i metode
uzoraka i statistiko zakljuivanje. U svakom poglavlju su definisani,
analizirani i formalizirani osnovni pojmovi i kategorije koji su zatim
aplicirani na konkretnim primjerima. Aplikacija analiziranih metoda je
vrena na statistikim podacima objavljenim u publikacijama Federalnog
zavoda za statistiku Bosne i Hercegovine, Agencije za statistiku Bosne i
Hercegovine i Nacionalnog instituta za statistiku i ekonomske studije
(INSEE) Francuske. Na kraju svakog poglavlja su prezentovani lista
teorijskih pitanja, rijeeni zadaci i zadaci sa elementima rjeenja. U prilogu

su date tablice teorijskih distribucija vjerovatnoe.
Posebnu zahvalnost izraavam recenzentima prof. dr Divni Jankovi i prof.
dr elimiru Vukoviu ije su primjedbe i prijedlozi doprinijeli poboljanju
teksta. Autor je odgovoran za eventualne greke i propuste.
Zahvaljujem i mojim saradnicama posebno mr Emini Resi, koja je paljivo
proitala tekst, pripremila tablice u prilogu, i u svim fazama izrade ovog
udbenika mi pruila veliku pomo, kao i Adeli Delali i Almiri ArnautBerilo.
Svim ostalim koji su doprinijeli da ova knjiga bude napisana i objavljena
iskreno zahvaljujem.
Knjigu posveujem mojoj majci za 99. roendan i za njenu beskrajnu
ljubav, plemenitost i dobrotu.
Nadam se da e ova knjiga zadovoljiti potrebe studenata i svih onih koji
koriste statistike metode u svom radu. Unaprijed zahvaljujem za sve
primjedbe, sugestije i konstruktivne kritike koje bi mogle poboljati
prezentovani tekst.
Sarajevo, aprila 2006.g.
PREDGOVOR DRUGOM IZDANJU

Zadovoljstvo mi je prezentovati drugo izdanje knjige Statistika u
ekonomiji i menadmentu. U ovom izdanju su izvrene odreene izmjene,
dopune i korekcije teksta prvog izdanja.
Zahvaljujem mojim saradnicima mr Emini Resi, Adeli Delali i Ademiru
Abdiu koji su svojim sugestijama doprinijeli poboljanju teksta za drugo
izdanje ove knjige.
Sarajevo, marta 2008. godine
SADRAJ
POGLAVLJE 1.
STATISTIKA I STATISTIKA ISTRAIVANJA
15
1.1.
15
POJAM STATISTIKE
1.2. NAUNI PRISTUP STATISTIKOM ISTRAIVANJU

1.2.1. Prikupljanje podataka
1.2.1.1. Metode prikupljanja podataka
1.2.2. Obrada podataka
17
17
17
19
1.3. STATISTIKI SKUP I STATISTIKE VARIJABLE

1.3.1. Statistiki skup i njegove karakteristike
1.3.2. Pojam, proces mjerenja i karakteristike statistike
varijable
1.3.2.1. Nominalna skala
1.3.2.2. Ordinalna skala
1.3.2.3. Intervalna skala
1.3.2.4. Metrika skala
1.3.3. Primjer projekta istraivanja
1.3.4. Statistiki pojmovi i definicije
1.3.5. Prezentacija statistikih podataka
1.3.5.1. Tabelarna prezentacija
1.3.5.2. Grafika prezentacija
19
19
20
21
21
22
22
22
23
25
28
31
POGLAVLJE 2.
ANALIZA I SINTEZA PODATAKA
39
2.1. FREKVENCIJE I KUMULATIVNE FREKVENCIJE

2.1.1. Definicije
2.1.2. Formalizacija definicija
39
39
40
2.2. KLASIFIKACIJA STATISTIKIH VARIJABLI

2.2.1. Kvalitativne varijable
2.2.1.1. Kvalitativna nominalna varijabla
2.2.1.2. Kvalitativna ordinalna varijabla
2.2.2. Kvantitativne varijable
2.2.2.1. Kvantitativna prekidna varijabla
2.2.2.2. Kvantitativna neprekidna varijabla
44
44
44
45
45
45
45
2.3.
45
GRAFIKI PRIKAZI PREKIDNE I NEPREKIDNE VARIJABLE
2.4.
2.4.1.
2.4.2.
2.4.3.
2.4.4.
2.4.5.
2.4.6.
2.4.7.
MJERE SREDNJE VRIJEDNOSTI ILI MJERE

CENTRALNE TENDENCIJE
Aritmetika sredina
2.4.1.1. Jednostavna aritmetika sredina
2.4.1.2. Ponderisana aritmetika sredina
2.4.1.3. Osobine aritmetike sredine
Geometrijska sredina
Harmonijska sredina
Kvadratna i kubna sredina
Mod ili centar aktivnosti
Medijana ili centar pozicije
2.4.6.1. Odreivanje medijane u ureenoj seriji
2.4.6.2. Odreivanje medijane za statistiku distribuciju frekvencija
2.4.6.3. Medijana i kumulativna frekvencija
2.4.6.4. Karakteristike medijane
Kvantili
2.4.7.1. Odreivanje kvantila u ureenoj seriji
2.4.7.2. Odreivanje kvantila u intervalno grupisanoj seriji
2.4.7.3. Kvartili
2.4.7.4. Decili
2.4.6.5. Centili
47
48
48
49
50
53
54
55
56
58
58
59
60
62
62
62
63
63
65
65
2.5. MJERE DISPERZIJE ILI VARIJACIJE

2.5.1. Apsolutne mjere disperzije
2.5.1.1. Raspon varijacije
2.5.1.2. Interkvantilno apsolutno odstupanje
2.5.1.3. Box Plot
2.5.1.4. Srednje apsolutno odstupanje
2.5.1.5. Varijansa
2.5.1.6. Standardna devijacija
2.5.2. Relativne mjere disperzije
2.5.2.1. Interkvantilna relativna odstupanja
2.5.2.2. Koeficijent kvartilne devijacije
2.5.2.3. Koeficijent varijacije
2.5.2.4. Standardizovane varijable
2.5.3. ebieva teorema
2.5.4. Primjer grafike sinteze parametara pozicije i disperzije
2.5.5. Pregled mjera srednje vrijednosti i varijacije
66
67
67
67
67
69
71
74
75
75
76
76
76
77
78
79
2.6.
2.6.1.
2.6.2.
2.6.3.
80
80
81
84
MJERE OBLIKA DISTRIBUCIJE

Momenti distribucije frekvencija
Mjere asimetrije
Parametri spljotenosti
2.7. MJERE KONCENTRACIJE

2.7.1. Lorenzova kriva
2.7.2. Ginijev koeficijent
2.7.2.1. Odreivanje Ginijevog koeficijenta metodom trapeza
2.7.2.2. Odreivanje Ginijevog koeficijenta metodom trouglova
2.7.3. Medijala
87
87
91
92
93
95
2.8.
2.9.
96
98
TEORIJSKA PITANJA
RIJEENI ZADACI I ZADACI SA ELEMENTIMA RJEENJA
POGLAVLJE 3.
REGRESIONA I KORELACIONA ANALIZA
111
3.1. MODELIZACIJA VEZA IZMEU VARIJABLI

3.1.1. Etape konstrukcije modela
3.1.1.1. Dijagram (oblak) rasipanja
111
112
112
3.2.
KOVARIJANSA
113
3.3.
3.3.1.
3.3.2.
3.3.3.
REGRESIONA ANALIZA
Kriterij izbora regresione prave i metod najmanjih kvadrata
Pretpostavke o osobinama stohastinosti modela
Aplikacija analiziranih metoda
116
117
120
121
3.4.
MJERENJE REPREZENTATIVNOSTI
REGRESIONOG MODELA
Koeficijent determinacije
Koeficijent korelacije
Standardna greka regresionog modela
Koeficijent varijacije regresionog modela
Aplikacija razliitih oblika regresionog modela
3.4.5.1. Linearni model
3.4.5.2. Eksponencijalni model
3.4.5.3. Stepeni model
3.4.5.4. Logaritamski model
Spearmanov koeficijent korelacije ranga
126
126
128
129
130
130
131
134
135
135
140
3.4.1.
3.4.2.
3.4.3.
3.4.4.
3.4.5.
3.4.6.
3.5. MODEL VIESTRUKE REGRESIJE

3.5.1. Koeficijent multiple determinacije, multiple linearne korelacije,
koeficijenti parcijalne korelacije i korelaciona matrica
3.5.2. Analiza numerikog primjera
141
142
3.6.
3.7.
145
146
TEORIJSKA PITANJA
RIJEENI ZADACI
140
POGLAVLJE 4.
DINAMIKA ANALIZA I MJERENJE EVOLUCIJE
153
4.1.
153
APSOLUTNA I RELATIVNA PROMJENA
4.2. INDEKSI
4.2.1. Individualni indeksi
4.2.1.1. Indeksi sa stalnom bazom (bazni indeksi)
2.1.2. Indeksi sa promjenljivom bazom (lanani,
verini indeksi)
4.2.2. Osobine indeksa
4.2.3. Relacije izmeu baznih i lananih indeksa
4.2.3.1. Pretvaranje lananih indeksa u bazne
4.2.3.2. Pretvaranje baznih u lanane indekse
4.2.3.3. Pretvaranje indeksa na stalnoj bazi u indekse na
drugu stalnu bazu
4.2.4. Agregatni indeksi
4.2.4.1. Konstrukcija agregatnih indeksa Laspeyres i Paasche
metodom agregiranja
4.2.4.2. Konstrukcija indeksa Laspeyres i Paasche pomou
ponderisanih sredina
4.2.4.3. Formule za raunanje i osobine agregatnih indeksa
4.2.4.4. Fischerov indeks cijena
4.2.4.5. Agregatni indeks vrijednosti i njegova dekompozicija
4.2.4.6. Inflacija i deflator
160
161
162
4.3. VREMENSKE (HRONOLOKE) SERIJE

4.3.1. Konstitutivni elementi vremenske serije
4.3.2. Metod pokretnih sredina za odreivanje trenda
4.3.2.1. Odreivanje tendencije metodom pokretnih sredina
neparnog reda
4.3.2.2. Odreivanje tendencije metodom pokretnih sredina
parnog reda
4.3.3. Aditivni model
4.3.4. Multiplikativni model
4.3.5. Metod najmanjih kvadrata za odreivanje dugorone
tendencije (trenda)
4.3.5.1. Linearni trend
4.3.5.2. Parabolini trend
4.3.5.3. Eksponencijalni trend
193
194
195
4.4.
4.5.
209
210
10
TEORIJSKA PITANJA
164
171
181
181
182
182
183
185
187
188
191
191
192
196
198
202
202
203
204
207
208
POGLAVLJE 5.
OSNOVI VJEROVATNOE I TEORIJSKE
DISTRIBUCIJE VJEROVATNOE
5.1. Uloga i znaaj eksperimenta u statistici
5.1.1. Sluajni eksperiment, skup moguih rezultata eksperimenta
i dogaaji
5.1.1.1. Vrste dogaaja
5.1.1.2. Osobine skupova
5.2.
5.2.1.
5.2.2.
5.2.3.
5.2.4.
5.2.5.
5.2.6.
5.2.7.
5.2.8.
DEFINISANJE VJEROVATNOE
Eksperimentalni pristup definisanju vjerovatnoe
Teorijska definicija vjerovatnoe
Teoreme vjerovatnoe
5.2.3.1. Teorema aditivnosti
5.2.3.2. Teorema multiplikativnosti
5.2.3.3. Uslovna vjerovatnoa i nezavisnost sluajnih dogaaja
5.2.3.4. Bayesova teorema
Kombinatorika
5.2.4.1. Permutacije
5.2.4.2. Kombinacije
5.2.4.3. Varijacije
Sluajna ili stohastika varijabla
5.2.5.1. Prekidna sluajna varijabla
5.2.5.2. Neprekidna sluajna varijabla
ebieva teorema
Prekidne distribucije (zakoni, rasporedi) vjerovatnoe
5.2.7.1. Uniformni zakon vjerovatnoe
5.2.7.2. Bernoullijeva distribucija vjerovatnoe
5.2.7.3. Binomna distribucija vjerovatnoe
5.2.7.4. Poissonova distribucija vjerovatnoe
5.2.7.5. Hipergeometrijska distribucija vjerovatnoe
5.2.7.6. Tabelarni pregled prekidnih distribucija
Neprekidne distribucije vjerovatnoe
5.2.8.1. Neprekidna uniformna distribucija
5.2.8.2. Normalna distribucija vjerovatnoe ili Laplace-Gaussova
distribucija
5.2.8.3. Aproksimacije distribucija vjerovatnoe
5.2.8.4. Hi-kvadrat 2 distribucija
5.2.8.5. Studentova t distribucija
5.2.8.6. Ficher-Snedecorova (F) distribucija
5.2.8.7. Tabelarni pregled neprekidnih distribucija vjerovatnoe
5.2.8.8. Centralna granina teorema
( )
229
229
230
232
235
235
236
237
239
239
240
240
241
244
244
244
245
245
246
250
252
253
253
255
257
261
266
266
267
267
269
279
283
285
288
290
290
11
5.3.
5.4.
5.2.8.9. ematski prikaz prekidnih i neprekidnih distribucija

vjerovatnoe
291
TEORIJSKA PITANJA
292
293
POGLAVLJE 6.
TEORIJA I METODA UZORAKA I STATISTIKO
ZAKLJUIVANJE
305
6.1. OSNOVE TEORIJE UZORAKA

6.2. VRSTE UZORKA I METODE ZA IZBOR UZORKA
6.2.1. Sluajni uzorci
6.2.1.1. Jednostavni sluajni uzorak
6.2.1.2. Sistematski uzorak
6.2.1.3. Uzorak sa nejednakom vjerovatnoom izbora jedinica
6.2.1.4. Stratifikovani uzorak
6.2.1.5. Uzorak skupina
6.2.1.6. Viestepeni uzorak
6.2.1.7. Viefazni uzorci
6.2.1.8. Panel uzorak
6.2.1.9. Namjerni uzorci
306
311
311
312
315
316
317
317
318
319
320
320
6.3.
PROCJENE OBILJEJA OSNOVNOG SKUPA NA OSNOVU

UZORKA
6.4. ODREIVANJE INTERVALA POVJERENJA

6.4.1. Intervalna procjena aritmetike sredine osnovnog skupa
6.4.1.1. Intervalna procjena aritmetike sredine osnovnog skupa
ija je varijansa poznata
6.4.1.2. Procjena intervala aritmetike sredine osnovnog skupa
ija je varijansa nepoznata
6.4.1.3. Interval povjerenja za aritmetiku sredinu osnovnog
skupa ija distribucija nije poznata
6.4.2. Procjena intervala povjerenja za proporciju
6.4.3. Intervalna procjena standardne devijacije i varijanse
osnovnog skupa
6.4.3.1. Intervalna procjena standardne devijacije
6.4.3.2. Intervalna procjena varijanse osnovnog skupa pomou
hi-kvadrat distribucije na osnovu poznate varijanse
malog uzorka
6.4.3.3. Interval povjerenja za varijansu velikog uzorka
6.4.4. Interval povjerenja totala osnovnog skupa
6.4.5. Interval povjerenja za medijanu
12
321
327
327
327
331
332
334
336
336
337
337
338
338
6.4.6. Ocjena intervala za parametre modela linearne regresije

6.4.7. Intervalna procjena koeficijenta korelacije
339
340
6.5. TESTIRANJE HIPOTEZA

6.5.1. Formulisanje hipoteza
6.5.1.1. Donoenje odluke i greke tipa I i II
6.5.1.2. Empirijski nivo znaajnosti p-vrijednost
6.5.2. Testiranje hipoteze o aritmetikoj sredini osnovnog skupa
6.5.2.1. Varijansa osnovnog skupa poznata
6.5.2.2. Testiranje hipoteze o aritmetikoj sredini osnovnog
skupa u sluaju kada varijansa osnovnog skupa nije
poznata i n 30
6.5.2.3. Testiranje hipoteze o aritmetikoj sredini osnovnog
skupa u sluaju kada varijansa osnovnog skupa nije
poznata i n<30
6.5.3. Test hipoteze za proporciju
6.5.3.1. Dvosmjerni test hipoteze za proporciju
6.5.3.3. Jednosmjerni test za proporciju na donju granicu
6.5.4. Testiranje hipoteze o varijansi osnovnog skupa
6.5.4.1. Dvosmjerni test
6.5.4.2. Test hipoteze za varijansu na gornju granicu
6.5.5. Testiranje hipoteze o znaajnosti parametara u regresionom modelu
6.5.5.1. Pojedinani test znaajnosti parametra regresionog
modela
6.5.5.2. Testiranje znaajnosti svih varijabli u modelu
6.5.5.3. Testiranje hipoteze o razlici (jednakosti) airtmetikih
sredina dva osnovna skupa
6.5.5.4. Testiranje hipoteze o jednakosti aritmetikih sredina
vie osnovnih skupova Analiza varijanse
6.5.5.5. Testiranje hipoteze o jednakosti koeficijenta korelacije
dva osnovna skupa
342
342
344
345
346
346
350
351
355
355
356
357
357
358
358
359
360
360
363
365
6.6.
NEPARAMETARSKI TESTOVI
366
6.7.
6.7.
TEORIJSKA PITANJA
366
368
PRILOG 1. - STATISTIKE TABLICE

PRILOG 2. - PRIJEVODI TERMINA IZ EXCELA
393
421
LITERATURA
423
13
POGLAVLJE 1
STATISTIKA I STATISTIKA
ISTRAIVANJA
1.1. POJAM STATISTIKE

Naziv statistika potie od novolatinskog termina ratio status i italijanskog
ragione di stato to znai dravni interes i izvedenice statista koja
predstavlja osobu sposobnu za voenje dravnih poslova. Pojam statistika
moemo definisati na vie naina, zavisno od toga da li ga definiemo u
uem ili irem smislu i da li se definicija odnosi na statistiku kao nauku ili
na pojam koji predstavlja skup numerikih podataka. Navodimo sljedee
definicije i znaenja pojma statistika.
1. Statistika predstavlja grupu naunih metoda koje omoguuju
prikupljanje podataka o masovnim pojavama, njihovu prezentaciju,
analizu, tumaenje i koritenje u razne svrhe, prvenstveno u svrhu
informisanja i donoenja odluka.
2. Statistika je nauka koja prouava varijacije masovnih pojava i
njihovih elemenata u vremenu i prostoru u cilju informisanja i
donoenja odluka.
3. Statistika predstavlja skup ureenih numerikih podataka o raznim
prirodnim ili drutvenim pojavama koje prikupljaju i objavljuju
statistike, naunoistraivake i druge ustanove.
15
Prve dvije definicije odreuju pojam statistike kao nauke koja se bavi
izuavanjem masovnih pojava (npr. proizvodnja, prodaja, raanje itd.).
Masovne pojave istraujemo na osnovu informacija o obiljejima elemenata
koji ih sainjavaju.
Elemente koji posjeduju niz obiljeja na osnovu kojih se istrauju varijacije
masovne pojave nazivamo statistikim jedinicama. Skup statistikih
jedinica (elemenata ili individua) nazivamo statistiki skup ili populacija.
Cilj statistike je, dakle, prouavanje varijacija obiljeja elemenata
statistikog skupa prvenstveno kvantitativnim metodama u cilju utvrivanja
zakonitosti koje vladaju meu raznim pojavama.
Statistiku kao naunoistraivaku metodu moemo podijeliti na
deskriptivnu i inferencijalnu (analitiku, induktivnu, matematiku)
statistiku. U prvom dijelu ove knjige emo analizirati metode deskriptivne
statistike koje predstavljaju bazu kvantitativnih metoda koje se primjenjuju
u ekonomiji. Da bismo preciznije odredili pojam deskriptivne statistike
navodimo nekoliko definicija.
1. Deskriptivna statistika je nauna metoda informisanja o masovnim
pojavama koja, koristei kvantifikaciju i formalizaciju, omoguava
donoenje odluka.
2. Deskriptivna statistika je metoda kvantitativne deskripcije masovnih
pojava.
3. Deskriptivna statistika predstavlja skup metoda koje omoguavaju
opis, prezentaciju i rekapitulaciju podataka koji su najee vrlo
brojni.1
Metode inferencijalne statistike se zasnivaju na teoriji vjerovatnoe.
Polazei od analize uzorka kao dijela osnovnog skupa, metodama
inferencijalne statistike je mogue ocijeniti osobine osnovnog skupa uz
odgovarajui nivo pouzdanosti.
16
B.Goldfarb; C.Pardoux: Introduction la mthode statistique, Dunod, Paris, 1993.,

str.1.
Poglavlje 1. Statistika i statistika istraivanja
1.2. NAUNI PRISTUP STATISTIKOM ISTRAIVANJU

Nauno istraivanje ima za cilj da analizira i objasni realnost i da omogui i
olaka razumijevanje univerzuma. U toj funkciji nauni pristup u stvaranju i
konstrukciji znanja se bazira vrlo esto, ali ne samo i ekskluzivno, na
koritenju podataka o masovnim pojavama. Da bi mogli biti koriteni,
podaci o masovnim pojavama moraju biti obraeni i analizirani. Etape
naunog pristupa u istraivanju na bazi podataka su predstavljene u emi 1.1.
Definisanje ciljeva
Prikupljanje podataka
Obrada i analiza podataka
Provjera podataka
Definisanje problematike
istraivanja
ema 1.1.
Zakljuci i donoenje
odluka
Tumaenje i interpretacija
Etape naunog pristupa u istraivanju
Prve dvije etape zavise od svakog konkretnog istraivanja. Predmet nae

analize e biti trea etapa, koja obuhvata vie faza, i etvrta etapa
statistikog zakljuivanja i donoenja odluka.
1.2.1. Prikupljanje podataka
Podatak je injenica koja moe, ali i ne mora, biti brojana i koja
predstavlja informaciju koju moemo koristiti u naem istraivanju. Za
prikupljanje podataka moemo koristiti vie metoda.
1.2.1.1. Metode prikupljanja podataka
Direktno posmatranje (evidentiranje)
Direktno posmatranje predstavlja najjednostavniji nain prikupljanja

podataka. Pod posmatranjem podrazumijevamo svaku injenicu koja se
odnosi na jednu situaciju, fenomen ili sluaj, pod uslovom da oni ne mogu
biti promijenjeni posmatranjem. Naprimjer, moemo posmatrati broj osoba
prisutnih u amfiteatru, boju table, boju oiju, itd. Veliki broj podataka
17
prikupljen na ovaj nain sadran je u evidencijama, registrima i drugim

dokumentima (npr.: podaci o broju roenih, broju umrlih, o prodaji
odreenog proizvoda, temperaturi, medicinskim tretmanima, itd.)
Anketa
Anketa se sastoji u ispitivanju odreenog broja osoba jedne populacije. Ova

metoda omoguava prikupljanje podataka koji se ne mogu prikupiti
direktnim posmatranjem i koje je teko prikupiti na drugi nain. Domeni
primjene ove metode su naprimjer: analiza trita kojom elimo saznati koje
proizvode vie koristimo, ta jedemo, kako se oblaimo, koje knjige itamo
itd. Postoje takoer ankete miljenja, profesionalne ankete, socioloke
ankete, itd.
Prikupljanje podataka ovom metodom podrazumijeva realizaciju vie etapa.
Potrebno je precizno definisati potrebnu informaciju u funkciji cilja i
predmeta istraivanja, sredstva kojima raspolaemo, rok za prikupljanje
podataka. Poto se anketa odnosi na osobe jedne populacije potrebno je
precizno definisati populaciju. Tip ankete koji se najee primjenjuje u
praksi je anketa odreenog broja osoba populacije. Odabrani broj osoba iz
populacije se naziva uzorak. Izbor uzorka se vri primjenom razliitih
metoda koje zavise od cilja istraivanja, ogranienja i raspoloivih
informacija o populaciji.
Naini realizacije ankete su takoer brojni. Vrlo je bitno pripremiti
kvalitetan, precizan i jasan upitnik. Zatim se mogu angaovati anketari koji
e direktno realizovati anketu. Postoji mogunost slanja upitnika putem
pote ili realizacija ankete telefonskim pozivima. Ova dva postupka
realizacije ankete su manje pouzdani i impliciraju vie metodolokih
problema koje je potrebno rijeiti prilikom obrade ankete.
Popis
Popis je oblik prikupljanja podataka pri kojem se obuhvataju sve jedinice

statistikog skupa u odreenom trenutku. Popis je najobuhvatniji nain
prikupljanja podataka. Poto zahtijeva veliki utroak sredstava i vremena
provodi se samo u odreenim vremenskim intervalima, npr. svakih 10 godina.
Eksperiment
Prikupljanje podataka eksperimentisanjem podrazumijeva sistematsku i

kontrolisanu realizaciju eksperimenta sa namjerom da se izuavaju razni
18
fenomeni, porede situacije ili provjere hipoteze. Potrebno je naglasiti da se

postupak eksperimenta strogo kontrolie prema unaprijed razraenom
protokolu.
Izvjetaji i ostale indirektne metode prikupljanja podataka
Sljedei postupak prikupljanja podataka obuhvata metode ija je zajednika

karakteristika da ne analiziraju direktno jednu situaciju ili fenomen (dakle
nema direktnog posmatranja) nego neke njihove posljedice. Kao primjer
ovog postupka prikupljanja podataka moemo navesti razne izvjetaje
kojima se podaci prikupljaju periodino, istorijske dokumente, itd.
1.2.2. Obrada podataka
Obrada prikupljenih podataka podrazumijeva realizaciju tri osnovne etape
koje prethode donoenju odluka:
Eksploatacija podataka (upoznavanje podataka, evidentiranje i
sreivanje da bi se imala globalna vizija prikupljenih podataka).
Deskriptivna analiza slijedi poslije prve etape i cilj joj je da opie i
predstavi prikupljene podatke pomou tabela, grafikih prikaza,
izraunavanja osnovnih parametara. Bitni postupci u ove dvije etape
su klasiranje, vizualizacija i sinteza prikupljenih podataka.
Trea faza obuhvata ocjenu intervala povjerenja za analizirane
parametre i provjeru hipoteza koje se odnose na istraivani
fenomen. Analiza prikupljenih podataka bi trebala omoguiti
realizaciju tree faze iji cilj je generalizacija dobijenih rezultata i
donoenje odluka.
1.3. STATISTIKI SKUP I STATISTIKE VARIJABLE

1.3.1. Statistiki skup i njegove karakteristike
Statistiki skup ine jedinice ija su obiljeja (osobine, karakteristike)
predmet istraivanja statistikom metodom. Statistiki skup po obimu moe
biti konaan ili beskonaan. Statistiki skup moe biti realan u sluaju kada
je sastavljen od jedinica koje postoje. Hipotetini skup ine jedinice koje se
definiu nekim modelom. Da bi se mogao analizirati, statistiki skup mora
biti definisan. Definisati statistiki skup znai odrediti obiljeja koja mora
19
imati svaka jedinica da bi se mogla smatrati elementom tog skupa.

Statistiki skup se definie pojmovno, prostorno i vremenski.
Pojmovna definicija skupa utvruje pripadnost skupu s obzirom na pojam
jedinice (elementa). Uobiajeno je da se za veliki broj skupova pojmovne
definicije utvrde zakonom ili aktima raznih institucija. Npr. statistiki skup
(populaciju) studenata predstavljaju osobe koje su upisane na visokokolske
ustanove i koje imaju studentska prava i obaveze. Moemo definisati skup
nezaposlenih, skup aktivnog stanovnitva, skup visokokolskih institucija,
skup privatnih preduzea, itd.
Prostorna definicija definie prostor kojem pripadaju jedinice statistikog
skupa.
Vremenska definicija odreuje vrijeme u kojem se statistike jedinice
posmatraju i analiziraju. Osnovni skup moe biti definisan u vremenskom
trenutku ili vremenskom intervalu. U vremenskom trenutku se definiu npr.
broj stanovnika, broj preduzea, broj zaposlenih, osnovna sredstva.
Uobiajeno je da se u vremenskom intervalu posmatra npr. poslovni rezultat
ili proizvodnja nekog proizvoda u godini, trimestru ili mjesecu.
esto se zbog nemogunosti obuhvatanja svih elemenata skupa pojmovna
i/ili prostorna definicija suavaju. Npr. zbog tekoa i trokova
identifikacije pod nezaposlenim se smatraju osobe prijavljene u zavodima
za zapoljavanje.
Predmet statistikih istraivanja su obiljeja (svojstva, karakteristike)
jedinica posmatranog skupa. Skup podataka o posmatranom obiljeju za sve
jedinice predstavlja osnovni skup ili populaciju. Skup podataka o
posmatranom obiljeju za dio jedinica skupa predstavlja uzorak koji slui
kao osnova za zakljuivanje o osnovnom skupu (populaciji).
1.3.2. Pojam, proces mjerenja i karakteristike
statistike varijable
Obiljeja po kojima se razlikuju jedinice statistikih skupova nazivaju se
varijable. Rezultati prikupljanja podataka o obiljejima jedinica statistikog
skupa su najee prezentovani u formi skupa vrijednosti u kojem se
procesom prebrojavanja i mjerenja pridruuju jedinicama skupa brojevi ili
oznake prema odreenim pravilima. Pravila pridruivanja su definisana
mjernim skalama. Mjeriti varijablu elementa statistikog skupa znai
20
konstruisati podatak koji se nalazi na mjernoj skali. Postoji vie tipova

mjernih skala koje se razlikuju po logikim i matematikim operacijama
koje se mogu primijeniti na analiziranu varijablu.
1.3.2.1. Nominalna skala
Nominalna skala je predstavljena u obliku liste obiljeja po kojima se
razlikuju elementi statistikog skupa. Nominalna obiljeja mogu biti
atributivna i geografska. Skala moe predstavljati dva (npr. pol muki
enski) ili vie modaliteta (nacionalnost, mjesto stanovanja, zanimanje,
privredne djelatnosti: industrija i rudarstvo, poljoprivreda i ribarstvo,
umarstvo, vodoprivreda, graevinarstvo, promet i veze, trgovina,
ugostiteljstvo i turizam, zanatstvo, stambeno-komunalne djelatnosti,
financijske i druge usluge). Modalitetima nominalne varijable se mogu
pridruiti brojevi koji slue kao identifikatori ili kodovi. Matematike
operacije na ovoj skali nisu dozvoljenje. Jedina operacija koja se moe
primijeniti je prebrojavanje. Poredak kategorija je arbitraran.
Ime skale i varijable se esto koriste i kao sinonimi. Nomenklatura je
ureen popis modaliteta nominalne varijable, kojima se pripisuje
nomenklaturni broj. Nomenklature su konvencije, koje se donose zakonski
ili dogovorom dravnih organa ili meunarodnih organizacija.
1.3.2.2. Ordinalna skala
Ordinalna skala pridruuje elementima skupa obiljeja koja se mogu
porediti, rangirati i klasirati prema nekom logikom redosljedu. Ordinalne
varijable se mogu prebrojavati i uporeivati i u ovom sluaju se mogu
koristiti operatori (>, =, <), ali matematike operacije nisu dozvoljene.
Ordinalna varijabla naziva se i varijabla ranga. Kao primjere ovog tipa
varijabli navodimo varijablu ekonomska razvijenost zemalja prema
sljedeim modalitetima: razvijene zemlje, zemlje u razvoju i nerazvijene
zemlje. Ako posmatramo populaciju studenata prve godine Ekonomskog
fakulteta konstatujemo da su elementi ili statistike jedinice te populacije
studenti. Varijabla mjerena na ovoj skali moe biti ocjena na ispitu ako su
njeni modaliteti: odlian, vrlodobar, dobar, dovoljan, nedovoljan.
Modalitete ove skale moemo kodirati. Dozvoljena je i njihova
transformacija uz uslov da se njom ne mijenja poredak modaliteta.
21
1.3.2.3. Intervalna skala

Na intervalnoj skali obiljejima elemenata populacije se pridruuju brojevi.
Razlike u mjerenim obiljejima elemenata su predstavljene razlikama brojeva
na intervalnoj skali. Poloaj nule i mjerna jedinica su odreeni arbitrarno.
Nulu moemo postaviti na skali gdje elimo ali se mora uvijek zadovoljiti
osobina ove skale da razlike meu mjerenim obiljejima odgovaraju
razlikama brojeva na intervalnoj skali. Tipian primjer intervalne skale su
temperaturne skale npr. Celzijusova ili Farenhajtova skala. Operacije
dozvoljene na ovoj skali su prebrojavanje, poreenje i oduzimanje.
1.3.2.4. Metrika skala
Omjerna, metrika ili numerika skala posjeduje prirodnu nulu koja
ukazuje na odsustvo posmatranog obiljeja. Vrijednosti pridruene
elementima predstavljaju vrijednosti numerike varijable. Na numerikoj
skali su doputene osnovne matematike operacije i zbog toga ova skala
ima najbolje metrike osobine i omoguava najiru i najprecizniju analizu.
Razlike i omjeri izmeu mjerenih obiljeja su izraeni numeriki i imaju
precizno znaenje. Numerike varijable mogu biti prekidne (diskretne) i
neprekidne (kontinuirane). Numerika varijabla koja moe poprimiti
konano ili prebrojivo mnogo cjelobrojnih vrijednosti naziva se prekidnom
(diskretnom), kao npr. broj lanova porodice, broj studenata upisanih na
odreeni fakultet, itd. Numerika varijabla je kontinuirana ako moe
poprimiti neogranien broj vrijednosti (ili bilo koju vrijednost iz nekog
intervala) npr. visina, teina, itd.
Statistike varijable (promjenljive) mjerene na nominalnoj i ordinalnoj skali
nazivaju se kvalitativne varijable. Varijable mjerene na intervalnoj i
numerikoj skali su kvantitativne varijable.
1.3.3. Primjer projekta istraivanja
1) Oblast istraivanja
Koja populacija (statistiki skup) je predmet naeg istraivanja?
Studenti Ekonomskog fakulteta u Sarajevu.
2) Objekat istraivanja
ta elimo posmatrati na ovoj populaciji?
Mjeriti kvalitet studija.
Potrebno je kompletirati upitnik i anketirati odreen broj studenata.
22
3) Period realizacije ankete: 2 puta godinje na kraju semestra.

Na kraju ove etape statistiar raspolae podacima koje treba obraditi.
4) Obrada podataka
Kratki rok:
- Prezentiranje rezultata
- Analiza rezultata
- Uporeivanje rezultata
- Traenje veza
Dugi rok:
- Mjerenje evolucije
Osnovno pitanje koje se postavlja je: kako obraditi podatke da bi se
dobila korisna informacija?
5) Prezentacija rezultata
Dekanu i prodekanu
Upravnom odboru
Nastavnicima i administraciji
Studentima
6) Donoenje odluka
Koje odluke treba donijeti da bi se poboljao kvalitet studija?
Obrada podataka predstavlja sadraj nae analize. Nema recepta koji nam
omoguava da znamo koju obradu treba primijeniti na podatke u svakom
konkretnom sluaju. Ostaje nam istraivanje, znanje, iskustvo, rad i
razmiljanje o svakom konkretnom sluaju.
1.3.4. Statistiki pojmovi i definicije
Statistiki skup koji je predmet istraivanja se naziva populacija.

Elementi populacije se nazivaju statistike jedinice.
Broj elemenata (statistikih jedinica) koji ine populaciju naziva se
veliina populacije.
Aplikacija koja svakom elementu populacije pridruuje jednu vrijednost
naziva se statistika varijabla.
Kategorije ili vrijednosti koje moe imati jedna statistika varijabla
nazivaju se modaliteti.
Broj elemenata statistikog skupa koji posjeduju posmatrani modalitet
naziva se frekvencija modaliteta.
23
Primjer 1.1.
Tabela 1.1. Nastavnici sa punim radnim vremenom na visokokolskim ustanovama u Federaciji Bosne i Hercegovine od 2001/2002 do 2004/2005 godine
Nastavnici
Redovni profesor
Vanredni profesor
Docent
Ostali
Ukupno
2001/2002
332
248
251
50
881
2002/2003
312
257
276
47
892
2003/2004
325
254
295
54
928
2004/2005
313
275
304
55
947
Statistiki godinjak Federacije Bosne i Hercegovine 2002, Federalni zavod za

statistiku, Sarajevo, str.325.
statistiku, Sarajevo, str. 259.
statistiku, Sarajevo, str. 287.
Analizu podataka prezentovanih u tabeli 1.1. emo izvriti za 2004/2005

godinu.
Posmatrana populacija su nastavnici sa punim radnim vremenom na
visokokolskim ustanovama Federacije Bosne i Hercegovine
Statistika jedinica je nastavnik.
Veliina populacije je 947 nastavnika.
Populacija je analizirana prema varijabli nauno zvanje
nastavnika.
Varijabla ima etiri modaliteta: redovni profesor, vanredni profesor,
docent i ostali.
Prikupljeni podaci se odnose na 2004.-2005. akademsku godinu.
Frekvencija modaliteta npr. redovni profesor je 313.
U ovom sluaju radi se o kvalitativnoj ordinalnoj varijabli i njen grafiki
prikaz je dijagram sa stupcima.
24
350
300
250
200
150
100
50
0
2001/2002
redovni profesori
Grafikon 1.1.
2002/2003
2003/2004
vanredni profesori
docenti
2004/2005
ostali
Nastavnici na visokokolskim ustanovama u Federaciji Bosne i Hercegovine
1.3.5. Prezentacija statistikih podataka

Prikupljene statistike podatke moemo prezentovati na vie naina.
Najei oblici prezentacije podataka su:
Tabelarni
Grafiki
Formalni
Deskriptivni
Raspoloive podatke moemo predstaviti u tabelarnom obliku
kompletirajui negrupisane statistike serije i ureene i grupisane statistike
serije. Analizirat emo i na konkretnim primjerima ilustrovati negrupisanu
statistiku seriju, statistiku seriju ureenu po veliini ili rangiranu
statistiku seriju, grupisanu statistiku distribuciju frekvencija i intervalno
grupisanu distribuciju.
Negrupisanu seriju moemo formalizirati na sljedei nain:
{xi; i=1,...., N}
(1.1)
Ureenu ili rangiranu statistiku seriju dobivamo ako podatke
rangiramo (uredimo) po rastuem redosljedu i formaliziramo
sljedeom relacijom:
{x(i); (i)=1,...., N}
(1.2)
25
gdje (i) predstavlja rang opservacije. Seriju moemo urediti i po

opadajuem redosljedu. Na ureenoj statistikoj seriji jednostavnije
je uoiti najvei i najmanji podatak i eventualno neuobiajene
vrijednosti podataka.
Na osnovu ureene statistike serije mogue je kompletirati
grupisanu seriju ili statistiku distribuciju frekvencija koju
izraavamo na sljedei nain:
{( x ; f ) ,
j
j = 1, 2,...., J
(1.3)
gdje fj predstavlja frekvenciju modaliteta xj. Ova serija sadri dvije

kolone. U prvoj koloni su predstavljeni modaliteti, a u drugoj koloni
frekvencije koje pridruujemo odgovarajuim modalitetima. U
ovom sluaju vrlo jednostavno uoavamo najmanji i najvei
podatak u seriji bez posmatranja cijele serije ureenih podataka.
Odreujemo najei podatak (mod) i raspolaemo sa frekvencijom
svakog modaliteta.
Kada je broj podataka vrlo veliki, moemo kompletirati intervalno
grupisanu distribuciju. Amplituda (irina, veliina) intervala je
jednaka broju modaliteta koji pripadaju tom intervalu i dobija se kao
razlika izmeu desne (gornje) xj i lijeve (donje) xj-1 granice svakog
intervala:
a j = x j x j 1
(1.4)
Treba imati u vidu amplitude intervala prije interpretacije rezultata i

paljivo posmatrati podatke da bi se moglo izvriti grupisanje u
intervale, razrede ili klase. Svakom intervalu se pridruuje
odgovarajua frekvencija.
Grupisanje podataka u intervale i broj intervala zavisi od cilja grupisanja i
moe se vriti primjenom raznih metoda. Intervali se mogu kompletirati
tako da se razmak izmeu najvee i najmanje vrijednosti podijeli na k
podintervala koji se ne preklapaju. Cilj je da se u jednom intervalu grupiu
relativno sline vrijednosti. Poto ne postoji egzaktan nain za odreivanje
broja intervala mogu se koristiti praktina iskustvai intuicija. U praksi se
esto primjenjuje Sturgesovo pravilo prema kojem se broj intervala k za
grupisanje N podataka aproksimira sljedeim izrazom:
k = 1+ 3,3 log N
26
(1.5)
Broj intervala se najee kree izmeu pet i petnaest, a rijetko prelazi

dvadeset pet. Svaki interval ima donju i gornju granicu. Uobiajeno je da
izmeu gornje granice i-tog i donje granice (i+1) intervala vlada odreen
odnos. Ako je vrijednost gornje granice i-tog intervala jednaka vrijednosti
donje granice (i+1) intervala radi se o pravim (preciznim) granicama
intervala. Kada ovaj odnos nije zadovoljen radi se o nominalnim granicama
intervala. Prave se granice najee odreuju tako da se donja granica
umanjuje, a gornja uveava za polovinu razlike izmeu gornje granice i-tog
i donje granice (i+1) intervala. Interval se naziva otvorenim kada prvi
interval nema donje ili posljednji interval gornje granice. Na sljedeim
primjerima emo ilustrovati grupisanje podataka u intervale.
Tabela 1.2. Starosna struktura stanovnitva Federacije BiH u 2000. godini
Nominalne granice intervala sa jednim otvorenim intervalom
Starosna struktura u godinama
0-14
15-64
65 i vie
Ukupno
Broj stanovnika
588 210
1 896 277
316 513
2 801 000
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine

2001, Sarajevo, 2001, str. 48.
Tabela 1.2a. Starosna struktura stanovnitva Federacije BiH u 2000. godini

Prave granice intervala sa dva otvorena
Starosna struktura u godinama
Broj stanovnika
-14,5[
[14,5-64,5[
[64,5 i vie
Ukupno
588 210
1 896 277
316 513
2 801 000
Prikupljene podatke moemo prezentirati na vie naina. Najee

prezentacije koje emo mi koristiti su tabelarna i grafika prezentacija.
27
1.3.5.1. Tabelarna prezentacija
Tabelarna prezentacija kvalitativne varijable
U sljedeoj tabeli moemo sintetizirati prezentaciju podataka o kvalitativnoj

statistikoj varijabli:
Tabela 1.3. Prezentacija kvalitativne statistike varijable
Modaliteti varijable
M1
M2
..............
MJ-1
MJ
Ukupno
Frekvencija fj
f1
f2
................
f J-1
fJ
J
=N
Relativna frekvencija pj
p1
p2
.................
p J-1
pJ
1 ili 100%
j =1
Zbir relativnih frekvencija je uvijek jednak 1 ili 100% ukoliko ga izrazimo

u procentima.
Tabelarna prezentacija kvantitativne varijable
Kada se pojedini modaliteti pojavljuju vie puta podatke moemo grupisati

tako da svakom modalitetu pridruimo odgovarajuu frekvenciju.
Modalitete je zbog preglednosti potrebno rangirati po veliini.
U tabeli 1.4. sintetiziramo prezentaciju rangiranih i grupisanih podataka o
kvantitativnoj prekidnoj varijabli.
Tabela 1.4. Statistika distribucija frekvencija
Vrijednosti varijable (modaliteti) xj
Frekvencija fj
Relativna frekvencija pj
x1
x2
......................
x J-1
xJ
Ukupno
f1
f2
.........................
f J-1
fJ
N
p1
p2
......................
p J-1
pJ
1 ili 100%
28
Sintetiziranu prezentaciju podataka o kvantitativnoj prekidnoj varijabli

grupisanoj u intervale predstavljamo u tabeli 1.5.
Tabela 1.5. Intervalno grupisana distribucija
Vrijednosti
varijable xj
grupisane u
intervale
[x0; x1[
[x1; x2[
..............
[xJ-2; xJ-1[
[xJ-1; xJ]
Ukupno
Frekvencija
fj
f1
f2
................
f J-1
fJ
N
Amplituda
(irina
intervala)
aj
a1
a2
................
a J-1
aJ
Centri
intervala
xcj
Relativna
frekvencija
pj
xc1
xc2
................
xc J-1
xcJ
p1
p2
................
p J-1
pJ
1 ili 100%
Na sljedeem primjeru emo ilustrovati prezentaciju podataka u obliku

negrupisane serije, ureene rangirane serije, grupisane statistike
distribucije frekvencija i intervalno grupisane distribucije.
Tabela 1.6. Ocjene studenata koji su poloili ispit iz predmeta Statistika
30.06.2005.g.
Ocjena (X)
Ocjena (X)
Ocjena (X)
Negrupisana serija Ureena serija Ureena serija
8
6
10
9
6
10
9
6
10
7
6
10
10
7
10
7
7
10
6
7
10
10
7
10
6
7
10
10
7
9
8
7
9
10
7
9
9
8
9
7
8
9
29
Tabela 1.6. nastavak

7
10
10
10
8
10
7
6
8
10
7
9
6
9
8
8
7
8
9
7
8
8
8
8
8
9
9
9
9
9
9
10
10
10
10
10
10
10
10
10
9
8
8
8
8
8
8
8
7
7
7
7
7
7
7
7
6
6
6
6
U prvoj koloni tabele ocjene su predstavljene u obliku negrupisane (neureene)

distribucije. U drugoj koloni ocjene su rangirane po rastuem redosljedu i
kompletirana je ureena rangirana serija podataka. Trea kolona takoer
predstavlja ureenu rangiranu seriju podataka, ali po opadajuem redosljedu.
Naredna faza je grupisanje podataka i predstavljanje u statistikoj
distribuciji frekvencija.
Tabela 1.7. Statistika distribucija frekvencija
OCJENA xj
6
7
8
9
10
Ukupno
30
FREKVENCIJE fj
4
8
7
6
9
34
Ocjene moemo grupisati u intervale i kompletirati intervalno grupisanu

distribuciju. U sljedee tri tabele prezentujemo razliite mogunosti
grupisanja u intervale podataka o ocjenama studenata na ispitu.
Ocjene
[6-7[
[7-9[
[10]
Frekvencije fj
4
21
9

Ocjene
[6-8[
[8-9[
[10]
Frekvencije fj
12
13
9

Ocjene
[6-8]
[9-10]
Frekvencije fj
19
15
1.3.5.2. Grafika prezentacija

Postoji vie vrsta grafikih reprezentacija. Najee koriten oblik grafikog
predstavljanja su dijagrami koji se dijele na: stigmograme, linearne
dijagrame, povrinske dijagrame i stereograme. Navoditi i davati primjere
za sve vrste grafikih prezentacija je ogroman, ali ne osobito koristan posao
jer nam novi programi koji su u upotrebi omoguuju da odaberemo
prezentaciju koja najvie odgovara svakom konkretnom sluaju. Zbog toga
savjetujemo korisnicima da koriste program Excel koji prua iroku paletu
od 14 tipova, odnosno 73 podtipa grafikona. Na sljedeoj slici vidimo
polaznu stranu Excela za crtanje grafikona.
31
Performanse novih programa nam omoguuju da konstruiemo sve bolje

grafikone koji sve ee postaju nain da se prenese informacija. Ali
potrebno je biti vrlo oprezan. Grafikoni mogu biti koriteni, pored
informisanja koje je njihov osnovni cilj, i u svrhu dezinformisanja. Jedan
dobro konstruisan grafikon je esto rjeitiji nego desetine fraza.
Mi emo u toku izlaganja sadraja ove knjige primjenjivati razliite tipove
grafikih prezentacija. Nabrajati i analizirati sve oblike grafike
prezentacije je nepotrebno. Osnovna funkcija jednog grafikona je da olaka
prezentaciju, itanje i interpretaciju podataka.
Potrebno je prezentovati podatke da bi se informisalo. Zbog toga, izbor tipa
prezentacije zavisi od razmiljanja i strpljenja, i esto je potrebno uraditi
vie pokuaja da bi se odabrala prava prezentacija. Ne treba mijeati
sutinu i formu jer je precizan i jednostavan grafikon korisniji od grafikona
komplikovanog, vizuelno privlanijeg, ali bez smisla.
Neophodno je uvijek biti precizan i kompletirati: naslov grafikona, nazive
predstavljenih podataka, oznaiti precizno razmjeru i jedinice mjere,
eventualno primjer itanja grafikona, staviti estetiku u slubu
funkcionalnosti i razumijevanja grafikona. Ne treba potcijeniti vrijeme
potrebno za konstrukciju jednog grafikona koristei programe na raunaru.
32
Ako je prezentacija podataka2 dovoljna za donoenje odluka dio naeg posla

je tim zavren. Meutim u veini sluajeva statistiar je obavezan da
analizira i sintetizira podatke: ako su podaci brojni i razliiti; da bi se
uporedile dvije populacije razliitih veliina; da bi se olakalo mjerenje
evolucije, itd.
5402
3921
Slovacka
BiH
38614
1967
Poljska
Slovenija
2342
396
Malta
Letonija
10176
3467
Litvanija
Madarska
1348
10247
Ceka
Estonija
807
8933
vedska
Velika
Britanija
Kipar
10331
5205
Finska
Portugal
16066
8128
Ausrija
Holandija
447
Italija
Luxemburg
Irska
panija
Francuska
3933
11048
Grcka
5379
Grafikon 1.2.
Njemacka
Belgija
20 000
10356
60 000
40 000
57881
59823
41611
80 000
Danska
broj stanovnika u 000
100 000
59080
82506
U sljedeim tabelama prezentiramo statistike podatke i odgovarajue

grafike prikaze.
Stanovnitvo 25 zemalja Evropske unije i Bosne i Hercegovine u 2002.g.

Izvor: Eurostat, 2005.
Prosjean statistiar je oenjen sa 1,75 ena koje ine sve to je mogue da ga

udalje od kue 2,25 noi u sedmici sa samo 50% uspjeha. Nagib njegovog ela je
2%, on posjeduje 5/8 jednog rauna u banci i ima 3,06 djece koji ga napola
izluuju. 1,65 od njegove djece su djeaci. Samo 0,07% od svih statistiara su
potpuno razbueni za njihovim dorukom, u toku kojeg oni popiju 1,68 oljica kafe
i prospu ostatak od 0,32 na njihov stolnjak. Subotom uvee on angauje 1/3 babysitter da uva njegovo 3,06 djece, u sluaju da 5/8 njegove punice koja ivi sa njima
u kui ne pristane da uva djecu za polovinu cijene.. W.F.Mirch (1950) citiran u
T.H.Wonnacott i R.J.Wonnacott, Statistique, Economica, Paris, 1995, str. 23.
Navedena deskriptivna prezentacija nema nikakvog smisla i potpuno je
nerazumljiva. Ovo je primjer kako ne treba raditi.
33
Tabela 1.11. Bruto drutveni proizvod u Federaciji Bosne i Hercegovine,

tekue cijene
1999
Bruto domai
proizvod, u 000
KM
Bruto domai
proizvod po stanovniku, u KM
2000
2001
2002
2003
2004
6.142.147 6.722.631 7.273.874 7.942.665 8.268.120 8.897.202

2.187
2.400
2.577
2.805
2.912
3.125
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine 2005, Federalni zavod za

statistiku, Sarajevo, str.90.
9000000
6000000
3000000
0
1999
2000
2001
2002
2003
2004
Bruto drutveni proizvod u Federaciji BiH,

tekue cijene, u milionima KM
Grafikon 1.3.
2004
3.125
2003
2.912
2002
2.805
2001
2.577
2000
2.400
1999
2.187
0
Grafikon 1.4.
34
500
1000
1500
2000
2500
3000
Bruto drutveni proizvod po stanovniku u Federaciji BiH, u KM
3500
Primjer 1.2.
Tabela 1.12. Nezaposlene osobe prema strunoj spremi u Federaciji BiH,
stanje 31.decembra 2004. g.
UKUPNO
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
325.738
4.989
4.267
71.333
123.552
11.795
109.802
ene
150.447
2.823
2.616
43.430
44.388
4.621
52.569
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine

2005, str. 247.
350,000
300,000
ukupno
250,000
ene
200,000
150,000
100,000
50,000
0
UKUPNO
Grafikon 1.5.
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Nezaposleni prema strunoj spremi u Federaciji BiH u 2004. godini
35
VSS
2%
NKV
34%
VS
1%
PKV, NSS
4%
Grafikon 1.6.
NKV
34%
PKV, NSS
3%
Grafikon 1.7.
SSS
22%
VKV, KV
37%
Nezaposleni prema strunoj spremi

u 2004. godini
VSS
2%
VS
2%
SSS
29%
VKV, KV
30%
Nezaposlene ene prema strunoj
spremi u 2004. godini
Primjer 1.3.
Tabela 1.13. Upisani studenti na visokokolskim ustanovama u Federaciji BiH
96/97 97/98 98/99 99/00 00/01 01/02 02/03 03/04 04/05
Ukupno 28.072 34.477 39.273 43.839 47.242 48.866 51.771 54.425 58.834
ene
14.392 17.757 20.176 22.635 24.721 26.331 28.264 30.166 32.337
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine 2005, str. 281.
36

70000
60000
ukupno
ene
50000
40000
30000
20000
10000
0
1996/97
Grafikon 1.8.
1997/98
1998/99
1999/00
2000/01
2001/02
2002/03
2003/04
2004/05
Upisani studenti na visokokolskim ustanovama u Federaciji BiH
37
POGLAVLJE 2
ANALIZA I SINTEZA
PODATAKA
2.1. FREKVENCIJE I KUMULATIVNE FREKVENCIJE

2.1.1. Definicije
Apsolutna frekvencija je broj (uestalost) pojavljivanja jednog

modaliteta.
Kumulativna rastua apsolutna frekvencija jednog modaliteta je
jednaka zbiru frekvencija modaliteta za koje varijabla ima vrijednost
manju ili jednaku od tog modaliteta.
Kumulativna opadajua apsolutna frekvencija jednog modaliteta je
jednaka zbiru frekvencija modaliteta za koje varijabla ima vrijednost
striktno veu od tog modaliteta.
Relativna frekvencija je jednaka apsolutnoj frekvenciji modaliteta
podijeljenoj sa totalnom frekvencijom. Relativna frekvencija predstavlja
proporciju jedinica osnovnog skupa koji imaju posmatrani modalitet.
Kumulativna rastua relativna frekvencija jednog modaliteta je jednaka
proporciji modaliteta za koje varijabla ima vrijednost manju ili jednaku
od tog modaliteta.
39
Kumulativna opadajua relativna frekvencija jednog modaliteta je

jednaka proporciji modaliteta za koje varijabla ima vrijednost striktno
veu od tog modaliteta.
Prema navedenim definicijama zbir kumulativne rastue relativne
frekvencije jednog modaliteta i kumulativne opadajue relativne
frekvencije istog modaliteta je jednak jedinici (ili 100% ako frekvencije
izrazimo u procentima).
2.1.2. Formalizacija definicija
Formalizaciju koju emo koristiti za izraavanje gore navedenih

definicija predstavljamo sljedeim simbolima i izraunavamo na
sljedei nain:
fi
apsolutna frekvencija
pi relativna frekvencija-struktura
pi =
fi
N
j
Sj apsolutna kumulativna frekvencija S j = f i

i =1
j
Fj relativna kumulativna frekvencija F j = p i
(2.1)
i =1
N broj podataka
Kumulativnu rastuu distribuciju frekvencija na osnovu vrijednosti

prekidne varijable formiramo na sljedei nain:
S ( X = x1 ) = f1
S ( X x2 ) = f1 + f 2
................
S ( X x j ) = f 1 + f 2 + ... + f j
................
S ( X x k ) = f 1 + f 2 + ... + f j + ... f k = N
j-ti lan kumulativne distribucije moemo napisati u obliku:
40
(2.2)
Poglavlje 2. Analiza i sinteza podataka

j
S ( x j ) = fi , j = 1, 2,..., k .
(2.3)
i =1
S(xj ) = f ( X x j )
Osobine kumulativne rastue distribucije apsolutnih frekvencijama su:
0
,
S ( x j ) = 0 S ( x j ) N ,
,
N
x j < xmin
xmin x j xmax
x j > xmax
(2.4)
S ( xi ) S ( x j ),
xi < x j
j-ti lan kumulativne rastue distribucije relativnih frekvencija izraavamo

u sljedeem obliku:
j
F ( x j ) = pi , j = 1, 2,..., k ,
i =1
F ( x j ) = p( X x j )
(2.5)
Osobine rastue kumulativne distribucije sa relativnim frekvencijama su:
0
,
F ( x j ) = 0 F ( x j ) 1,
,
1
x j < xmin
xmin x j xmax
x j > xmax
(2.6)
F ( xi ) F ( x j ),
xi < x j
Objanjenje vrijednosti kumulativne distribucije frekvencija proizilazi iz

naina njenog formiranja. S(xj) predstavlja broj modaliteta posmatranog
skupa ija je vrijednost jednaka ili manja od xj.
Analognim postupkom kompletiramo izraz za kumulativnu distribuciju
relativnih frekvencija. Kumulativna distribucija relativnih frekvencija F(xj)
pokazuje proporciju modaliteta posmatranog skupa ija je vrijednost
jednaka ili manja od xj.
41
Prema definiciji, zbir kumulativne rastue relativne frekvencije jednog

modaliteta i kumulativne opadajue relativne frekvencije istog modaliteta je
jednak jedinici (ili 100%).
Ako je data distribucija frekvencija sa intervalima S(xj) predstavlja broj
modaliteta sa vrijednou varijable koja je jednaka ili manja od gornje
granice j-tog intervala, a F(xj) proporciju modaliteta ija je vrijednost
jednaka ili manja od gornje granice j-tog intervala.
Na sljedeem primjeru emo kompletirati kumulativnu rastuu relativnu
frekvenciju i objasniti njeno znaenje.
Primjer 2.1.
Tabela 2.1. Statistika distribucija frekvencija zavrenih stanova prema broju
soba u Federaciji Bosne i Hercegovine u 2004.g.
Broj
soba
1
2
3
4
5
Ukupno
Frekvencija
fj
184
238
115
35
2
574
Relativna
frekvencija pj
0,321
0,415
0,200
0,061
0,003
1
Kumulativna rastua
relativna frekvencija Fj
0,321
0,736
0,936
0,997
1
-
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine 2005, str.157.
U naem primjeru kumulativna frekvencija za broj soba manje ili jednako

tri je jednaka 93,6%. Dakle, F(3)=93,6%, to znai da 93,6% zavrenih
stanova u Federaciji Bosne i Hercegovine u 2004. g. ima 1, 2, ili 3 sobe.
Na primjeru sljedee distribucije frekvencija emo ilustrovati izraunavanje
kumulativnih frekvencija i njihov grafiki prikaz.
42
Primjer 2.2.
Tabela 2.2. Statistika distribucija frekvencija ocjena na ispitu iz predmeta
Statistika
Ocjena xj
6
7
8
9
10
Ukupno
fj
4
8
7
6
9
34
Sj +
4
12
19
25
34
Sj 30
22
15
9
0
pj
0,118
0,235
0,206
0,176
0,265
1,000
Fj+
0,118
0,353
0,559
0,735
1
Fj 0,882
0,647
0,441
0,264
0,000
U tabeli Sj+ i Sj predstavljaju rastue i opadajue apsolutne kumulativne

frekvencije, a Fj+ i Fj rastue i opadajue relativne kumulativne
frekvencije.
Apsolutne frekvencije
35
Sj+
Sj-
30
25
20
15
10
5
0
6
Grafikon 2.1.
Ocjene
10
Kumulativne rastuce i opadajuce apsolutne frekvencije
43
relativne frekvencije
Fj+
Fj -
0.8
0.6
0.4
0.2
0
Grafikon 2.2.
10
ocjene
Kumulativne rastuce i opadajuce relativne frekvencije
2.2. KLASIFIKACIJA STATISTIKIH VARIJABLI

Mi smo ve u uvodnom dijelu naglasili da je osnovna dihotomija
statistikih varijabli na kvalitativne i kvantitativne varijable. Modaliteti
jedne varijable odreuju njen tip.
2.2.1. Kvalitativne varijable
Varijabla je kvalitativna ako se njeni modaliteti ne mogu kvantitativno
izraziti. Modaliteti ove varijable su deskriptivno izraeni kao atributivna ili
geografska obiljeja. Naprimjer pol, brano stanje, zaposleni prema stepenu
strunog obrazovanja, tip stana su kvalitativne varijable. Postoje dvije grupe
kvalitativnih varijabli. To su kvalitativna nominalna i kvalitativna ordinalna
varijabla.
2.2.1.1. Kvalitativna nominalna varijabla
Varijabla je kvalitativna nominalna ako su njeni modaliteti dati u obliku
atributivnih ili geografskih obiljeja koje nije mogue klasirati prema
nekom redosljedu (rangu) koji ima smisla. Naprimjer, varijabla pol ija
dva modaliteta su: ena i mukarac. Kvalitativne varijable se mogu kodirati.
Numeriko kodiranje npr. 1 za enu i 2 za mukarca je arbitrarno i
nikakve matematike operacije sa kodiranim vrijednostima nisu dozvoljene.
44
2.2.1.2. Kvalitativna ordinalna varijabla

Varijabla je kvalitativna ordinalna ako je mogue klasirati njene modalitete
prema nekom redosljedu koji ima smisla.
Naprimjer, varijabla ocjena izraena sljedeim modalitetima: odlian,
vrlodobar, dobar, dovoljan i nedovoljan.
2.2.2. Kvantitativne varijable
Varijabla je kvantitativna ako su njeni modaliteti mogu kvantificirati i ako
su brojano izraeni. Primjeri ovog tipa varijable su: broj studenata na
univerzitetu, broj soba u studentskom domu, teina studenata prve godine
Ekonomskog fakulteta u Sarajevu, plata u KM, broj lanova porodice itd.
Kvantitativne varijable se dijele na prekidne (diskretne) i neprekidne
(kontinuirane).
2.2.2.1. Kvantitativna prekidna varijabla
Varijabla koja moe poprimiti konaan broj izolovanih, odnosno diskretno
rasporeenih vrijednosti se naziva se naziva kvantitativna (numerika)
prekidna varijabla. Varijabla je kvantitativna prekidna ako su njeni
modaliteti prebrojivi i najee cjelobrojni. Prebrojavamo npr. broj
studenata u amfiteatru ili broj zaposlenih na fakultetu itd.
2.2.2.2. Kvantitativna neprekidna varijabla
Varijabla je kvantitativna kontinuirana ako su vrijednosti njenih modaliteta
neprebrojive. Ova varijabla moe uzimati bilo koju vrijednost iz intervala
koji pripada skupu realnih brojeva. Varijabla je kvantitativna kontinuirana
ako su vrijednosti njenih modaliteta dobijene na osnovu mjerenja. Npr.:
mjerimo visinu studenata. U praksi je jednostavno odrediti da li je jedna
varijabla kvalitativna nominalna ili ordinalna. Ponekad je teko odrediti da
li je jedna kvantitativna varijabla prekidna ili neprekidna.
2.3. GRAFIKI PRIKAZI PREKIDNE I NEPREKIDNE VARIJABLE

Grafika prezentacija koja se najee koristi u sluaju prekidne varijable je
dijagram sa stupcima. Najznaajnija grafika prezentacija kontinuirane
varijable je histogram. U sluaju serije intervalno grupisanih podataka sa
45
jednakom amplitudom intervala, visina pravougaonika koji ine histogram

je proporcionalna frekvenciji svakog intervala.
Za seriju intervalno grupisanih podataka sa razliitom amplitudom svakog
intervala potrebno je izraunati frekvencije po jedinici amplitude koje
nazivamo korigovane frekvencije i u tom sluaju povrina svakog
pravougaonika je proporcionalna frekvenciji intervala.
Na prva dva grafikona ilustrujemo grafiko predstavljanje kvantitativne
prekidne varijable. Ovu varijablu predstavljamo dijagramom sa stupcima na
grafikonu 2.3. i njenu kumulativnu krivu na grafikonu 2.4.
x
Grafikon 2.3.
Dijagram sa stupcima
x
Grafikon 2.4.
46
Kumulativna kriva prekidne varijable
Kvantitativnu neprekidnu varijablu predstavljamo histogramom i

kumulativnom krivom. Histogram je predstavljen na grafikonu 2.5., a
kumulativna kriva na grafikonu 2.6.
x
Grafikon 2.5.
Histogram
x
Grafikon 2.6.
Kumulativna kriva
2.4. MJERE SREDNJE VRIJEDNOSTI ILI MJERE

CENTRALNE TENDENCIJE
Mjere srednje vrijednosti mogu biti potpune (izraunate, izvedene) i
pozicione (poloajne, nepotpune). U potpune mjere srednje vrijednosti
47
ubrajamo aritmetiku, geometrijsku, harmonijsku, kvadratnu i kubnu

sredinu. Pozicione mjere srednje vrijednosti su: mod, medijana i kvantili.
2.4.1. Aritmetika sredina
Aritmetika sredina je prosjena srednja vrijednost. Aritmetika sredina
jedne statistike serije je jednaka zbiru opservacija podijeljenim sa
veliinom serije. Aritmetika sredina izraava prosjenu vrijednost jedne
serije ili distribucije podataka i predstavlja najznaajniju mjeru centralne
tendencije.
2.4.1.1. Jednostavna aritmetika sredina
Aritmetika sredina negrupisane (neureene) serije {xi; i = 1,...., N} se

utvruje koristei sljedei izraz:
x=
1
N
i =1
1
( x1 + x2 ...... + xN )
N
(2.7)
Za seriju:
{xi } = { 2,0,10,8,4,0,6,4,6,2,6} , {xi; i=1,....,11}

aritmetika sredina je jednaka
x=
2 + 0 + 10 + 8 + 4 + 0 + 6 + 4 + 6 + 2 + 6
= 4,36
11
Aritmetika sredina ureene serije {x(i); (i)=1,..., N} gdje (i) predstavlja

rang opservacije je jednaka:
x=
1
N
i =1
1
( x1 + x2 ...... + xN )
N
Za seriju:
{xi } = {0,0,2,2,4,4,6,6,6,8,10} , {x(i); (i)=1,....,11}

aritmetika sredina je:
48
(2.8)
x=
0 + 0 + 2 + 2 + 4 + 4 + 6 + 6 + 6 + 8 + 10 48
=
= 4,36
11
11
2.4.1.2. Ponderisana aritmetika sredina
Ponderisana
{( x ; f ) ,
j
aritmetika
j = 1, 2,...., J
sredina
grupisane
statistike
serije
gdje fj predstavlja frekvenciju modaliteta xj
je jednaka:
x=
1
N
f
j =1
xj =
( f1 x1 + f 2 x2 + ... + f J xJ )
(2.9)
Za seriju {( 0 ; 2 ), ( 2 ; 2 ), ( 4 ; 2 ), ( 6 ; 3 ), ( 8 ;1 ), ( 10 ;1 ) } , u kojoj
su dati parovi u kojima prvi broj predstavlja modalitet a drugi
frekvenciju, aritmetika sredina je jednaka:
6
x=
x=
j =1
xj
f1 x1 + f 2 x 2 + f 3 x3 + f 4 x 4 + f 5 x5 + f 6 x6
f1 + f 2 + f 3 + f 4 + f 5 + f 6
2 0 + 2 2 + 2 4 + 3 6 + 1 8 + 1 10
= 4,36
2 + 2 + 2 + 3 +1+1
Aritmetika sredina statistike serije sa relativnim frekvencijama je

jednaka:
J
x = p j x j gdje je p j =
j =1
p
j =1
fj
N
(2.10)
=1
Aritmetika sredina statistike serije grupisane u intervale se

utvruje primjenom sljedeeg izraza:
x=
1
N
f
j =1
xc j =
( f x
1
c1
+ f 2 xc2 + ... + f J xcJ

N
(2.11)
gdje xc predstavlja centar intervala i izraunava se pomou sljedeeg izraza:

49
xcj =
x j 1 + x j
(2.12)
(2; 2), (4 ; 2), (6 ; 3), (8;1), (10;1)} grupisanu u intervale

predstavljamo u sljedeoj tabeli.
Seriju
{(0 ; 2),

Intervali
0-2
4-6
8-10
Ukupno
Frekvencija
4
5
2
11
Centri razreda
1
5
9
-
4 1 + 5 5 + 2 9
= 4,27
11
Za izraunavanje aritmetike sredine je potrebno primijeniti odgovarajuu

formulu u zavisnosti od raspoloivih podataka.
Aritmetiku sredinu moemo nazvati i centrom gravitacije, centrom koji
predstavlja prosjenu vrijednost posmatrane serije kojoj tee, gravitiraju
ostale vrijednosti u seriji. Aritmetika sredina izravnava apsolutne razlike
izmeu svih podataka u analiziranom skupu. Aritmetiku sredinu moemo
raunati samo za kvantitativne varijable. Dakle, za statistiku seriju ije su
varijable mjerene na nominalnoj i ordinalnoj skali ne moemo raunati
aritmetiku sredinu.
2.4.1.3. Osobine aritmetike sredine
Ako su vrijednosti svih obiljeja u seriji jednake konstanti i aritmetika

sredina je jednaka toj konstanti c:
x1 = x2 = .... = xN = c x = c
x=
50
1
N
xi =
i =1
1
N
c = N Nc = c
i =1
(2.13)
Aritmetika sredina je rijetko jednaka jednoj od posmatranih

vrijednosti, ali promjena vrijednosti samo jednog modaliteta znaajno
utie na aritmetiku sredinu. Zbog toga je aritmetika sredina vrlo
osjetljiva na ekstremne vrijednosti posmatrane varijable.
U raunanju aritmetike sredine uzimaju se vrijednosti svih modaliteta.
Aritmetika sredina je vea od najmanje i manja od najvee vrijednosti

varijable3:
min xi < x < max xi
(2.14)
Zbir odstupanja izmeu modaliteta i njihove aritmetike sredine je

jednak nuli.
N
i =1
i =1
( xi x ) = xi N x = 0
(2.15)
Po analogiji, moemo pokazati da je zbir odstupanja svih vrijednosti

obiljeja od njihove aritmetike sredine jednak nuli i za grupisane podatke.
J
f (x
j =1
x) = 0
(2.16)
Posljedica navedene osobine je sljedea: aritmetika sredina odstupanja

izmeu opservacija i njihove aritmetike sredine je jednaka nuli.
1
N
( x
i =1
x) = 0
(2.17)
Ova osobina vrijedi i u sluaju grupisanih podataka.
Osobina agregiranja aritmetike sredine
Ako na osnovu varijable X analiziramo populaciju veliine N sastavljenu od

potpopulacije veliine N1, odgovarajue aritmetike sredine x1 i
potpopulacije veliine N2, i njene aritmetike sredine x2 .
Aritmetika sredina varijable X za populaciju se dobija koritenjem
sljedeeg izraza:
Izuzetak je sluaj kada su vrijednosti svih obiljeja u seriji jednake konstanti, pa je i

aritmetika sredina niza jednaka toj konstanti.
51
x=
N1 x1 + N 2 x 2
f x + f 2 x2
= 1 1
N1 + N 2
f1 + f 2
(2.18)
Ova osobina se moe generalizirati na n potpopulacija. Ilustraciju ove

osobine emo pokazati na sljedeem primjeru.
Tabela 2.4. Godinje neto plate dravnih slubenika u 2000. godini
Slubenici
Frekvencija u
hiljadama fj
Kategorija A
Kategorija B
Kategorija C
Ukupno
Prosjena godinja neto

plata u eurima x
769,6
300,7
469,9
1540,2
29 549
21 698
17 576
?
Izvor: Tableau de leconomie francaise (TEF), 2002-2003, INSEE, strana 93.
Prosjena godinja neto plata svih slubenika:
x=
N1 x1 + N 2 x2 + N 3 x3
= 24 363,4
N1 + N 2 + N 3
Aritmetika sredina zbira statistikih varijabli
Ovu osobinu emo ilustrovati na primjeru zbira dvije statistike varijable.

Posmatrajmo za N domainstava podatke o njihovoj potronji ci i njihovoj
tednji i. Ako budet domainstva i oznaimo sa bi za svako i moemo
kompletirati sljedeu relaciju4:
bi = ci + i B = C +
b=
1
N
bi =
i =1
1
N
(ci + i ) =
i =1
1
N
ci +
i =1
1
N
i =1
=c +
(2.19)
Aritmetika sredina zbira dvije statistike varijable je jednaka zbiru

aritmetikih sredina te dvije varijable. Dakle, ako imamo jednu statistiku
4
52
Za oznaavanje modaliteta ili vrijednosti varijabli koristimo mala slova, a za

oznaavanje statistikih varijabli koristimo velika slova.
varijablu izraenu u obliku zbira dvije statistike varijable, njena

aritmetika sredina je jednaka zbiru aritmetikih sredina te dvije varijable.
Ako je Z=X+Y, aritmetika sredina varijable Z je jednaka zbiru aritmetikih
sredina varijabli X i Y:
z=x+y
(2.20)
Ovu osobinu moemo generalizirati i zakljuiti da je aritmetika sredina

zbira n statistikih varijabli jednaka zbiru aritmetikih sredina n statistikih
varijabli.
Aritmetika sredina linearne kombinacije statistikih varijabli
Linearnu kombinaciju statistikih varijabli definiemo sljedeom relacijom:

yi = a + bxi
(2.21)
gdje su a i b parametri.
Gornju relaciju moemo napisati u obliku Y = a+bX ija je aritmetika
sredina jednaka:
y = a + bx
(2.22)
Navedenu osobinu moemo objasniti na sljedei nain. Ako sve opservacije

pomnoimo jednim brojem tada e i aritmetika sredina biti pomnoena tim
brojem. Ukoliko dodamo odreeni broj svim opservacijama jedne serije,
aritmetika sredina e biti uveana za taj broj. Kada pomnoimo sve ocjene
iz jednog predmeta sa 2 tada e i aritmetika sredina ocjena iz tog predmeta
biti pomnoena sa 2. Ako dodamo 5 poena svim ocjenama iz jednog
predmeta, aritmetika sredina ocjena iz tog predmeta se uveava za 5 poena.
Na ovaj nain definisane su osobine aditivnosti i linearnosti aritmetike
sredine.
Posebnu panju treba obratiti na izraunavanje aritmetike sredine u sluaju
intervalno grupisane distribucije sa stvarnim intervalima.
2.4.2. Geometrijska sredina
Geometrijska sredina za serije negrupisanih podataka je jednaka N- tom
korijenu iz proizvoda vrijednosti varijable i izraunava se prema sljedeoj
formuli:
53

N
G = N x1 x2 .... x N = N xi , xi > 0 , i = 1, N
(2.23)
i =1
Za izraunavanje geometrijske sredine jedne serije koriste se svi podaci i

potrebno je da budu pozitivni. Logaritamski oblik ove funkcije praktiniji
za primjenu dat je sljedeim izrazom:
log G =
1
N
log x
i =1
(2.24)
Konstatujemo da je logaritam geometrijske sredine varijable X jednak

aritmetikoj sredini logaritama njenih vrijednosti.
Geometrijska sredina statistike distribucije frekvencije je jednaka:
J
G = N x1f1 x2f2 .... xJf J = N x j j , N = f J , x j > 0, j = 1, J

f
j =1
(2.25)
j =1
Logaritamski oblik ponderisane geometrijske sredine je izraen sljedeom

relacijom:
log G =
J
1 J
log
,
f
x
N
=
fj
j j
N j =1
j =1
(2.26)
Geometrijska sredina se najee primjenjuje u sluajevima kada se pojave

ponaaju po geometrijskoj progresiji, za izraunavanje prosjenih
pokazatelja porasta i razvoja u dinamikoj analizi pojava, za izraunavanje
srednje vrijednosti vremenskih serija i kod lananih indeksa. Geometrijska
sredina izravnava odnose, tj. proporcionalne promjene izmeu uzastopnih
podataka u analiziranoj seriji.
2.4.3. Harmonijska sredina
Harmonijska sredina se definie kao reciprona vrijednost aritmetike
sredine recipronih vrijednosti varijable X.
Harmonijska sredina za seriju negrupisanih podataka se izrauna pomou
sljedeeg izraza:
54
H=
i =1 xi
N
1 1
1
1
+ + ... + + ... +
x1 x2
xi
xN
, xi 0
(2.27)
Harmonijska sredina za statistiku distribuciju frekvencija je data izrazom:

J
H=
j =1
J
j =1
fj
f + f 2 + ... + fi + ... + f J +
= 1
=
fi
fJ
f1 f 2
fj
+
+ ... + + ... +
x1 x2
xi
xJ
xj
f
j =1
J
fj
x
j =1
, xj 0
(2.28)
Postupak izraunavanja ove sredine je jednostavan. Potekoa je u

uoavanju sluajeva u kojima se moe primijeniti. Izraunava se u sluaju
kada su originalni podaci izraeni u vidu recipronih veliina. Reciprone
veliine se kreu u obrnutom pravcu od kretanja pojave koju izraavaju.
Produktivnost rada je tipian primjer primjene ove sredine jer vea
produktivnost rada znai veu proizvodnju uz manji utroak rada.
Ako su sve vrijednosti varijable pozitivne, vrijedi sljedea relacija odnosa
izmedu tri analizirane potpune mjere srednje vrijednosti:
min xi H G x < max xi
(2.29)
2.4.4. Kvadratna i kubna sredina

Kvadratna sredina se izraava u sljedeem obliku:
N
x2 =
2
i
i =1
(2.30)
Kubna sredina je data sljedeim izrazom:

N
x3 =
x
i =1
3
i
(2.31)
Odnos izmeu pet prezentiranih sredina je sljedei:

min xi H G x x 2 x 3 < max xi
(2.32)
55
2.4.5. Mod ili centar aktivnosti

Mod je jedna od najstarijih pozicionih vrijednosti koja se jednostavno
utvruje. Mod se definie kao modalitet varijable koji se najee
pojavljuje, tj. modalitet koji ima najveu frekvenciju. Najei su sluajevi
unimodalnih serija. Meutim, potrebno je naglasiti da serija moe biti
bimodalna ili viemodalna ukoliko se u jednoj seriji nalazi vie modaliteta
koji imaju najviu frekvenciju.
Primjer 2.3. Odreivanje moda
Tabela 2.5. Nastavnici sa punim radnim vremenom na visokokolskim
ustanovama u Federaciji Bosne i Hercegovine u 2001/2002 godini
Nastavnici
Redovni profesor
Vanredni profesor
Docent
Ostali
Ukupno
Frekvencije u fj
332
248
251
50
881
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine,

Federalni zavod za statistiku, Sarajevo, 2002.
Mod je, kao to smo ve naglasili, modalitet varijable koji ima najveu
frekvenciju. To je u naem primjeru modalitet redovni profesor. Grafiki je
vrlo jednostavno u ovom sluaju odrediti mod.
350
300
250
200
150
100
50
0
MOD
Redovni profesor
Grafikon 2.7.
Vanredni profesor
Docent
Ostali
Nastavnici na visokokolskim institucijama

u Federaciji Bosne i Hercegovine u 2001/2002.
U sluaju intervalno grupisanih distribucija, poslije odreivanja modalnog

intervala koji ima najveu frekvenciju (ili najveu frekvenciju po jedinici
56
amplitude u sluaju da intervali nemaju istu amplitudu), mod moemo

izraunati linearnom interpolacijom koritenjem sljedee formule:
M o = xMo + aMo
f 2 f1
( f 2 f1 ) + ( f 2 f 3 )
(2.33)
gdje je:
xMo
lijeva granica modalnog intervala,
aMo
f1
f2
f3
amplituda (irina) modalnog intervala,

frekvencija prethodnog intervala,
frekvencija modalnog intervala,
frekvencija narednog intervala.
Tabela 2.6. Starosna struktura stanovnitva Federacije BiH u 2000. godini

Starosna
struktura
xj
0-14
15-64
65 i vie
Ukupno
Amplituda
intervala
aj
15
50
26
-
Broj
stanovnika
fj
588 210
1 896 277
316 513
2 801 000
Gustoa intervala ili

korigovana frekvencija
fj / a j
39 214
37 925,5
12 173,6
-
U ovom primjeru intervali nemaju jednake amplitude pa je za utvrivanje

modalnog intervala potrebno izraunati broj stanovnika po jedinici
amplitude (dijeli se frekvencija broj stanovnika sa amplitudom intervala) ili
gustou intervala da bi se odredila modalna klasa. U ovom sluaju modalna
klasa je klasa od 0 do 14.
U sluaju da koristimo relativne frekvencije formula je analogna gore
navedenoj, osim to umjesto apsolutne frekvencije fj koristimo relativnu
frekvenciju pj.
Postoji i sljedea formula pomou koje moemo utvrditi aproksimativnu
vrijednost moda u unimodalnim i nesimetrinim distribucijama:
Mo 3Me-2
(2.34)
Prema ovom izrazu, mod je priblino jednak tri medijane umanjene za dva.
57
Modalna klasa zavisi od grupisanja u intervale koje smo prethodno izvrili.

Kao i uvijek prije i poslije odreivanja moda u svakom konkretnom sluaju
treba se upitati: Da li ovaj pokazatelj ima smisla i da li nam omoguava ili
ne dodatnu korisnu informaciju?
2.4.6. Medijana ili centar pozicije
Medijana spada u pozicione srednje vrijednosti. Medijana je vrijednost
obiljeja koja u seriji ureenoj po veliini (rastuem ili opadajuem
redosljedu) zauzima centralnu poziciju (rang) i dijeli seriju na dva
jednaka dijela. Njena teorijska kumulativna frekvencija je 50%. Dakle,
teorijski 50% podataka ima vrijednost manju ili jednaku medijani i
preostala polovina podataka vrijednosti vee od medijane. Medijana je
poziciona srednja vrijednost i za izraunavanje medijane nisu bitne
vrijednosti svih podataka nego njihov rang u seriji.
2.4.6.1. Odreivanje medijane u ureenoj seriji
Odreivanje medijane zavisi od broja podataka u seriji. Analiziraemo
sluajeve odreivanja medijane ukoliko je broj podataka neparan i ukoliko
je broj podataka paran.
Neparan broj podataka
U ureenoj seriji {x(i); (i)=1,..., N}, gdje (i) predstavlja rang podatka, a N
neparan broj podataka, medijana se izraunava koristei sljedeu formulu:
Me = x N +1
(2.35)
Ureena statistika serija od 11 podataka:

1 2 3 4 5 6 7 8 9
42 48 53 58 60 64 68 79 88
Rang (i):
Podaci (xi):
Me = x N +1 = x 9 +1 = x (5) = 60
58
Paran broj podataka
U ureenoj seriji {x(i); (i)=1,..., N}, gdje (i) predstavlja rang podatka, a N
paran broj podataka medijana se izraunava koristei sljedeu formulu:
x N + x N
+1
2
Me =
(2.36)
U ureenoj seriji veliine 10:

1 2 3 4 5 6 7 8 9 10
42 48 53 58 60 64 68 79 88 90
Rang (i):
Podaci (xi):
x N + x N
Me =
+1
2
x 10 + x 10
=
+1
2
x(5) + x( 6)
2
60 + 64
= 62
2
2.4.6.2. Odreivanje medijane za statistiku

distribuciju frekvencija
Tabela 2.7. Statistika distribucija frekvencija zavrenih stanova prema broju
soba u Federaciji Bosne i Hercegovine u 2004. g.
Broj soba xj
1
2
3
4
5
Ukupno
Frekvencije fj
184
238
115
35
2
574
Rang (i)
1 - 184
185 - 422
423 - 537
538 - 572
573 - 574
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine 2005, str.157.
Medijana je jednaka aritmetikoj sredini modaliteta koji zauzima rang 287

(574/2=287) i modaliteta koji zauzima rang 288.
x N + x N
Me =
+1
2
x( 287 ) + x( 288)
2
2+2
=2
2
59
U seriji grupisanoj u intervale, medijana se rauna na sljedei nain:
N
S Me1
Me = xMe + aMe 2
f Me
(2.37)
gdje je:
lijeva granica medijanskog intervala,
xMe
amplituda medijanskog intervala,
aMe
frekvencija medijanskog intervala,
fMe
SMe-1 kumulativna frekvencija predmedijanskog intervala,
N
zbir svih frekvencija.
Praktinije je raunati medijanu ukoliko koristimo kumulativne relativne
frekvencije:
Me = xMe + a Me
= xMe
F ( Me) FMe1
p Me
0,50 FMe1
+ a Me
p Me
(2.38)
gdje je:
lijeva granica medijanskog intervala,
xMe
amplituda medijanskog intervala
aMe
FMe
FMe-1
pMe
teorijska kumulativna relativna frekvencija medijane,

kumulativna relativna frekvencija predmedijanskog intervala,
relativna frekvencija medijanskog intervala.
Medijana se grafiki moe odrediti na osnovu kumulativnog dijagrama

frekvencija. Kumulativnu krivu dobijemo spajanjem kumulativnih
frekvencija koje odgovaraju svakom modalitetu ili u sluaju intervalno
grupisanih serija gornjim granicama svakog intervala.
2.4.6.3. Medijana i kumulativna frekvencija
U ureenoj seriji (klasiranoj po rastuem ili opadajuem redosljedu
podataka) broj podataka koji prethode medijani je jednak broju podataka
60
koji se nalaze poslije medijane. Na osnovu ove definicije mogli bismo

zakljuiti da je kumulativna frekvencija medijane uvijek jednaka 50 %.
Provjeriemo da li je to tano na jednom primjeru za koji smo neophodne
podatke kompletirali i prezentirali u tabeli 2.8.
Tabela 2.8. Odreivanje kumulativne frekvencije medijane
Opservacije Rang Frekvencije Kumulativne Relativne Kumulativne
fi
(i)
frekvencije frekvencije
relativne
x(i)
Si
frekvencije
pi
Fi
42
48
50
52
54
58
58
58
64
68
70
Ukupno
1
2
3
4
5
6
7
8
9
10
11
-
1
1
1
1
1
1
1
1
1
1
1
11
1
2
3
4
5
6
7
8
9
10
11
0,09
0,09
0,09
0,09
0,09
0,09
0,09
0,09
0,09
0,09
0,09
0,991,00
0,09
0,18
0,27
0,36
0,45
0,54
0,63
0,72
0,81
0,90
0,991,00
Me = x N +1 = x 11+1 = x( 6) = 58
Konstatujemo da 5 podataka prethodi medijani koja je jednaka 58 i 5

podataka se nalazi poslije medijane. Uoavamo da se podatak 58 ponavlja
tri puta i da je kumulativna rastua frekvencija ovog modaliteta jednaka
0,72 (dakle 72%), to je znatno vie od 50% koliko je teorijska kumulativna
frekvencija medijane. Dakle, u sluaju kada jedna vrijednost zauzima
centralni rang u seriji, ali i vie ostalih rangova, odgovarajua kumulativna
frekvencija se moe znatno razlikovati od teorijski pretpostavljene.
61
2.4.6.4. Karakteristike medijane

Medijana je parametar centralne pozicije u seriji na koju ekstremne
vrijednosti nemaju uticaja jer medijana ne zavisi od vrijednosti podataka
nego od njihovog ranga, pozicije u seriji. Ako su npr. grekom evidentirane
neke ekstremne vrijednosti one nee uticati na medijanu.
Posmatrajmo dvije ureene serije veliine 11:
Rang (i):
Varijabla X1:
Varijabla X2:
1 2 3 4 5 6 7 8 9 10 11
42 48 50 52 54 58 59 63 74 78 80
42 48 50 52 54 58 59 63 74 78 200
U oba sluaja medijana je jednaka 58.

Kako u ureenoj seriji polovina podataka prethodi medijani i polovina
podataka se nalazi poslije medijane, medijana se naziva takoer kvantil reda
0,5 (ili reda 50%).
2.4.7. Kvantili
U ureenoj seriji {x(i)} kvantil reda p koji oznaavamo sa xp je jednak
vrijednosti varijable za koju postoji proporcija opservacija koje su jednake
ili manje od xp i komplementarna proporcija (1-p) opservacija koje su vee
od xp:
F (xp ) N p
i F * ( x p ) > N (1 p)
0 < p <1
(2.39)
ili u apsolutnim kumulativnim frekvencijama
S(xp ) N p
i S* ( x p ) > N (1 p )
0 < p <1
(2.40)
2.4.7.1. Odreivanje kvantila u ureenoj seriji

Ako u ureenoj seriji postoji vrijednost xj za koju je
S j 1 < N p < S j ,
tada je x p = x j
62
(2.41)
uz pretpostavku da je S=0 ako je j=1.

Ako u ureenoj seriji postoji vrijednost xj takva da Sj=Np tada je vrijednost
kvantila reda p jednaka:
xp =
x j + x j +1
(2.42)
2.4.7.2. Odreivanje kvantila u intervalno grupisanoj seriji

Poslije odreivanja kvantilne klase, kvantile odreujemo koritenjem
sljedee relacije:
x p = xq + a q
Np S q 1
fq
(2.43)
gdje je:
xq
donja granica kvantilnog intervala
aq
Sqfq
amplituda kvantilnog intervala

1
kumulativna frekvencija predkvantilnog intervala

frekvencija kvantilnog intrevala
Koristei kumulativne relativne frekvencije kvantile izraunavamo koristei

sljedei izraz:
x p = xq + aq
F ( x p ) Fq 1
pq
(2.44)
2.4.7.3. Kvartili
Kvartili se oznaavaju sa Q1, Q2, Q3 i predstavljaju kvantile reda p=1/4,
p=1/2 i p=3/4 ili reda 25%, 50% i 75%. Kvartili su vrijednosti varijable koji
distribuciju ureenu po veliini dijele na 4 jednaka dijela.
U ureenoj seriji prvi kvartil Q1 je jednak modalitetu vrijednosti varijable
od kojeg 25% elemenata skupa ima jednaku ili manju vrijednost i 75%
elemenata skupa ima veu vrijednost posmatranog obiljeja. Dakle, 25%
opservacija prethode Q1 i 75% opservacija se nalaze poslije Q1. Medijana je
jednaka drugom kvartilu Me=Q2.
63
Odreivanje kvartila u intervalno grupisanoj distribuciji
U intervalno grupisanoj distribuciji prvi kvartil odreujemo koristei

sljedei izraz:
N
SQ1 1
Q1 = xQ1 + aQ1 4
f Q1
(2.45)
gdje je:
x Q1
donja granica kvartilnog intervala
a Q1
amplituda kvartilnog intervala
S Q1-1 kumulativna apsolutna frekvencija pretkvartilnog intervala
f Q1
apsolutna frekvencija kvartilnog intrevala
N
broj podataka u seriji
Praktinije je utvrditi prvi kvartil koristei kumulativne relativne
frekvencije:
Q1 = xQ1 + aQ1
F (Q1 ) FQ1 1
= xQ1 + aQ1
pQ1
0,25 FQ1 1
(2.46)
pQ1
gdje je:
x Q1
a Q1
FQ1
kumulativna relativna teorijska frekvencija
FQ1-1 kumulativna relativna frekvencija pretkvartilnog intervala
relativna frekvencija kvartilnog intrevala
p Q1
N
Za odreivanje treeg kvartila u intervalno grupisanoj distribuciji koristimo
sljedee izraze zavisno od toga da li smo raunali apsolutne kumulativne
frekvencije:
3N
S Q3 1
Q3 = xQ3 + aQ3 4
f Q3
64
(2.47)
gdje je:
x Q3
a Q3
S Q3-1 kumulativna apsolutna frekvencija pretkvartilnog intervala
apsolutna frekvencija kvartilnog intrevala
f Q3
N
ili relativne kumulativne frekvencije:
Q3 = xQ3 + aQ3
F (Q3 ) FQ3 1
= xQ3 + aQ3
pQ3
0,75 FQ3 1
(2.48)
pQ3
gdje je:
x Q3
a Q3
FQ3
kumulativna relativna teorijska frekvencija
FQ3-1 kumulativna relativna frekvencija pretkvartilnog intervala
relativna frekvencija kvartilnog intrevala
p Q3
N
2.4.7.4. Decili
Decili se oznaavaju sa D1, D2, ..D9, predstavljaju kvantile reda 10%,
20%, ..., 90%. Ima ih devet i dijele ureenu statistiku seriju na 10 jednakih
dijelova. U ureenoj seriji 20% opservacija prethodi D2, a 80% opservacija
se nalazi poslije D2.
2.4.6.5. Centili
Centili se oznaavaju sa C1, C2, ..C95, C99 i predstavljaju kvantile reda
1%, 2%, .., 95%, ..., 99%. Ima ih, dakle, 99 i dijele ureenu statistiku
seriju na 100 jednakih dijelova. U ureenoj seriji 1% podataka prethodi C1 i
99% podataka slijedi poslije C1. Kao i za medijanu, kumulativna
frekvencija kvantila reda p % je vrlo blizu p % kada su podaci istovremeno
mnogobrojni i razliiti.
65
Primjer 2.4.
U sljedeem primjeru emo analizirati i komentarisati medijanu i decile.
Ako je statistika tabela prezentovana u sljedeem obliku, normalno je
pretpostaviti da su sve kumulativne frekvencije vrlo blizu teorijskih
vrijednosti za svaki od analiziranih parametara.
Tabela 2.9. Distribucija neto plata u preduzeima u Francuskoj u 2000.g.
Decili
D1
D2
D3
D4
Medijana=D5
D6
D7
D8
D9
Godinje plate u
eurima
10 780
12 490
13 930
15 420
17 130
19 200
22 030
26 470
35 700
Kumulativne frekvencije
u%
10
20
30
40
50
60
70
80
90
Izvor: Tableau dconomie francaise (TEF) 2002-2003, INSEE, Paris, str. 91.
Medijanska plata je 17130 . To znai da je 50% godinjih neto plata u

preduzeima u Francuskoj u 2000.g. bilo manje ili jednako 17130 .
Vrijednost sedmog decila nam daje informaciju da je 70% godinjih neto
plata u preduzeima u Francuskoj u 2000.g. bilo manje ili jednako od
22030. 305 godinjih neto plata je bilo vee od 22030.
2.5. MJERE DISPERZIJE ILI VARIJACIJE

Postoje dva pristupa konstrukciji parametara disperzije:
1. Mjerenje odstupanja izmeu dva podatka u seriji ili izmeu dva
parametra centralne tendencije,
2. Mjerenje odstupanja podataka od nekog reprezentativnog parametra.
Mjere disperzije moemo klasificirati na apsolutne i relativne. Apsolutne
mjere disperzije su: raspon varijacije, interkvantilno apsolutno odstupanje,
srednje apsolutno odstupanje, varijansa i standardna devijacija.
66
Relativne mjere disperzije su: interkvantilna relativna odstupanja,

koeficijent varijacije i koeficijent kvartilne devijacije.
2.5.1. Apsolutne mjere disperzije
2.5.1.1. Raspon varijacije
Raspon varijacije predstavlja apsolutno odstupanje izmeu maksimalne i
minimalne vrijednosti varijable:
RV = xmax-xmin
(2.49)
Ovaj pokazatelj je jednostavan za raunanje i tumaenje, ali ima ozbiljan

nedostatak jer uzima u obzir samo dvije, i to ekstremne vrijednosti serije i
ne daje informaciju o varijabilitetu pojava unutar serije.
2.5.1.2. Interkvantilno apsolutno odstupanje
Da bi se otklonio nedostatak raspona varijacije, konstruisani su parametri
koji eliminiu odreenu proporciju opservacija na poetku i na kraju
serije, dakle odreenu proporciju najmanjih i najveih vrijednosti.
Interdecilno odstupanje D9-D1 eliminie 10% opservacija na poetku serije i
10% opservacija na kraju serije. Na taj nain dobijamo mjeru disperzije
koja se odnosi na 80% centralnih opservacija.
Najee koritena interkvantilna odstupanja su:
Interkvartilno odstupanje
Interdecilno odstupanje
Intercentilno odstupanje
IQ=Q3-Q1
ID=D9-D1
IC=C99-C1
(2.50)
(2.51)
(2.52)
Interkvantilna odstupanja treba primjenjivati u zavisnosti od analiziranog

problema i potrebe da se detaljnije analizira jedan dio distribucije. Najee
se primjenjuje interkvartilno odstupanje.
2.5.1.3. Box Plot
Box plot je grafika prezentacija koja omoguava istovremeno posmatranje
pozicionih mjera srednjih vrijednosti i interkvartilnog odstupanja kao mjere
67
disperzije. Ovaj grafiki prikaz omoguava vizuelno pozicioniranje 50%

vrijednosti podataka unutar box-a i na taj nain omoguava analizu
disperzije.
Za konstukciju Box Plota treba izraunati vrijednosti tri kvartila. Nacrtamo
pravougaonik (box - kutiju) iju osnovu predstavlja interkvartilno
odstupanje. Bone strane su odreene vrijednostima prvog i treeg kvartila.
Pravougaonik je presjeen na dva dijela medijanom. Od desne i lijeve strane
pravougaonika povuemo linije do maksimalne i minimalne vrijednosti
varijable. Box plot nam omoguuje da sagledamo na jednostavan i
ilustrativan nain osnovne karakteristike serije.
25%
25%
25%
25%
xmin
xmax
Q1
Grafikon 2.8.
Q3
Me
Box plot
U sluaju da serija sadri netipine i ekstremne vrijednosti krakovi postaju

previe dugi to oteava interpretaciju. U tim sluajevima se preporuuje
raunanje graninih vrijednosti prema relaciji:
a1=Q11,5(Q3-Q1)
a2=Q3+1,5(Q3-Q1)
(2.53)
Ove granice su udaljene od bonih strana pravougaonika za 1,5 njegovu

duinu. Praktina iskustva su pokazala da se veina serija koje ne sadre
netipine vrijednosti nalazi u intervalu (a1, a2). Mogu se raunati i granice
udaljene od pravougaonika za dvije ili tri njegove duine da bi se odredile
netipine ili ekstremne vrijednosti.
68
2.5.1.4. Srednje apsolutno odstupanje

Srednje apsolutno odstupanje spada u mjere disperzije koje se konstruiu
kao odstupanje modaliteta od nekog reprezentativnog parametra. Da bismo
konstruisali srednje apsolutno odstupanje, analizirat emo etiri sljedee
faze.
Faza 1: Izabrati reprezentativni pokazatelj
Za reprezentativni pokazatelj odabiremo aritmetiku sredinu zbog njenih
karakteristika i prednosti u odnosu na ostale parametre srednje vrijednosti i
zbog osobine koju moemo provjeriti koristei teoremu Knig-Huygens-a.
Odaberimo bilo koji parametar centralne tendencije koji moemo oznaiti
sa k. Aritmetika sredina odstupanja opservacija od tog parametra je
jednaka:
1
N
( xi k )
i =1
1
N
1
N
1
=
N
=
1
N
(x
x + x k)
i =1
N
( x
i =1
N
( x
i =1
x ) + ( x k )
(2.54)
x ) + 2 ( x k )( xi x ) + ( x k )
( xi x ) + 2 ( x k )
2
i =1
1 N
2
( xi x ) + ( x k )
N i =1
Kako je drugi lan u gornjem izrazu jednak nuli ( xi x ) = 0 sljedi:

i
1
N
2
( xi k ) =
i =1
1
N
(x
i =1
x ) + (x k )
2
(2.55)
Prvi lan na desnoj strani izraza ne zavisi od k i predstavlja varijansu

varijable X. Slijedi da gornji izraz ima minimalnu vrijednost kada je:
(x k)
= 0, odnosno kada je x = k
(2.56)
Konstatujemo da je aritmetika sredina najbolji reprezentativni pokazatelj

centralne tendencije jer su vrijednosti odstupanja opservacija od aritmetike
69
sredine manje nego odstupanja opservacija od bilo kojeg drugog parametra

centralne tendencije.
Faza 2: Mjeriti odstupanje izmeu svakog modaliteta i aritmetike sredine
Za svaki modalitet raunamo odstupanje: yi = xi - x
Faza 3: Da bismo sintetizirati u jednom broju poziciju svih izraunatih
odstupanja, raunamo njihovu aritmetiku sredinu. Ovako izraunata
aritmetika sredina odstupanja modaliteta od njihove aritmetike sredine je
jednaka nuli zbog toga to se anuliraju pozitivna i negativna odstupanja od
aritmetike sredine.
Faza 4: Da bismo izbjegli anuliranje pozitivnih odstupanja od aritmetike
sredine sa negativnim odstupanjima od aritmetike sredine, raunamo za
svaki modalitet apsolutnu vrijednost odstupanja od aritmetike sredine:
zi = xi - x
Zavrna faza je utvrivanje prosjenog apsolutnog odstupanja koje je
jednako aritmetikoj sredini apsolutnih odstupanja izmeu modaliteta i
njihove aritmetike sredine.
Formule za raunanje prosjenog apsolutnog odstupanja MAD5:
za negrupisanu seriju:
1
N
x
i =1
70
i =1
xi x
(2.57)
1
( x1 + x2 ...... + xN )
N
(2.58)
za statistiku distribuciju frekvencija:
MAD =
za ureenu seriju:
x=
1
N
MAD
1
N
j =1
f j x j x , gdje je N = f j
(2.59)
j =1
MAD je skraenica od engleskog izraza sa srednje apsolutno odstupanje - Mean

Apsolutely Deviation.
za statistiku distribuciju relativnih frekvencija:

J
MAD = p j x j x , gdje je
j =1
j =1
=1
(2.60)
Pri raunanju treba primijeniti odgovarajuu formulu u zavisnosti od

raspoloivih podataka. Srednje apsolutno odstupanje je parametar koji je
jednostavno objasniti. Vea vrijednost srednjeg apsolutnog odstupanja
ukazuje na veu disperziju podataka u odnosu na njihovu aritmetiku
sredinu. Srednje apsolutno odstupanje ne moe biti jednako nuli, osim u
sluaju kad su svi modaliteti jednaki, ali tada se problem sinteze podataka
ne postavlja. Ovaj parametar se rijetko koristi i ima vie teorijsku nego
praktinu vrijednost.
2.5.1.5. Varijansa
Za konstrukciju varijanse primjenjujemo etiri faze. Prve tri faze su iste kao
faze koje smo analizirali za konstrukciju srednjeg apsolutnog odstupanja
(MAD).
Postupak za rjeavanje etvrte faze je razliit. Da bismo izbjegli anuliranje
pozitivnih odstupanja od aritmetike sredine sa negativnim odstupanjima od
aritmetike sredine, za svaku opservaciju raunamo kvadratno odstupanje
od aritmetike sredine (xi - x )2 i zatim raunamo njihovu aritmetiku
sredinu.
Varijansa je jednaka aritmetikoj sredini kvadrata odstupanja izmeu
modaliteta i njihove aritmetike sredine.
Formule za raunanje varijanse:
Var ( X ) = X2 =
1 n
(xi x )2
n i =1
(2.61)
za ureenu seriju:
Var ( X ) = X2 =
1
N
(x
N
( i ) =1
(i )
x)
(2.62)
71
Var ( X ) = X2 =
1
N
f (x
J
j =1
x)
(2.63)
za statistiku distribuciju relativnih frekvencija:
Var ( X ) = X2 = p j (x j x ) , gdje je
J
j =1
p
j =1
=1
(2.64)
Za izraunavanje varijanse treba primijeniti odgovarajuu formulu zavisno

od raspoloivih podataka.
U tabeli 2.10. ilustrovat emo faze konstrukcije i utvrivanje srednjeg
apsolutnog odstupanja i varijanse.
Tabela 2.10. Primjer postupka konstrukcije srednjeg apsolutnog odstupanja i
varijanse
Modaliteti
xi
Odstupanje
modaliteta od
aritmetike sredine
di = ( xi x )
20
10
30
40
60
80
x =40
Apsolutna
odstupanja
bi = xi x
-20
-30
-10
0
20
40
20
30
10
0
20
40
d =0
b = 20
Kvadrat odstupanja
modaliteta od
aritmetike sredine
ki = ( xi x ) 2
400
900
100
0
400
1600
k = 566, 66
Na osnovu rezultata prezentovanih u tabeli 2.10. konstatujemo da je zbir

odstupanja modaliteta od aritmetike sredine jednak nuli. Srednje apsolutno
odstupanje je jednako 20, a varijansa 566,66.
Za primjenu je praktinija razvijena formula varijanse. Dokazaemo
izvoenje razvijene formule prema prema Knigu za negrupisanu seriju:
72
X2 =
1
N
X2 =
1
N
X2 =
1
N
X2 =
1
N
x2 =
1
N
1
2
(xi x ) = (xi2 2 xi x + x 2 )
N
i =1
xi2
i =1
N
x
i =1
N
2
i
x
i =1
x
i =1
i =1
2x N
1
xi +
N i =1
N
i =1
2x
1
Nx + Nx 2
N
N
2
i
2x 2 + x 2
2
i
x2
(2.65)
x2 = x 2 x 2
Razvijene formule varijanse za statistiku distribuciju frekvencija i
relativnih frekvencija su jednake6:
x2 =
1
N
f
j =1
x 2j x 2
= p j x 2j x 2
2
x
(2.66)
(2.67)
j =1
2.5.1.5.1. Osobine varijanse

Osobine varijanse moemo formalizirati na sljedei nain:
Ako svakoj opservaciji dodamo isti broj, varijansa se nee
promijeniti:
Var (X+b)=VarX
Ako svaki podatak u posmatranoj seriji pomnoimo sa nekim

brojem a, varijansa e biti pomnoena sa a2:
Var (aX)=a2VarX
(2.68)
(2.69)
Ove dvije formule se mogu izvesti analogno dokazu za negrupisanu seriju.
73
Dvije prethodne osobine moemo istovremeno posmatrati i izraziti

sljedeom relacijom:
Var (aX+b)=a2VarX
(2.70)
Osobine agregiranja varijanse:
Ako su za dvije statistike serije poznati sljedei podaci

N1 , x1 , 12 i N 2 , x2 , 22 , varijansu globalne serije utvrujemo koristei
sljedeu relaciju:
N 2 + N 2 22 N1 x1 x + N 2 x2 x
+
= 1 1
N1 + N 2
N1 + N 2
2
(2.71)
Prvi lan na desnoj strani date relacije predstavlja ponderisanu aritmetiku

sredinu varijansi dvije serije i naziva se varijansa u serijama. Drugi lan
predstavlja varijansu aritmetikih sredina i naziva se varijansa izmeu
serija. Ovo pravilo moemo generalizirati u sluajevima agregiranja (ili
dekompozicije) vie statistikih serija.
2.5.1.6. Standardna devijacija
Varijansa je parametar disperzije ija se numerika vrijednost ne moe
korektno objasniti, ali koja posjeduje analizirane osobine raunanja. Zbog
toga definiemo standardnu devijaciju ija se numerika vrijednost moe
konkretno objasniti, ali ona nema osobine raunanja koje smo pokazali za
varijansu.
Standardna devijacija je najznaajnija mjera disperzije opteprihvaena u
statistikoj analizi i predstavlja prosjeno odstupanje vrijednosti numerike
varijable od njene aritmetike sredine. Standardna devijacija je definisana
kao pozitivni kvadratni korijen iz varijanse:
X = Var ( X ) = X2 =
1
N
(x
i =1
x)
(2.72)
Manje vrijednosti standardne devijacije ukazuju na manju disperziju

vrijednosti varijable od aritmetike sredine i na homogeniju seriju.
Standardna devijacija se izraava u istoj jedinici mjere kao i posmatrana
varijabla.
74
U naem primjeru, u tabeli 2.10. varijansa iznosi 566,66. Standardna

devijacija je jednaka 23,8. Ova vrijednost ima konkretno ekonomsko
znaenje i pokazuje da podaci u prosjeku odstupaju od aritmetike sredine
za 23,8.
Ostale formule za izraunavanje standardne devijacije u zavisnosti od
raspoloivih podataka su:
1
N
X = X2 =
x = x2 =
x = x2 =
1
N
xi 2 x 2
i =1
f
j =1
p x
j =1
(2.73)
2
j
x 2j x 2
(2.74)
x2
(2.75)
2.5.2. Relativne mjere disperzije

2.5.2.1. Interkvantilna relativna odstupanja
Interkvantilna relativna odstupanja dobijamo tako to u odnos stavimo
odgovarajue kvantile. Najea interkvantilna relativna odstupanja su:
interkvartilno odstupanje izraeno odnosom treeg i prvog kvartila

Q3 / Q1
interkvartilno odstupanje
interdecilno odstupanje izraeno odnosom devetog i prvog decila

D9 / D1
intercentilno odstupanje C99 / C1
Q3 Q1
Q1
Interkvantilna relativna odstupanja su parametri disperzije i vea vrijednost

ovih parametara ukazuje na veu disperziju.
Interkvantilni relativni pokazatelji su posebno korisni za poreenje
disperzije serija koje su izraene u razliitim jedinicama mjere, npr. plate u
eurima i KM.
75
2.5.2.2. Koeficijent kvartilne devijacije

Koeficijent kvartilne devijacije je relativni pokazatelj disperzije i
definiemo ga na sljedei nain:
k QD =
Q3 Q1
,
Q3 + Q1
0 k QD 1
(2.76)
Vrijednost ovog koeficijenta se kree u intervalu od 0 do 1, ili od 0 do

100% ako ga izrazimo u procentima. Ako je vrijednost ovog koeficijenta
jednaka nuli tada nema disperzije.Vea vrijednost ovog koeficijenta ukazuje
na veu disperziju.
2.5.2.3. Koeficijent varijacije
Standardna devijacija je mjera varijabilnosti izraena u istoj jedinici mjere
kao i varijabla X. Zbog toga je ne moemo koristiti za poreenje
varijabiliteta serija izraenih u razliitim jedinicama mjere.
Da bi se izbjegao taj nedostatak i mogle porediti razliite serije konstruisana
je relativna mjera disperzije kao odnos standardne devijacije i aritmetike
sredine. Tako konstruisan pokazatelj nazivamo koeficijent varijacije.
Koeficijent varijacije je dakle relativna mjera disperzije definisana odnosom
izmeu standardne devijacije i aritmetike sredine.
kV =
; odnosno kV =
100
(2.77)
Koeficijent varijacije je neimenovani broj i uobiajeno je da ga izraavamo

u procentima. Koeficijent varijacije pokazuje koliko jedinica standardne
devijacije u prosjeku otpada na svaku jedinicu aritmetike sredine. Izraen
u procentima pokazuje koliko procentualno iznosi standardna devijacija od
aritmetike sredine. Koristimo ga za poreenje disperzije u sluajevima
kada su varijable izraene u razliitim jedinicama mjere i kada su
aritmetike sredine varijabli razliite.
2.5.2.4. Standardizovane varijable
Standardna devijacija je parametar koji opisuje disperziju statistike serije
kao cjeline. Za utvrivanje relativnog poloaja modaliteta varijable u seriji
76
primjenjuje se standardizovana vrijednost varijable koja je definisana

sljedeim izrazom:
zi =
xi x
, i = 1, 2,..., N
(2.78)
Standardizovana varijabla je jednaka koliniku izmeu odstupanja

vrijednosti varijable od aritmetike sredine i standardne devijacije.
Standardizovana varijabla je relativan pokazatelj pogodan za poreenje
poloaja podataka u razliitim serijama. Standardizovana varijabla je
linearna transformacija vrijednosti varijable X. Aritmetika sredina
standardizovane varijable je jednaka nuli:
xi x
1

i =1
i =1
=
z=
=
N
N
N
N
z
i
(x x ) = 0
(2.79)
i =1
Varijansa i standardna devijacija standardizovane varijable su jednake

jedinici:
N
1
=
N
(z z )
2
z
i =1
1
N
1
=
N
(x x )
i =1
(z )
i =1
1
=
N
i =1
=1
xi x
=
(2.80)
z = z2 = 1 = 1
ebieva teorema omoguava istovremeno tumaenje aritmetike sredine i
standardne devijacije. Prema teoremi ebieva, u nekoj distribuciji ima
najmanje (1-1/k2) modaliteta koje odstupaju od aritmetike sredine za k puta
standardna devijacija:
P ( x k < X < x + k ) > 1
1
, k >1
k2
(2.81)
Primjenu ove teoreme ilustrujemo na sljedeem primjeru. Pretpostavimo da

je poznata prosjena mjesena plata 460 eura, standardna devijacija 180
eura i k=2. Primjenom ebieve teoreme dobijamo:
77
x k = 460 2 80 = [300 ; 620]

1
1
1 2 = 1 2 = 75%
k
2
Prema teoremi ebieva, najmanje 75% plata ove distribucije se nalaze u
intervalu izmeu 300 i 620 eura.
Primjena ove teoreme omoguava procjenu mogue vrijednosti neke
varijable i raspona varijacije u kojem se oekuje odreena proporcija
modaliteta. U pravilu, vrijednosti varijable rijetko odstupaju od aritmetike
sredine za vie od tri standardne devijacije. Ova teorema se koristi za
definisanje karakteristinih intervala u inferencijalnoj statistici.
2.5.4. Primjer grafike sinteze parametara pozicije i disperzije
Na osnovu podataka datih u tabeli 2.11. predstavit emo grafiku sintezu
parametara pozicije i disperzije.
Tabela 2.11. Distribucija neto plata u preduzeima u Francuskoj u 2000.g.
grupisana prema decilima
Decili
D1
D2
D3
D4
Medijana=D5
D6
D7
D8
D9
Godinje plate u
eurima xj
10 780
12 490
13 930
15 420
17 130
19 200
22 030
26 470
35 700
Kumulativne frekvencije
Fj u %
10
20
30
40
50
60
70
80
90
Izvor: Tableau dconomie francaise (TEF) 2002-2003, INSEE, Paris, str. 91.
Na osnovu podataka iz tabele konstruisali smo kumulativnu krivu, grafiki i

analitiki odredili kvartile i konstruisali box plot.
78

decili u %
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
10
12
14
16
18
20
22
24
26
28
30
32
34
36
godinje plate (u 000 )
xmin
Grafikon 2.9.
Q1
Me
Q3
13, 210
17,130
24, 250
Kumulativna kriva godinjih neto plata u eurima
Medijanska plata je 17130 . To znai da je 50% godinjih neto plata u

preduzeima u Francuskoj u 2000.g. bilo manje ili jednako 17130 . Prvi
kvartil Q1 je 13210 to pokazuje da je 25% godinjih neto plata u
preduzeima u Francuskoj u 2000.g. bilo manje ili jednako od 13210 .
Vrijednost treeg kvartila nam daje informaciju da je 75% godinjih neto
plata u preduzeima u Francuskoj u 2000.g. bilo manje ili jednako od
24250 .
2.5.5. Pregled mjera srednje vrijednosti i varijacije
U emi 2.1. dajemo pregled mjera srednje vrijednosti i varijacije koje smo
analizirali za kvantitativnu statistiku varijablu.
79
Kvantitativna
varijabla
Mjere srednje
vrijednosti
Potpune
Mjere varijacije
Pozicione
Apsolutne
Relativne
Aritmeticka
sredina
Medijana
Raspon
varijacije
Koeficijent
varijacije
Geometrijska
sredina
Mod
Srednje
apsolutno
odstupanje
Koeficijent
kvartilne
devijacije
Harmonijska
sredina
Kvantili
Varijansa
Interkvantilna
relativna
odstupanja
Kvadratna
sredina
Standardna
devijacija
Kubna
sredina
Interkvantilna
odstupanja
ema 2.1.
Interkvartilno
Interdecilno
Intercentilno
Mjere srednje vrijednosti i varijacije
2.6. MJERE OBLIKA DISTRIBUCIJE

2.6.1. Momenti distribucije frekvencija
Za konstrukciju parametara oblika distribucije frekvencije koristimo
centralne momente distribucije frekvencija koji se definiu na bazi
viestepenih odstupanja vrijednosti varijable od aritmetike sredine.
Centralni moment r-tog reda je dat sljedeim izrazima:
r =
80
1
N
(x x)
i
i =1
, r [ 0,1,..., N ]
(2.82)
r =
1
N
f (x
j
j =1
x ) , r [ 0,1,..., N ]
r
(2.83)
2.6.2. Mjere asimetrije

Razlikuju se tri tipa distribucije: simetrina, lijevo asimetrina i desno
asimetrina. esto nam analiza dijagrama u stupcima ili histograma
omoguava da uoimo da li je distribucija simetrina ili ne. Analiza boxplota nam omoguava takoer da konstatujemo simetriju ili asimetriju
distribucije.
Pored navedenih, konstruisani su i specifini pokazatelji za mjerenje
asimetrije koji mjere asimetriju u odnosu na pravac: x = x .
Polazna veliina za mjerenje asimetrije je trei momenat oko aritmetike
sredine koji je jednak aritmetikoj sredini odstupanja vrijednosti varijable
od aritmetike sredine podignutih na trei stepen.
Za negrupisane podatke moment treeg reda je jednak:
N
3 =
(x x )
i =1
(2.84)
Za grupisanu distribuciju frekvencija trei moment oko sredine je jednak:

J
3 =
f (x
j =1
x)
3
J
N = fj
(2.85)
j =1
Analiza osobina ovog parametra omoguava da konstatujemo da je u

sluaju simetrine distribucije brojnik navedenih izraza jednak nuli i trei
momenat oko sredine jednak nuli. U sluaju desne asimetrije moment
treeg reda je pozitivan. Za lijevo asimetrinu distribuciju moment treeg
reda je negativan:
3 = 0 simetrija
3 > 0 desna asimetrija
3 < 0 lijeva asimetrija
(2.86)
81
Moment treeg reda zavisi od jedinica mjere u kojima je izraena varijabla i

zbog toga je njegova direktna primjena oteana. Da bi otklonio taj
nedostatak. Ficher je predloio sljedei koeficijent asimetrije:
3 =
3
3
(2.87)
Ovaj koeficijent predstavlja relativnu mjeru smjera i veliine asimetrije:
3 = 0 simetrija
3 > 0 desna asimetrija
3 < 0 lijeva asimetrija
(2.88)
Vrijednost Ficherovog koeficijenta asimetrije se najee nalazi u intervalu

[-2;+2].
Postoje i drugi koeficijenti asimetrije koji su bri za raunanje, a ije
osobine proizilaze iz empirijskih iskustava. To su:
Pearsonov koeficijent:
Sk =
x MO
(2.89)
koji je predstavljen kao standardizirano odstupanje moda od aritmetike

sredine. Najea vrijednost ovog koeficijenta se nalazi u intervalu [-3;+3].
Pearsonov koeficijent je nepotpuna mjera asimetrije:
S k = 0 simetrija
S k > 0 desna asimetrija
(2.90)
S k < 0 lijeva asimetrija
Koeficijent Yule i Kendall je jednak sljedeem izrazu:
Yk =
Q1 + Q3 2M e
, - 1 Yk 1
Q3 Q1
Yk = 0 simetrija
Yk > 0 desna asimetrija
Yk < 0 lijeva asimetrija
82
(2.91)
Na grafikonu 2.10. je predstavljena simetrina distribucija. Kod simetrine

distribucije aritmetika sredina, mod i medijana su jednaki.
M0 = Me = x
fj
3 = 0 a3 = 0; Sk = 0
xj
x
Grafikon 2.10.
Odnos parametara kod simetrine distribucije
Za desno asimetrinu distribuciju aritmetika sredina je vea od medijane i

moda. Relativna mjera asimetrije je pozitivna.
fj
Mo < e < x
3 > 0, a3 > 0; Sk > 0
Mo
Grafikon 2.11.
Me
xj
Asimetrina distribucija desna asimetrija
Za lijevo asimetrinu distribuciju aritmetika sredina je manja od medijane i

moda. Relativna mjera asimetrije je negativna.
83
x < Me < Mo
3 < 0 a3 < 0; Sk < 0
fj
x
Grafikon 2.12.
Me
Mo
xj
Asimetrina distribucija lijeva asimetrija
2.6.3. Parametri spljotenosti

Konstrukcija parametara spljotenosti je bazirana na etvrtom momentu oko
sredine:
1
N
1
4 =
N
4 =
(x
i =1
J
f
j =1
x)
(x j x ) , N = f j
4
(2.92)
j =1
etvrti moment oko sredine je prosjeno odstupanje vrijednosti varijable od

njene aritmetike sredine podignuto na etvrti stepen.
Zaobljenost se uporeuje i mjeri prema zaobljenosti modalnog vrha
normalne distribucije koristei sljedee koeficijente:
Pearsonov koeficijent zaobljenosti:
4 =
4
4
(2.93)
Ficherov koeficijent zaobljenosti je jednak:
4 =
84
4
3
4
(2.94)
Za normalnu distribuciju
koeficijenata:
4 = 3 4 = 0
frekvencija
vrijede
sljedee
vrijednosti
(2.95)
Spljotenost ostalih distribucija mjerimo u odnosu na normalnu. Ako je

4 > 3 4 > 0 distribucija je ua, iljastija od normalne, a ako je
4 < 3 4 < 0 distribucija je ira, spljotenija od normalne. Ficherov
koeficijent je jednostavniji za upotrebu. Ako je distribucija iljastija,
vrijednost koeficijenta je vea. Manja vrijednost koeficijenta ukazuje na
spljotenost distribucije.
Na grafikonu 2.13. su prezentovana tri tipa spljotenosti distribucije.
fj
normalna
distribucija
a4 = 3; 4 = 0
a4 > 3; 4 > 0
a4 < 3; 4 < 0
x
Grafikon 2.13.
xj
Mjere spljotenosti distribucije
Excel nam prua mogunost dobijanja sumarnog pregleda ocjena

parametara koje smo analizirali.
85
Rezultati naeg primjera ocjena na ispitu iz Statistike dobijeni u Excelu su

predstavljeni u tabeli 2.12.
Tabela 2.12. Output Excela za analizu ocjena na ispitu iz Statistike
Descriptive Statistics
Mean
8,235294118
Standard Error
0,239051988
Median
8
Mode
10
Standard Deviation
1,393900643
Sample Variance
1,942959002
Kurtosis
-1,291933142
Skewness
-0,09156866
Range
4
Minimum
6
Maximum
10
Sum
280
Count
34
U tabeli u prilogu je dat prijevod tabele 2.12.

86
Prosjena ocjena je 8,2, medijana je 8, a ocjena koja je bila najea je 10.

Standardna devijacija je 1,39. To znai da su u prosjeku ocjene odstupale
oko aritmetike sredine za 1,39.
2.7. MJERE KONCENTRACIJE

Mjere koncentracije analiziraju nain raspodjele agregatnih veliina ili
globalnih vrijednosti na modalitete statistikih varijabli.
Mjere koncentracije se dijele na apsolutne i relativne. Najpoznatije
apsolutne mjere koncentracije su koncentracijski omjer i Herfindahlov
indeks.
Relativne mjere koncentracije se nazivaju i mjere nejednakosti u raspodjeli
agregatnih veliina. Meu najpoznatije mjere koncentracije ubrajaju se
Lorenzova kriva ili kriva koncentracije i Ginijev koeficijent. Mi emo
prezentovati i analizirati relativne mjere koncentracije.
2.7.1. Lorenzova kriva
Lorenzova kriva se konstruie u pravougaonom koordinatnom sistemu na
osnovu relativnih kumulativnih frekvencija i relativne kumulativne globalne
vrijednosti. Globalna vrijednost predstavlja proizvod fj xcj u kojem je fj
frekvencija intervala iji je centar xcj. Na apscisu se nanose kumulativne
relativne frekvencije F j a na ordinatu relativne kumulativne globalne
vrijednosti Q j . Kategorije koje koristimo u analizi mjera koncentracije
formaliziramo na sljedei nain:
Fj =
x x j
; Qj =
x x j
pj =
fj
N
qj =
xj fj
N
x
j =1
fj
p
j =1
q
j =1
=1
(2.96)
Dvije kumulativne frekvencije Fj i Qj variraju u intervalu [0;1]. Da bismo
nacrtali Lorezovu krivu prvo konstruiemo kvadrat ije su strane jednake
jedinici kao na grafikonu 2.14. Ovaj kvadrat je poznat pod imenom Ginijev
kvadrat. Dijagonala kvadrata odgovara liniji jednake raspodjele. Lorenzova
kriva se nalazi u trouglu ija tjemena imaju koordinate (0,0), (1,1) i (0,1).
Potpuna nejednakost u raspodjeli je odreena katetama trougla (0,1) i (1,1).
Kada se kriva vie udaljava od dijagonale koncentracija je vea i raspodjela
je neravnomjernija i obrnuto.
87
potpuna jednakost
Lorenzova kriva
potpuna nejednakost
Grafikon 2.14.
Lorenzova kriva
Na grafikonu 2.15. je predstavljena Lorenzova kriva u sluaju kada

kumulativne frekvencije Fj i Qj izrazimo u procentima.
100
90
80
70
60
Q (u %)
50
40
30
20
10
0
10
20
30
40
50
60
F (u %)
Grafikon 2.15.
88
Lorenzova kriva
70
80
90
100
Na sljedeem primjeru emo ilustrovati konstrukciju Lorenzove krive.

Primjer 2.5.
Tabela 2.13. Dio agregiranih prihoda u % koje je primila svaka etvrtina od
ukupnog broja domainstava u dravi X.
Godina
2000
2005
Broj domainstava
650 000
690 000
1/4
4,5
3,5
2/4
15,5
12,5
3/4
22,5
19,5
4/4
57,5
64,5
100
100
U 2000, 25% domainstava iji su prihodi bili najnii su primili 4,5%

agregiranih prihoda, to znai 4,5 % od ukupne mase prihoda svih 650000
domainstava. 50% domainstava sa najniim primanjima su dobijali 20%
od ukupne mase primanja svih domainstava, a 25% domainstava iji su
prihodi bili najvii su dobijali 57,5% agregiranih prihoda.
U ovom sluaju koncentracija prihoda je vrlo izraena zato to jedan mali
procenat domainstava (25%) prima veliki procenat mase ukupnih prihoda
svih domainstava. Pokazatelji koncentracije mjere u ovom sluaju
nejednakost u raspodjeli mase ukupnih prihoda domainstava.
Nejednakost u raspodjeli ukupne mase prihoda domainstava se poveala u
2005.g. 25% najbogatijih domainstava je raspolagalo sa 64,5% mase
ukupnih prihoda, a preostalih 75% domainstava raspolau sa 35,5% mase
ukupnih prihoda. U ovom sluaju koncentracija je jaka zato to jedan mali
procenat domainstava prima veliki procenat mase ukupnih prihoda svih
domainstava.
Da bismo konstruisali Lorenzovu krivu za gore navedene podatke potrebno
je kompletirati radnu tabelu za 2000. i za 2005. godinu:
Tabela 2.14. Radna tabela za 2000. godinu
Frekvencija
pj u %
25
25
25
25
Agregatna
primanja qj u %
4,5
15,5
25,5
54,5
Kumulativna
frekvencija Fj u %
25
50
75
100
Kumulativni
agregat Qj u %
4,5
20
45,5
100
89
Tabela 2.15. Radna tabela za 2005. godinu

Frekvencija
pj u %
25
25
25
25
Agregatna
primanja qj u %
3,5
12,5
19,5
64,5
Kumulativna
frekvencija Fj u %
25
50
75
100
Kumulativni
agregat Qj u %
3,5
16
35,5
100
Na osnovu podataka o kumulativnim frekvencijama i kumulativnom

agregatu iz radnih tabela konstruisali smo Lorenzovu krivu za 2000.g. i za
2005.g.
100
2005. godina
2000. godina
Q (u %)
Grafikon 2.16.
F (u %)
100
Lorenzova kriva
Na osnovu poloaja Lorenzovih krivih u odnosu na liniju jednake

raspodjele moemo konstatovati da je dolo do porasta nejednakosti u
raspodjeli mase ukupnih prihoda izmeu domainstava u 2005.g. u odnosu
na 2000.g.
90
2.7.2. Ginijev koeficijent

Ginijev koeficijent je relativna mjera koncentracije i definisan je kao odnos
povrine izmeu Lorenzove krive i pravca jednake raspodjele i povrine
trougla koji se nalazi ispod dijagonale koja predstavlja pravac jednake
raspodjele. Povrina izmeu Lorenzove krive i pravca jednake raspodjele se
naziva i povrina koncentracije. Ginijev koeficijent G se izraunava
koritenjem sljedee relacije:
G=
Povrina koncentracije
S
=
= 2S
Povrina trougla
0,5
(2.97)
Povrina trougla je jednaka 0,5. Ginijev koeficijent je jednak dva puta

povrina koncentracije i kree se u intervalu [0;1]. Kada je ova povrina
vea, nejednakost u raspodjeli je znaajnija. Dva granina sluaja su
vrijednosti koeficijenta jednake nuli i jedinici.
Kada je Ginijev koeficijent jednak nuli, koncentracija je jednaka nuli i
postoji perfektna jednakost u raspodjeli mase primanja. Ako je Ginijev
koeficijent jednak jedinici koncentracija je maksimalna i postoji
maksimalna nejednakost u raspodjeli ukupne mase primanja. Npr. jedna
osoba prima ukupnu masu, dok ostali ne primaju nita. Dakle, vea
vrijednost Ginijevog koeficijenta odgovara veoj koncentraciji i veoj
nejednakosti u raspodjeli.
Ginijev koeficijent se moe izraunati primjenom metode trapeza koja je
praktinija i grafiki se jednostavnije ilustruje i metodom trouglova.
91
2.7.2.1. Odreivanje Ginijevog koeficijenta metodom trapeza
100
Q (u %)
Qj
Q j 1
(a + c ) h
2
F j 1
c
Fj
100
F (u %)
Lorenzova kriva
Grafikon 2.17.
Formula za raunanje Ginijevog koeficijenta metodom trapeza:

1
G = 2
2
1
G = 2
2
(a + c) h
(Q
j 1
)(
+ Q j F j F j 1
G = 1 p j (Q j 1 + Q j )
(2.98)
Ako koristimo relativne frekvencije izraene u procentima, formula za

izraunavanje Ginijevog koeficijenta je jednaka sljedeem izrazu:
92
G = 1
1
104
p (Q
j
j 1
+ Qj )
(2.99)
Na osnovu analiziranog primjera izraunat emo Ginijev koeficijent za

2000. godinu koritenjem metode trapeza.
G = 1 [ 0, 25 (0 + 0, 045) + 0, 25 (0, 045 + 0, 20) +
+0, 25 (0, 20 + 0, 455) + 0, 25 (0, 455 + 1)]
G 2000 =0,41
Ginijev koeficijent za 2000. godinu je jednak 0,41.
Na isti nain raunamo Ginijev koeficijent za 2005. godinu:
G = 1 [ 0, 25 (0 + 0, 035) + 0, 25 (0, 035 + 0,16) +
+ 0, 25 (0,16 + 0,355) + 0, 25 (0,355 + 1) ]
G 2005 =0,48
Ginijev koeficijent za 2005. godinu je jednak 0,48.
Ginijev koeficijent u 2005.g. je vei od Ginijevog koeficijenta u 2000.g.
Izraunate vrijednosti Ginijevog koeficijenta potvruju da je nejednakost u
raspodjeli, odnosno koncentracija mase agregatnih prihoda bila vea u
2005. godini. Do istog zakljuka smo doli analizirajui Lorenzovu krivu.
2.7.2.2. Odreivanje Ginijevog koeficijenta metodom trouglova
Za statistiku kvantitativnu neprekidnu varijablu iji su podaci grupisani u J
intervala povrina koncentracije moe biti definisana kao skup J trouglova.
Na tom osnovu je definisana metoda trouglova za izraunavanje Ginijevog
koeficijenta prema sljedeoj formuli:
J 1
G = (F j Q j +1 F j +1Q j )
(2.100)
j =1
U konkretnim primjerima je dovoljno kompletirati radnu tabelu raunajui

za svaki interval vrijednosti F j Q j +1 F j +1Q j . Zbir svih tako izraunatih
vrijednosti predstavlja Ginijev koeficijent koncentracije.

93
U tabeli 2.16. su dati podaci o izraunatim indeksima nejednakosti u

raspodjeli potronje stanovnitva Bosne i Hercegovine i entiteta.
Tabela 2.16. Indeksi nejednakosti za BiH i entitete u 2001.g.
Indeks nejednakosti
Decilni omjeri potronje po stanovniku
(omjer potronje od bogatih do siromanih)
90/10 postotni omjer
Od srednjih ka siromanim (50/10)
Bogati ka srednjim (90/50)
Kvantilni udjeli u ukupnoj nacionalnoj i
entitetskoj potronji
Najsiromanijih 20% stanovnitva
Donja sredina 20%
Sredina 20%
Gornja sredina 20%
Najbogatijih 20% stanovnitva
Ostali indeksi nejednakosti
Gini indeks
Devijacija srednjeg loga (Theil)
Indeks entropije
Gini indeks: koristei OECD skalu
BiH
RS
FBiH
3,29
1,82
1,81
3,49
2,00
1,74
3,13
1,74
1,80
9,5
14,2
17,9
22,7
35,8
9,2
14,3
18,3
23,1
35,1
9,9
14,2
17,7
22,5
35,8
0,26
0,11
0,12
0,24
0,26
0,11
0,11
0,24
0,26
0,11
0,12
0,23
Izvor: Bosnia and Herzegovina: Poverty Assessment, Volume II: Data on Poverty,
Report No.25343-BiH, Document of the World Bank, 2003. g., str. 35.
U prvom dijelu tabele su prezentirani decilni omjeri kao relativni

pokazatelji potronje po stanovniku. Relativni interdecilni omjer D9/D1
izmedu 10% najbogatije i 10% najsiromanije proporcije stanovnitva
prema potronji pokazuje da je potronja osobe koja se nalazi na poetku
desetog dijela bila za 3,29 puta vea od potronje osobe koja se nalazi u
gornjem dijelu prvih 10% stanovnitva. Ili, globalno, potronja 10%
najbogatijih je bila za 3,29 puta vea od potronje 10% najsiromanijih.
Predstavljeni su i interdecilni omjeri: D5/D1 oznaen kao omjer od srednje
bogatih ka siromanim, kao i odnos D9/D5 kao omjer bogatih prema
srednje bogatim. Relativni odnosi D9/D1 i D5/D1 ukazuju na veu
nejednakost u entitetu RS u odnosu na FBiH, dok je u sluaju interdecilnog
omjera D9/D5 nejednakost vie izraena u FBiH.
94
U drugom dijelu tabele su prezentovani kvantilni udjeli u ukupnoj

nacionalnoj i entitetskoj potronji proporcija od po 20% stanovnitva
rangiranih od najsiromanijih do najbogatijih. U BiH udio 20%
najsiromanijih u ukupnoj potronji je 9,5% a 20% najbogatijih ak 35,8%
to ukazuje na znaajnu nejednakost u raspodjeli ukupne potronje.
Proporcije po entitetima su priblino istog reda vrijednosti.
Vrijednost Ginijevog indeksa je 0,26 to ukazuje na znaajan nivo
koncentracije potronje, odnosno na nejednakost u raspodjeli ukupne
potronje u BiH i entitetima. Ginijev indeks prilagoen OECD skali je jo
nii i iznosi 0,24.
%
100
90
80
70
Lorenzova kriva za BiH

potpuna jednakost
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
Grafikon 2.18.
Lorenzova kriva potronje

per capita u BiH za 2001. godinu
2.7.3. Medijala
Medijala je vrijednost varijable pridruena relativnoj kumulativnoj rastuoj
globalnoj vrijednosti od 50%.
Postupak za odreivanje medijale je sljedei:
izraunati globalne vrijednosti f j x j
95
izraunati relativne globalne vrijednosti q j = f j x j / f j x j
izraunati relativne kumulativne rastue frekvencije globalne

vrijednosti Qj
odrediti medijalnu klasu
izraunati vrijednost medijale koritenjem sljedeeg izraza
Mle =
( xi xi 1 ) [0,50 Q( xi 1 )]
Q( xi ) Q( xi 1 )
+ xi 1
(2.101)
Odstupanje izmeu medijale i medijane je pokazatelj koncentracije:
M = Ml Me
e
(2.102)
Vea vrijednost ovog pokazatelja predstavlja veu koncentraciju i veu

nejednakost u raspodjeli.
2.8. TEORIJSKA PITANJA

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
96
Definiite pojam statistike.

Navedite etape statistikog istraivanja.
Navedite sinonime za statistiki skup i statistiku varijablu.
Definiite statistiku varijablu.
Definiite i analizirajte etiri osnovna tipa mjernih skala i njihove
osobine. Definiite nominalnu mjernu skalu i njene karakteristike.
Definiite statistiku kvalitativnu varijablu i analizirajte njene tipove i
karakteristike.
Analizirajte vrste kvantitativnih statistikih varijabli i njihove osobine.
Uporedite i komentirajte negrupisanu statistiku seriju, ureenu
statistiku seriju i statistiku distribuciju frekvencija.
Koje vrste frekvencija poznajete? Definiite ih i napiite formule za
njihovo izraunavanje.
Definiite rastuu kumulativnu frekvenciju.
Nabrojite parametre centralne tendencije.
Definiite medijanu i analizirajte njene osobine.
Definiite mod.
Definiite aritmetiku sredinu i analizirajte njene osobine.
Koja je proporcija elemenata date serije koji se nalaze izmeu Q1 i
medijane?
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
Koja je proporcija elemenata date serije koji se nalaze izmeu Q1 i Q3?

Koja je proporcija elemenata date serije koji se nalaze izmeu D1 i D9?
Koja je proporcija elemenata date serije koji se nalaze iznad C99?
Definiite geometrijsku sredinu.
Definiite harmonijsku sredinu.
Nabrojite parametre disperzije.
Definiite interkvartilno apsolutno odstupanje.
Navedite karakteristike prosjenog apsolutnog odstupanja.
Definiite i analizirajte detaljno osobine i ekonomsko znaenje
standardne devijacije i varijanse.
Objasnite etiri etape u konstrukciji varijanse.
Napiite formule za varijansu i standardnu devijaciju i objasnite
njihove prednosti i nedostatke u odnosu na ostale parametre disperzije.
U kojim jedinicama mjere je izraena standardna devijacija i da li je
moemo koristiti za poreenje serija izraenih u razliitim jedinicama
mjere?
Definiite koeficijent varijacije i njegove karakteristike.
Navedite teoremu koja omoguuje istovremeno tumaenje aritmetike
sredine i standardne devijacije.
Koje informacije prua Box-plot?
Koje tipove asimetrije poznajete i kako ih moete analizirati?
Analizirajte mjere zaobljenosti.
Definiite mjere koncentracije.
Objasnite konstrukciju i znaenje Lorenzove krive.
Definiite Ginijev koeficijent.
Ako su vrijednosti Ginijevog koeficijenta 0,2 i 0,8 objasnite njihovo
znaenje
97
2.9. RIJEENI ZADACI I ZADACI SA ELEMENTIMA RJEENJA

Zadatak 1.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Koje su vrste varijabli pomou kojih moemo mjeriti:

Godine jedne osobe: kvantitativna diskretna
Cijenu hljeba: kvantitativna (diskretna ili kontinuirana) ili kvalitativna
ordinalna
Temperaturu u amfiteatru: kvantitativna (intervalna skala)
Ljubaznost jedne osobe: kvalitativna ordinalna
Boju oiju vae djevojke: kvalitativna nominalna
Jainu tona: kvantitativna
Inteligenciju jedne osobe: kvalitativna ordinalna ili kvantitativna ako je
izraena preko koeficijenta inteligencije
Strunu spremu zaposlenih na zaposlenih na fakultetu: kvalitativna
ordinalna
Nivo razvijenosti jedne zemlje: kvalitativna ordinalna
Teinu studenata: kvantitativna kontinuirana
Visinu studentica: kvantitativna kontinuirana
Razumijevanje ovog pitanja: kvalitativna ordinalna
Zadatak 2.
Ispit iz predmeta Ekonometrija je bio sastavljen od 6 pitanja. Poslije
ispravke 100 radova, nastavnik je evidentirao broj tanih odgovora svakog
studenta u sljedeoj tabeli:
3
5
2
1
4
6
1
3
3
3
5
1
4
2
1
2
2
1
5
4
3
5
1
2
6
3
4
4
4
1
3
6
2
6
2
4
0
3
3
3
5
4
1
1
1
4
1
5
2
6
2
4
2
4
1
3
6
3
5
4
2
2
1
2
5
2
4
3
4
2
2
5
3
6
2
4
1
5
1
6
5
3
2
2
1
5
3
2
3
3
6
3
2
1
3
2
1
1
1
2
1. Definiite populaciju, elemente populacije i posmatranu varijablu. Koji

je tip posmatrane varijable?
2. Koja je veliina populacije? Koji su modaliteti posmatrane varijable?
3. Kompletirajte statistiku distribuciju.
4. Predstavite grafiki ovu distribuciju.
5. Komentariite uspjeh studenata na ovom ispitu. Koji je prosjean broj
tanih odgovora? Odredite mod i medijanu.
98
Elementi rjeenja:
1. i 2.
Populacija: radovi studenata, element populacije: rad studenta, varijabla:
kvantitativna diskretna taan broj odgovora ima 7 modaliteta, veliina
populacije 100 radova studenata.
3.
Modaliteti
xj
Apsolutna
frekvencija
fj
1
20
23
20
15
12
9
100
0
1
2
3
4
5
6
-
Relativna
frekvencija
pj
0,01
0,20
0,23
0,20
0,15
0,12
0,09
1,00
Relativna rastua
kumulativna frekvencija
Fj
0,01
0,21
0,44
0,64
0,79
0,91
1,00
-
4.
25
Broj studenata
20
15
10
5
0
Grafikon 2.19.
2
3
4
Broj tacnih odgovora
Ispitni rezultati
5. Prosjean broj tanih odgovora je 3. Mod je jednak 2. Medijana je

jednaka 3.
99
Zadatak 3.
Meu osobama koje su se vjenale u junu 2002 godine, 10 osoba je
jedinac/jedinica, 16 osoba ima jednog brata ili sestru, 7 osoba ima 2 brata ili
sestre, 3 osobe imaju 3 brata ili sestre, 3 osobe 4 brata ili sestre, nijedna
osoba nema 5 brae ili sestara i jedna osoba ima 6 brae ili sestara.
1. Odredite posmatranu populaciju i njenu veliinu.
2. Koja je posmatrana varijabla, njen tip i modaliteti ?
3. Kompletirajte statistiku distribuciju i grafiki je predstavite.
4. Izraunajte mod, medijan i aritmetiku sredinu.
Elementi rjeenja:
3.
Varijabla
Broj brae i
sestara (xj)
0
1
2
3
4
5
6
Ukupno
100
Kumulativna
Apsolutna
apsolutna
frekvencija
frekvencija
Relativna
frekvencija
Relativna
rastua
kumulativna
frekvencija
fj
Sj
pj
Fj
10
16
7
3
3
0
1
40
10
26
33
36
39
39
40
0,25
0,4
0,175
0,075
0,075
0
0,025
1
0,25
0,65
0,825
0,9
0,975
0,975
1
Apsolutna frekvencija
20
16
15
10
10
7
5
0
3
0
1
6
Broj brace i sestara

Grafikon 2.20.
Dijagram sa stupcima za varijablu broj brace i sestara
4. Parametri centralne tendencije

Mod: 1 brat ili sestra
Medijana: 1 brat ili sestra
Aritmetika sredina: 1,425
Zadatak 4.
Za svaku od sljedeih distribucija kompletirajte intervale i izraunajte centre
svakog intervala.
Prenik u mm:
Godine starosti:
Teina u kg:
140-145
145-150
0- 5 godina
6-10 godina
manje od 70
70 i manje od 75
150-155
155-160
11-15 godina
16-20 godina
75 i manje od 80
80 i manje od 85
160-165
165-170
21-25 godina
26-30 godina
85 i manje od 90
90 i manje od 100
vie od 100
Komentirajte kompletirane distribucije.

101
Elementi rjeenja:
Prenik u
mm: xj
[140-145[
[145-150[
[150-155[
[155-160[
[160-165[
[165-170]
Centar
xc
142,5
147,5
152,5
157,5
162,5
167,5
Godine
starosti: xj
Centar
xc
2,75
8
13
18
23
28
[0-5,5[
[5,5-10,5[
[10,5-15,5[
[15,5-20,5[
[20,5-25,5[
[25,5-30,5]
Teina u
kg: xj
[0-70[
[70-75[
[75-80[
[80-85[
[85-90[
[90-100[
[100;+]
Centar
xc
35
72,5
77,5
82,5
87,5
95
-
U treoj distribuciji zadnji interval nema centra i zbog toga trebate biti vrlo
oprezni u tumaenju rezultata.
Zadatak 5.
Kompletirajte sljedeu tabelu:
Klase
xj
Centri
xc
[10;20[
[20;30[
[30;40[
[40;60[
[60;80]
Rastua kumulativna
relativna frekvencija Fj
pj
Korigovana
relativna
frekvencija pj/aj
0,08
0,21
0,55
0,86
Elementi rjeenja:
Klase
Amplituda
aj
Centri
xc
pj
Fj
[10;20[
[20;30[
[30;40[
[40;60[
[60;80]
10
10
10
20
20
15
25
35
50
70
0,08
0,21
0,26
0,31
0,14
0,08
0,29
0,55
0,86
1,00
102
Korigovana
relativna
frekvencija pj/aj
0,008
0,021
0,026
0,015
0,007
Zadatak 6.
Na osnovu statistikog istraivanja jedne populacije izvreno je grupisanje
elemenata populacije u intervale iji su centri sljedei: 52, 60, 68, 76, 84, 92.
1. Koja je amplituda posmatranih intervala?
2. Izraunajte gornju i donju granicu svakog intervala i kompletirajte tako
grupisanu distribuciju.
Elementi rjeenja:
1. Amplituda svake klase je 8.
2. [48;56[, ..........., [88;96[
Zadatak 7.
50 studenata je odgovaralo na test koji se sastojao od 20 pitanja. Sljedea
serija je kompletirana na osnovu broja tanih odgovora:
10
11
7
11
11
8
11
11
7
19
3
8
10
8
9
12
5
10
10
4
13
13
2
13
10
9
14
15
9
8
12
14
12
13
9
9
6
10
9
6
12
12
1
7
7
11
16
14
13
14
1. Predstavite rezultate u obliku distribucije frekvencija grupisane u

intervale tako da prvi i posljednji interval imaju amplitudu 5 a ostale
klase amplitudu 2.
2. Izraunajte relativne frekvencije.
3. Izraunajte kumulativne relativne frekvencije.
4. Koja je proporcija studenata iji je broj tanih odgovora bio manji od 9?
5. Koja je proporcija studenata iji je broj tanih odgovora bio jednak ili
vei od 13?
6. Koja je proporcija studenata iji je broj tanih odgovora bio izmeu 5 i
20?
7. U kojem intervalu je gustoa najmanja, a u kojoj najvea?
8. Konstruiite odgovarajuu grafiku prezentaciju analizirane distribucije.
103
Elementi rjeenja:
U tabeli odgovori 1.,2.,3.
Intervali
xj
fj
pj
Fj
[0;5[
[5;7[
[7;9[
[9;11[
[11;13[
[13;15[
[15;20]
Ukupno
4
3
8
12
11
9
3
50
0,08
0,06
0,16
0,24
0,22
0,18
0,06
1,00
0,08
0,14
0,30
0,54
0,76
0,94
1,00
-
Korigovana frekvencija
(gustoa) pj / aj
0,8
1,5
4,0
6,0
5,5
4,5
0,6
-
4. Proporcija studenata iji je broj tanih odgovora bio manji od 9 je 30%.

5. Proporcija studenata iji je broj tanih odgovora bio jednak ili vei od
13 je 24%.
6. Proporcija studenata iji je broj tanih odgovora bio izmeu 5 i 20 je
92%.
7. Najmanja gustoa 0,6 je u intervalu [15;20[, a najvea u intervalu [9;11[
i iznosi 6,0.
8. Grafika prezentacija analizirane distribucije je histogram koji je
potrebno konstruisati na osnovu podataka kolone korigovana
frekvencija.
Zadatak 8.
U sljedeoj statistikoj seriji je predstavljen broj sati koje je 13 studenata
posvetilo pripremi testa iz Statistike:
5
11
1. Odredite aritmetiku sredinu.

2. Odredite medijanu i njenu kumulativnu frekvenciju. Komentariite
dobijeni rezultat.
3. Odredite mod.
104
Elementi rjeenja:
1. Aritmetika sredina jednaka je 6,23.
2. Ureena serija po rastuem redu podataka: 2 3 3 4 5 6 7 7 7 8 9 9 11
Broj podataka je neparan i medijana je jednaka:
Me = x
n +1
)
2
= x 13+1 = x ( 7 ) = 7
(
Kumulativna frekvencija je jednaka: F j =
xj
fj
Sj
2
1
1
3
2
3
4
1
4
5
1
5
6
1
6
7
3
9
Sj
N
8
1
10
9
= 0,6923 69,23%
13
9
2
12
11
1
13
Ukupno
13
3. Mod je jednak 7.
Zadatak 9.
Dati su sljedei podaci o distribuciji zaposlenih prema godinjoj plati u
eurima:
Prosjena plata 12 090 eura
Medijanska plata 11 175 eura
Standardna devijacija 4 600 eura
Ginijev koeficijent 0,20
Plate variraju u intervalu od 8 400 do 30 500 eura.
Kako e se mijenjati navedeni parametri uz sljedee pretpostavke:
1. Sve plate su poveane za 200 eura.
2. Za 150 eura su poveane samo plate manje od 9 050 eura.
3. Za 10% su smanjene plate vee od 22 870 eura.
4. Sve plate su poveane za 10%.
5. Za svaki odgovor dajte neophodna objanjenja.
Elementi rjeenja:
1. Ako su sve plate poveane za 200 eura, ukupni platni fond (masa plata)
se poveava. Prosjena plata i medijana se poveaju za 200 eura.
105
Standardna devijacija ostaje nepromijenjena. Ginijev koeficijent se

smanjuje. Plate variraju u intervalu (8600; 30700) eura.
2. Ako se za 150 eura poveaju samo plate manje od 9 050, eura ukupna
masa plata i prosjena plata se poveavaju. Poto nijedna poveana
plata nije vea od medijane, medijana ostaje nepromijenjena. Disperzija
se smanjuje jer se poveane plate pribliavaju prosjenoj plati. Ginijev
indeks se smanjuje. Plate variraju u intervalu (8 550; 30 500) eura.
3. Ako su za 10% smanjene plate vee od 22 870, eura masa plata i
prosjena plata se smanjuju. Medijana se ne mijenja jer je 22 870 vee
od 11 175 eura. Disperzija se smanjuje jer se smanjene plate
pribliavaju prosjenoj plati. Standardna devijacija se smanjuje.
Nejednakost u raspodijeli mase plata se smanjuje i Ginijev koeficijent
takoer se smanjuje. Plate variraju u intervalu (8 400; 27 450) eura.
4. Ako se sve plate poveaju za 10%, prosjena plata, medijana, i
standardna devijacija se poveavaju za 10%. Ginijev koeficijent se ne
mijenja. Raspon plata se poveava i plate variraju u intervalu (9 240; 33
550) eura.
Zadatak 10.
Poznata je sljedea distribucija godinjih plata u jednom preduzeu:
Godinje plate xi u KM
[5000;7000[
[7000;8000[
[8000;9000[
[9000;11000[
[11000;15000[
[15000;20000]
Ukupno
Broj zaposlenih (fj)

60
80
105
110
35
10
400
Frekvencija (pj) u%
15,00
20,00
26,25
27,50
8,75
2,50
100,00
1. Nacrtajte kumulativnu krivu.

2. Pomou kumulativne krive procijenite grafiki, a zatim odredite
analitiki vrijednosti kvartila.
3. Nacrtajte box- plot i komentariite karakteristike distribucije.
4. Odredite prosjenu platu, standardnu devijaciju i koeficijent varijacije.
Objasnite dobijene rezultate.
5. Kompletirajte sljedeu tabelu:
106

Godinje
plate xi
u KM
Broj
zaposlenih
Frekvencija
(fj)
u%
(pj)
Kumulativna
frekvencija
(Fj)
Centar
intervala
Masa
plata
(agregat)
xcj
fj .xcj
qj u%
u%
[5000;7000[
[7000;8000[
[8000;9000[
[9000;11000[
[11000;15000[
[15000;20000]
Ukupno
60
80
105
110
35
10
400
15,00
20,00
26,25
27,50
8,75
2,50
100,00
15
35
61,25
88,75
97,5
100
-
Relativni
Agregat
6 000
7 000
8 500
10 000
13 000
17 500
360 000
600 000
892 500
1 100 000
455 000
175 000
3 582 500
10,0
16,7
24,9
30,7
12,7
4,9
100,0
Relativni
kumulativni
agregat
Qj
u%
10,0
26,8
51,7
82,4
95,1
100,0
6. Konstruiite Lorenzovu krivu.

7. Izraunajte Ginijev koeficijent.
8. Koji bi bio oblik Lorenzove krive ako bi svih 400 zaposlenih imali
jednaku platu?
9. Koji bi bio oblik Lorenzove krive ako 399 zaposlenih ne bi primali
platu, a 1 zaposleni (ef) primio 3 582 500 KM?
10. Koji je va zakljuak o disperziji i koncentraciji analizirane distribucije
plata?
Elementi rjeenja:
2. F(Q1)=0,25 interval kojem pripada prvi kvartil je 7000-8000 i
primjenom formule na bazi kumulativnih frekvencija dobijamo:
Q1=7500; Q2=Me=8571,428571; Q3=10 000
4. Prosjena plata (aritmetika sredina) je jednaka priblino 8956 KM;
standardna devijacija 2312 KM i koeficijent varijacije 0,26%.
5. Tabela kompletirana na poetku.
7. Ginijev koeficijent
G = 1 f j (Q j 1 + Q j )
G = 1
1
104
(Q j 1 + Q j )
107
15(0 + 10, 05) + 20(10, 05 + 26,8) + 26, 25(26,8 + 51, 71) +
+27,5(51, 71 + 82, 41) + 8, 75(82, 41 + 95,11) + 2,5(95,11 + 100)
G = 1
1
104
G = 1
1
8678 = 0,132
104
8. Lorenzova kriva bi se podudarala sa dijagonalom (linijom jednake

raspodjele) i koncentracija bi bila jednaka nuli, dakle raspodjela bi bila
savreno ravnomjerna.
9. Lorenzova kriva bi se podudarala sa katetama trougla ispod dijagonale,
koncentracija bi bila jednaka jedinici i postojala bi savrena nejednakost
u raspodjeli.
10. Distribucija mase plata (globalne vrijednosti) je relativno ravnomjerno
raspodijeljena. Disperzija plata nije previe izraena. Plate su uglavnom
koncentrisane u sredini serije.
Zadatak 11.
U sljedeoj tabeli su predstavljeni podaci koji se odnose na koncentraciju
prihoda domainstava u regionu X u 2005. godini.
Broj grupe
Grupa 1
Grupa 2
Grupa 3
Fj u %
25
50
75
Prihod u KM
45 046
267 274
628 832
Qj u %
0,82
6,04
25,64
1. Koji je statistiki termin za podatke predstavljene u treoj koloni?

2. Konstruiite kumulativnu krivu uz pretpostavku da je maksimalan
prihod domainstva 1 milion KM. Nacrtajte box-plot i komentirajte
dobijene rezultate.
3. Nacrtajte Lorenzovu krivu. Komentariite.
4. Izraunajte Ginijev koeficijent i objasnite ga. Uporedite va odgovor sa
komentarom datim pod takom 3.
108
Elementi rjeenja:
4.
1
f j (Q j 1 + Q j ) = 1
104
[ 25(0 + 0,82) + 25(0,82 + 6, 04) + 25(6, 04 + 25, 64) + 25(25, 64 + 100) ]
G = 1
= 1
1
4276 = 1 0, 4276 = 0,5724
104
Postoji jaka koncentracija mase prihoda domainstava u regionu X u

2005.g.
Zadatak 12.
Data je sljedea distribucija plata:
Iznos u novanim jedinicama xj
5 000-10 000
10 000-20 000
20 000-40 000
40 000-90 000
Ukupno
Frekvencija fj
410
637
785
724
2556
1. Kompletirati sljedei tabelu:

xj
5 000-10 000
10 000-20 000
20 000-40 000
40 000-90 000
Ukupno
2.
3.
4.
5.
6.
fj
410
637
785
724
2556
pj u %
Fj u
%
16,04
24,92
30,71
28,33
100
16,04
40,96
71,67
100
xc
xc fj
qj u % Qj u %
7 500 3 075 000

3,69
15 000 9 555 000 11,48
30 000 23 550 000 28,29
65 000 47 060 000 56,54
83 240 000 100,00
3,69
15,17
43,46
100,00
Odredite medijanu polazei od kumulativnih frekvencija

Izraunajte Ginijev koeficijent i komentariite dobijeni rezultat.
Konstruiite Lorenzovu krivu i dajte va komentar.
Izraunajte medijalu.
Izraunajte odstupanje medijala-medijana.
109
Elementi rjeenja:
1.
2.
3.
4.
Tabela kompletirana.
Me=25 885,35
G=0,3606
Lorenzova kriva pokazuje veliku nejednakost u raspodjeli ukupne mase
plata.
5. Medijala: 45 783,52
6. Odstupanje medijala-medijana: 45 783,52-25 885,35=19 898,17
110
POGLAVLJE 3.
REGRESIONA I
KORELACIONA ANALIZA
U dosadanjim poglavljima smo analizirali i istraivali populaciju u odnosu

na samo jednu varijablu. Meutim, vrlo esto se deava da se statistika
istraivanja jedne populacije baziraju simultano na dvije ili vie
kvantitativnih varijabli. Pitanje koje se postavlja u ovom sluaju je traenje
i odreivanje eventualne veze izmeu ovih varijabli.
U prvom dijelu ovog poglavlja emo analizirati modelizaciju veza izmeu
dvije ili vie varijabli, a zatim metode kvantifikacije veza i njihovu
primjenu. Drugi dio poglavlja obrauje mjere reprezentativnosti i kvaliteta
ocijenjenih modela.
3.1. MODELIZACIJA VEZA IZMEU VARIJABLI

Da bismo pristupili modelizaciji veza izmeu dvije ili vie varijabli
polazimo od sljedeih pretpostavki:
1. Modeliziranje moemo vriti ukoliko postoji zavisnost izmeu
varijabli.
2. Mogu se modelizirati jedino kvantitativne varijable, jer je u tom
sluaju mogue kompletirati oblak (dijagram) rasipanja, raunati
mjere centralne tendencije i disperzije.
111
3.1.1. Etape konstrukcije modela

Model je pojednostavljena slika realnosti i slui da bismo na pogodan nain
kvantificirali sloene ekonomske fenomene. Etape konstrukcije i ocjene
jednog modela su sljedee:
Odabrati nezavisnu i zavisnu varijablu
Grafiki predstaviti na dijagramu rasipanja posmatrane podatke da
bi se potvrdila ili odbacila pretpostavka o zavisnosti 2 statistike
varijable.
Na osnovu dijagrama procijeniti oblik veze izmeu posmatranih
varijabli i konstruisati odgovarajui model. Postoje razliiti oblici
veza kao npr. linearna, krivolinijska, eksponencijalna itd.
Ocijeniti primjenom odgovarajuih metoda odabrani model.
Izraunati rezidualna (neobjanjena) odstupanja ocijenjenih od
posmatranih podataka i analizirati ih.
Procijeniti kvalitet ocijenjenog modela.
3.1.1.1. Dijagram (oblak) rasipanja
Postoje razliiti oblici zavisnosti varijabli. Neke od njih smo predstavili na
sljedeem grafikonu.
Y
112
d
Grafikon 3.1.
Razliciti oblici veza izmedu dvije varijable dijagram rasipanja
Poglavlje 3. Regresiona i korelaciona analiza
U sluajevima a i b veze su linearne. U sluaju a, sa rastom nezavisne

dolazi do rasta zavisne varijable. U sluaju b, rast nezavisne varijable
uzrokuje opadanje zavisne varijable. U sluaju c ne bismo mogli utvrditi
postojanje veze jer poveanje nezavisne varijable ne mijenja zavisnu
varijablu. U sluajevima d, e i f postoje krivolinijske veze izmeu nezavisne
i zavisne varijable. Smjer njihovih promjena je isti u sluaju d, a suprotan u
sluaju f.
Dijagram rasipanja prua polaznu informaciji o obliku zavisnosti izmeu
dvije varijable.
3.2. KOVARIJANSA
Kovarijansa mjeri uzajamnu varijabilnost dvije varijable u odnosu na
njihove respektivne aritmetike sredine:
Cov( X , Y ) =
1 n
( xi x ) ( yi y ) .
n i =1
(3.1)
Kovarijansa nam omoguava da utvrdimo da li postoji simultana varijacija

izmeu vrijednosti varijabli X i Y u odnosu na odabranu taku ije su
koordinate aritmetike sredine varijabli X i Y.b
Razvijena formula kovarijanse omoguava jednostavnije izraavanje
varijanse:
Cov( X , Y ) =
1
( xi x ) ( yi y )
n i
1
( xi yi xi y xyi + x y )
n i
1
1
1
xi yi y xi x yi + x y
n i
n i
n i
1
xi yi y x x y + x y
n i
Cov( X , Y ) =
1 n
xi yi x y
n i =1
(3.2)
Cov( X , Y ) = xy x y
113
Na osnovu gornje relacije moemo zakljuiti da je kovarijansa jednaka

razlici izmeu aritmetike sredine proizvoda i proizvoda aritmetikih
sredina varijabli X i Y.
Kovarijansa varijable X sa varijablom X (sa samom sobom) predstavlja
generaliziranu formulu varijanse:lnih zavisnosti
Cov( X , X ) =
1 n
1 n
2
x
x
x
x
=
(
)(
)
( xi x ) = X2
i
i
n i =1
n i =1
(3.3)
Kovarijansa je pozitivna ako oblak rasipanja ima generalno rastuu

tendenciju. Kovarijansa je negativna kada oblak rasipanja ima generalno
opadajuu tendenciju. Kovarijansa je jednaka ili priblino jednaka nuli ako
oblak rasipanja nije ni rastui ni opadajui ili ukoliko je pola opadajui, a
pola rastui.
Kada X i Y variraju u istom smjeru, kovarijansa je pozitivna. Kada X i Y
variraju u suprotnom smjeru, kovarijansa je negativna. Ako nema ni rastue
ni opadajue generalne tendencije, kovarijansa je jednaka nuli.
Na sljedeem primjeru emo ilustrovati kompletiranje oblaka rasipanja i
izraunavanje kovarijanse.
Primjer 3.1.
Tabela 3.1. Prihod preduzea izraen u hiljadama KM (Y) i proizvodnja
izraena u kilogramima (X)k
xi
zyi
50
100
150
200
250
300
350
20
25
25
35
30
35
40
U ovom sluaju prihod preduzea Y je zavisna varijabla, a proizvodnja

izraena u kilogramima nezavisna varijabla. Mi emo posmatrati prihod u
funkciji ostvarene proizvodnje i konstruisati dijagram rasipanja.
114
Prihod u 000 KM
50
40
30
20
10
0
50
100
Grafikon 3.2.
150
200
250
Proizvodnja u kg
300
350
400
Dijagram rasipanja
Na osnovu dijagrama rasipanja konstatujemo da postoji linearna veza

izmeu dvije posmatrane varijable. Da bismo potvrdili ovu konstataciju,
izraunat emo vrijednost kovarijanse.
Tabela 3.2. Radna tabela za raunanje kovarijanse
xi
yi
( xi x )
( yi y )
( xi x )( yi y )
( xi x ) 2
50
100
150
200
250
300
350
1400
20
25
25
35
30
35
40
210
-150
-100
-50
0
50
100
150
0
-10
-5
-5
5
0
5
10
0
1500
500
250
0
0
500
1500
4250
22500
10000
2500
0
2500
10000
22500
70000
Aritmetika sredina varijabli X i Y je x = 200 ; y = 30 . Na osnovu podataka

iz tabele izraunali smo kovarijansu:
Cov( X , Y ) =
1
n
( x x ) ( y y ) = 7 4250 = 607,14
i
i =1
115
Visoka vrijednost kovarijanse potvruje ve konstatovanu injenicu

uzajamne varijabilnosti varijabli X i Y.
Zbir i razlika statistikih varijabli
Koristei kovarijansu moemo analizirati varijansu zbira i razlike

statistikih varijabli i izraziti ih na sljedei nain:.
Var(X+Y)=VarX + Var Y+ 2 Cov(X,Y)
(3.4)
Var(X-Y)=VarX + Var Y- 2 Cov(X,Y)
(3.5)
Ako su X i Y nezavisne, kovarijansa je jednala nuli (Cov(X, Y)=0). U tom

sluaju zbir i razlika statistikih varijabli se mogu izraziti sljedeim
relacijama:
Var(X+Y)=VarX + Var Y
(3.6)
Var(X-Y)=VarX + Var Y
(3.7)
3.3. REGRESIONA ANALIZA

Kada se pomou statistikih metoda istrauje jedna pojava nezavisno od
ostalih, radi se o jednodimenzionalnoj statistikoj analizi. Statistikim
metodama moemo analizirati i meusobne odnose vie pojava. U tom
sluaju se radi o viedimenzionalnoj analizi. Ovim metodama ne
analiziramo uzroke ni posljedice pojava, ve zavisnost pojava i njihovih
promjena. Veze meu pojavama, kao to smo ve istakli, mogu biti
funkcionalne i stohastike. Statistika analiza odnosa izmeu dvije ili vie
pojava se vri metodama deskriptivne i inferencijalne statistike. Stepen
statistike povezanosti izmeu pojava se istrauje metodama korelacione
analize. Za odreivanje analitikog odnosa meu pojavama primjenjuju se
regresioni modeli. Veza meu pojavama je funkcionalna ako su
vrijednostima jedne pojave u potpunosti odreene vrijednosti druge pojave.
U tom sluaju za svaku vrijednost nezavisne varijable moemo precizno
odrediti vrijednosti zavisne varijable. Funkcionalne veze najee
susreemo u prirodnim naukama i u manjoj mjeri u drutvenim naukama.
Kada jednoj vrijednosti nezavisno promjenljive X odgovara vie vrijednosti
zavisno promjenljive Y kaemo da je njihova veza stohastika. Npr. veza
izmeu potronje i dohotka domainstava.
Opti oblik regresionog modela je sljedei:
116
Y = f ( X 1 , X 2 ,...., X K ) + e
(3.8)
gdje je Y zavisna promjenljiva, X su nezavisne promjenljive i parametar e

sluajno odstupanje. Model (3.8.) se naziva model viestruke regresije ili
viedimenzionalni regresioni model.
Model koji sadri zavisnu i jednu nezavisnu promjenljivu naziva se model
jednostavne regresije ili jednodimenzionalni regresioni model. Model
jednostavne regresije ima sljedei oblik:
Y = f (X ) + e
(3.9)
Zadatak regresione analize je istraivanje analitikog oblika veze izmeu

pojava kojem se najvie pribliavaju promjene analiziranih pojava. Zadatak
korelacione analize je utvrivanje stepena i smjera povezanosti pojava.
3.3.1. Kriterij izbora regresione prave i metod
najmanjih kvadrata
Pretpostavimo da je veza zavisne varijable Y i nezavisne varijable X
linearna. Y je varijabla koju treba objasniti pomou varijable X. Polazni
model linearne regresije za skup od n vrijednosti (xi, yi) varijabli X i Y se
moe napisati u sljedeem obliku:
y i = a + bxi + ei , i = 1,2,..., n.
(3.10)
Oznaimo sa
y i = a + bxi
(3.11)
funkcionalni dio modela gdje su a i b parametri koje treba ocijeniti. Podaci

su dati kao n posmatranih parova (xi, yi), a yi predstavlja ocijenjene
vrijednosti Y na osnovu posmatranih vrijednosti xi od X. Na osnovu izraza
(3.9.) i (3.10) moemo napisati relaciju
yi = y i + ei
(3.12)
iz koje moemo izraziti sluajno ili rezidualno odstupanje ei kao razliku

izmeu posmatranih i ocijenjenih vrijednosti varijable Y:
e i = yi y i
e i = yi a bxi
(3.13)
117
Sluajno odstupanje smo predstavili na sljedeem grafikonu.

y
y i = a + bxi
yi
ei = yi y i
y i
xi
Grafikon 3.3.
Rezidualna odstupanja
Cilj je primijeniti metod za ocjenu parametara regresionog modela koji e

minimizirati rezidualna odstupanja. Pitanje koje se postavlja je izbor
kriterija koji e obezbijediti minimizaciju sluajnih odstupanja. Jedan od
kriterija bi mogao biti zbir rezidualnih odstupanja jednak nuli:
ei = ( yi yi ) = 0
i
Sve prave koje prolaze kroz taku gravitacije G ( x , y ) zadovoljavaju ovaj

kriterij jer se pozitivna i negativna rezidualna odstupanja anuliraju. Zbog
toga ovaj kriterij ne moe posluiti za izbor najbolje regresione prave.
Kriterij koji nam omoguava izbor najbolje regresione prave je
minimiziranje zbira kvadrata rezidualnih odstupanja:
minimum
ei2
(3.14)
Na ovom kriteriju je baziran metod najmanjih kvadrata. Minimiziranje zbira

kvadrata rezidualnih odstupanja:
n
i =1
i =1
i =1
ei2 = ( y i y i ) 2 = ( y i a bxi ) 2
118
(3.15)
je mogue uz potrebne uslove koji zahtijevaju da parcijalni izvodi ovog

zbira po parametrima a i b budu jednaki nuli:
n
ei2
i =1
= 2 ( y i a bx i )(1) = 0
(3.16)
i =1
ei2
i =1
= 2 ( y i a bx i )( x i ) = 0
(3.17)
i =1
Iz ovih uslova slijedi sistem normalnih jednaina

n
i =1
i =1
y i = na + b xi
(3.18)
i =1
i =1
i =1
xi yi = a xi + b xi2
(3.19)
Rjeavanjem ovog sistema normalnih jednaina dobijamo izraze za ocjenu

parametara a i b:
n
a=
y
i =1
x
i =1
(3.20)
a = y bx
(3.21)
Zamjenom ovog izraza u drugu normalnu jednainu 3.19. dobijamo izraz za

izraunavanje parametra b:
x y = ( y bx ) x + b x
x y = y x bx x + b x
x y y x = b( x x x )
x y y x
b=
x x x
2
i
2
i
2
i
2
i
(3.22)
119
Parametar b moemo izraziti i u sljedeem obliku:

n
b=
x y n x y
i
i =1
x
i =1
2
i
nx
(3.23)
odnosno
1 n
xi yi x y
n i =1
b=
1 n 2
xi x 2
n i =1
(3.24)
Izraz u brojniku predstavlja razvijenu formulu kovarijanse Cov(X,Y), a izraz

u nazivniku razvijenu formulu varijanse varijable X. Dakle, izraz za
izraunavanje parametra b moemo napisati u sljedeem obliku:
b=
Cov( X , Y )
(3.25)
X2
3.3.2. Pretpostavke o osobinama stohastinosti modela

Regresioni model izraen regresionom pravom:
yi = a + bxi + ei , i = 1, 2,..., n.
(3.26)
je sastavljen iz dva dijela. Prvi dio modela (a+bxi) predstavlja funkcionalnu

vezu pri kojoj je Y linearno zavisna od X ako su drugi faktori konstantni.
Drugi, stohastiki dio modela (ei), predstavlja sluajne varijacije, kojima se
uzima u obzir djelovanje promjena drugih varijabli koje nisu eksplicitno
ukljuene u model. Pod uslovom da specifikacija modela odgovara
ekonomskoj relaciji u stvarnosti, i da bismo probleme mjerenja ekonomskih
relacija preveli u probleme statistikog ocjenjivanja parametara rasporeda
vjerovatnoe, neophodno je navesti pretpostavke o osobinama stohastinosti
linearnog regresionog modela:
120
a. E(ei) = 0,
(oekivana vrijednost greke je jednaka nuli)
b. E(ei2 ) = 2 ,
(konstantna zajednika varijansa)
c. E(ei ej)= 0,
2
za svako i, j; ij; (nezavisnost)
d. ei: N(0, ),
(normalnost)
e. E(eiXj) = 0,
za sve i, j; (nezavisnost od Xj).
3.3.3. Aplikacija analiziranih metoda

Na osnovu radne tabele 3.2. kompletirane na osnovu tabele 3.1. primjera
3.1. izraunavamo vrijednost parametara a i b i kompletiramo regresionu
jednainu:
n
1 n
x
x
y
y
(
)
(
)
( xi x ) ( yi y )
i
i
Cov( X , Y ) n i =1
i =1
b=
=
=
n
Var ( X )
1 n
2
x
x
(
)
( xi x )2
i
n i =1
i =1
b=
4250
= 0,061
70000
a = y b x = 30 0,061 200 = 17,857
y = 17,857 + 0,061 xi
Za ocjenu parametara regresione prave moemo koristiti statistike funkcije

Excel-a. Rezultate dobijene primjenom ovog programa prezentujemo
sljedeim tabelama i grafikonom.
Tabela 3.3. (a., b., c.) Output Excela za regresiono-korelacionu analizu na
primjeru 3.1.
a.
REGRESSION STATISTICS
Multiple R
0,927426
R Square
0,860119
Adjusted R Square
0,832143
Standard Error
2,897043
Observations
7
121
b.
ANOVA
SS
MS
258,0357 258,0357
41,96429 8,392857
300
Regression
Residual
Total
df
1
5
6
Intercept
X Variable 1
COEFFICIENTS
17,85714
0,060714
F
30,74468
Significance F
0,00262
STANDARD ERROR
2,448448
0,01095
T STAT
7,29325
5,544789
y = 17,857 + 0,061x
c.
OBSERVATION
1
2
3
4
5
6
7
PREDICTED Y
20,89286
23,92857
26,96429
30
33,03571
36,07143
39,10714
RESIDUALS
-0,89286
1,071429
-1,96429
5
-3,03571
-1,07143
0,892857
50
Prihod u 000 KM
40
30
y = 0, 0607 x + 17, 857
20
R 2 = 0, 8601
10
0
Grafikon 3.4.
122
100
200
Proizvodnja u kg
300
Dijagram rasipanja i regresiona prava
400
Koristei navedeni program dobili smo ocjene vrijednosti parametara,

jednainu regresione prave, grafiki prikaz i statistike parametre koji nam
omoguuju analizu kvaliteta dobijene ocjene. Vrijednost parametra a je
predstavljena kao odsjeak na ordinatnoj osi. Vrijednost parametra b
pokazuje za koliko jedinica se povea prihod Y ako se proizvodnja X povea
za jedan kilogram.
Primjenu navedenog programa emo ilustrovati i na sljedeem primjeru u
kojem emo ocijeniti vezu izmeu drutvenog bruto proizvoda i prosjenog
broja stanovnika. Posmatramo drutveni bruto proizvod kao zavisnu i broj
stanovnika kao nezavisnu ili eksplikativnu promjenljivu.
Primjer 3.2.
Tabela 3.4. Drutveni bruto proizvod (DBP) u milionima KM
i prosjean broj stanovnika u 000
Godina
DBP u milionima KM
1996
1997
1998
1999
2000
2001
3049
6367
7244
8604
9611
10480
Prosjean broj
stanovnika u hiljadama
3645
3756
3654
3752
3781
3798
DBP u milionima KM
12000
10000
8000
6000
4000
2000
0
3600
Grafikon 3.5.
3650
3700
3750
3800
prosjean broj stanovnika u 000
3850
Oblak rasipanja
123
Dijagram rasipanja nam ukazuje na linearnu vezu izmeu ove dvije

promjenljive. Primjenom metode najmanjih kvadrata odreujemo jednainu
regresione prave koja se najbolje prilagoava datim podacima. Ocijenjena
regresiona prava zadovoljava uslov minimizacije kvadrata odstupanja
ocijenjenih od posmatranih vrijednosti promjenljive Y.
Tabela 3.5. (a., b., c.) Output Excela za regresiono-korelacionu analizu na
primjeru 3.2.
a.
Intercept
X Variable 1
COEFFICIENTS
-115045
32,86094
STANDARD ERROR
45307,76
12,14204
y = 115045 + 32,86 x
b.
Multiple R
0,804228
R Square
0,646783
Adjusted R Square
0,558479
Standard Error
1775,397
Observations
6
c.
OBSERVATION
1
2
3
4
5
6
124
PREDICTED Y
4733,125
8380,69
5028,874
8249,247
9202,214
9760,85
RESIDUALS
-1684,13
-2013,69
2215,126
354,7535
408,7861
719,15
DBP u milionima KM
12000
y = 32, 861 x 115045
10000
R 2 = 0, 6468
8000
6000
4000
2000
0
3600
3650
3700
3750
3800
3850
Prosjecan broj stanovnika u 000

Grafikon 3.6.
Oblak rasipanja i linearna regresija
Reziduali
3000
2000
1000
0
3600
3650
3700
3750
3800
-1000
-2000
-3000
Grafikon 3.7.
varijabla
Dijagram rezidualnih odstupanja
Dobijene su pouzdane ocjene parametara. Na osnovu parametra b ocijenjene

regresione jednaine konstatujemo da ako se broj stanovnika povea za 1 000
drutveni bruto proizod e se poveati za 32,86 miliona KM.
Prava regresije metode najmanjih kvadrata prolazi kroz srednju taku
dijagrama ije su koordinate aritmetike sredine analiziranih varijabli X i Y.
Zadovoljavanje kriterija minimizacije kvadrata odstupanja podrazumijeva i
zadovoljenje prvog kriterija, a to je da zbir rezidualnih odstupanja mora biti
jednak nuli.
125
e = 0 ( y y ) = 0 y = y
i
1
1
yi = yi y = y
n i
n i
(3.27)
Zbir rezidualnih odstupanja jednak nuli formalno znai da je aritmetika

sredina posmatranih originalnih podataka jednaka aritmetikoj sredini
ocijenjenih podataka.
3.4. MJERENJE REPREZENTATIVNOSTI
REGRESIONOG MODELA
Da bismo ocijenili reprezentativnost i pouzdanost ocijenjenog modela
potrebno je analizirati pokazatelje koji nam to omoguuju. Kao pokazatelje
reprezentativnosti analizirat emo koeficijent determinacije, koeficijent
korelacije, standardnu greku i koeficijent varijacije regresionog modela.
3.4.1. Koeficijent determinacije
Da bismo konstruisali koeficijent determinacije i objasnili njegovo znaenje
prezentirat emo grafiki i formalizovati dekompoziciju varijanse.
Dekompozicija varijanse promjenljive Y:
yi - y
y
yi
y i
y
( x, y )
x
G rafikon 3.8.
126
y i = a + bx i
xi
Dekom pozicija varijanse
Na osnovu grafikona 3.8. moemo izvriti sljedeu formalizaciju. Ukupno

odstupanje je jednako zbiru objanjenog i neobjanjenog odstupanja:
( yi y ) = ( yi y ) + ( yi yi )
(3.28)
Kako je y = y slijedi:
( yi y ) = ( yi y ) + ( yi yi )
(3.29)
to omoguava da pokaemo da je ukupna varijansa varijable Y jednaka

zbiru objanjene i neobjanjene (rezidualne) varijanse:
1
1
2
( yi y ) = yi y
n i
n i
1
2
( yi yi )
n i
(3.30)
Ovaj izraz moemo napisati u sljedeem obliku:
( y i y ) 2 ( y i y ) 2 ( y i y i ) 2
=
+
n
n
n
(3.31)
u kojem izraz na lijevoj strani predstavlja ukupnu varijansu, prvi lan zbira
na desnoj strani objanjenu a drugi neobjanjenu varijansu. Gornji izraz
moemo napisati u dekomponovanoj formi uvodei simbole za oznaavanje
objanjene i neobjanjene varijanse:
( yi y ) 2
n
( yi y ) 2
Objanjena varijansa : 2y / x =
n
Ukupna varijansa = y2 =
Rezidualna (neobjanjena) varijansa: 2y =
(3.32)
(3.33)
( yi yi ) 2
n
Ukupna varijansa : 2y = 2y / x + 2y
(3.34)
(3.35)
Koeficijent determinacije definiemo kao odnos objanjene i ukupne

varijanse:
( yi y ) 2
( yi y ) 2
Objanjena varijansa
n
r2 =
=
=
Ukupna varijansa
( yi y ) 2 ( yi y ) 2
n
(3.36)
127
ili pomou sljedeeg izraza:

( yi yi ) 2
( yi y i ) 2
Neobjanjena varijansa
n
(3.37)
1
r2 = 1
= 1
=
Ukupna varijansa
( yi y ) 2
( yi y ) 2
n
Vrijednost ovog koeficijenta se kree izmeu nule i jedinice. On pokazuje

koja je proporcija ukupne varijacije varijable Y objanjena ocijenjenom
regresionom jednainom i uobiajeno je da se izraava u procentima. Vea
vrijednost ovog koeficijenta ukazuje da je vea proporcija objanjene u
ukupnoj varijaciji i da je odabrani model pouzdaniji i reprezentativniji.
Vrijednost koeficijenta determinacije u primjeru 3.1. je bila r2=0,86 to
znai da linearni model u kojem je nezavisna (eksplikativna) varijabla
proizvodnja u kilogramima objanjava 86 % varijacije ukupnih prihoda
posmatranog preduzea.
3.4.2. Koeficijent korelacije
Koeficijent linearne korelacije mjeri jainu i smjer povezanosti dvije pojave
za koje poznajemo empirijske vrijednosti kvantitatinih varijabli i za koje
pretpostavljamo da imaju linearnu vezu. Ovaj koeficijent ne zavisi od
jedinica mjere. To je, dakle, neimenovan broj.
Koeficijent linearne korelacije je definisan kao odnos kovarijanse varijabli
X i Y i proizvoda standardnih devijacija varijable X i varijable Y.
r=
Cov( X , Y )
=
X Y
(x
(x
x )( yi y )
x)
2
(y
y)
(3.38)
Vrijednost koeficijenta linearne korelacije se nalazi izmeu -1 i 1. Vea

vrijednost koeficijenta ukazuje na postojanje vee linearne povezanosti
izmeu promjenjljivih X i Y. Potrebno je naglasiti da manja vrijednost ovog
koeficijenta ne mora uvijek znaiti da je slaba korelacija jer se moe raditi o
pogrenoj primjeni koeficijenta linearne korelacije za mjerenje jaine veze
pojava koje nisu u linearnom odnosu.
Za vrijednosti: -1 < r < 0 korelacija je negativna.
Za vrijednosti: 0 < r < 1 korelacija je pozitivna.
128
Za vrijednosti 1 i 1, radi se o perfektnoj negativnoj, odnosno

pozitivnoj korelaciji.
Koeficijent linearne korelacije moemo izraziti kao kvadratni korijen

koeficijenta determinacije:
( y i y ) 2
r = r2 =
( y i y ) 2
(3.39)
ili
r = 1
( y i y i ) 2
( y i y ) 2
(3.40)
Koeficijent determinacije moemo izraziti koristei definiciju koeficijenta

linearne korelacije. U tom sluaju koeficijent determinacije izraavamo u
sljedeem obliku:
r2 =
Cov 2 ( X , Y )
2 X 2Y
(3.41)
3.4.3. Standardna greka regresionog modela

Pored koeficijenta linearne korelacije i koeficijenta determinacije, kvalitet
ocjene se moe mjeriti i pomou standardne greke ocjene regresionog
modela i koeficijenta varijacije ocijenjenog regresionog modela. Standardna
greka ocijenjenog modela moe se nazvati i rezidualnom standardnom
grekom jer se definie na osnovu rezidualnog zbira kvadrata odstupanja i
jednaka je kvadratnom korijenu rezidualne (neobjanjene) varijanse:
n
y =
( y
i =1
y i ) 2
(3.42)
Standardna greka regresije mjeri kvalitet i reprezentativnost ocijenjenog

regresionog modela i pokazuje prosjeno odstupanje empirijskih vrijednosti
zavisne varijable Y od vrijednosti ocijenjenih regresionim modelom.
Standardna greka regresije je apsolutna mjera disperzije oko regresije jer
se izraava u istim jedinicama mjere kao zavisna varijabla.
129
3.4.4. Koeficijent varijacije regresionog modela

Koefecijent varijacije ocijenjenog regresionog modela je relativni
pokazatelj kvaliteta ocjene i jednak je odnosu standardne greke
ocijenjenog regresionog modela i aritmetike sredine zavisne varijable Y:
kVy =
y
y
100
(3.43)
Na osnovu vrijednosti ovog koeficijenta moemo procijeniti preciznost i

kvalitet ocjene na sljedei nain:
Ako je 7%<
Ako je 4%<
Ako je 1%<
Ako je
y
y
y
y
y
y
y
y
1%
10% ocjena je dosta dobra

7%
ocjena je dobra
4%
ocjena je vrlo dobra

ocjena je odlina.
Primjenu ovih parametara za procjenu kvaliteta ocjene emo ilustrovati na

primjeru na kojem emo ocijeniti linearni i vie razliitih tipova nelinearnih
regresionih modela da bismo odabrali model koji najbolje reprezentuje
posmatrane podatke.
3.4.5. Aplikacija razliitih oblika regresionog modela
Na sljedeem primjeru emo aplicirati etape konstrukcije regresionog
modela i izvriti ocjenu razliitih oblika modela.
130
3.4.5.1. Linearni model
Primjer 3.3.
Tabela 3.6. Godinja stanarina u KM u 2003. prema veliini stana izraenoj
brojem soba u stanu
Stan (broj soba)
X
1
2
3
4
5
7
Ukupno
Godinja stanarina
Y
1 870
2 480
3 470
4 980
6 900
11 560
31 260
Broj stanova
fj
75 500
81 750
35 500
14 000
7 500
7 000
221 250
Statistika jedinica je stan.

Podatke iz tabele moemo sintetizirati na sljedei nain:
Tabela 3.7. Parametri za analizirane varijable
Aritmetika sredina
Standardna devijacija
Koeficijent varijacije
Stan (broj soba)

2,206
1,345
0,61
Godinja stanarina
3 025,99
1 911,11
0,63
Prva etapa je izbor varijabli X i Y. Mi elimo objasniti godinju

stanarinu kao funkciju veliine stana. Varijabla X e predstavljati
veliinu stana (broj soba) i to je nezavisna ili eksplikativna
varijabla. Varijabla Y je godinja stanarina i to je zavisna ili
varijabla koju trebamo objasniti.
Druga etapa je kompletiranje dijagrama rasipanja podataka.
131

12000
11560
Godinja stanarina
10000
8000
6900
6000
4980
4000
3470
2000
1870
0
2480
2
Grafikon 3.9.
4
Veliina stana
Dijagram rasipanja
Trea etapa je ocjena regresione prave. Posmatrajui dijagram

rasipanja ini nam se, na prvi pogled, da bismo mogli ocijeniti
linearnu regresionu jednainu: y i = a + bxi
Primjenom analiziranih postupaka ocjene dobijamo vrijednost parametara a

i b: a = 755,14 i b = 1626,86 , i kompletiramo jednainu ocijenjene
regresione prave:
yi = 755,14 + 1626,86 xi
Koeficijent linearne korelacije je r=0,9757 i koeficijent determinacije
r2=0,9520. Znaenje parametara a i b: parametar a predstavlja odsjeak na
ordinatnoj osi. Ovdje realno nema odsjeka na Y osi jer ukoliko nema
stanova za izdavanje, nema ni stanarine. Parametar b predstavlja nagib
prave i znaenje mu je sljedee: ako se veliina stana povea za jednu sobu,
godinja stanarina e u prosjeku rasti za 1626,86 KM.
etvrta etapa je izraunavanje rezidualnih odstupanja. Uvrtavajui
vrijednosti xi u gore ocijenjenu jednainu, izraunat emo ocijenjene
vrijednosti zavisne varijable. Rezultate raunanja predstavljamo u
sljedeoj tabeli.
132
Tabela 3.8. Radna tabela za primjer 3.3.
xi
yi
y i
y i y i
( y i y i )2
1
2
3
4
5
7
Ukupno
1 870
2 480
3 470
4 980
6 900
11 560
31 260
871,71
2 498,57
4 125,43
5 752,29
7 379,14
10 632,86
31 260
998,29
-18,57
-655,43
-772,29
-479,14
927,14
0
996 582,92
344,84
429 588,48
596 431,84
229 575,14
859 588,58
3 112 111,80
Poto je
yi = yi
treba izraunati
( yi yi )2
Peta etapa: procjena kvaliteta ocijenjene linearne prave

- rezidualna standardna devijacija
y =
-
( yi yi ) 2
3112111,80
=
= 720, 20 KM
n
6
i =1
n
koeficijent varijacije regresije:
y
y
720,20
= 0,1382 13,82%
5210
Ova dva parametra imaju visoku vrijednost i ukazuju na vrlo lo kvalitet

ocjene.
Koeficijent linearne korelacije je r =0,9757 i koeficijent determinacije
r2=0,9520. Vrijednost koeficijenta korelacije je blizu jedinici, a koeficijent
determinacije znai da je 95,20 % varijabiliteta stanarine objanjeno
varijabilitetom veliina stana. Dakle, na osnovu vrijednosti ova dva
koeficijenta mogli bismo zakljuiti da je ocjena kvalitetna ali rezidualna
standardna devijacija i koeficijent preciznosti ne potvruju ovaj rezultat.
133
esta etapa: Analiza rezidualnih odstupanja
Tabela 3.9. Rezidualna odstupanja za primjer 3.3.
xi
Rezidualna odstupanja ( y i y i )
1
2
3
4
5
7
Ukupno
998,29
-18,57
-655,43
-772,29
-479,14
927,14
0
Kada je ocjena dobra i pouzdana, rezidualna odstupanja su sluajna i imaju

malu vrijednost kao to smo ve naveli analizirajui njihove osobine. Ako
bismo predstavili dijagram rasipanja rezidualnih odstupanja vidjeli bismo
da on ne zadovoljava gore navedene uslove i da ima parabolian oblik. To
znai da ocijenjeni linearni model ne moemo prihvatiti kao pouzdan i
odbacujemo ga. Zbog toga emo ocijeniti nekoliko nelinearnih modela.
3.4.5.2. Eksponencijalni model
Jednaina eksponencijalnog modela je:
yi = a b xi
(3.44)
Ocijenjeni eksponencijalni model je dat sljedeim izrazom7:
yi = 1377,32 1,3648 xi
Ako se broj soba uvea za jednu sobu, stanarina se prosjeno uvea za
36,48%. Da bismo analizirali rezidualnu standardnu devijaciju i koeficijent
preciznosti ocjene izraunali smo neophodne podatke na isti nain kao u
sluaju linearne ocjene i dobili rezidualnu standardnu devijaciju:
Ovaj i ostali modeli su ocijenjeni koritenjem programa RATS (Regression

Analysis for Time Series). Analizirani modeli mogu biti ocijenjeni koritenjem
programa Excel ili digitrona koji imaju odgovarajue statistike funkcije.
134
y =
( yi yi ) 2
539406,11
=
= 299,83 KM
6
n
i =1
n
i koeficijent varijacije:
y
y
299,83
= 0,0575 5,75%
5210
Ova ocjena je pouzdanija nego linearna.

3.4.5.3. Stepeni model
Ocjenom jednaine stepenog modela:
y i = a xib
(3.45)
dobili smo sljedei rezultat:
yi = 1517,195 xi0,9299
Kvalitet ocjene smo i u ovom sluaju procijenili standardnom devijacijom
modela i koeficijentom varijacije:
y =
y
y
( y i y i ) 2
=
n
i =1
n
6398464,87
= 1032,67 KM
6
1032,67
= 19,82%
5210
Ova ocjena nije pouzdana zbog visoke standardne devijacije i koeficijenta

varijacije.
3.4.5.4. Logaritamski model
Jednainu logaritamskog modela:
y i = a + b ln xi
(3.46)
smo ocijenili i dobili sljedei izraz:
y i = 150,497 + 4508,4219 ln xi
135
Dva parametra koja smo ocijenili i za ostale modele u ovom sluaju imaju
sljedee vrijednosti:
n
y =
y
y
( y
i =1
y i )2
15483442,81
= 1606,42 KM
6
1606,42
= 30,83%
5210
Ni ova ocjena nije pouzdana zbog vrlo visoke vrijednosti standardne

devijacije i koeficijenta varijacije.
Rezultate dobijenih ocjena predstavljamo u tabeli 3.10.
Tabela 3.10. Ocjene za razliite regresione modele
Model
Linearni
Eksponencijalni
y i = 755,14 + 1626,86 xi
y i = 1377,32 1,3648 x
720,20 KM
299,83 KM
13,82%
5,75%
y
y
Model
Stepeni
y i = 1517,195 x
y
y
y
Logaritamski
0 , 9299
i
y i = 150,497 + 4508,4219 ln xi
1032,67 KM
1606,42 KM
19,82%
30,83%
Na osnovu prezentovanih podataka zakljuujemo da je ocjena

eksponencijalnog modela najpouzdanija i najkvalitetnija jer ima najmanju
standardnu devijaciju i najnii koeficijent varijacije. Eksponencijalni model
se u analiziranom sluaju najbolje prilagoava datim podacima i
reprezentuje vezu izmeu visine stanarine i veliine stana.
136
Primjer 3.4.
Koeficijent linearne korelacije je mjera linearne korelacije izmeu varijabli.
Meutim, linearnu regresiju ne treba koristiti automatski uvijek kad
dobijemo visok koeficijent linearne korelacije. Neophodno je, kao to smo
ve i naglasili, nacrtati dijagram rasipanja podataka koji nam moe pomoi
da vizuelno uoimo da li se radi o linearnoj vezi izmeu dvije posmatrane
varijable i da poslije izvrene ocjene provjerimo njen kvalitet
izraunavanjem parametara koje smo ve analizirali. Analizirat emo jedan
poznati primjer koji je predloio Anscombe8 i na kojem je ilustrovana
primjena linearne regresije na etiri distribucije podataka koje
predstavljamo u tabeli 3.11.
Tabela 3.11. Primjer etiri distribucije podataka
Distribucija A
Distribucija B
Distribucija C
Distribucija D
xi
yi
xi
yi
xi
yi
xi
yi
10
8
13
9
11
14
6
4
12
7
5
8,04
6,95
7,58
8,81
8,33
9,96
7,24
4,26
10,84
4,82
5,68
10
8
13
9
11
14
6
4
12
7
5
9,14
8,14
8,74
8,77
9,26
8,1
6,13
3,1
9,13
7,26
4,74
10
8
13
9
11
14
6
4
12
7
5
7,46
6,77
12,74
7,11
7,81
8,84
6,08
5,39
8,15
6,42
5,73
8
8
8
8
8
8
8
19
8
8
8
6,58
5,76
7,71
8,84
8,47
7,04
5,52
12,5
5,56
7,91
6,89
Za svaku od etiri navedene distribucije varijabli X i Y izraunali smo

sljedee statistike pokazatelje.
n = 11;
x = 9;
y = 7,5; x2 = 10; y2 = 3,75; Cov ( X , Y ) = 5
Koeficijent korelacije r =0,816.
Anscombe, F.J.: Graph in Statistical Analysis, The American Statistican 27,

str. 17-21, prema Droesbeke, J.J.: Elments de Statistiques, Ellipses, Paris, 1977. g.,
str. 398-399.
137
est izraunatih pokazatelja su jednaki za sve etiri distribucije. Ako bismo

posmatrali samo ove parametre i koeficijent linearne korelacije te ocijenili
linearnu regresiju za sva etiri sluaja, napravili bismo greku. Zbog toga
uvijek treba prije ocjene analizirati dijagram rasipanja (analiza a priori) i
poslije izvrene ocjene analizirati rezidualna odstupanja (analiza a
posteriori). Poto ponekad ni na osnovu dijagrama rasipanja ne moemo
precizno odrediti oblik veze, potrebno je izvriti ocjene vie razliitih
modela i izabrati najpouzdaniju ocjenu na osnovu analiziranih kriterija.
Na sljedeim grafikonima predstavljamo dijagrame rasipanja i linearnu
pravu koju smo dobili ocijenjujui linearnu regresiju metodom najmanjih
kvadrata.
y = 3 + 0,5 x
Koeficijent determinacije je jednak r2=0,667.
12
10
8
6
4
2
0
Grafikon 3.10.
138
10
12
A: Dijagram rasipanja i regresiona prava
14
16
y
12
10
8
6
4
2
0
Grafikon 3.11.
10
12
14
B: Dijagram rasipanja i regresiona prava
y
14
12
10
8
6
4
2
0
x
0
Grafikon 3.12.
10
12
14
16
C: Dijagram rasipanja i regresiona prava
14
12
10
8
6
4
2
0
Grafikon 3.13.
10
12
14
16
18
20
D: Dijagram rasipanja i regresiona prava
139
Konstatujemo i naglaavamo da je samo u sluaju A mogue prihvatiti i

ocijeniti regresionu pravu. Za ostale sluajeve regresiona prava ne prezentuje
adekvatno oblak rasipanja. Analiza a posteriori rezidualnih odstupanja u
sluajevima B, C i D pokazuje da se u ova tri sluaja ne moe prihvatiti
ocjena regresione prave i da je potrebno traiti i ocijeniti neki drugi model.
3.4.6. Spearmanov koeficijent korelacije ranga
Za utvrivanje stepena povezanosti izmeu pojava za koje su podaci dati u
obliku modaliteta rang varijable koristi se Spearmanov koeficijent
korelacije ranga. Ovaj koeficijent korelacije se oznaava simbolom rs i
odreuje koritenjem sljedeeg izraza:
rs = 1
6
n( n
d
1)
i =1
2
i
di = r(xi) r(yi), i=1, 2,...,n.
(3.47)
(3.48)
di predstavlja razlike rangova za odgovarajue parove vrijednosti varijabli

ranga. Kao i za koeficijent linearne korelacije, vrijednost koeficijenta
korelacije ranga se uvijek kree izmeu 1 i +1. Zavisnost je potpuna ako je
|rs| = 1.
3.5. MODEL VIESTRUKE REGRESIJE

Model viestruke ili multiple regresije moemo napisati u sljedeem obliku:
Y = f ( X 1 , X 2 ,...., X K ) + e
(3.49)
Zavisna varijabla Y je izraena kao funkcija K nezavisnih varijabli i

sluajnog odstupanja e. Ukoliko je funkcionalni dio modela definisan
linearnom funkcijom moemo definisati standardni model viestruke
linearne regresije sljedeim izrazom:
Y = a + b1 X 1 + b2 X 2 + ... + bK X K + e
(3.50)
odnosno za n vrijednosti:
y i = a + b1 xi1 + b2 xi 2 + ... + bK xiK + ei , i = 1,2,..., n .

140
(3.51)
Koeficijenti u regresionom modelu imaju sljedee znaenje: parametar a je

slobodni, konstantni lan koji predstavlja oekivanu vrijednost zavisne
varijable Y kada je vrijednost svih K nezavisnih varijabli (X1, X2,...,XK)
jednaka nuli. Vrijednost ovog parametra nema uvijek logiko objanjenje.
Parametar bi (i=1,2,....,K) ili regresioni koeficijent pokazuje prosjenu
promjenu zavisne varijable Y uslovljenu jedininim poveanjem nezavisne
varijable Xi, uz uslov da ostale nezavisne varijable ostanu nepromijenjene.
Pozitivna vrijednost parametra bi ukazuje na proporcionalan odnos varijabli
Y i Xi. To znai da rast nezavisne varijable Xi uslovljava rast zavisne
varijable Y. Negativna vrijednost koeficijenta bi znai obrnuto
proporcionalan odnos zavisne varijable Y i nezavisne varijable Xi. U ovom
sluaju smjer promjene nezavisne i zavisne varijable je suprotan, odnosno
rast Xi uzrokuje opadanje zavisne varijable Y, a opadanje Xi uzrokuje rast
zavisne varijable Y.
3.5.1. Koeficijent multiple determinacije, multiple linearne
korelacije, koeficijenti parcijalne korelacije i korelaciona matrica
Koeficijent multiple determinacije je definisan sljedeim izrazom:
RY2;1, 2,.., K =
( y i y ) 2
, 0 RY2;1, 2 ,..,K 1
2
( yi y )
(3.52)
Koeficijent multiple linearne korelacije mjeri jainu varijabiliteta izmeu

zavisne varijable i zbirnog varijabiliteta K nezavisnih varijabli. Odreuje se
kao kvadratni korijen koeficijenta multiple determinacije:
RY ;1, 2,.., K =
( y i y ) 2
, 0 RY ;1, 2,.., K 1
( yi y ) 2
(3.53)
ili pomou izraza:
RY ;1, 2,.., K =
( yi y )( y i y )
n y y
(3.54)
Koeficijentu se ne pridruuje predznak jer odnosi izmeu zavisne i

nezavisnih varijabli mogu biti raznosmjerni. Koeficijent parcijalne
korelacije pokazuje jainu i smjer veze zavisne varijable Y i j-te nezavisne
141
varijable uz nepromijenjen uticaj preostalih (K-1) varijabli koje

oznaavamo sa c. Vrijednost ovog koeficijenta se kree u sljedeim
granicama: 1 ry ; j ,c 1 .
Koeficijenti parcijalne korelacije prvog reda za K=2 definiu se pomou
koeficijenata jednostavne linearne korelacije na sljedei nain:
ry ;1,2 =
ry ;1 ry ;2 r1,2
(1 ry2;1 )(1 r1,22 )
; ry ;2,1 =
ry ;2 ry ;1 r1,2
(1 ry2;2 )(1 r1,22 )
(3.55)
Pored koeficijenata multiple i parcijalne korelacije, u viedimnzionalnoj

regresionoj analizi se primjenjuju i koeficijenti jednostavne linearne
korelacije. Ovi koeficijenti se predstavljaju u obliku korelacione matrice:
1 ry1 .... ryK
r1 y 1 .... r1K
R = r2 y r21 .... r2 K
..........................
rKy rK 1 .... 1
(3.56)
U prvom redu matrice R se nalaze koeficijenti jednostavne linearne

korelacije izmeu zavisne i svake nezavisne varijable. U prvoj koloni su
koeficijenti jednostavne linearne korelacije izmeu svake nezavisne i
zavisne varijable. Za koeficijente jednostavne linearne korelacije vrijedi
osobina simetrinosti. To znai da se vrijednost koeficijenta jednostavne
linearne korelacije ne mijenja ako se zamijeni mjesto varijabli:
ryj = rjy ,
j = 1,2,...., K .
rjk = rkj ,
j , k = 1,2,...., K .
Iz navedenog zakljuujemo da je korelaciona matrica simetrina. Na

glavnoj dijagonali se nalaze jedinice, jer je koeficijent jednostavne linearne
korelacije jedne varijable sa tom varijablom jednak jedinici.
3.5.2. Analiza numerikog primjera
Na sljedeem primjeru emo ilustrovati ocjenu viestrukog regresionog
modela i znaenje ocijenjenih parametara.
142
Primjer 3.5.
Tabela 3.12. Prihod preduzea izraen u hiljadama KM (Y), proizvodnja
izraena u kilogramima (X1) i trokovi proizvodnje po kg (X2) izraeni u KM.
Y
20
25
25
35
30
35
40
X1
50
100
150
200
250
300
350
X2
280
260
260
248
196
178
160
Ocijeniemo regresioni model Y = a + b1 X 1 + b2 X 2 primjenom Excela.

Izlazne tabele Excela nam daju sljedee rezultate.
Tabela 3.13. (a.,b.,c.) Output Excela za multiplu regresiono-korelacionu
analizu na primjeru 3.5.
a.
SUMMARY OUTPUT
Multiple R
0,9528
R Square
0,9078
Adjusted R Square
0,8617
Standard Error
2,6292
Observations
7
b.
Regression
Residual
Total
df
2
4
6
ANOVA
SS
MS
272,3485 136,1742
27,6515
6,9129
300
F
19,6986
Significance F
0,0085
143
c.
COEFFICIENTS STANDARD ERROR T- STAT P-VALUE
Intercept
-20,7251
26,9055
-0,7703
0,4841
X1
0,1130
0,0377
3,0000
0,0399
X2
0,1245
0,0865
1,4389
0,2236
Ocijenjeni regresioni model je:
Y = 20,7251 + 0,1130 X 1 + 0,1245 X 2

Zavisna varijabla Y predstavlja prihod preduzea izraen u hiljadama KM,
varijabla X1 je proizvodnja izraena u kilogramima i varijabla X2 trokovi
proizvodnje po kg izraeni u KM.
Znaenje dobijenih rezultata je sljedee: konstantni lan a = -20,7251.
Ukoliko ne bi bilo proizvodnje, niti trokova proizvodnje, oekivani prihod
bi bio negativan. Prihod se ne bi ostvarivao, a morale bi se plaati ve
preuzete obaveze vezane za pokretanje proizvodnje. Znaenje parametra uz
varijablu X1 ija je vrijednost 0,1130 je sljedee: ukoliko se proizvodnja
povea za jedan kg, prihod e se poveati za 1130 KM uz pretpostavku da
trokovi po jedinici proizvoda ostaju nepromijenjeni. Koeficijent uz
varijablu X2 je jednak 0,1245. Ukoliko bi se trokovi proizvodnje po
jedinici proizvoda poveali za 1 KM, prihod bi se poveao za 1245 KM, uz
pretpostavku da nivo proizvodnje ostaje nepromijenjen.
Koeficijent multiple korelacije R koji predstavlja povezanost izmedu
zavisne i dvije nezavisne varijable je jednak R = 0,95. To znai da postoji
jaka povezanost izmeu ukupnog prihoda Y i dvije posmatrane nezavisne
varijable koje su proizvodanja izraena u kg i trokovi po jedinici
proizvodnje. Koeficijent multiple determinacije R2 predstavlja dio varijacije
zavisne varijable objanjen ocijenjenim linearnim regresionim modelom.
Njegova vrijednost je R2 = 0,91 to znai da je 91% varijacije prihoda
objanjeno proizvodnjom izraenom u kg i trokovima po jedinici
proizvoda.
Statistika znaajnost regresijskog modela je odreena empirijskim F
omjerom i odgovarajuom p vrijednosti u tabeli ANOVA. U naem sluaju
p = 0,0085 < 0,01 pa zakljuujemo da barem jedna od nezavisnih varijabli
statistiki znaajno utie na vrijednost zavisne varijable uz nivo rizika od
1%. U izlaznoj tabeli Excela prezentovane su i statistike znaajnosti
144
regresionih koeficijanata koje se odreuju pomou t-statistike i pripadajuih

p vrijednosti. Za varijablu X1 vrijednost p= 0,0399, a za X2 p=0,2236.
Konstatujemo da u ocijenjenom regresionom modelu varijabla proizvodnja
u kg statistiki znaajno utie na zavisnu varijablu Y zbog toga to je
odgovarajua vrijednost p manja od 0,05. Za drugu varijablu p vrijednost je
vea od 0,05 i to znai da uticaj trokova po jedinici proizvodnje u ovom
modelu nije statistiki znaajan.

1.
2.
3.
4.
5.
6.
Na kojem kriteriju je bazirana metoda najmanjih kvadrata?

Napiite formule za ocjenu parametara a i b regresione prave.
Objasnite znaenje parametara a i b regresione prave.
Definiite i objasnite kovarijansu.
Da li je kovarijansa pokazatelj nezavisnosti posmatranih pojava?
Koji koeficijenti slue za mjerenje jaine i smjera povezanosti
ekonomskih pojava?
7. Definiite i objasnite znaenje koeficijenta determinacije.
8. U kojem intervalu se mogu kretati vrijednosti koeficijenta
determinacije?
9. Definiite i objasnite koeficijent linearne korelacije?
10. Koje vrijednosti moe imati koeficijent linearne korelacije?
11. Definiite varijansu zbira i razlike dvije nezavisne statistike varijable.
12. Definiite varijansu zbira i razlike dvije statistike varijable.
13. Napiite izraz za dekompoziciju ukupne varijanse.
14. Definiite rezidualnu (neobjanjenu) varijansu.
15. Definiite objanjenu varijansu.
145
3.7. RIJEENI ZADACI
Zadatak 1.
U sljedeoj tabeli su dati podaci o trokovima promocije i prihodu od
prodaje proizvoda Z:
Godine
1999
2000
2001
2002
2003
2004
2005
Trokovi promocije
(u 000 eura)
50
20
10
30
80
100
120
Prihod od prodaje
(u 000 eura)
280
220
180
220
320
330
350
Prvi dio:
1. Odredite zavisnu i nezavisu varijablu?
2. Predstavite dijagram rasipanja. Koji tip funkcije se najbolje prilagoava
datom dijagramu?
3. Koji je, po vaem miljenju, znak kovarijanse izmeu dvije posmatrane
varijable?
4. Izraunajte jednainu regresione prave.
5. Predstavite grafiki ovu pravu na dijagramu rasipanja. Komentariite.
6. Izraunajte koeficijent linearne korelacije i koeficijent determinacije i
objasnite njihova znaenja.
7. Marketing servis predvia za 2006 godinu budet za promociju u iznosu
od 125000 . Procijenite prihod od prodaje za 2006 godinu.
Komentariite.
146
Drugi dio:
Godine
Posmatrana
prodaja
yi
1999
2000
2001
2002
2003
2004
2005
Ukupno
280
220
180
220
320
330
350
1900
Prodaja
procijenjena
modelom
( yi yi )2
( yi y )2
yi
258,50
213,26
198,18
228,34
303,74
333,90
364,06
1900
462,14
45,40
330,58
69,59
264,28
15,24
197,80
1385,03
167,08
3383,35
5365,09
1856,43
1044,24
3903,15
8581,35
24300,69
1. Provjerite rezultat prve linije gornje tabele za 1999. godinu.

2. Uporedite aritmetiku sredinu posmatranih prodaja i aritmetiku sredinu
procijenjenih prodaja.
3. Izraunati neobjanjenu varijansu i varijansu objanjenu regresijonom
pravom.
4. Provjerite numeriki jednakost:
Ukupna varijansa = Objanjena varijansa + Neobjanjena (rezidualna)
varijansa.
5. Provjerite vrijednosti dobijene za koeficijent determinacije u prvom
dijelu.
Elementi rjeenja:
Prvi dio:
1. U ovom primjeru promjenljiva Y, prihod od prodaje proizvoda Z, je
zavisna promijenljiva. Posmatramo je kao funkciju nezavisne
promjenljive trokovi promocije X.
147
Prihod
2.
400
y = 1,508 x + 183,1
R 2 = 09461
300
200
100
0
20
40
60
80
100
120
140
Trokovi reklame
Grafikon 3.14
Dijagram rasipanja i regresiona prava
3. Kovarijansa je pozitivna.
4. y = 183,1 + 1,51x
5. Model linearne regresije se najbolje prilagoava datim podacima.
6. Koeficijent linearne korelacije r je jednak 0,97. To znai da postoji
visok stepen linearne korelacije izmeu dvije posmatrane varijable.
Vrijednost koeficijenta determinacije je jednaka 0,946 i to znai da je
94,6% varijacije prihoda objanjeno trokovima promocije.
r=
r2 =
Cov( X , Y )
XY
Cov 2 ( X ,Y )
x2 y2
= 0,972
= 0,946
7. Y ocjenjeno za 2006. godinu:
y = 183,1 + 1,51x
y = 183,1 + 1,51 125 = 371,85

Ako bi budet za promociju u 2006. godini iznosio 125 000 eura, prihod od
prodaje u ovoj godini bi bio 371850 eura.
148
Drugi dio:
1. Y procjenjeno za 1999
y = 183,1 + 1,51 50 = 258,6

2. Aritmetika sredina posmatranih prodaja i aritmetika sredina
procijenjenih prodaja su jednake 271,43.
3. Neobjanjena varijansa:
y2 / x =
( y i y i ) 2 1385.03
=
= 197.86
n
7
Objanjena varijansa:
2
y/x
( y i y ) 2 24300.69
=
=
= 3471.52
n
7
4. Ukupna varijansa:
( y y ) 2 ( y i y i ) 2 ( y i y ) 2
=
+
= 197.86 + 3471.52 = 3669.38
n
n
n
5.
r2 =
objanjena varijansa 3471.52

=
= 0.946
ukupna varijansa
3669.38
r2 =1
neobjanjena varijansa
197.86
=1
= 1 0.0539 = 0.946
ukupna varijansa
3669.38
Zadatak 2.
U sljedeoj tabeli posmatramo kretanje varijabli X i Y. Y je zavisna varijabla.
Godine
1999
2000
2001
2002
Ukupno
X
0
3
5
8
16
Y
2
5
3
6
16
149
Poznate su sljedee vrijednosti: aritmetika sredina varijable X jednaka je 4,

varijansa od X jednaka je 8,5, aritmetika sredina varijable Y jednaka je 4,
varijansa od Y jednaka je 2,5 i Cov(X, Y)=4.
1. Odrediti jednainu regresione prave.
2. Izraunati koeficijent determinacije i objasniti ga.
Elementi rjeenja:
b=
Cov( X , Y )
2
X
4
= 0, 47
8,5
a = y bx = 4 0, 47 4 = 2,12
y = 2,12 + 0, 47 x
r =
2
Cov 2 ( X , Y )

2
X
2
Y
4
= 0,188
8,5 2,5
Zadatak 3.
Za varijable X i Y poznato je 15 parova vrijednosti (xi, yi). Y je zavisna
varijabla. Poznati su sljedei parametri ove dvije distribucije:
x = 4,
X2 = 3.75
y = 4,
Y2 = 3
i koeficijent pravca regresione prave: b = - 0.8

1. Odredite jednainu regresione prave.
2. Izraunajte koeficijent linearne korelacije.
3. Odredite varijansu objanjenu regresionom pravom.
Elementi rjeenja:
a = y bx = 4 + 0,8 4 = 7, 2
y = 7, 2 0,8 x
r=
150
Cov( X , Y )
XY
b=
Cov ( X , Y )
X2
Cov ( X , Y ) = b X2 = 0,8 3,75 = 3

r=
Cov ( X , Y )
r2 =
XY
3
= 0,89
3,35
Objanjena varijansa
Ukupna varijansa
Objanjena varijansa = r 2 Ukupna varijansa = 0, 79 3 = 2,37
151
POGLAVLJE 4.
DINAMIKA ANALIZA I
MJERENJE EVOLUCIJE
Za istraivanje i analizu promjena pojava u vremenu primjenjuju se metode

dinamike analize. Dinamika analiza omoguava praenje promjena
pojava u vremenu i predvianje tendencije razvoja pojava.
4.1. APSOLUTNA I RELATIVNA PROMJENA

Apsolutna promjena pojave V izmeu datuma t i datuma 0 je jednaka:
V = Vt Vo
(4.1)
Apsolutna promjena je izraena u jedinicama mjere analizirane varijable.

Apsolutna promjena moe biti negativna.
Relativna promjena veliine pojave V izmeu perioda t i 0 je jednaka:
V Vt V0
=
V
V0
(4.2)
153
Relativna promjena se naziva stopa promjene. Ukoliko je stopa promjene

pozitivna naziva se stopa rasta. Stopu promjene moemo izraziti i
sljedeom formulom:
V Vt V0 Vt
=
= 1
V
V0
V0
(4.3)
Izraunavanje i objanjenje apsolutne i relativne promjene emo ilustrovati

na primjeru 4.1.
Primjer 4.1.
Tabela 4.1. Broj studenata i nastavnog osoblja na fakultetima u Federaciji BiH
Kod za kolsku godinu

Redovni studenti
Vanredni studenti
Nastavnici
Saradnici
Broj fakulteta
1997/98 1998/99 1999/00

(1)
(2)
(3)
22 697 26 649 28 912
6 451
9 315 11 483
1 250
1 294
1 442
1 080
1 185
1 248
40
48
47
2000/01
(4)
31 861
11 360
860
913
48
2001/02
(5)
32 614
12 192
777
898
48
Izvor: Statistiki godinjak Federacije BiH, 2002, Sarajevo, str.309.
U koloni posmatramo strukturu studenata, nastavnog osoblja i broja

fakulteta. U 2001/02 godini je bilo 32 614 redovnih i 12 192 vanredna
studenta. Broj nastavnika je bio 777, a saradnika 898. Broj fakulteta je bio
48. Za svaku od posmatranih godina moemo analizirati datu strukturu.
Analiza redova u datoj tabeli omoguava istraivanje evolucije analiziranih
pokazatelja i struktura u vremenu.
Na grafikonima 4.1. i 4.2. je prezentirana struktura posmatranih pokazatelja
i njihova evolucija u vremenu.
154
Poglavlje 4. Dinamika analiza i mjerenje evolucije
35000
30000
redovni studenti
25000
vanredni studenti
20000
nastavnici
saradnici
15000
10000
5000
0
1997/98
Grafikon 4.1.
1998/99
1999/00
2000/01
2001/02
Struktura studenata i nastavnog osoblja
35000
30000
1997/98
25000
1998/99
20000
1999/00
15000
2000/01
2001/02
10000
5000
0
redovni
Grafikon 4.2.
vanredni
nastavnici
saradnici
Evolucija broja studenata i nastavnog osoblja
U posmatranom periodu broj studenata, redovnih i vanrednih, je u stalnom

porastu. Broj nastavnika i saradnika pokazuje tendenciju opadanja od
1999/00 godine. Koristei prezentiranu i analiziranu definiciju i izraz za
apsolutnu promjenu izraunali smo i prezentirali u narednoj tabeli apsolutne
stope promjene broja studenata i nastavnog osoblja na fakultetima u
Federaciji Bosne i Hercegovine.
155
Tabela 4.2. Apsolutne promjene broja studenata i nastavnog osoblja na

fakultetima u Federaciji Bosne i Hercegovine
Redovni studenti
Vanredni studenti
Nastavnici
Saradnici
V2-1
3 952
2 864
44
105
V3-2
2 263
2 168
146
63
V4-3
2 949
-123
-582
-335
V5-4
753
832
-83
-15
V5-1
9 917
5 741
-473
-182
Najvea apsolutna promjena broja redovnih studenata je bila izmeu

1997/98 i 1998/99 akademske godine. Broj redovnih studenata se u periodu
izmeu ove dvije akademske godine poveao za 3952. Najmanja apsolutna
promjena je bila izmeu 2000/01 i 2001/02 akademske godine. Broj
studenata se poveao za samo 753. Apsolutna promjena broja redovnih
studenata izmeu 2001/02 i 1998/99 je bila 9 917 studenata. Ovu apsolutnu
promjenu smo izraunali na osnovu definicije apsolutne promjene.
Apsolutnu promjenu u ovom periodu moemo izraunati i sabiranjem
uzastopnih apsolutnih promjena u posmatranim godinama:
V5-1= V2-1+V3-2+V4-3+V5-4 .
Npr. za redovne studente: 9917=3952+2263+2949+753.
Na isti nain bismo mogli utvrditi apsolutne promjene i za ostale
posmatrane kategorije.
Apsolutne promjene broja vanrednih studenata su bile pozitivne, osim u
periodu izmeu 1999/00 i 2000/01 godine.
Apsolutne promjene broja nastavnika i saradnika su bile pozitivne u prve
dvije akademske godine, a u naredne dvije godine su bile negativne to
ukazuje na to da se broj nastavnika i saradnika smanjio u tim godinama.
Broj nastavnika se smanjio za 473 u 2001/02 u odnosu na 1997/98 godinu.
U posmatranom periodu, za tri od pet akademskih godina utvrdili smo
negativnu apsolutnu promjenu saradnika.
156
Tabela 4.3. Relativna promjena broja studenata i nastavnog osoblja na

fakultetima u Federaciji Bosne i Hercegovine
Redovni studenti
Vanredni studenti
Nastavnici
Saradnici
V2 V1
V1
V3 V2
V2
V4 V3
V3
V5 V4
V4
V5 V1
V1
17,41
44,39
3,52
9,72
8,49
23,27
11,28
5,32
10,20
-1,07
-40,36
-26,84
2,36
7,32
-9,65
-1,64
43,69
88,99
-37,84
-16,85
Relativne promjene redovnih studenata su u svim posmatranim godinama

bile pozitivne. U periodu izmeu 1997/98 i 2001/02 godine stopa promjene
je dostigla nivo 43,69%.
Relativne promjene, odnosno stope promjene se ne mogu sabirati. Stope
promjene ne posjeduju osobine raunanja. Stopa promjene u periodu
izmeu 1998/99 i 2001/02 godine nije jednaka zbiru stopa promjene za
pojedine godine posmatranog perioda:
V5 1 V2 1 V3 2 V4 3 V5 4
+
+
+
V1
V1
V2
V3
V4
Ovu osobinu stope promjene provjeravamo na primjeru redovnih studenata:
43,6917,41+8,49+10,20+2,36=38,48
Najveu stopu rasta konstatujemo kod vanrednih studenata izmeu prve i
posljednje posmatrane akademske godine. Stopa rasta je bila 88,99 %.
Negativne stope promjene konstatujemo u dva perioda kod nastavnika i
saradnika. U 2001/02 u odnosu na 1997/98 godinu broj nastavnika se
smanjio za 37,84 %, a broj saradnika za 16,85 %. Da bi analiza bila
kompletna, potrebno je istovremeno posmatrati i relativne i apsolutne
promjene.
U narednom primjeru emo grafiki ilustrovati, izraunati i analizirati
apsolutne i relativne promjene broja nezaposlenih u Federaciji Bosne i
Hercegovine prema strunoj spremi.
157
Tabela 4.4. Broj nezaposlenih osoba u Federaciji BiH prema strunoj spremi
1998
2 851
2 358
48 383
84 273
10 786
107 836
256 487
VSS
VSS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
1999
2 635
2 485
49 870
87 852
14 997
103 954
261 793
2000
2 853
2 827
51 684
90 330
15 226
98 853
261 773
2001
3 043
3 236
54 877
95 359
15 965
96 524
269 004
Izvor: Statistiki godinjak Federacije BiH, 2002, Sarajevo, 2002, str.270.
120,000
VSS
100,000
VS
80,000
SSS
60,000
VKV, KV
40,000
PKV, NSS
20,000
NKV
1998
Grafikon 4.3.
1999
2000
2001
Struktura nezaposlenih prema strunoj spremi u Federaciji BiH
120,000
100,000
1998
80,000
1999
60,000
2000
40,000
2001
20,000
0
VSS
Grafikon 4.4.
158
VS
SSS
VKV, KV
PKV, NSS
NKV
Evolucija broja nezaposlenih u Federaciji BiH prema strunoj spremi
Tabela 4.5. Apsolutne promjene broja nezaposlenih osoba u Federaciji BiH

prema strunoj spremi
1999/98
-216
127
1 487
3 579
4 211
-3 882
5 306
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
2000/99
218
342
1814
2 478
229
-5101
-20
2001/00
190
409
3 193
5 029
739
-2 329
7 236
2001/98
192
878
6494
11 086
5 170
-11312
12 517
15000
Absolutna promjena
10000
5000
NKV
0
-5000
VSS
-10000
VS
1998/99
SSS
VKV, KV
1999/00
2000/01
PKV, NSS
1998/01
-15000
Grafikon 4.5.
Absolutne promjene broja nezaposlenih u Federaciji BiH
Tabela 4.6. Relativna promjena broja nezaposlenih osoba u Federaciji BiH

prema strunoj spremi u %
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
1999/98
-7,58
5,38
3,07
4,25
39,04
-3,60
2,07
2000/99
8,27
13,76
3,64
2,82
1,53
-4,91
-0,008
2001/00
6,66
14,47
6,18
5,57
4,85
-2,36
2,76
2001/98
6,73
37,23
13,42
13,15
47,93
-10,49
4,88
159
Relativna stopa promjene

%
60
1999/98
50
2000/99
2001/00
2001/98
40
30
20
10
0
-10
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
-20
Grafikon 4.6.
Relativne stope promjene nezaposlenih u Federaciji BiH u %
Na osnovu izraunatih i prezentiranih parametara i njihovih grafikih

prikaza moemo dati kompletnu analizu evolucije nezaposlenih osoba
prema strunoj spremi. Grafiki prikazi koje smo kompletirali su
ilustrativniji od desetine reenica jer nam omoguavaju vizuelno
posmatranje promjena i u strukturi i u evoluciji nezaposlenih u
posmatranom periodu.
Zapaamo da je dolo do porasta broja nezaposlenih vie i srednje strune
spreme, kao i svih kategorija kvalifikovanih radnika. Jedino smanjenje
broja nezaposlenih biljee nekvalifikovani radnici. Ove konstatacije
potvruju i izraunate relativne promjene.
4.2. INDEKSI
Statistika analiza razlikuje apsolutne i relativne promjene. Termin
relativne promjene se razvio na vie nivoa u sluajevima kada se porede
razliite veliine u prostoru i vremenu. Za opis i poreenje evolucije pojava
i varijabli iji je red veliina razliit najee se koriste indeksi.
Indeks je broj koji objanjava relativnu promjenu jednostavne ili
kompleksne veliine izmeu dva perioda, od kojih se jedan odabire kao
bazni period. Kako je indeks odnos izmeu dvije veliine iste prirode, on ne
posjeduje jedinicu mjere. Indeks je, dakle, neimenovan broj.
160
Najpoznatija dihotomija ideksa je na individualne (elementarne, proste) i

agregatne (sintetike) indekse.
Individualni indeksi se primjenjuju u sluaju kada elimo analizirati
homogene veliine. Individualni indeksi se konstruiu tako da
fiksiramo bazni period i izraunavamo promjenu posmatrane
veliine izmeu posmatranog perioda, koji emo oznaiti sa t, i
baznog perioda, koji oznaavamo sa 0. Individualni indeks je bazni
elemenat statistike analize hronolokih serija.
Agregatni indeksi se baziraju na istim principima, ali se primjenjuju
za analizu heterogenih veliina. Neki od njih slue kao referentni
indeksi. Najpoznatiji su indeksi vrijednosti, indeksi cijena, indeksi
fizikog obima proizvodnje, indeksi trokova ivota, berzni indeksi
(Dow Jones, CAC 40), itd. Njihova konstrukcija je tehniki i
metodoloki vrlo komplikovana to ponekad oteava njihovo
tumaenje.
Praktina korisnost indeksa dolazi posebno do izraaja ako se analiza vri
za dui period. Fiksira se bazna godina za koju je indeks jednak 1 (ili 100),
zatim se raunaju indeksi za svaku godinu. Ukoliko su indeksi vei od 100,
posmatrana pojava je relativno rasla u odnosu na bazni ili prethodni period.
Kada su indeksi manji od 100, analizirana pojava je opadala u odnosu na
bazni ili prethodni period.
Indeksi nam pruaju direktno sintetiki pogled na evoluciju u odnosu na
bazni ili prethodni period i omoguavaju praenje promjena analiziranih
veliina izmeu svih posmatranih perioda.
4.2.1. Individualni indeksi
Individualni indeks se primjenjuje za analizu promjena u vremenu
posmatrane veliine, kao i za poreenje evolucije vie razliitih veliina.
Indeksi se mogu izraziti u odnosu na bazu 1 ili 100. Za izraunavanja se, iz
praktinih razloga, koriste indeksi u bazi 1. Konani rezultati se prezentiraju
u formi indeksa ija je baza 100 ili u obliku stope promjene u procentima.
Indeks nema jedinice mjere. Indeks je, kao to smo ve naveli, neimenovan
broj koji ima veliku praktinu upotrebu.
Individualni indeksi se mogu izraunavati na osnovu stalne i promjenljive
baze.
161
4.2.1.1. Indeksi sa stalnom bazom (bazni indeksi)

Bazne indekse ili indekse sa stalnom bazom izraunavamo kao kolinik
izmeu veliine analizirane pojave u posmatranom i odabranom baznom
periodu. Da bismo izraunali indeks sa stalnom bazom potrebno je prvo
odabrati baznu godinu za koju indeks ima vrijednost 1 (ili 100). Ako sa Vt
oznaimo veliinu analizirane pojave u periodu t i sa V0 oznaimo veliinu
analizirane pojave u baznom periodu, individualni indeks izmeu ta dva
perioda emo izraunati na sljedei nain:
it / 0 =
Vt
V0
(4.4)
Individualni indeks veliine V za period t u odnosu na bazni period 0 ako je

baza 100 u periodu 0 je dat sljedeim izrazom:
I t / 0 = it / 0 100 =
Vt
100 9
V0
(4.5)
Bazni indeksi se definiu kao indeksi razvoja. Ovi indeksi su pokazatelj

razvoja pojava u posmatranom periodu u odnosu na bazni period. Bazni
indeksi se koriste i za poreenja razvoja vie pojava. Indeksi sa stalnom
bazom se koriste za analizu i poreenja na isti nain kao i originalni podaci
o vrijednostima posmatranih pojava.
Razlika izmeu dva bazna indeksa je pokazatelj indeksnih poena.
Na bazi podataka iz tabele 4.4., izraunali smo bazne indekse nezaposlenih
osoba prema strunoj spremi. Za bazu smo odabrali 1998. godinu.
Izraunate indekse prezentujemo u tabeli 4.7.
Sa malim i oznaavamo proste indekse ako su izraeni u bazi 1. Mnoenjem ovih

indeksa sa 100 dobijamo indekse izraene u bazi 100 i oznaavamo ih sa velikim
slovom I.
162
Tabela 4.7. Bazni indeksi I t / 0
I1998
100
100
100
100
100
100
100
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
I99/98
92,42
105,39
103,7
104,25
139,04
96,40
102,07
I00/98
100,07
119,89
106,82
107,19
141,16
91,67
102,06
I01/98
106,73
137,23
113,42
113,15
148,02
89,51
104,88
Indeks nezaposlenosti za visoku strunu spremu u 1999.g. baza 100 u

1998.g. je jednak 92,42. To znai da je nezaposlenost VSS u tom periodu
opala za 7,58 %. Indeks nezaposlenosti VSS u 2001. baza 100 u 1998.g. je
106,73. Stopa rasta nezaposlenosti VSS u ovom periodu je bila 6,73%.
Indeks ukupnog broja nezaposlenih u periodu 1998.-2001. godine je bio
104,88. U ovom periodu ukupan broj nezaposlenih je porastao za 4,88%. Po
analogiji sa datim objanjenjima mogli bismo analizirati i ostale podatke iz
tabele 4.7. za sve kategorije nezaposlenih u posmatranim periodima.
Na dva grafikona koji slijede smo predstavili bazine indekse nezaposlenih
osoba visoke strune spreme (VSS).
110
106,73
105
100
100
95
100,07
92,42
90
85
1998
Grafikon 4.7.
1999/98
2000/98
2001/98
Bazni indeksi broja nezaposlenih VSS baza 100 u 1998.g.
163
110
106,73
105
100
100
100,07
95
92,42
90
1999/98
1998
Grafikon 4.8.
2000/98
2001/98
Bazni indeksi broja nezaposlenih VSS, baza 100 u 1998. godini
2.1.2. Indeksi sa promjenljivom bazom (lanani, verini indeksi)

Indeksi sa promjenljivom bazom predstavljaju odnose veliine pojave u
posmatranom i prethodnom periodu. Da bismo konstruisali indekse sa
promjenljivom bazom ili lanane indekse kao bazni period odabiremo svaki
put prethodni period. Indekse sa promjenljivom bazom izraunavamo tako
da za bazu uzimamo svaki put podatke iz prethodnog perioda. Lanani
indeks veliine V u periodu t u odnosu na period (t-1) ako je baza 1 u
periodu (t-1) je jednak:
it / t 1 =
Vt
Vt 1
(4.6)
Lanani indeks veliine V za period t u odnosu na period (t-1) ako je baza

100 u periodu (t-1) je jednak:
I t / t 1 = it / t 1 100 =
Vt
100
Vt 1
(4.7)
Ovi indeksi se nazivaju i koeficijenti dinamike, jer pokazuju dinamiku i

tempo promjene posmatrane pojave u odnosu na prethodni period.
Koristei podatke iz tabele 4.4. izraunali smo lanane indekse
nezaposlenih osoba prema strunoj spremi. Izraunate indekse
prezentujemo u tabeli 4.8.
164
Tabela 4.8. Lanani indeksi I t/t-1
VSS
VS
SSS
VKV, KV
PKV, NSS
NKV
Ukupno
I99/98
92,42
105,39
103,7
104,25
139,04
96,40
102,07
I00/99
108,27
113,76
103,64
102,82
101,53
95,09
99,99
I01/00
106,66
114,47
106,18
105,57
104,85
97,64
102,76
Ukupan broj nezaposlenih se poveao u 1999. u odnosu na 1998. godinu za

2,07%. Izmeu 1999. i 2000.g. broj nezaposlenih je ostao skoro
nepromijenjen. U periodu 2000.-2001. godina ukupan broj nezaposlenih se
poveao za 2,76%.
Na sljedeem grafikonu su predstavljeni lanani indeksi nezaposlenih
visoke strune spreme (VSS).
110
108
106
104
102
100
1998
98
1999
2000
2001
96
94
92
90
Grafikon 4.9.
Lanani indeksi nezaposlenih VSS
Koristei podatke o broju diplomiranih studenata na ekonomskim fakultetima

i Fakultetu za poslovni menadment u Sarajevu izraunali smo bazne i
lanane indeksa koje zajedno sa podacima predstavljamo u sljedeoj tabeli.
165
Tabela 4.9. Broj diplomiranih studenata na E.F., bazni i lanani indeksi

Godine
1998
1999
2000
2001
2002
Ukupan broj studenata
581
484
532
665
462
ene
345
273
310
373
275
Procenat ena po godinama
59,38% 56,40% 58,27% 56,09% 59,52%
Bazni indeksi (1998) - Ukupno
100
83,30 91,57 114,46 79,52
83,30 109,92 125,00 69,47
Lanani indeksi -Ukupno
100
79,13 89,86 108,12 79,71
Bazni indeksi (1998) - ene
79,13 113,55 120,32 73,73
Lanani indeksi - ene
Izvor: Statistiki godinjak Bosne i Hercegovine 2005., Federalni zavod za statistiku,
Sarajevo, str. 295.
Na sljedeim grafikonima smo prezentirali bazne i lanane indekse za

ukupan broj studenata, kao i bazne i lanane indekse za ene.
120
110
100
90
114.46
100
91.57
80
83.30
79.52
70
60
1998
Grafikon 4.10.
166
1999
2000
2001
2002
Bazni indeksi ukupnog broja studenata sa bazom u 1998. godini
130
120
110
100
1998
2001
1999
90
2000
80
70
2002
60
50
Grafikon 4.11.
Lanani indeksi ukupnog broja studenata

u periodu od 1998. do 2002. g.
120
108,12
110
100
100
90
89,86
80
70
60
79,71
79,13
1998
Grafikon 4.12.
1999
2000
2001
2002
Bazni indeksi broja studentica sa bazom u 1998.g.
167
130
120
110
100
1998
1999
90
2000
2001
2002
80
70
60
50
Grafikon 4.13.
Lanani indeksi broja studentica

u periodu od 1998. do 2002. godine
Primjer 4.2.
Na osnovu podataka datih u tabeli 4.10.a. izraunati i grafiki predstaviti
bazne indekse (baza 1997. godina), lanane indekse i prosjenu godinju
stopu promjene drutvenog proizvoda Bosne i Hercegovine u periodu 19972001.
Tabela 4.10.a. Drutveni bruto proizvod BiH u milionima KM
DBP
1997.
1998.
1999.
2000.
2001.
6367
7244
8604
9611
10480
Izvor: Statistiki bilten broj 1., Agencija za statistiku BiH, 2003., str. 20.
Bazni indeksi su predstavljeni u sljedeoj tabeli i grafikonima.
8604
100 = 135,13 . Stopa rasta DBP izmeu 1997. i
6367
1999. je bila 35,13%.
Naprimjer: I 99 / 97 =
168
Tabela 4.10.b. Bazni indeksi za drutveni bruto proizvod BiH u milionima KM
180
160
140
120
100
80
60
40
20
0
I 97
I 98/97
I 99/97
I 00/97
I 01/97
100
113,77
135,13
155,95
164,60
135,13
100,00
1997
150,95
164,60
113,77
1998
1999
2000
2001
Grafikon 4.14. Bazni indeksi DBP BiH baza 100 u 1997. godini
180
160
140
120
100
80
60
40
20
0
1997
Grafikon 4.15.
1998
1999
2000
2001
Bazni indeksi DBP BiH baza 100 u 1997. godini
Na osnovu podataka iz tabele 4.10.a. izraunali smo seriju lananih indeksa

drutvenog proizvoda Bosne i Hercegovine baza 100 u periodu (t-1).
169
I 99 / 98 =
8604
100 = 118,77
7244
Tabela 4.10.c. Lanani indeksi za drutveni bruto proizvod BiH

u milionima KM
I 97/96
I 98/97
I 99/98
I 00/99
I 01/00
113,77
118,77
111,70
109,04
120
115
118,77
113,77
111,7
109,04
110
105
1998/97
Grafikon 4.16.
1999/98
2000/99
2001/00
Lanani indeksi DBP BiH baza 100 (t-1)
Primjer 4.3.
U narednoj tabeli i grafikonu predstavljamo podatke o indeksima cijena na
malo i indeksima trokova ivota u Federaciji BiH.
Tabela 4.11. Indeksi cijena na malo u Federaciji BiH
1999
1998
2000
1999
2001
2000
2002
2001
2003
2002
2004
2003
Indeksi cijena na malo
99,1
101,2
101,7
99,8
100,2
99,7
Indeksi trokova ivota
99,3
101,4
102,1
101,0
100,6
100,0
Izvor: Statistiki godinjak Federacije Bosne i Hercegovine 2005, str. 260. i 262.
170
Indeksi cijena
na malo
Indeksi
trokova ivota
103
102
101
100
99
98
1999/98
2000/99
Grafikon 4.17.
2001/00
2002/01
2003/02
2004/03
Indeksi cijena i trokova ivota
4.2.2. Osobine indeksa
Indeks ostaje nepromijenjen ako se posmatrana veliina ne mijenja.

Ova osobina se naziva osobina identiteta. Ako je Vt=V0,
odgovarajui indeksi ostaju nepromijenjeni tj.
it/0= i0/0=1
(4.8)
Osobina tranzitivnosti je izraena sljedeom relacijom:
it / 0 = it / t ' it ' / 0 =
Vt Vt ' Vt
=
Vt ' V0 V0
(4.9)
Ovu osobinu zadovoljavaju indeksi iji je proizvod jednak odnosu veliine

pojave u posmatranom i baznom periodu.
Ova osobina se moe generalizirati na seriju sukscesivnih indeksa.
Naprimjer, vrijednost indeksa u periodu t = 4 u odnosu na bazni period 0
(i4/0) je jednaka proizvodu uzastopnih indeksa u prethodnim periodima:
i4 / 0 = i4 / 3 i3 / 2 i2 / 1 i1 / 0 =
V4 V3 V2 V1 V4

=
V3 V2 V1 V0 V0
171
Koristei izraz:
it / t ' =
it / 0
it ' / 0
(4.10)
moemo porediti posmatranu veliinu u periodima t i t.

Osobina recipronosti se moe definisati u odnosu na vrijeme. Ova
osobina kae da je reciproan indeks neutralan u odnosu na vrijeme.
To znai da se promjena baznog datuma predstavlja inverznom
formulom:
it / 0 =
1
i0 / t
it / 0 i 0 / t = 1
(4.11)
Za t =1 gornja formula ima sljedei oblik:
i1 / 0 =
1
i0 / 1
i1 / 0 i0 / 1 = 1
(4.12)
Inverzijom baznog i tekueg perioda ostvaruje se recipronost indeksa.

Recipronost indeksa ne znai da su procenti rasta i opadanja identini.
Posmatrajmo indeks ija je vrijednost jednaka 1 u baznom i 1,5 u periodu 1:
i1 / 0 =
i0 / 1 =
V1 1,5
=
= 1,5
V0
1
1
i1 / 0
1
= 0,67
1,5
Rast izmeu datuma 0 i 1 je 50%. Opadanje izmeu 1 i 0 je 33%.
Osobina cirkularnosti. Kada su zadovoljene osobine tranzitivnosti i

recipronosti definisana je i osobina cirkularnosti:
it / t ' it '/ 0 i0 / t = it / 0 i0 / t = 1, odnosno

Vt Vt ' V0 Vt

=
=1
Vt ' V0 Vt Vt
ili
172
(4.13)
i2 /1 i1/ 0 i0 / 2 = i2 / 0 i0 / 2 = 1, odnosno
(4.14)
V2 V1 V0 V2
=
=1
V1 V0 V2 V2
Na osnovu tranzitivnosti, proizvod prva dva lana je jednak i2/0. Na osnovu

recipronosti i2/0 i0/2=1.
Primjer 4. 4.
Primjena osobina indeksa na primjeru iz tabele 4.7. za visoku strunu
spremu (VSS) i ukupan broj nezaposlenih:
VSS
Ukupno
I 99/98
I 00/99
I 01/00
I 01/98
92,42
108,27
106,66
106,73
102,07
99,99
102,76
104,88
Da bismo izraunali indeks nezaposlenih VSS u periodu od 1998. do 2001.

godine na osnovu lananih indeksa za prethodne tri godine primijeniemo
osobinu tranzitivnosti indeksa:
i01 / 98 = i01 / 00 i00 / 99 i99 / 98 =
V01 V00 V99 V01
=
V00 V99 V98 V98
i01/ 98 = 1,0666 1,0827 0,9242 = 1,0673

I 01/ 98 = i01/ 98 100 = 106,73
Primjenom osobine tranzitivnosti smo izraunali i indeks ukupnog broja
nezaposlenih u istom periodu i rezultat upisali u gornju tabelu.
Primjena indeksa u izraunavanju stope promjene
Stopu promjene smo definisali sljedeim izrazom:
V Vt V0 Vt
=
= 1
V
V0
V0
173
Poto je indeks na bazi 1 jednak it / 0 =
Vt
izraz za stopu promjene moemo
V0
napisati na sljedei nain:
V Vt V0 Vt
=
=
1 = it / 0 1
V
V0
V0
(4.15)
Stopa promjene koju moemo oznaiti sa s je jednaka razlici izmeu

indeksa u bazi 1 jedinice:
s=
V
= it / 0 1
V
(4.16)
Indeks u bazi 1 je jednak zbiru stope promjene i jedinice. Poto stope

promjene ne posjeduju osobine raunanja, u izraunavanju stopa potrebno
je koristiti indekse u bazi 1, a konani rezultat se moe izraziti ili u bazi
100, ili kao stopa promjene u procentima.
Na osnovu izraunatih relativnih promjena broja nezaposlenih osoba visoke
strune spreme (u %) u Federaciji BiH prezentovanih u tabeli 4.6. izraunat
emo stopu promjene broja nezaposlenih u periodu 1998/2001. Dakle, na
osnovu sljedeih podataka
VSS
1999/98
2000/99
2001/00
-7,58
8,27
6,66
2001/98
emo izraunati traenu stopu. Kako stope promjene nemaju nikakvu

osobinu raunanja potrebno je primijeniti indekse na bazi 1.
Na osnovu podataka iz gornje tabele, raunamo proste indekse za tri
posmatrana perioda. Prvo stope promjene izrazimo u obliku decimalnih
brojeva, a zatim primijenimo vezu prema kojoj je indeks u bazi 1 jednak
stopi promjene uveanoj za jedinicu. Ovim postupkom smo dobili sljedee
rezultate:
i99 / 98 = 0,0758 + 1 = 0,9242

i00 / 99 = 0,0827 + 1 = 1,0827
i01 / 00 = 0,0666 + 1 = 1,0666
174
Primjenom osobine tranzitivnosti raunamo indeks za traeni period:
i01/ 98 = i99 / 98 i00 / 99 i01/ 00

= 0,9242 1,0827 1, 0666 = 1, 06727 1, 0673
Da bismo izraunali stopu promjene, broja nezaposelnih u periodu 19982001, koristiti emo vezu izmeu indeksa i stope promjene. U ovom
primjeru stopa promjene je jednaka indeksu u bazi jedan umanjenom za
jedinicu: 1,0673-1=0,0673. Ako rezultat elimo izraziti u procentima
pomnoiemo ga sa 100. U periodu izmeu 1998. i 2001.g., broj
nezaposelnih sa visokom strunom spremom se poveao za 6,73%.
Stope promjene se ne mogu sabirati. Zbir stopa promjene u uzastopnim
periodima ne daje stopu promjene u periodu koji sadri te uzastopne
periode. Npr. stope promjene od 7,58 zatim 8,27 i 6,66 ne uveavaju
nezaposlenost za 7,35% = (7,58 + 8,27 + 6,66) nego kao to smo
izraunali za 6,73%.
Prosjena godinja stopa promjene
Pretpostavimo da veliina V raste po godinjoj stopi r. Oznaimo njenu

vrijednost u periodu 1, dakle, u polaznoj godini, sa V1. Godinu poslije
vrijednost veliine V e biti jednaka:
V2 =V1 + V1 r = V1 (1+r)
(4.17)
Ako se rast nastavi po istoj stopi, u periodu 3 emo imati:

V3 =V2 + V2 r = V2 (1+r) = V1 (1+r)2
(4.18)
Poslije t godina veliina e biti jednaka:

Vt = V1 (1+r)t-1
(4.19)
(1 + r )t 1 =
(1 + r ) = t 1
r = t 1
Vt
V1
Vt
V1
(4.20)
Vt
1 = t 1 it /1 1
V1
175
Vt
se naziva prosjean indeks promjene i predstavlja geometrijsku
V1
sredinu lananih indeksa. Prosjena godinja stopa promjene je jednaka
prosjenom godinjem indeksu promjene umanjenom za jedinicu. Ukoliko
stopu promjene elimo izraziti u procentima, izraz za stopu promjene emo
pomnoiti sa 100:
Izraz
t 1
r = t 1 t 1 100 =
V1
t 1
it /1 1 100
(4.21)
Prosjena godinja stopa promjene je jednaka geometrijskoj sredini

lananih indeksa umanjenoj za jedinicu.
Ova formula moe biti koritena direktno ukoliko poznajemo prosjeni
godinji indeks ili vrijednosti posmatrane varijable u posmatranim
periodima10.
Izraz za prosjenu godinju stopu moemo napisati i u razvijenom obliku:
V V
V
r = t 1 t 1 100 = t 1 t t -1 2 1 100
V1
Vt -1 Vt -2 V1
(
=(
=
Izraz (1 + r )t 1 =
t 1
it / t -1 it 1/ t 2 i2 /1 1 100
t 1
it /1 1 100
(4.22)
Vt
moemo koritenjem logaritama izraziti u sljedeem
V1
obliku:
(t 1) log (1 + r ) = log
log (1 + r ) =
10
Vt
V1
log Vt log V1
t 1
Ovu vrijednost moe biti izraunata direktno koritenjem digitrona ili primjenom
logaritama.
176
log Vt log V1
(1 + r ) = anti log
t 1
log Vt log V1
r = anti log
1
t 1
(4.23)
i izraunati koritenjem logaritama.

Period t za koji bi se dostigao planirani nivo veliine V se izraunava na
sljedei nain:
r = t 1
Vt
1
V1
r + 1 = t 1
Vt
V1
log(r + 1) =
t=
1
(log Vt log V1 )
t 1
(log Vt log V1 )
log(r + 1)
+1
(4.24)
Primjer 4.5.
Da bismo na osnovu podataka iz tabele 4.10. izraunali prosjenu godinju
stopu promjene drutvenog proizvoda BiH u periodu 1997.-2001. potrebno
je prvo izraunati indekse na bazi 1, a zatim izraunati prosjean godinji
indeks u periodu 1997.-2001. i na osnovu tog podatka, izraunati prosjenu
godinju stopu promjene.
Godinji indeks u periodu 1997.-2001. je jednak:
i01 / 97 = i01 / 00 i00 / 99 i99 / 98 i98 / 97

i01/ 97 = 1,0904 1,1170 1,1877 1,1377 = 1,646
Prosjeni godinji indeks dobijamo na sljedei nain:
i = 4 1,6460 = 1,64601/ 4 = 1,1327
177
Prosjeni godinji indeks je 1,1327. Prosjena godinja stopa rasta je bila

13,27%.
Dakle, prosjena godinja stopa promjene je jednaka geometrijskoj sredini
lananih indeksa (baza 1) umanjenoj za jedinicu za posmatrani period:
r01 / 97 = 4 i01 / 97 1 = 4 i01 / 00 i00 / 99 i99 / 98 i98 / 97 1
= 4 1,0904 1,1170 1,1877 1,1377 1 = 4 1,6460 1 = 1,1327 1 = 0,1327
Prosjena godinja stopa rasta drutvenog proizvoda u periodu 1997.-2001.

godina je bila 13,27%.
Utvrivanje prosjene godinje stope promjene r moemo formalizirati i na
sljedei nain:
r = 4 i01/ 00 i00 / 99 i99 / 98 i98 / 97 1

=
V01 V00 V99 V98
1
V00 V99 V98 V97
V01
1 = 4 i01/ 97 1
V97
= 4 1, 646 1 = 1,1327 1 = 0,1327

Primjer 4.6.
Odrediti prosjenu godinju stopu promjene ako agregatni pokazatelj V
raste 10% prve godine, 20% druge, 25% tree i 40% etvrte godine.
Vt = V1 (1 + r )
t 1
= V1 (1 + r )
Vt = V1 (1 + 0,1) (1 + 0, 2 ) (1 + 0, 25) (1 + 0, 40 )
(1 + r )4 = (1,1) (1,2) (1,25) (1,40) = 2,31

(1 + r ) = 4 2,31 = 2,311 / 4
(1 + r ) = 1,23
r = 0,23
178
ili
log(1 + r ) =
log 2,31
= 0,0909
4
(1 + r ) = anti log 0,0909

(1 + r ) = 1,23
r = 0,23
r = 23%
Prosjena godinja stopa rasta je bila 23%.
Primjer 4.7.
Veliina V se uveala u prvoj godini 20%, a u drugoj godini se smanjila za
20%.
a) Koliko se veliina V promijenila u toku dvije godine?
b) Kolika je prosjena godinja stopa promjene?
c) Ako se veliina V uveala za 20% prve godine, koliko treba da se
promijeni u drugoj godini da bi dostigla nivo iz prve godine?
a) V2 = V1 (1 + 0, 2 )
V3 = V2 (1 0, 2 ) = V1 (1 + 0, 2 ) (1 0, 2 )
V3 = V1 (1, 2 ) ( 0,8 ) = V1 0,96
Veliina V je opala za 4% u toku dvije godine.
b) V3 = V1 (1 + r )
(1 + r )2 = 0,96
1 + r = 0,9798
r = -0,0202
r = -2,02%
Prosjena godinja stopa promjene je jednaka -2,2%.
179
Ili
r = i2 /1 i1/ 0 1 = 0,8 1,2 1 = 0,96 1 = 0,9798 1 = 0,0202
r = 2,02%
c) V3 = V2 (1 + r )
V2 = V1 1, 20
Slijedi:
V3 = V1 1, 20 (1 + r ) 1, 20 (1 + r ) = 1 (1 + r ) =
1
20
1
1
1,20
r = 0,1666
r=
Poslije poveanja od 20% V se mora smanjiti za 16,66% da bi dostigao svoj

nivo iz baznog perioda.
Primjer 4.8.
U periodu 1993.-2002. stopa poreza je rasla u apsolutnom iznosu 1% svake
godine, a u 2003. i 2004. godini je rasla za 0,5% godinje. U 2005.g. je
opala za 1%.
U 2002. stopa poreza je bila 44%.
a) Izraunati prosjenu godinju stopu poreza izmeu 1993. i 2005.
b) U kojoj godini bi ova stopa bila vea od 50%?
Rjeenje:
a) U 1993: 0, 44 0, 09 = 0,35
U 2004: 0,44 + 0,01 = 0,45
U 2005: 0,45 0,01 = 0,44
r = 12
0, 44
1 = 12 1, 2571 1 = 1, 0193 1 r = 1,93%
0,35
b) U 2005.g. r = 44%. Ova stopa e biti vea od 50%, t godina poslije

2005.g. ako se uveava po prosjenoj stopi od 1,93% godinje.
180
0, 44 (1, 0193)
(1, 0193)
t 1 =
t 1
t 1
= 0,50
0,50
= 1,1364
0, 44
log1,1364
= 6, 68 t = 7, 78 8 godina
log1, 0193
Stopa bi bila vea od 50% u 2013. godini.
Primjer 4.9.
Veliina V je rasla po istoj stopi u toku 3 godine. U 2002. je bila 2000 , a u
2005. 2662 . Koja je bila prosjena godinja stopa rasta?
r = t 1
Vt
2662
1 = 3
1
V1
2000
r = 3 1,331 1 = 1,1 1 = 0,10

r = 10%
ili
log 2662 log 2000

3
log(1 + r ) = 0,04139
(1 + r ) = anti log 0,04139
log(1 + r ) =
(1 + r ) = 1,10 r = 0,10 10%

4.2.3. Relacije izmeu baznih i lananih indeksa
4.2.3.1. Pretvaranje lananih indeksa u bazne
Lanani indeksi se pretvaraju u bazne postupkom postepenog mnoenja
indeksa prema sljedeem izrazu:
100, t = b = 1
It /0 =
I ( t 1) / 0 it /( t 1) , t = 2,3,.., n.
(4.25)
181
Lanani indeksi mogu se pretvarati u indekse na stalnoj bazi vezanoj za bilo

koji period primjenom sljedee relacije:
100, t = b
I (t +1) / 0
(4.26)
It /0 =
,t<b
i
( t +1) / t
I
( t 1) / 0 it /( t 1) , t > b
U prethodnom izrazu b je bazni period i za t = b indeks je jednak 100.
Bazne indekse za prethodne periode dobijamo dijelei bazni indeks naredne
sa lananim indeksom te iste godine.
Bazni indeksi za naredne periode dobiju se postupnim mnoenjem baznog
indeksa iz prethodnog i lananog indeksa iz posmatranog perioda.
4.2.3.2. Pretvaranje baznih u lanane indekse
Poto su indeksi na stalnoj bazi upravo proporcionalni orginalnim
podacima, u postupku pretvaranja baznih u lanane indekse postupa se kao
da se radi sa izvornim podacima. Indeksi na stalnoj bazi pretvaraju se u
lanane tako da se indeks iz tekueg perioda dijeli sa prethodnim indeksom
i rezultat pomnoi sa 100.
I t /(t 1) =
It / 0
I (t 1) / 0
100, t = 2,3,.., n.
(4.27)
Pri pretvaranju baznih u lanane indekse nije bitno koji period emo
izabrati za bazno razdoblje.
4.2.3.3. Pretvaranje indeksa na stalnoj bazi u indekse
na drugu stalnu bazu
Indeksi na stalnoj bazi preraunavaju se na drugu bazu tako da se svaki
indeks podijeli indeksom novog baznog razdoblja i dobijeni odnos pomnoi
sa 100.
I t*/ 0 =
182
It / 0
100
I b* / 0
(4.28)
Dva najea razloga promjene baze indeksa su potreba poreenja razliitih

varijabli (DBP, nezaposlenost, itd.) iji objavljeni indeksi su rijetko izraeni
na osnovu iste baze i periodino usklaivanje baza kada je potrebno
reaktualizirati bazu ako se serija previe udaljava od orginalne vrijednosti.
U ovom sluaju koristi se osobina tranzitivnosti it / 0 = it /1 i1/ 0 it /1 =
it / 0
.
i1/ 0
Novi indeks je jednak koliniku izmeu polaznog baznog indeksa i indeksa

nove bazne godine izraenog u staroj bazi 0.
Primjer 4.10.
Lanani indeksi industrijske proizvodnje Federacije BiH su predstavljeni u
sljedeoj tabeli:
Tabela 4.12. Lanani indeksi industrijske proizvodnje Federacije BiH
I96/95
I97/96
I98/97
I99/98
I00/99
I01/00
187,6
135,7
123,8
110,6
108,8
112,2
Izvor: Statistiki godinjak Federacije BiH, 2002, str.113.
Na ovom primjeru emo ilustrovati pretvaranje lananih u bazne indekse uz

pretpostavku da je baza 100 u 1998. godini.
Tabela 4.12.a. Pretvaranje lananih u bazne indekse
1995.
1996.
1997.
1998. 1999.
2000.
2001.
Postupak 59,5/1,876 80,8/1,357 100/1,238 100
110,6 110,61,088 120,31,122
Indeksi
110,6
31,7
59,5
80,8
100
120,3
134,97135
4.2.4. Agregatni indeksi

Najznaajniji agregatni indeksi su: indeks vrijednosti, indeks cijena, indeks
fizikog obima proizvodnje, indeksi trokova ivota, itd.
Konstrukciju agregatnih indeksa emo ilustrovati na primjeru potronje dva
proizvoda.
183
Tabela 4.13. Cijena proizvoda A i B
2004.
2005.
Proizvod A
Cijena KM/kom
4
6
Proizvod B
Cijena KM/kom
10
11
Na osnovu datih podataka moemo izraunati samo individualne indekse

cijena svakog proizvoda gdje je 2004. bazna godina.
IpA =
6
100 = 150
4
IpB =
11
100 = 110
10
Konstatujemo da se cijena proizvoda A poveala za 50%, a cijena

proizvoda B za 10% u posmatranom periodu.
Ako gornju tabelu kompletiramo sa podacima o kupljenim koliinama
svakog proizvoda:
Tabela 4.14. Cijena i kupljena koliina proizvoda A i B
Proizvod A
2004.
2005.
Cijena KM/kom
4
6
Komad
10
12
Proizvod B
Cijena KM/kom
10
11
Komad
8
10
Moemo izraunati za svaku godinu budet utroen za kupovinu tih

proizvoda:
Budet u 2004.:
4 KM / kom 10kom + 10 KM / kom 8kom = 40 KM + 80 KM = 120 KM

Budet u 2005.:
6 KM / kom 12kom + 11KM / kom 10kom = 72 KM + 110 KM = 182 KM

184
i izraunati sljedei indeks vrijednosti:
IW 05 / 04 =
W05 182
=
100 = 151, 67
W04 120
na osnovu kojeg konstatujemo da se budet potroaa utroen na kupovinu

dva posmatrana proizvoda poveao za 51,67% u 2005. u odnosu na 2004.
godinu.
4.2.4.1. Konstrukcija agregatnih indeksa Laspeyres i Paasche
metodom agregiranja
Da bismo objasnili konstrukciju agregatnih indeksa cijena metodom
agregiranja formalizaciju emo predstaviti na sljedei nain:
Tabela 4.15. Konstrukcija agregatnih indeksa cijena
(i=0)
(i=1)
Proizvod A (j)=1
Proizvod B (j)=2
Vrijednost
potroake
Cijena KM/kom Komad Cijena KM/kom Litar
pi(1)
pi(2)
qi(2) korpe (W)
qi(1)
2004.
4
10
10
8
120
2005.
6
12
11
10
182
U gornjoj tabeli smo uveli sljedee simbole: p je cijena, q je koliina, i je

indeks datuma, a j indeks proizvoda, bazna godina je 2004. (i=0) i
posmatrana godina 2005. (i=1).
Potronja u 2004.: (i=0)
2
p0 q0 = p0( j ) q0( j ) = p10 q10 + p02 q02 = 4 10 + 10 8 = 120

j =1
Potronja u 2005.: (i=1)

2
pq =p
1 1
j =1
( j) ( j)
1
1
= p11 q11 + p12 q12 = 6 12 + 11 10 = 182
Indeks vrijednosti emo oznaiti sa IW i izraunati na sljedei nain:

185
IW 1/ 0 =
pq
p q
1 1
100 =
0 0
182
100 = 151, 67
120
Indeks vrijednosti mjeri evoluciju cijena i kupljenih koliina. Budet

utroen za kupovinu ova dva proizvoda se poveao za 51,67%.
Da bismo izraunali indeks cijena moemo fiksirati strukturu potronje u
baznom ili u posmatranom periodu.
Struktura potronje (koliina) fiksirana u baznom periodu
Ako strukturu potronje fiksiramo u 2004. godini (bazni datum) dobijamo

Laspeyres (Lasperov) indeks cijena:
L p1/ 0 =
pq
p q
1 0
100 =
0 0
p11 q01 + p12 q02

100 =
p10 q01 + p02 q02
6 10 + 11 8
148
100 =
100 = 123,33
120
120
148 KM je fiktivna vrijednost koju bi imala potroaka korpa u 2005. ako bi

potronja ostala ista kao u 2004. Laspeyres indeks cijena u 2005. baza 100 u
2004. je jednak 123,33. Na osnovu ovog indeksa konstatujemo poveanje
cijena od 23,33% u posmatranom periodu.
Struktura potronje (koliina) fiksirana u posmatranom periodu
Ako strukturu potronje fiksiramo u posmatranom periodu, tj. u 2005.

godini, dobijamo Paasche (Paev) indeks cijena:
Pp1/ 0 =
pq
p q
1 1
0 1
100 =
p11 q11 + p12 q12

100 =
p01 q11 + p02 q12
6 12 + 11 10
182
100 =
100 = 122,97
4 12 + 10 10
148
148 KM je fiktivna vrijednost koju bi imala potroaka korpa ako bi u

2004.g. potronja bila jednaka potronji u 2005.g. Paasche indeks cijena
potronje u 2005.g. baza 100 u 2004.g. je jednak 122,97. Na osnovu ovog
indeksa konstatujemo poveanje cijena od 22,97%.
186
Indeks izraunat na bazi ponderacija iz posmatranog perioda je najee

manji od indeksa utvrenog na osnovu ponderacija iz baznog perioda.
4.2.4.2. Konstrukcija indeksa Laspeyres i Paasche pomou
ponderisanih sredina
Laspeyres i Paasche indeks moemo formalizirati koristei ponderisane
sredine.
Laspeyres indeks moemo izraziti u obliku aritmetike sredine na

sljedei nain:
L p 1 / 0 = 0( j ) I p( 1j )/ 0
( j)
gdje 0( j ) predstavlja realni budetski koeficijent (ponder) proizvoda (j)

utvren u baznom periodu 0. Dobijamo ga kao odnos realne potronje za
svaki proizvod u baznom periodu i realne vrijednosti potroake korpe u
baznom periodu.
Za proizvod A (j=1):
0(1) =
p 01 q01
4 10
=
= 0,33
1
1
2
2
120
p0 q0 + p0 q0
Za proizvod B (j=2):
0( 2) =
p 02 q 02
80
=
= 0,67
1
1
2
2
p 0 q 0 + p 0 q 0 120
0(1) + 0( 2) = 0,33 + 0,67 = 1

L p 1 / 0 = 0( j ) I p( 1j )/ 0 = 01 I 1p1 / 0 + 02 I p21 / 0
( j)
= 0,33 I pA + 0,67 I pB
= 0,33 150 + 0,67 110 = 123,2

Dobili smo isti rezultat kao sa agregatnim oblikom Laspeyres indeksa
cijena.
187
Paasche indeks u obliku aritmetike sredine
j)
Pp 05 / 04 = 01( j ) I p( 05
/ 04
( j)
01( j ) je fiktivni budetski koeficijent proizvoda (j) raunat na osnovu cijena

iz baznog perioda i koliina iz posmatranog perioda. Dobijamo ga kao odnos
fiktivne potronje svakog proizvoda i fiktivne vrijednosti potroake korpe.
Za proizvod A (j=1):
1
p = 0 , q =1
p01 q11
48
= 1 1
=
= 0,32
2
2
p 0 q1 + p 0 q1 148
p2=0,q =1 =
p 02 q12
100
=
= 0,68
1
1
2
2
p 0 q1 + p 0 q1 148
Pp 05 / 04 = 1p =0,q =1 I 1p + p2=0,q =1 I p2 = 0,32 150 + 0,68 110 = 122,8

Dobili smo naravno isti rezultat kao sa agregatnim oblikom Paasche indeksa
cijena.
Na osnovu izraunatih indeksa moemo posmatrati evoluciju strukture
potronje. Realne proporcije u 2004.g. su sljedee: 33% budeta je utroeno
za proizvod A (indeks cijena: 150) i 67% budeta je utroeno za proizvod B
(indeks cijena: 110).
Realne proporcije u 2005.g. su: 40% budeta je utroeno za proizvod A i
60% budeta je utroeno za proizvod B.
4.2.4.3. Formule za raunanje i osobine agregatnih indeksa
Formule za agregatne indekse dobijene metodom agregiranja su

sljedee:
-
Agregatni indeksi cijena
1. Laspeyres:
L p1/ 0 = 100
pq
p q
1 0
0 0
koliina je fiksirana u baznom periodu.

188
(4.29)
2. Paasche:
Pp1/ 0 = 100
pq
pq
1 1
(4.30)
0 1
koliina je fiksirana u posmatranom periodu.
Agregatni indeksi koliina
1. Laspeyres:
Lq1/ 0 = 100
p q
p q
0 1
(4.31)
0 0
cijene su fiksirane u baznom periodu.

2. Paasche:
Pq1/ 0 = 100
pq
pq
1 1
(4.32)
1 0
cijene su fiksirane u posmatranom periodu.
Formule dobijene na osnovu ponderisanih sredina

-
Agregatni indeks cijena
1. Laspeyres:
L p1/ 0 = 0( j ) I p( 1j )/ 0
(4.33)
( j)
Laspeyres indeks cijena je jednak aritmetikoj sredini individualnih indeksa

cijena proizvoda koji sainjavaju potroaku korpu ponderisanim sa realnim
budetskim koeficijentima na osnovu baznog perioda.
2. Paasche:
Pp1/ 0 =
( j)
( j)
1
(4.34)
I p( 1j )/ 0
189
Paasche indeks cijena je jednak harmonijskoj sredini individualnih indeksa

cijena proizvoda koji sainjavaju potroaku korpu ponderisanim sa realnim
budetskim koeficijentima na osnovu posmatranog perioda.
Agregatni indeksi koliina
Agregatne indekse koliina definiemo sljedeim izrazima:

1. Laspeyres:
Lq1/ 0 = 0( j ) I q(1j/)0
(4.35)
( j)
2. Paasche:
Pq1/ 0 =
( j)
1
( j)
(4.36)
I q(1j/)0
Osobine agregatnih indeksa
Laspeyres indeksi koji se izraunavaju kao ponderisana aritmetika sredina

imaju osobinu agregiranja. Teorijski ni indeksi Laspeyres, ni indeksi Paasche
nemaju osobinu tranzitivnosti. U praksi se, zbog injenice da je ova osobina
numeriki skoro zadovoljena, pretpostavlja da i ovi indeksi zadovoljavaju
osobinu tranzitivnosti da bi se pojednostavila njihova primjena.
Primjer 4.11.
Indeks trokova ivota 2000./1999. u Federaciji BiH je jednak:
it 00/99 = 1,014
Indeks trokova ivota 2001./2000. u Federaciji BiH je jednak:
it 01/00 = 1,021
Konstatujemo da je: it 01/99 = 1,014 1,021 = 1,035
Dakle, stopa inflacije u periodu od dvije godine je jednaka 3,5%
U statistikoj praksi se za odreivanje indeksa cijena koristi najee
Laspeyres indeks. Federalni zavod za statistiku BiH i Agencija za statistiku
BiH koriste Laspeyres indeks za utvrivanje cijena.
190
4.2.4.4. Fischerov indeks cijena

Fischerov indeks cijena je jednak geometrijskoj sredini Laspeyres i Paasche
indeksa cijena:
F p 1 / 0 = L p 1 / 0 Pp 1 / 0
(4.37)
Ako uvrstimo Laspeyres i Paasche indeks cijena iz naeg primjera,

dobijamo Ficherov indeks cijena.
F p 03 / 02 = 123,33 122,97 = 123,15

Na osnovu ovog indeksa konstatujemo poveanje cijena od 23,15%
4.2.4.5. Agregatni indeks vrijednosti i njegova dekompozicija
Agregatni indeks vrijednosti je definisan sljedeim izrazom:
IW1 / 0 =
pq
p q
1 1
100
(4.38)
0 0
Agregatni indeks vrijednosti moemo dekomponovati na sljedei nain:
iW1 / 0 =
pq
p q
1 1
0 0
pq
1 1
X
=
p0 q0
pq p q
p q p q
Y
=
p0 q0
pq pq
pq p q
1 1
0 1
0 1
0 0
iW1 / 0 = pp.lq(4.39)
iW1 / 0 =
pq
p q
1 1
0 0
iW1 / 0 = pq .lp
pq
1 1
1 1
1 0
1 0
0 0
(4.40)
Primjena na naem primjeru:
lq1/ 0 =
p q
p q
0 1
4 12 + 10 10 148
=
= 1,233
120
120
191
pq1/ 0 =
pq
pq
1 1
1 0
182
59
=
= 1,230
6 10 + 11 8 50
iW = l p pq = 1, 233 1, 230 = 1,52

Poveanje od 52 % vrijednosti potroake korpe je rezultat zajednikog
efekta poveanja cijena za 23,3% i poveanja kupljene koliine za 23%.
iW = p p lq = 1, 23 1, 233 = 1,52
Poveanje od 52% vrijednosti potroake korpe je rezultat zajednikog
efekta poveanja cijena za 23% i poveanja kupljene koliine za 23,3%.
4.2.4.6. Inflacija i deflator
Inflacija je ekonomska neravnotea koja se manifestuje konstantnim
poveanjem cijena. Porast cijena, koji je simptom inflacije, se mjeri
pomou indeksa trokova ivota koji raunaju i objavljuju zvanine
statistike institucije.
Indeks trokova ivota za 2001./2000. u Federaciji BiH je bio jednak
it 01/00 = 1,021 .
To znai da je stopa rasta trokova ivota u periodu 2000.-2001. bila 2,1%.
Deflator je statistiki indikator pomou kojeg eliminiemo uticaj inflacije
koja vjetaki poveava vrijednost proizvoda i usluga. Deflator nam
omoguava da veliine izraene u tekuim cijenama izrazimo u stalnim
cijenama. Na sljedeem primjeru emo ilustrovati primjenu deflatora.
Tabela 4.16. Prosjene godinje neto plate u Federaciji BiH
Prosjene godinje neto

plate u KM
Indeksi trokova ivota
1997.
1998.
1999.
2000.
2001.
266,33
329,12
374,54
412,72
443,26
106,8
99,3
101,4
102,1
Izvor: Statistiki godinjak Federacije BiH 2001, str. 267., Statistiki godinjak
Federacije BiH 2002, str. 271.
192
Izraunaemo nominalni i realni indeks plata za period 1997.-1998. i 2000.2001. godina.

U analizi plata kao deflator koristimo indeks trokova ivota. Prvo
emo izraunati nominalni indeks plata za 98./97.
In plata 98/97=329,12/266,33=123,6.
Prema ovom indeksu, plate su se u periodu 97.-98. poveale za

23,6%.
Da bismo izraunali realni indeks plata, nominalne indekse plata
smo deflacionirali indeksom trokova ivota. Realni indeks plata
98./97. je jednak:
Ir plata 98/97= In / It =123,6/106,8=115,7.
Prema ovom indeksu plata, za isti period, konstatujemo da su se
plate poveale za 15,7%.
Kao deflator se moe koristiti i indeks cijena na malo koji raunaju i

objavljuju zvanine statistike institucije.
U optem sluaju da bismo pokazatelje izraene u tekuim izrazili u stalnim
cijenama koristimo odgovarajui deflator. Da bismo dobili stalne cijene,
tekue cijene je potrebno podijeliti sa deflatorom isc=itc /deflator.
U sluaju plata u naem primjeru koristili smo kao deflator indeks trokova
ivota isc=itc/it.
Da bismo izrazili realne indekse plata bilo je potrebno podijeliti nominalne
indekse plata sa indeksima trokova ivota ir=in/it.
4.3. VREMENSKE (HRONOLOKE) SERIJE

Polaznu osnovu za analizu pojava u vremenu ini vremenska serija.
Vremenska serija je skup hronoloki utvrenih vrijednosti neke pojave.
Zadaci analize vremenskih serija su:
Opis razvoja pojave u vremenu
Objanjenje varijacije pojave u vremenu
Predvianje razvoja pojave.
193
4.3.1. Konstitutivni elementi vremenske serije

Konstitutivni elementi vremenske serije su: dugorona tendencija ili trend,
cikline varijacije, sezonske promjene i sluajne ili rezidualne promjene.
Tendencija ili trend
Trend izraava dugoronu evoluciju ili osnovni tok kretanja pojave i

izraava se funkcijama vremena. Trend predstavlja dugoronu generalnu
tendenciju rasta ili opadanja pojave koja se istrauje.
U ekonomiji dugorona tendencija ima trajanje due od 10 godina. Ova
dugorona tendencija potie iz fenomena iji se efekti manifestuju poslije
dugo vremena (raanje/struktura populacije prema godinama starosti,
tehnike promjene/efikasnost osnovnih sredstava itd.). Primjer dugorone
tendencije rasta pokazuje cijene trokova ivota.
Cikline varijacije
Cikline varijacije mogu biti razliitog intenziteta i trajanja. Njihova

periodinost je od 2 do 10 godina.
Uzrok ovih varijacija su uglavnom fluktuacije u tokovima (potronja,
investicije itd.).
Ciklinu komponentu koja predstavlja dugorone varijacije oko trenda je
esto teko identifikovati tako da se moe smatrati kao dio trenda.
Sezonske varijacije
Sezonske varijacije pokazuju sezonski ili periodini uticaj na analiziranu

pojavu. Sezonske promjene karakteriu oscilacije regularnog trajanja i
intenziteta oko trenda. Periodinost pojavljivanja sezonskih varijacija je
manja ili jednaka godini. Sezonske varijacije se mogu lahko uoiti ukoliko
kretanje pojave predstavimo grafiki.
Tipini primjeri ovog tipa varijacija su: potronja elektrine energije,
proizvodnja poljoprivrednih proizvoda, broj noenja u turizmu, dolazak
novih osoba na trite rada itd.
Sluajne ili rezidualne promjene
Sluajne promjene ne moemo objasniti sa tri prethodno analizirane grupe

promjena. Sluajne promjene su nepredvidljive i neregularne. Primjer:
ratovi, trajkovi, poplave, poari i druge netipine promjene.
194
Trend komponenta, cikline i sezonske promjene se nazivaju sistematskim,

deterministikim komponentama jer predstavljaju kovarijacije pojave koje
se mogu izraziti funkcijom vremena. Sluajna komponenta je nesistematska. Ona ukazuje na postojanje neregularnih promjena.
Vremenska serija ne mora uvijek sadravati sve navedene komponente.
Osnovni zadatak u analizi vremenskih serija je identificiranje, izolovanje i
eliminisanje uticaja ciklinih, sezonskih i sluajnih promjena da bi se mogla
odrediti dugorona tendencija posmatrane pojave.
Za odreivanje dugoronih tendencija (trenda) promjene pojava
predstavljenih vremenskim serijama najee koristimo empirijski metod
pokretnih sredina i analitiki metod najmanjih kvadrata.
4.3.2. Metod pokretnih sredina za odreivanje trenda
Pokretne sredine reda p (p<T) serije {xt, t =1,.,T} se definiu kao
sukscesivne sredine raunate za p sukcesivnih datuma. Poto se vrijednosti
svaki put pomjeraju za rang udesno na vremenskoj osi nazivaju se
pokretnim sredinama.
Pokretne sredine se izraunavaju prema sljedeoj formuli u sluaju kada je
red pokretne sredine p neparan broj p = 2m+1:
PS p (t ) =
1 +m
xt + k
p k = m
(4.41)
ili u razvijenom obliku:
PS p (t ) =
X t m + ... + X t 1 + X t + X t +1 + ... + X t + m
p
(4.42)
Broj izraunatih pokretnih sredina je manji od broja originalnih podataka u

seriji. Kada je red pokretnih sredina p neparan broj moe se izraunati
(T-p+1) pokretnih sredina. Pokretne sredine neparnog reda su jednostavne i
simetrine.
Kada je red pokretnih sredina p paran broj, p=2m, pokretne sredine se
raunaju koritenjem sljedee relacije:
195
PS p (t ) = yt =
m 1
x
1 xt m
+
xt + k + t + m
2
p 2
k = m +1
(4.43)
Pokretna sredina parnog reda je ponderisana sredina vrijednosti serije za

datume (t-1) i (t+1) sa koeficijentima ponderacije jednakim 1/2p za dvije
ekstremne vrijednosti xt-m i xt+m i jednakim 1/p za (p-2) intermedijarne
vrijednosti xt-m+1 do xt+m-1 da bismo odredili datum t. Ova pokretna sredina
sadri (p+1) elemenata za njeno izraunavanje. Moe se izraunati (T-p)
pokretnih sredina parnog reda.
Metod pokretnih sredina i njegovu primjenu emo ilustrovati na sljedeim
primjerima.
4.3.2.1. Odreivanje tendencije metodom pokretnih
sredina neparnog reda
Odreivanje tendencije metodom pokretnih sredina neparnog reda emo
ilustrovati na sljedeem primjeru:
Tabela 4.17. Bruto podaci i izraunate pokretne sredine treeg reda
N
1
2
3
4
5
6
7
8
9
10
11
12
Datum
2005-1
2005-2
2005-3
2005-4
2005-5
2005-6
2005-7
2005-8
2005-9
2005-10
2005-11
2005-12
Bruto podaci
PS3
80
100
120
84
105
136
90
110
158
92
115
140
100,00
101,33
103,00
108,33
110,33
112,00
119,33
120,00
121,67
115,67
Na osnovu podataka prezentiranih u tabeli 4.17. predstavili smo na

sljedeem dijagramu promjenu posmatrane pojave u vremenu. Dijagram
nam pomae da uoimo da li su prisutne sezonske promjene i koji je red
njihove periodinosti.
196
160
140
Nivo pojave
120
100
80
60
145
136
120
110
105
100
92
90
84
80
140
115
40
20
0
Grafikon 4.18.
10
11
12
N0
Vremenska serija bruto podataka
Na osnovu grafikog prikaza moemo konstatovati da su prisutne sezonske

varijacije i da je red njihove periodinosti 3.
Na osnovu podataka datih u tabeli 4.17. raunamo pokretne sredine treeg reda.
PS 3(t = 2) =
x1 + x 2 + x3
3
PS 3(t = 3) =
x 2 + x3 + x 4
100 + 120 + 84
=
= 101,3
3
3
PS 3(t = 4) =
x3 + x 4 + x5
120 + 84 + 105
=
= 103
3
3
PS 3(t = 5) =
x 4 + x5 + x6
84 + 105 + 136
=
= 108,33
3
3
80 + 100 + 120
= 100
3
Ostale izraunate vrijednosti pokretnih sredina treeg reda predstavili smo u

tabeli 4.17. Dobijene podatke o pokretnim sredinama emo prikazati na
grafikonu 4.19. na kojem su ve predstavljeni bruto podaci. Metoda
pokretnih sredina nam je omoguila da odredimo dugoronu tendenciju ove
pojave, koju nije bilo mogue uoiti na osnovu bruto podataka. Metodom
pokretnih sredina eliminisali smo sezonski karakter pojava i moemo
konstatovati da je ova pojava imala rastui karakter.
Pokretne sredine raunate u ovom sluaju su bile neparnog reda pa se
problem datuma nije postavljao. Npr. vrijednost na ordinati pokretne
sredine reda 3 PS3 (t=2) je raunata na osnovu bruto podataka u datumima
197
1, 2 i 3 i prirodno je da joj dodijelimo datum medijane t=2. Nismo mogli

izraunati pokretnu sredinu za prvi i posljednji mjesec zato to nismo imali
za prvi prethodni, a za 12. podatak koji slijedi.
180
160
140
120
100
80
60
40
kretanje pojave
20
0
Grafikon 4.19.
pokretne sredine treeg reda

8
10
11
12
Vremenska serija i pokretne serije treeg reda
Na osnovu grafike prezentacije krive, koju smo dobili spajajui izraunate

pokretne sredine treeg reda, moemo konstatovati da je ove pojava u
posmatranom periodu imala dugoronu tendenciju rasta. Izraunavanjem
pokretnih sredina mi smo eliminisali uticaj sezonskih varijacija na
posmatranu pojavu.
4.3.2.2. Odreivanje tendencije metodom pokretnih
sredina parnog reda
Primjenu metoda pokretnih sredina etvrtog reda emo ilustrovati na
primjeru pojave iji su bruto podaci predstavljeni u tabeli 4.18.
Tabela 4.18. Metoda pokretnih sredina etvrtog reda
R.broj
1
2
3
4
5
6
7
198
Datum
2000-T1
T2
T3
T4
2001-T1
T2
T3
Bruto podaci
2350
2495
2159
4263
1995
2179
2229
PS4
2772,4
2688,5
2657,8
2689,0
2743,3
Tabela 4.18. nastavak
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
T4
2002-T1
T2
T3
T4
2003-T1
T2
T3
T4
2004-T1
T2
T3
T4
2005-T1
T2
T3
T4
4443
2249
2565
2342
4694
2341
2631
2218
4702
2135
2459
2534
4750
2190
2510
2689
4783
2823,3
2885,6
2931,1
2974,0
2993,8
2986,5
2972,0
2947,3
2900,0
2918,0
2963,5
2976,4
2989,6
3015,4
3038,9
Bruto podatke smo predstavili na sljedeem grafikonu.

Nivo pojave
6000
5000
4000
3000
2000
Grafikon 4.20.
2001
2002
2003
2004
2005
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
2000
Trimestar
T1
1000
Vremenska serija bruto podataka
Na osnovu dijagrama moemo konstatovati prisustvo sezonskih varijacija

ija je periodinost ili sezonalitet etvrtog reda.
199
Za izraunavanje pokretne sredine parnog reda, npr. reda etiri, logiki bi

trebalo toj sredini pridruiti datum medijane. Naprimjer, u sluaju da
x1 + x2 + x3 + x4
4
logiki bi joj trebalo pridruiti datum medijane 2,5. Meutim, ovaj datum
ne postoji u datoj seriji.
raunamo sredinu sa etiri sljedee vrijednosti PS4(t = ?) =
Sljedeoj sredini raunatoj na osnovu 4 vrijednosti

x + x3 + x 4 + x5
bi trebalo logiki pridruiti datum medijane
PS 4(t = ?) = 2
4
koji je ovdje 3,5. Ali ni ovaj datum ne postoji u datoj seriji.
Da bi se rijeio problem datuma potrebno je izraunati aritmetiku sredinu
na osnovu dvije ve izraunate sredine i njoj dodijeliti datum 3 (datum
medijane od 2,5 i 3,5).
PS 4(t = 3) =
1 x1 + x 2 + x3 + x 4 x 2 + x3 + x 4 + x5
+
2
4
4
PS 4(t = 3) =
1
2
1
x1 + ( x 2 + x3 + x 4 ) + x5
8
8
8
Za izraunavanje pokretne sredine reda 4 se koristi pet vrijednosti koje

imaju razliite pondere. Svaka od 3 centralne vrijednosti ima ponder dva
puta vei od pondera za dvije ekstremne vrijednosti. U svim sluajevima
zbir pondera je jednak 1. Pokretne sredine parnog reda su simetrine
ponderisane sredine.
Izraunavanje pokretnih sredina parnog reda na osnovu bruto podataka iz
tabele 4.18.
Za prva tri perioda vrimo na sljedei nain:
PS 4(t = 3) =
1
2
1
x1 + ( x 2 + x3 + x 4 ) + x5
8
8
8
1
2
1
PS 4(t = 3) = 2350 + (2495 + 2159 + 4263) + 1995 = 2772,4
8
8
8
PS 4(t = 4) =
200
1
2
1
x 2 + ( x3 + x 4 + x5 ) + x6
8
8
8
1
2
1
PS 4(t = 4) = 2495 + (2159 + 4263 + 1995) + 2179 = 2688,5
8
8
8
PS 4(t = 5) =
1
2
1
x3 + ( x4 + x5 + x6 ) + x7
8
8
8
1
2
1
PS 4(t = 5) = 2159 + (4263 + 1995 + 2179) + 2229 = 2657,8
8
8
8
Izraunate vrijednosti za pokretne sredine etvrtog reda za ostale datume su

predstavljene u tabeli 4.18.
Nivo pojave
5000
4000
3000
2000
Grafikon 4.21.
2001
2002
2003
2004
2005
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
T4
T3
T2
T1
2000
Trimesta
r
pokretne sredine
etvrtog reda
bruto podaci
1000
Vremenska serija i pokretne sredine etvrtog reda
Kompletiranjem grafikona bruto podataka sa grafikim prikazom koji smo

dobili na osnovu podataka o izraunatim pokretnim sredinama etvrtog reda
konstatujemo trend blagog porasta pojave u posmatranom periodu. Ovaj
zakljuak nismo mogli donijeti na osnovu bruto podataka. Serija izraunatih
pokretnih sredina ne sadri sezonske varijacije.
Za jednostavnije razumijevanje pokretnih sredina parnog reda napisat emo
u razvijenom obliku izraze za izraunavanje pokretne sredine estog reda za
period t = 4 i 12 reda za period t = 7.
1 x1 + x 2 + x3 + x 4 + x5 + x6 x 2 + x3 + x 4 + x5 + x6 + x7
+
2
6
6
1
2
1
PS 6(t = 4) = x1 + ( x 2 + x3 + x 4 + x5 + x6 ) + x7
12
12
12
PS 6(t = 4) =
201
Pokretnu sredinu reda 6 ne moemo izraunati za tri prva i tri posljednja

podatka u seriji.
Pokretnu sredinu reda 12, raunamo na sljedei nain za period t=7:
PS 12(t = 7) =
1
2
1
x1 + ( x 2 + x3 + ..... + x12 ) +
x13
24
24
24
a za ostale periode po analogiji primjenjujui optu formulu. Ne moemo

raunati pokretnu sredinu PS12 za 6 prvih i 6 posljednjih datuma.
Primjenom metode pokretnih sredina mogue je korigovati bruto podatke
eliminiui sezonske varijacije. Na taj nain dobijamo podatke korigovane
na osnovu sezonskih varijacija koji nam omoguuju da procijenimo
tendenciju kretanja posmatrane pojave.
4.3.3. Aditivni model
Oznaimo sa X bruto podatke u vremenskoj seriji, sa T trend, S periodine
varijacije, C cikline varijacije i E sluajne varijacije.
Ukoliko je periodinost konstanta u odnosu na trend, odabire se aditivni
model koji moemo napisati u sljedeem obliku:
X=T+C+S+E
(4.44)
U ovom modelu komponente djeluju nezavisno i zbog toga se uticaji

pojedinih komponenti vremenske serije sabiraju.
Primjer i podaci predstavljeni u tabeli 4.17. odgovaraju aditivnom modelu.
Grafiki prikaz ovog primjera u kojem smo analizirali dugoronu
tendenciju primjenom pokretnih sredina treeg reda je predstavljen na
grafikonu 4.19. Grafiki prikaz tog sluaja je primjer aditivnog modela.
4.3.4. Multiplikativni model
Multiplikativni model se predstavlja u sljedeem obliku:
X = T S C E
(4.45)
U ovom modelu uticaji se mnoe. Ovaj model se primjenjuje ukoliko su

varijacije vremenske serije proporcionalne trendu, odnosno rastu ili opadaju
sa trendom.
202
4.3.5. Metod najmanjih kvadrata za odreivanje dugorone

tendencije (trenda)
Pokazali smo da se vremenska serija moe ralaniti na nekoliko sastavnih
komponenti koje karakteriu razliite promjene. Poto promjene mogu imati
razliit karakter i tendencija pojave moe imati razliite oblike.
Da bismo donijeli odluku o obliku trenda, pojavu moemo prikazati
pomou dijagrama rasipanja podataka vremenske serije.
Odreivanje modela koji e izraavati razvojnu tendenciju kretanja date
pojave podrazumijeva pronalaenje matematike funkcije koja se najbolje
prilagoava vrijednostima vremenske serije koju analiziramo.
Zavisno od tendencija kretanja pojave odreuje se oblik trenda ija se
reprezentativnost mjeri pomou standardne greke trenda.
Najei oblici matematikih funkcija koji se koriste su linearni,
krivolinijski, eksponencijalni itd.
Oblike trenda koje moemo odabrati u Excelu prikazujemo na sljedeoj slici:
203
4.3.5.1. Linearni trend

Ako se analizirana pojava mijenja za priblino isti apsolutni iznos u
vremenskim jedinicama opti oblik funkcije kojim moemo predstaviti to
kretanje ima sljedei oblik:
Y=a+bX
(4.46)
gdje X predstavlja nezavisno promjenljivu vrijeme, Y je zavisno promjenljiva koja predstavlja vrijednost trenda, a i b su parametri koje treba
ocijeniti.
Parametar a predstavlja konstantni lan, dakle vrijednost trenda za razdoblje
koje prethodi prvom. Parametar b pokazuje za koliko se promijeni
vrijednost trenda y ako se varijabla vrijeme x povea za jedinicu.
Jednainu yi = a + bxi ocjenjujemo metodom najmanjih kvadrata koju smo
detaljno analizirali u poglavlju Regresiona analiza. Primjenom metode
najmanjih kvadrata kompletiramo sistem normalnih jednaina:
n
yi = na + b xi
i =1
i =1
x y
i =1
i =1
i =1
(4.47)
= a xi + b x
2
i
Njihovim rjeavanjem dobijamo izraze za ocjenu parametara a i b:
a = y bx
b=
i =1
i =1
n
i =1
n xi yi xi yi
n
n x ( xi )
i =1
2
i
i =1
x y
i
i =1
x
i =1
n x y
2
i
(4.48)
nx
Postupak ocjene parametara moemo pojednostaviti centriranjem varijable

X11. Varijabla se centrira tako da se izrazi odstupanjima od aritmetike
11
Mi emo objasniti pojednostavljeni postupak, ali preporuujemo koritenje Excela,

SPSS, RATS - Regression Analysis for Time Series) ili drugih statistikih programa
za ocjenu navedenih parametara.
204
sredine. Poto je zbir tih odstupanja jednak nuli izrazi za raunanje

parametara se pojednostavljuju. Varijabla se transformira na sljedei nain:
xi x , 2 cijelog broja
xi =
2(xi x ), n = cijeli broj
2
b* =
x y
x
i
2
i
* n
b , cijelog broja
2
b=
2b* , n = cijeli broj
2
n +1
a = y b
(4.49)
(4.50)
(4.51)
Poto X predstavlja vremenske jedinice moemo ih zamijeniti rednim

brojevima tako da njihov zbir bude jednak nuli. Sredinja vremenska
jedinica kod serije sa neparnim podacima se oznai sa nulom (0). Prethodne
vremenske jedinice se oznae sa negativnim, a naredne sa pozitivnim
rednim brojevima.
Kod serija sa parnim brojem podataka dvije sredinje vremenske jedinice se
oznae sa 0,5 i +0,5. Prethodne vremenske jedinice se oznae za jedinicu
manjim, a naredne za jedinicu veim brojem. Tako postiemo da je zbir
rednih brojeva koji predstavljaju vremenske jedinice jednak nuli i njihova
aritmetika sredina je jednaka nuli.
Pojednostavljene formule za ocjenu parametara su jednake sljedeim
izrazima:
b=
x y
x
i
2
i
n +1
a = y b
(4.52)
Za utvrivanje reprezentativnosti trenda koristimo standardnu devijaciju

trenda koja je jednaka sljedeem izrazu:
205
y =
(y
y i )
(4.53)
Standardna greka trenda pokazuje prosjeno odstupanje empirijskih

vrijednosti serije od procijenjenih trend vrijednosti.
Moemo definisati i relativnu greku trenda koja je izraena koeficijentom
varijacije trenda i koristi se za poreenje serija izraenih u razliitim
jedinicama mjere:
kV y =
y
y
100
(4.54)
Primjer 4.12.
Na osnovu serije podataka iz tabele 4.16. za koju smo konstatovali
prisustvo sezonskih varijacija treeg reda, u Excelu smo ocijenili sljedei
linearni trend.
180
y = 3,2797 x + 89,515
160
R 2 = 0,2395
vrijednost y
140
120
100
80
60
40
20
0
Grafikon 4.22.
6
7
mjeseci
10
11
12
13
Linearni trend
Primjer 4.13.
Na primjeru podataka iz tabele 4.17., u kojoj smo konstatovali sezonske
varijacije etvrtog reda, u Excelu smo dobili sljedei grafiki prikaz
linearnog trenda.
206

6000
y = 31,787 x + 2515,4
vrijednost y
5000
R 2 = 0,0489
4000
3000
2000
1000
0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
trimestri
Grafikon 4.23.
Linearni trend
Vrijednost koeficijenta determinacije je vrlo niska i ova ocjena linearnog

trenda nije prihvatljiva.
4.3.5.2. Parabolini trend
Ako kretanje pojave u posmatranom periodu pokazuje tendenciju
krivolinijskog rasporeda koristimo parabolini trend. Jednaina
parabolinog trenda je data sljedeim izrazom:
yi = a + bxi + cxi2
i=1,2,..,n
(4.55)
Parametre a, b i c ocjenjujemo metodom najmanjih kvadrata na osnovu

kojeg dobijamo sistem normalnih jednaina:
na + b xi + c xi2 = yi
a xi + b xi2 + c xi3 = xi yi
(4.56)
a xi2 + b xi3 + c xi4 = xi2 yi

na osnovu kojeg izraunavamo vrijednost parametara a, b i c.
Ako koristimo transformisane vrijednosti varijable X dobijamo:
na + c xi2 = yi
b xi2 = xi yi
207
a xi2 + c xi4 = xi2 yi

c
xi2
n
xi yi
(4.57)
a= y
b=
x
n x y y x
c=
n x ( x )
2
i
2
i
i
4
i
(4.58)
2
i
2 2
i
4.3.5.3. Eksponencijalni trend

Eksponencijalni trend primjenjujemo u sluaju kada kretanje pojave u
sukcesivnim vremenskim intervalima pokazuje istu relativnu promjenu
odnosno kada se osnovna tendencija manifestuje kao eksponencijalna
kovarijansa sa vremenom.
Jednaina eksponencijalnog trenda je data sljedeim izrazom:
y i = ab xi
(4.59)
Model lineariziramo logaritamskom transformacijom:
log yi = log a + xi log b
Sistem normalnih jednaina ima sljedei oblik:
n log a + log b xi = log yi
log a xi + log b xi2 = xi log yi
(4.60)
(4.61)
na osnovu kojeg odreujemo parametre a i b.

Ako centriramo varijablu X, odnosno odredimo periode tako da xi bude
jednako nula, kao to smo ilustrovali na primjeru linearnog trenda, moemo
raunati parametre a i b koritenjem sljedeih pojednostavljenih izraza:
log yi
log a =
n
(4.62)
xi log yi
log b =
xi2
208

1.
2.
3.
4.
5.
U kojim sluajevima govorimo o mjerenju evolucije neke veliine?

Definiite apsolutnu promjenu.
Definiite relativnu promjenu.
Da li apsolutna promjena moe biti negativna?
Koji su sinonimi za relativnu promjenu? Da li relativna promjena
posjeduje osobine raunanja?
6. Definiite stopu promjene.
7. Pomou kojih parametara moete mjeriti evoluciju neke veliine?
8. Koju podjelu indeksa poznajete?
9. Definiite indeks na bazi 1 i indeks na bazi 100 i komentariite vezu
izmeu ova dva indeksa.
10. Nabrojite osobine individualnih indeksa.
11. Definiite i ilustrujte na jednom primjeru osobinu tranzitivnosti.
12. Definiite i ilustrujte na jednom primjeru osobinu recipronosti.
13. Definiite indekse sa stalnom bazom.
14. Definiite lanane indekse.
15. Koje indekse moemo nazvati indeksima razvoja?
16. Da li indekse moemo grafiki predstavljati?
17. U kojim jedinicama mjere su izraeni indeksi?
18. Koja je veza izmeu stope promjene i indeksa?
19. Napiite vezu izmeu indeksa na bazi 1 i stope promjene.
20. Napiite vezu izmeu indeksa na bazi 100 i stope promjene.
21. Kako izraunavamo prosjeni godinji indeks?
22. Kako izraunavamo prosjenu godinju stopu rasta?
23. Koje su prednosti indeksa u odnosu na stopu promjene?
24. Koju sredinu koristimo za izraunavanju prosjene godinje stope
promjene?
25. Koji izraz i koju osobinu koristimo za promjenu baznog datuma ?
26. Koje metode koristimo za konstrukciju agregatnih indeksa?
27. Koje agregatne indekse poznajete?
28. Definiite indeks koji se konstruie agregiranjem na osnovu baznog
perioda.
209
29. U odnosu na koji period vrite agregiranje da biste konstruisali Paasche

indeks cijena?
30. Napiite formule za izraunavanje Laspeyres i Paasche indeksa cijena i
koliina.
31. Definiite Fischerov indeks.
32. Definiite indeks vrijednosti.
33. Kompletirajte i objasnite dekompoziciju indeksa vrijednosti.
34. Definiite realni budetski koeficijent.
35. Definiite fiktivni budetski koeficijent.
36. Definiite i napiite formule za sintetike indekse cijena i koliina
konstruisane na osnovu ponderisanih sredina.
37. Definiite pokretnu sredinu neparnog reda.
38. Definiite pokretnu sredinu parnog reda.
39. Koje su osnovne komponente vremenske serije?
40. Zato i kada primjenjujemo metod pokretnih sredina?
41. Pomou kojih metoda moemo odrediti tendenciju ili trend?
Zadatak 1
Evolucija poslovnih rezultata firme Nestle, prema aktivnostima u
2000./2001. godini:
okolada
Pie
Mlijeni proizvodi
Gotova jela
Sladoled
Ostali proizvodi
Ukupno
2000.
?
340
613
893
?
1479
3762
2001.
328
347
677
1045
145
1715
4257
Kompletirajte tabelu na osnovu sljedeih podataka i odgovorite na pitanja:
210
1. U 2000. godini apsolutno odstupanje izmeu poslovnog rezultat

Mlijenih proizvoda i Sladoleda je bilo 474 miliona eura. Koji je
poslovni rezultat aktivnosti Sladoled u 2000. godini?
2. Poslovni rezultat aktivnosti okolada je manji za 12,4% od poslovnog
rezultata Pie u 2000. godini. Koji je poslovni rezultat aktivnosti
okolada za ovu godinu? Zaokruite na cijeli broj dobiveni rezultat.
3. a) Izraunajte proporciju aktivnosti Pie u 2000. i 2001. godini.
b) Izraunajte stopu varijacije aktivnosti Pie izmeu 2000. i 2001.
godine.
c) Komentariite rezultate a) i b).
4. Izraunajte relativno odstupanje izmeu Aktivnosti Gotova jela i
Mlijeni proizvodi u 2000. godini. Isto pitanje za 2001. godinu.
Analizirajui tabelu uoavate da su se poslovni rezultati Gotova jela i
Mlijeni proizvodi uveali izmeu 2000. i 2001. Da li bez dodatnih
raunanja moete objasniti evoluciju poslovnih rezultata na osnovu
relativnih odstupanja koje ste izraunali?
Elementi rjeenja:
1. AO u 2000.: (PRMP-PRS)=474 miliona eura (613- PRS)=474 PRS
=139 miliona eura.
2. PR 2000=87.6% od PRPie 2000 PR 2000=0.876340=297.84 miliona
eura.
Zaokruujemo rezultat na 298 miliona eura.
3.
a) Proporcija
9.04%
Pie 2000=
PRPie
2000
/PR Ukupno
2000=340/3762=0.0904
Proporcija Pie 2001= PRPie 2001 /PR Ukupno 2001==347/4257=0.0815 8.15%

b) Stopa promjene:
PR2001
2000
PR 2001 PR2000 347 340

=
= 0.0206 2.06%
PR2000
340
211
c. U 2001. godini, iako je poslovni rezultat (PR) aktivnosti Pie uvean za

2.06% u odnosu na 2000. g., njegova proporcija u ukupnom PR se
smanjila sa 9.04% u 2000. na 8,15% u 2001. Ove dvije informacije su
komplementarne.
4. Relativno odstupanje izmeu Gotova jela i Mlijeni proizvodi u 2000:
PRGJ 2000 PRMP2000 893 613
=
= 0.4568 45.68%
RO2000 =
613
PRMP2000
Relativno odstupanje izmeu Gotova jela i Mlijeni proizvodi u 2001.:
PRGJ2001 PRMP2001 1045 677
RO2001 =
=
= 0.5436 54.36%
677
PRMP2001
Relativno odstupanje PR izmeu aktivnosti Gotova jela i aktivnosti
Mlijeni proizvodi je vee u 2001. nego u 2000. U 2000. PR aktivnosti
Gotova jela je bio za 45.68% vei od PR aktivnosti Mlijeni proizvodi.U
2001. PR aktivnosti Gotova jela je za 54.36% vei od PR aktivnosti
Mlijeni proizvodi.
Moemo konstatovati da je PR aktivnosti Gotova jela vie uvean od PR
aktivnosti Mlijeni proizvodi u 2001.
Zadatak 2
Diplomirani studenti u Federaciji BiH:
Ukupno
Redovni studenti
Vanredni studenti
Ekonomski fakultet
Redovni studenti
Vanredni studenti
1996.
2046
1492
554
205
130
75
1997.
2700
1793
907
258
173
85
1998.
2461
1584
877
581
301
280
1999.
2364
1614
750
484
295
189
2000.
2820
1923
897
532
365
167
2001.
3442
2240
1202
665
466
199
Izvor: Statistiki godinjak Federacije BiH, 2002., Sarajevo, strane 326 i 329.
1. Analizirati datu tabelu (populacija, elementi populacije, period, kolona

analiza strukture, vrsta - analiza evolucije posmatranih struktura
analizirane populacije).
212
2. Odrediti proporciju studenata Ekonomskog fakulteta u Sarajevu u

ukupnom broju studenata.
3. Izrazite u procentima strukturu ukupnog broja studenata (redovni i
vanredni).
4. Izrazite u procentima strukturu studenata Ekonomskog fakulteta u
Sarajevu.
5. Odredite apsolutne promjene broja ukupnih studenata i broja studenata
Ekonomskog fakulteta u Sarajevu i komentariite dobijene rezultate.
6. Odredite relativne promjene broja ukupnih studenata i broja studenata
Ekonomskog fakulteta i komentariite dobijene rezultate.
7. Uporedite rezultate dobijene u pitanjima e) i f).
8. Izraunajte bazne indekse baza 100 u 1996. godini za ukupan broj
studenata i za studente Ekonomskog fakulteta i objasnite dobijene
rezultate.
9. Predstavite grafiki izraunate bazne indekse.
10. Izraunajte lanane indekse za ukupan broj studenata i za studente
Ekonomskog fakulteta i komentariite dobijene rezultate.
11. Izraunajte stope promjene broja ukupnih i broja studenata
Ekonomskog fakulteta.
12. Izraunajte prosjenu godinju stopu promjene broja ukupnih studenata
i broja studenata Ekonomskog fakulteta: 1) polazei od izraunatih
lananih indeksa i 2) koritenjem podataka iz polazne tabele.
13. Koristei podatke iz polazne tabele izraunajte prosjene godinje stope
rasta ukupnog broja redovnih i vanrednih studenata kao i prosjene
godinje stope rasta redovnih i vanrednih studenata Ekonomskog
fakulteta.
14. Komentariite dobijene rezultate.
Elementi rjeenja:
2. Proporcija studenata ekonomskih fakulteta
Ekonomski fakultet
Ukupno
Ekonomski fak. %
1996.
205
2046
10,0%
1997.
258
2700
9,6%
1998.
581
2461
23,6%
1999.
484
2364
20,5%
2000.
532
2820
18,9%
2001.
665
3442
19,3%
213
3. Struktura ukupnog broja diplomiranih studenata

1996.
1997.
1998.
1999.
2000.
2001.
72,9% 66,4% 64,4% 68,3% 68,2% 65,1%
27,1% 33,6% 35,6% 31,7% 31,8% 34,9%
100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
Redovni studenti
Vanredni studenti
Ukupno
4. Struktura diplomiranih studenata Ekonomskog fakulteta:

1996.
1997.
1998.
1999.
2000.
2001.
63,4% 67,1% 51,8% 61,0% 68,6% 70,1%
36,6% 32,9% 48,2% 39,0% 31,4% 29,9%
100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
Redovni studenti
Vanredni studenti
Ukupno Ekon.f.
5. Apsolutne promjene:
1997-96
654
53
Ukupno
Ekonomski fakultet
1998-97
-239
323
1999-98
-97
-97
2000-99
456
48
2001-00
622
133
(00-99)/99
(01-00)/00
19,29
9,92
22,06
25,00
6. Relativne promjene
(97-96)/96
Ukupno
Ekonomski fak.
31,96
25,85
(98-97)/97
-8,85
125,19
(99-98)/98
-3,94
-16,70
Rjeenje za pitanja 8, 9 i 10.

1996.
Ukupno
Baza 96
Lanani
214
2046
100
1997.
2700
132,0
132,0
1998.
1999.
2000.
2001.
2461
120,3
91,1
2364
115,5
96,1
2820
137,8
119,3
3442
168,2
122,1

350
236,1
250
200
150
100
324,4
283,4
300
259,5
125,9
100
50
0
1996
1997
1998
1999
2000
2001
Bazni indeksi broja diplomiranih studenata

Ekonomskog fakulteta baza 100 u 1996. g.
Grafikon 4.24.
Ekonomski fakultet
Baza 96
Lanani
1996.
1997.
1998.
1999.
2000.
2001.
205
100
258
125,9
125,9
581
283,4
225,2
484
236,1
83,3
532
259,5
109,9
665
324,4
125,0
180
160
132,0
140
120
100
137,8
120,3
115,5
1998
1999
168,2
100
80
60
40
20
0
1996
Grafik 4.25.
1997
2000
2001
Bazni indeksi ukupnog broja diplomiranih studenata

baza 100 u 1996. godini
215
Zadatak 3
Dati su sljedei podaci:
Godine
1996. 1997. 1998. 1999. 2000.
Stopa rasta t/t-1 (u %) minimalnih plata
2.6
4.5
8.7
1.3
2.2
Indeks kupovne moi baza 100 u 100.6 103.3 107.9 100.8 100.5
periodu (t-1)
1. Koja je relativna promjena kupovne moi u periodu 1995.-2000. g.?

2. Izraunajte prosjenu godinju stopu promjene kupovne moi
izmeu1995. i 2000.
3. Izraunajte prosjenu godinju stopu rasta minimalnih plata u periodu
1995.-2000.
Elementi rjeenja:
1. Relativna promjena kupovne moi izmeu 1995. i 2000. je bila 13.6%.
i00/95 = i00/99i99/98i98/97i97/96i96/95=1.0061.0331.0791.0081.005=1.1359.
2. Prosjena godinja stopa promjene kupovne moi izmeu 1995. i 2000.
g. je 2.6%.
iprosjeni godinji 00/95= 5 1.1359 = 1.0258 1.026
Veza indeksa i stope:
Stopa = indeks 1=1,026-1=0,026100=2,6%.
3. Prosjena godinja stopa rasta minimalnih plata u periodu 1995.-2000.
god.:
i00/95 = i00/99i99/98i98/97i97/96i96/95=1.0261.0451.0871.0131.022=1.20657.
iprosjeni godinji 00/95= 5 1.20657 = (1.20657)
Prosjena godinja stopa rasta r = 3,8%.
216
1.038
Zadatak 4
U sljedeoj tabeli su prezentovani podaci o stopi promjene trokova (u %)
namijenjenih za istraivanje i razvoj u Francuskoj:
Stopa promjene u %
1995/1990
1997/1995
1999/1997
15,31
1,60
5,15
Izvor: INSEE, TEF 2001-2002, strana 177.
1. Izraunajte stopu varijacije u periodu 1999./1995.

2. Izraunajte stopu varijacije u periodu 1999./1990.
3. Komentariite dobijene rezultate.
Elementi rjeenja:
1. Potrebno je koristiti indekse na bazi 1 i pravilo tranzitivnosti:
i99/95=i99/97i97/95=1.05151.016=1.068324
Stopa rasta u periodu 1999./1995. je bila 6,83%
2. i99/90=i99/97i97/95 i95/90=1.05151.0161,1531=1.23188
Stopa rasta u periodu 1999./1990. je bila 23,19%
Zadatak 5
Tabela: Evolucija znaaja sektora dravnih preduzea u Francuskoj:
Broj preduzea
1994.
1995.
1996.
1997.
1998.
1999.
2 716
2 636
2 506
2 510
1 785
1 540
Izvor: INSEE, TEF2001-2002, strana 143.
1. Izraunajte indekse baza 100 u 1994. i odredite stope promjene.

2. Izraunajte i objasnite lanane indekse.
3. Izraunajte prosjenu godinju stopu promjene broja dravnih
preduzea u periodu 1999./1994.
217
Elementi rjeenja:
1.
Indeksi
Stopa promjene (%)
I94/94
100
-
I95/94
97,1
-2,9
I96/94
92,3
-7,7
I97/94
92,4
-7,6
I98/94
65,7
-34,3
I99/94
56,7
-43,3
Broj dravnih preduzea se konstantno smanjuje. Osnovni razlog je

privatizacija i zakon o privatizaciji iz jula 1993. od kada broj dravnih
preduzea ne prestaje opadati.
2.
Lanani indeksi
Lanani indeksi baza 100 u (t-1)

Stopa promjene (%)
Lanani indeks baza 1 u (t-1)
I95/94
I96/95
I97/96
I98/97
I99/98
97,1
-2,9
0.971
95,1
-4,9
0.951
100,2
0,2
1.02
71,1
-28,9
0.711
86,3
-13,7
0.863
3. Prosjena godinja stopa promjene u periodu 1999./1994. je 10,73.

Moemo je raunati na dva naina:
Na osnovu polaznih podataka o broju preduzea:
r99 / 94
V
V
= 5 99 1 = 99
V94
V94
1540
1 =
2716
= (0.567 ) 5 1 = 0.8927 1 = 0.1073 10.73%

1
Ili koristei lanane indekse:

i99/94 = i99/98 i98/97 i97/96 i96/95 i95/94 = 0.5779.
iprosjeni godinji 99/94 = 0.5779
1/5
=0.896.
Prosjena godinja stopa promjene:

r 99/94 = i99/941=0.896-1= -0.104 -10.4%
Razlika izmeu stopa je rezultat zaokruivanja.
218
Zadatak 6
Posmatrajmo jednu veliinu ija je stopa rasta u toku tri uzastopne godine
bila: 0,9% u prvoj, 0,9% u drugoj i 4% u treoj godini.
Prosjena godinja stopa rasta za tri godine je jednaka:
1.
[(0,009 )
2.
1
(2 0,009 + 0,04)
3
3.
[(1,009 )
(0,04 )
1,04
4. aritmetika sredina.
Elementi rjeenja:
Taan odgovor je 3.
Zadatak 7
Poznati su individualni indeksi cijena jednog proizvoda:
ip99/94=1,41
ip2001/94=1,62
Moete li odrediti evoluciju cijene ovog proizvoda izmeu 1999. i 2001.?
Elementi rjeenja:
Individualni indeksi su tranzitivni:
ip2001/94= ip2001/99 ip99/94, odakle
ip2001/99= ip2001/94/ ip99/94=1,62/1,41=1,15
Izmeu 1999. i 2001. cijena se uveala za 15%.
219
Zadatak 8
Preduzee je uvealo svoj poslovni rezultat na osnovu proizvoda P za 5%
izmeu juna 2002. i juna 2001. Indeks cijena ovog proizvoda (juni
2002/juni 2001) je jednak 108. Da li su se u toku ovog perioda prodate
koliine ovog proizvoda uveale ili smanjile i za koliko?
Elementi rjeenja:
Poslovni rezultat je jednak (pq)
IPR100 = IpIq
Iq = (IPR100)/Ip97,2
Prodane koliine su se smanjile za 2,8%.
Zadatak 9
1. Prodaja jednog proizvoda se uveala za 15% izmeu 2000. i 2001.
godine i 10% izmeu 2001. i 2002. godine. Koja je bila stopa poveanja
prodaje izmeu 2000. i 2002. godine?
2. Prodaje proizvoda su smanjene za 5% izmeu 2000. i 2001. i zatim jo
5% izmeu 2001. i 2002. Koja je stopa opadanja prodaje izmeu 2000. i
2002. godine?
Elementi rjeenja:
Tranzitivnost:
i2002/2000=i2002/2001i2001/2000=1,101,15=1,265 Poveanje 26,5%
i2002/2000=i2002/2001i2001/2000=0,950,95=0,9025 Smanjenje 9,75%.
Zadatak 10
Lanani indeksi industrijske proizvodnje Federacije BiH su dati u sljedeoj
tabeli:
Indeksi
96/95
97/96
98/97
99/98
2000/99
2001/2000
187,6
135,7
123,8
110,6
108,8
112,2
Izvor: Statistiki godinjak Federacije BiH,2002, str.113-115
220
1. Izraunajte bazne indekse uz pretpostavku da je baza 100 u 2000.

godini.
2. Izraunajte bazne indekse uz pretpostavku da je baza 100 u 1998. godini
3. Uporedite i komentariite rezultate 1. i 2.
Elementi rjeenja:
1.
Indeksi
1995.
1996.
1997.
1998.
1999.
2000.
2001.
26,3
49,4
67,1
83,1
91,9
100
112,2
2.
1995.
Postupak
1996.
1997.
59,5/1,876 80,8/1,357 100/1,238
Indeksi
31,7
59,5
80,8
1998. 1999.
100
100
2000.
2001.
110,6 108,81,106 112,21,203

120,3
134,97135
110,6
Zadatak 11
U sljedeoj tabeli su date cijene, koliine i individualni indeksi vrijednosti
za dva proizvoda A i B za dva razliita perioda: bazni period 0 i posmatrani
period 1.
Tabela 1.
Proizvod
A
B
Period 0
Cijena Koliina
10
29
14
Period 1
Indeks vrijednosti
baza
100=period 0
Cijena Koliina
12
111.72
16
17
121.42
1. Odrediti individualne indekse cijena za A i B u baznom i posmatranom

periodu.
2. Odrediti koliinu proizvoda B u baznom i proizvoda A u posmatranom
periodu.
3. Odrediti budetske koeficijente za A i B u baznom periodu.
4. Izraunati Laspeyresov indeks cijena u periodu 1 ako je baza 100 u
baznom periodu 0 (koristite formulu na osnovu ponderisane aritmetike
sredine) i Paasche-ov indeks koliina (koristite agregiranu formulu)
221
5. Izraunati indeks globalne vrijednosti. Ralanite

kvantitativno objanjenje stope rasta globalne potronje.
ga
dajte
Elementi rjeenja:
1.
Ip1/0(A)=100
Ip1/0(B)= 100
p1(A)
=10012 =120 i(A)
p1/0 =1.20
10
p0(A)
p1(B)
=10016 =114.28 i(B)
p1/0 =1.143 3
14
p0(B)
Izmeu perioda 0 i perioda 1 cijena proizvoda A se uveala za 20% i B za

14.3%.
2. Proizvod A:
IW( A1/) 0 = 100 i (pA1/) 0 iq(1/A)0

I q(1/A)0 =
( A)
q1 / 0
IW( A1/) 0 111.72

=
= 93.1
1.2
i p( A1/) 0
I q(1A/)0 q0( A) 29 93.1

q1( A)
( A)
q
=
=
= 26.999 27
= 100 ( A) 1
100
100
q0
Proizvod B:
(B)
q1/ 0
IW( B1/) 0 121.42

= ( B) =
= 106.25
i p1/ 0 1.1428
I q(1B/)0 = 100
100 q1( B )
17
q1( B )
( B)
q
=
= 100
= 16
0
( B)
( B)
q0
I q1 / 0
106.25
3. Budetski koeficijent u periodu 0: 0j =
p0( j ) q0( j )
p0( j ) q0( j )
j
Ukupna vrijednost potroake korpe u periodu 0:
222

B
p
j=A
( A)
0
( j)
0
q0( j ) = p0( A) q0( A) + p0( B ) q0( B ) = 10 29 + 14 16 = 514
p0( A) q0( A)
10 29
=
=
= 0.5642
( j)
( j)
514
p0 q0
j
( B)
0
p0( B ) q0( B )
14 16
=
=
= 0.4358
( j)
( j)
p0 q0 514
j
Konstatujemo da je: 0( A) + 0( B ) =1
4. L p1 / 0 = 0( j ) I p( 1j )/ 0 = 0( A) I p( 1A/) 0 + 0( B ) I p( B1 /) 0
j
L p1 / 0 =0.5642 120+0.4358 114.3=117.51 dakle poveanje cijena od 17.5%.
Pq1/ 0
p
=100
p
(j)
1
q1(j)
(j)
1
(j)
0
=1001227+1617 =1000.9867=98.67 , dakle smanjenje

1229+1616
q
koliine za 1.33%.
5. Indeks vrijednosti je jednak
q1( j )
( j)
1
IW 1/ 0 = 100
( j)
0
( j)
0
= 100
12 27 + 16 17
= 115.95 116
10 29 + 14 16
Dakle, poveanje vrijednosti za 16%.

Dekompozicija indeksa vrijednosti:
iw1/ 0 =lp pq=1.1750.9867=1.159~1.16
Poveanje vrijednosti globalne potronje (potroake korpe) od 16% je

rezultat poveanja cijena od 17.5% i smanjenja koliina od 1.33%.
223
Zadatak 12
Data je sljedea tabela:
Proizvodi
2000.
Cijene
Koliine
9,00
27
4,90
31
3,65
40
8,10
15
A
B
C
D
2001.
Cijene
9,25
5,20
5,00
7,70
Koliine
37
40
28
30
1. Izraunati Laspeyresov i Paascheov indeks cijena i koliina u 2001. u

odnosu na 2000. za grupu od etiri posmatrana proizvoda.
2. Izraunati indeks vrijednosti, ralaniti ga i objasniti.
3. Izraunati Fisherov indeks cijena i koliina.
Elementi rjeenja:
j
1
2
3
4
Ukupno
PJ,00QJ,00
243,00
151,90
146,00
121,50
662,40
4
L p 01 / 00 =
q00j
q00j
j
01
j =1
4
j
00
j =1
L q 01 / 00 =
p 00j q 01j
p 00j q 00j
j =1
4
j =1
q01j
q01j
j =1
4
j =1
224
j
01
j
00
100 =
PJ,01QJ01
342,25
208,00
140,00
231,00
921,25
726,45
100 110
662,40
100 =
Pp 01 / 00 =
100 =
PJ,00QJ,01
333,00
196,00
102,20
243,00
874,20
874 , 20
100 132
662 , 40
921,25
100 105
874,20
PJ,01QJ,00
249,75
161,20
200,00
115,50
726,45

4
Pq 01 / 00 =
q01j
q00j
j
01
j =1
4
j
01
j =1
I w01 / 00 =
100 =
p
p
j
01
j
00
q01j
q00j
921,25
100 127
726,45
921, 25
100 139,08
662, 40
I w01 / 00 = pp lq=1,05 1,32=1,386

I w01 / 00 = pq lp=1,27 1,10=1,397
Fp 01 / 00 = L p 01 / 00 Pp 01 / 00 = 110 105 107,47

F p 01 / 00 = Lq 01 / 00 Pq 01 / 00 = 132 127 129,48
Zadatak 13
Na osnovu sljedeih podataka izraunajte pokretne sredine reda 2, 3, 4 i 5
koje nedostaju u donjoj tabeli. Rezultate zaokruite na jednu decimalu.
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Y
110
116
121
127
134
140
147
155
163
160
145
150
150
140
150
160
PS2
PS3
PS4
PS5
115,8
121,3
127,3
133,8
140,3
?
155,0
160,3
157,0
150,0
148,8
?
145,0
150,0
115,7
121,3
127,3
?
140,3
147,3
155,0
159,3
?
151,7
148,3
146,7
146,7
150,0
120,1
124,6
130,7
?
144,2
150,4
153,5
154,3
154,1
?
148,0
148,5
?
124,7
130,8
137,3
144,3
149,8
?
153,3
153,8
151,3
149,2
149,2
225
Elementi rjeenja:
PS 2(t=7)=147,3; PS 2(t=13)=147,5; PS 3(t=5)=133,7; PS 3(t=10)=156;
PS 4(t=6)=137,2; PS 4(t=12)=151,3; PS 5(t=3)=121,6; PS 5(t=9)=151,7.
Zadatak 14
U sljedeoj tabeli dati su podaci o poslovnom rezultatima po trimestrima u
hotelima A kategorije u poznatom turistikom ljetovalitu. Poslovni
rezultati su izraeni u 000 eura. Date su i pokretne sredine etvrtog reda
(PS4).
Datum
2000-T1
2000-T2
2000-T3
2000-T4
2001-T1
2001-T2
2001-T3
2001-T4
2002-T1
2002-T2
2002-T3
2002-T4
2003-T1
2003-T2
2003-T3
2003-T4
2004-T1
2004-T2
2004-T3
2004-T4
2005-T1
2005-T2
2005-T3
2005-T4
226
PR u 000
54500
55400
55600
55050
54800
55700
55900
55450
55300
56170
56400
55920
55600
56380
56400
55600
55250
56000
56200
55650
55400
56280
56450
55910
PS4
55175,0
55250,0
55325,0
55412,5
55525,0
55646,3
55767,5
55888,8
55985,0
56048,8
56075,0
56035,0
55951,3
55860,0
55787,5
55768,8
55793,8
55847,5
55913,8
55977,5
-
1. Predstavite grafiki seriju poslovnih rezultata. Komentariite dati

grafiki prikaz i odredite periodinost sezonske komponente.
2. Koji su nepovoljni trimestri sa stanovita poslovnih rezultata i zato?
3. Izraunajte stopu varijacije izmeu T2/T1 za 2001. na osnovu
originalnih i desezoniranih podataka i komentariite dobijene rezultate.
4. Izraunajte stopu varijacije izmeu T4 2004. i T4 2000. na osnovu
originalnih podataka i na osnovu podataka PS4. Uporedite i
komentariite dobijene rezultate.
5. Provjerite primjenom odgovarajuih formula rezultate rauna za PS4 za
T3 2003. i za T4 2004. godine.
6. Predstavite na grafikonu pod 1) seriju izraunatih PS4. Da li vam se
procjena tendencije ovom metodom ini zadovoljavajua?
Elementi rjeenja:
1.
56800
55800
55300
Grafikon 4.26.
2005-T4
2005-T3
2005-T2
2005-T1
2004-T4
2004-T3
2004-T2
2004-T1
2003-T4
2003-T3
2003-T2
2003-T1
2002-T4
2002-T3
2002-T2
2002-T1
2001-T4
2001-T3
2001-T2
2001-T1
2000-T4
2000-T3
54300
2000-T2
54800
2000-T1
poslovni rezultati
56300
Pokretne sredine etvrtog reda
2. T1 i T4 .
3. Na osnovu polaznih podataka: iT2/T1 2001=55700/54800=1,0164. Stopa je
1,64%
Na osnovu korigovanih podataka: iT2/T1 2001=55412,5/55325=1,0016.
Stopa 0,16%
4. Na osnovu polaznih podataka: iT42004/T4 2000=1,01899. Stopa je 1,9%.
Na osnovu korigovanih podataka: iT42004/T4 2000 =1,0108. Stopa je 1,08%.
227
5. PS 4(t = 15) =
PS 4(t = 15) =
1 y13 + y14 + y15 + y16 y14 + y15 + y16 + y17

+
2
4
4
1
2
1
y13 + ( y14 + y15 + y16 ) + y17
8
8
8
1
2
PS 4(t = 15) = 55600 + ( 56380 + 56400 + 55600 ) +
8
8
1
+ 55250 = 55951.25 55951.3
8
PS 4(t = 20) =
228
1 y18 + y19 + y20 + y21 y19 + y20 + y21 + y22

+
=.= 55847,5
2
4
4
POGLAVLJE 5.
OSNOVI VJEROVATNOE I
TEORIJSKE DISTRIBUCIJE
VJEROVATNOE
5.1. Uloga i znaaj eksperimenta u statistici

Posmatranje cjelokupne pojave ili samo njenog dijela i eksperimenti su
bitan faktor u naunim istraivanjima. Posmatranja i eksperimente izvode
strunjaci i naunici razliitih struka i za tu svrhu upotrebljavaju
odgovarajuu aparaturu. Statistika priroda tih ispitivanja je esto
kompleksna i to dovodi do sve vee potrebe za statistiarima, kako pri
planiranju istraivanja tako i pri obradi i analizi rezultata.
Statistika teorija, koja je u osnovi deduktivna, doprinosi racionalizaciji i
kvalitetu induktivnog procesa posmatranja. Posmatranje se najee sastoji
u ispitivanju dijela jedinica osnovnog skupa koji se naziva uzorak da bi se
donio sud o osnovnom skupu ili populaciji, bilo da su oni konani ili
beskonani.
Da li e neko posmatranje imati deduktivne atribute zavisi od toga da li se
ispituje cjelokupna populacija ili samo jedan njen dio. Ako se posmatranje
izvodi na osnovu samo jednog dijela populacije onda je ono induktivno. U
229
tom sluaju se na osnovu osobina iz uzorka primjenom odgovarajuih

metoda, koje se baziraju na teoriji vjerovatnoe, donose zakljuci o
osobinama osnovnog skupa uz odabrani nivo pouzdanosti.
Statistika inferencija omoguuje izvoenje dvije vrste zakljuaka o
osnovnom skupu na osnovu uzorka.
Prvi su ocjene nepoznate vrijednosti ili intervala povjerenja za
posmatrana obiljeja osnovnog skupa uz odgovarajui nivo
pouzdanosti, odnosno uz odgovarajuu greku ili rizik procjene.
Ocjenama se kvantificira, odnosno ocjenjuje vrijednost nepoznatog
parametra ili ee interval u kojem se nepoznati parametar
osnovnog skupa nalazi uz odabranu greku ocjene.
Drugi pristup se primjenjuje u sluajevima kada na osnovu
prethodnih eksperimenata ili iskustava mogu pretpostaviti
vrijednosti obiljeja osnovnog skupa. Da bi se provjerila ta
pretpostavka, poredi se pretpostavljena vrijednost obiljeja
osnovnog skupa sa vrijednou obiljeja koja je izraunata na
osnovu uzorka odabranog iz tog osnovnog skupa.
Oba analizirana pristupa se baziraju na istim teorijskim pretpostavkama. Uz
odgovarajui nivo pouzdanosti, testiraju se pretpostavljene vrijednosti i
prihvataju ili odbacuju kao mogua obiljeja osnovnog skupa. Osnovno
pitanje inferencijalne kao i deskriptivne statistike je: Kako analizirati
podatke da bismo dobili korisnu informaciju?
Da bismo dobili informaciju o populaciji, inferencijalna statistika ima, u
odnosu na deskriptivnu statistiku, jednu dodatnu etapu iji je cilj da odredi,
odnosno inferira, polazei od posmatranih obiljeja (karakteristika) na
uzorku, vjerovatnu vrijednost tih obiljeja za ukupnu istraivanu populaciju
ili osnovni skup.
5.1.1. Sluajni eksperiment, skup moguih rezultata
eksperimenta i dogaaji
Sluajni ili statistiki eksperiment je potpuno odreeni postupak ili proces
prikupljanja podataka koji se moe modelirati u okviru teorije vjerovatnoe
ako:
moe biti ponavljan u istim uslovima veliki broj puta,
rezultat eksperimenta nije unaprijed poznat,
230
Poglavlje 5. Osnovi vjerovatnoe i teorijske distribucije vjerovatnoe
se moe definisati
eksperimenta.
skup
moguih
rezultata
(ishoda)
tog
Skup moguih rezultata esperimenta oznaavamo velikim grkim slovom

omega . Modelizacija skupa moguih rezultata eksperimenta se sastoji u
sluajnom izvlaenju samo jednog elementa iz skupa .
Svaki rezultat eksperimenta se naziva elementarnim dogaajem i oznaava
malim grkim slovom omega . Skup elementarnih dogaaja moe biti
konaan ili beskonaan. Skup moguih rezultata jednog eksperimenta
izraavamo sljedeom relacijom:
= {1 , 2 ,..., n }
(5.1)
Skup moguih rezultata bacanja homogene kocke je = {1,2,3,4,5,6}.

Svaki od est moguih rezultata eksperimenta predstavlja jedan elementarni
dogaaj. U sluaju bacanja kocke postoji est elementarnih dogaaja.
Ukoliko bismo eljeli modelizirati dogaaj dobiti neparan broj on bi
predstavljao podskup skupa . Modelizaciju skupa moguih rezultata
bacanja homogene kocke i dogaaja dobiti neparan broj predstavljamo na
sljedeim grafikonima.
a)
1
5
4
2
6
skup moguih
rezultata eksperimenta
Grafikon 5.1.
b)
5
3
2
4
realizacija dogaaja A
Skup moguih rezultata eksperimenta (a) i realizacija odreenog dogaaja (b)
Dogaaje oznaavamo velikim slovima abecede. Dogaaj A definiemo kao

podskup skupa , tj. A . Dogaaj koji je sastavljen od dva ili vie
elementarnih dogaaja koji imaju zajedniku osobinu je sloeni dogaaj. U
ovom sluaju dogaaj dobiti neparan broj bi bio sastavljen od tri
elementarna dogaaja A = {1 , 2 , 3 } = {1,3,5}.
231
5.1.1.1. Vrste dogaaja

Dogaaj moe, kao to smo ve definisali, biti elementaran i sloen. Svaki
rezultat eksperimenta se naziva elementarni dogaaj. Dogaaj sastavljen od
vie elementarnih dogaaja koji imaju zajedniku karakteristiku je sloeni
dogaaj. Pored navedenih, analiziraemo i druge vrste dogaaja.
Siguran dogaaj
Siguran dogaaj je dogaaj koji je realizovan prilikom svakog ponavljanja

eksperimenta. Model sigurnog dogaaja treba ispuniti dva uslova. Siguran
dogaaj treba predstavljati dio skupa moguih rezultata i biti realizovan u
svakom ponavljanju eksperimenta.
Nemogu dogaaj
Nemogu dogaaj je dogaaj koji se nikada ne realizuje bez obzira na broj

ponavljanja eksperimenta. Model nemogueg dogaaja treba ispuniti dva
uslova. Nemogu dogaaj treba predstavljati dio skupa moguih rezultata.
Ovaj dogaaj se nikada ne realizuje bez obzira na broj ponavljanja
eksperimenta. Model nemogueg dogaaja je prazan skup.
Unija i presjek dogaaja
Uniju dogaaja definiemo na sljedei nain: dogaaj (A ili B) je realizovan

ako je realizovan dogaaj A ili dogaaj B, ili ako su realizovana oba
dogaaja. Ukoliko su ispunjeni uslovi ove definicije, dogaaj C izraavamo
kao uniju dogaaja A i B i formaliziramo sljedeim izrazom:
C = A B
(5.2)
Presjek dogaaja A i B je oznaava sa A B . Dogaaj (A i B) je realizovan

ako su A i B istovremeno realizovani. Dogaaj C e biti realizovan ako se
istovremeno realizuju i dogaaj A i dogaaj B. Formalizaciju presjeka
dogaaja izraavamo na sljedei nain:
C = A B
232
(5.3)

a)
b)
2
3
4
7
B
1
11
B
A B = {3 , 4 , 5 , 7 , 8 }
Grafikon 5.2.
10
A B = {1 , 11 }
Unija (a) i presjek (b) dva dogaaja
Komplementarni dogaaji
A i B su dva suprotna ili komplementarna dogaaja ako realizacija

eksprimenta rezultira ili u realizaciji samo dogaaja A ili u realizaciji samo
dogaaja B. U sluaju komplementarnih dogaaja koristimo notaciju =B i
sljedei uslovi trebaju biti zadovoljeni:
A B = i A B = .
odnosno
A A = i
A A =
(5.4)
Nekompatibilni dogaaji
Dva dogaaja su nekompatibilna ako se ne mogu istovremeno, odnosno

simultano realizovati. A i B su nekompatibilni ako je njihov presjek prazan
skup: A B = . Na grafikonu 5.3. su predstavljeni komplementarni i
nekompatibilni dogaaji.
233

a)
9
2
2
6
11
8
4
3
6
10
komplementarni dogaaji A i A
nekompatibilni dogaaji A i B
A A = , A A =
A B =
Grafikon 5.3.
b)
Skup komplementarnih dogaaja (a) i nekompatibilnost dogaaja (b)
Kompletan sistem dogaaja
Skup dogaaja A1 , A2 ,... An predstavlja kompletan ili potpun sistem

dogaaja ako svaka realizacija eksperimenta dovodi do realizacije jednog
dogaaja Ai . Modelizacija kompletnog sistema dogaaja je:
A1 A2 ... An =
(5.5)
uz uslov da je za svako i i j, i j zadovoljena slijedea relacija:

Ai A j =
A2
A1
1
10
4
9
8
3
7
2
11
A3
A4
5
6
Ai A j =
A1 A2 A3 A4 =
Grafikon 5.4.
234
Kompletan sistem dogaaja
5.1.1.2. Osobine skupova

Za operacije sa skupovima se primjenjuju De Morganovi zakoni. Prema De
Morganovim zakonima, dogaaj suprotan presjeku dogaaja A i B je jednak
uniji suprotnih dogaaja od A i B to se notira izrazom:
A B = A B
(5.6)
Komplementaran dogaaj unije A i B je jednak presjeku komplementarnih

dogaaja A i B:
A B = A B
(5.7)
Za operacije sa skupovima vrijede i osobine distributivnosti presjeka prema

uniji i distributivnosi unije prema presjeku:
A (B C ) = ( A B ) ( A C )
A (B C ) = ( A B ) ( A C )
(5.8)
Ako je dogaaj A dio skupa moguih rezultata tada vrijede uslovi:
A = A
A =
A =
A = A
(5.9)
Pojmove siguran dogaaj, nemogu dogaaj i nekompatibilan dogaaj smo

modelizirali i formalizirali bez koritenja termina vjerovatnoa.
U slijedeem dijelu emo analizu proiriti definisanjem pojma vjerovatoa i
modela sluajnog eksperimenta i sluajnog dogaaja.
5.2. DEFINISANJE VJEROVATNOE

Razlikuju se dva osnovna tipa vjerovatnoe: vjerovatnoa a priori i
vjerovatnoa a posteriori. Vjerovatnoa a priori je unaprijed poznata
vjerovatnoa. Vjerovatnoa nekog dogaaja moe biti poznata unaprijed
ako znamo broj povoljnih i broj moguih ishoda ili rezultata sluajnog
eksperimenta. Ako znamo da se u posudi nalaze dvije kuglice razliite boje
(crvena i bijela), u tom sluaju vjerovatnoa izvlaenja svake od tih kuglica
je poznata i iznosi 50%.
235
U najveem broju sluajeva nisu unaprijed poznati elementi za

izraunavanje vjerovatnoe i potrebno je eksperimentisanjem, ili na neki
drugi nain, izraunati vjerovatnou naknadno, poslije realizacije
eksperimenta ili a posteriori.
U definisanju vjerovatnoe prezentovaemo dva pristupa eksperimentalni i
teorijski.
5.2.1. Eksperimentalni pristup definisanju vjerovatnoe
Eksperimentalni pristup definie vjerovatnou na bazi frekvencija. Ovako
definisana vjerovatnoa se naziva jo i empirijska, statistika ili
vjerovatnoa a posteriori. Ovaj pristup se koristi u konkretnim sluajevima
da bi se odredila numerika vrijednost vjerovatoe jednog dogaaja.
Prema ovoj definiciji, vjerovatnoa je definisana kao granina vrijednost
relativne frekvencije i odreuje se poslije izvrenog eksperimenta na
osnovu prikupljenih empirijskih podataka.
Ako sa n oznaimo broj ponavljanja sluajnog eksperimenta, a sa n(A) broj
realizacija dogaaja A u n ponavljanja, tada odnos n(A)/n predstavlja
relativnu frekvenciju dogaaja A.
Vjerovatnoa dogaaja A se utvruje kao granina vrijednost relativne
frekvencije kada broj ponavljanja sluajnog eksperimenta tei
beskonanosti:
p ( A) = lim
n( A)
n
(5.10)
Ukoliko sluajni eksperiment bacanje novia ponavljamo veliki broj puta

vjerovatnoa dobijanja lica e dostii granicu kada broj bacanja novia
n tei beskonanosti:
vjerovatnoa (lice) = lim
broj bacanja kada se pojavi lice

broj bacanja
vjerovatnoa (lice) = lim ( relativna frekvencija pojavljivanja lice)

n
Ustvari, vjerovatno je da relativna frekvencija pojavljivanja lice tei

prema nekoj granici i ta granica se naziva vjerovatnoa.
236
5.2.2. Teorijska definicija vjerovatnoe

Teorijski pristup definisanju vjerovatnoe predstavlja
definiciju vjerovatnoe ili vjerovatnou a priori.
aksiomatsku
Pretpostavimo da su: sluajni eksperiment, skup svih moguih

rezultata tog eksperimenta = {1 , 2 ,..., n } , koji moe biti konaan ili
beskonaan i
P ( ) = {, i , A j ,} skup svih dogaaja koji se mogu
realizovati kao rezultat sluajnog eksperimenta. Sastavni dio ovog skupa su

pored elementarnih dogaaja i i dogaaja Aj, uvijek i nemogu dogaaj
i siguran dogaaj . U sluaju eksperimenta bacanje kocke ije su strane
oznaene od 1 do 6 skup moguih rezultata je = {1,2,3,4,5,6}. U tom
sluaju skup svih dogaaja (elementarnih i sloenih) koji se mogu
realizovati kao rezultat eksperimenta bacanje kocke je:
P () = {,i , Aj , } =
= {{}, {1},., {2,6},.., {1,3,5},.., {2, 4,5,6},.., {1,3, 4,5,6,},.., {1, 2,3, 4,5,6}}
Vjerovatnoa se naziva aplikacija p koja svakom dogaaju iz skupa

pridruuje jednu vrijednost iz intervala [0,1] , odnosno p:
P ( )
P ( ) [0,1] , i
zadovoljava dva sljedea aksioma:

1. Zbir vjerovatnoa svih elementarnih dogaaja je jednak 1:
p (1 ) + p (2 ) + ... p (n ) = 1
(5.11)
gdje je: 0 p( i ) 1 .
2. Vjerovatnoa bilo kojeg dogaaja A je jednaka zbiru vjerovatnoa
elementarnih dogaaja koji ine dogaaj A: p ( A) = p( i ) .
i A
Da bi se odredila vjerovatnoa skupa moguih rezultata eksperimenta

potrebno je svakom elementarnom dogaaju i pridruiti vjerovatnou
p(i ) . Primjena ove definicije vjerovatnoe se zasniva na pretpostavci

da je za sve elementarne dogaaje poznata vjerovatnoa koja moe
uzimati vrijednosti iz intervala [0,1] . Vjerovatnoa dogaaja A se
izraunava matematikim putem prije realizacije eksperimenta, dakle a
priori. Definisanom dogaaju A pridruujemo realan broj koji
237
obiljeavamo sa p(A) i nazivamo vjerovatnoom dogaaja A ako

zadovoljava sljedee uslove:
0 p ( A) 1 ; p()=1
(5.12)
Posljedice aksiomatske definicije su sljedee:

Vjerovatnoa skupa svih moguih rezultata sluajnog eksperimenta
je jednaka jedinici p()=1.
Prema aksiomu 1: p (1 ) + p( 2 ) + ... p ( n ) = 1 , dakle p ( ) = 1 .
Zbir vjerovatnoe dogaaja A i vjerovatnoe

komplementarnog dogaaja A je jednak jedinici
()
p ( A) + p A = 1
njemu
(5.13)
Iz izraza (5.13) slijedi da je vjerovatnoa dogaaja A jednaka razlici

izmeu jedinice i vjerovatnoe komplementarnog dogaaja A :
()
p ( A) = 1 p A
Vjerovatnoa nemogueg dogaaja koji predstavljamo kao prazan

skup je jednaka nuli:
p ( ) = 0
(5.14)
Za svaki dogaaj vjerovatnoa se kree izmeu nule i jedinice:
A, 0 p( A) 1
(5.15)
Primjer 5.1.
Ako je eksperiment izvlaenje loptica iji je skup moguih rezultata
= (plava, crvena, zelena, uta ) i vjerovatnoa izvlaenja svake od loptica:
p (plava) = 0,3,
p (crvena) = 0,4
p (zelena) = 0,2
p (uta) = 0,1
provjeriti aksiom 1 teorijske definicije i utvrditi vjerovatnou dogaaja A
koji se sastoji od elementarnih dogaaja izvui plavu ili zelenu kuglicu.
Aksiom 1 je provjeren jer je zbir vjerovatnoa jednak jedinici.
238
p ( ) = 0,3 + 0,4 + 0,2 + 0,1 = 1

Prema aksiomu 2, vjerovatnoa dogaaja A = {plava, zelena} je jednaka:
p(A)= p(plava)+ p(zelena)=0,3+0,2=0,5
Vjerovatnoa dogaaja A je jednaka p(A)=0,5.
5.2.3. Teoreme vjerovatnoe
Prezentiraemo nekoliko teorema vjerovatnoe koje se najee koriste i
ije je poznavanje neophodno za analizu i istraivanje.
5.2.3.1. Teorema aditivnosti
Primjenom teoreme aditivnosti definiemo vjerovatnou nekompatibilnih i
kompatibilnih dogaaja.
Vjerovatnoa nekompatibilnih dogaaja
Vjerovatnou da e se dogoditi ili dogaaj A ili dogaaj B, odnosno

vjerovatnou unije nekompatibilnih dogaaja, primjenom teoreme
aditivnosti izraavamo sljedeom relacijom:
Ako je A B = tada je p ( A B ) = p ( A) + p (B )
(5.16)
Vjerovatnoa kompatibilnih dogaaja
Ako je A B , tada vjerovatnou unije kompatibilnih dogaaja A i B

izraavamo sljedeom relacijom:
p ( A B ) = p ( A) + p (B ) p ( A B )
(5.17)
U oba sluaja vai uslov da je vjerovatnoa realizacije skupa elementarnih

dogaaja, dakle sigurnog dogaaja, jednaka jedinici, a vjerovatnoa
nemogueg dogaaja jednaka nuli: p( ) = 1 , p() = 0 .
239
5.2.3.2.Teorema multiplikativnosti
Za nezavisne dogaaje A i B teorema multiplikativnosti izraava
vjerovatnou presjeka dogaaja A i B, kao proizvod vjerovatnoe dogaaja
A i vjerovatnoe dogaaja B, sljedeom relacijom:
p ( A B ) = p ( A) p (B )
(5.18)
5.2.3.3. Uslovna vjerovatnoa i nezavisnost sluajnih dogaaja
5.2.3.3.1. Uslovna vjerovatnoa

Uslovna vjerovatnoa dogaaja B se definie kao vjerovatnoa realizacije
dogaaja B, znajui da je dogaaj A ve realizovan i da je vjerovatnoa
njegove realizacije razliita od nule.
Vjerovatnoa dogaaja B, uz uslov da se dogaaj A ve realizovao, se
oznaava p A (B ) ili p(B/A) i utvruje koritenjem sljedeeg izraza:
p( A B )
(5.19)
p ( A)
Na analogan nain se definie i uslovna vjerovatnoa dogaaja A: p(A/B)
p (B / A) =
p( A / B ) =
p( A B )
p( B )
(5.20)
5.2.3.3.2. Vjerovatnoa presjeka dogaaja A i B

Vjerovatnoa presjeka dogaaja A i B, p ( A B ) se definie polazei od
uslovne vjerovatnoe:
p (B / A) =
p( A B )
p ( A)
p ( A B ) = p (B / A) p ( A)
p( A / B ) =
p( A B )
p (B )
p ( A B ) = p ( A / B ) p (B )
240
(5.21)
(5.22)
(5.23)
(5.24)
Vjerovatnoa presjeka dogaaja je jednaka proizvodu vjerovatnoe jednog

od ta dva dogaaja i uslovne vjerovatnoe drugog dogaaja, pod uslovom
da se prvi dogaaj realizovao:
p ( A B ) = p ( B / A ) p ( A ) = p ( A / B ) p (B )
(5.25)
5.2.3.3.3. Nezavisnost sluajnih dogaaja

Nezavisnost dogaaja se moe definisati na dva naina.
Dogaaj A je nezavisan od dogaaja B ako vjerovatnoa realizacije
dogaaja A ne zavisi od vjerovatnoe realizacije dogaaja B:
p ( A / B ) = p ( A)
(5.26)
Vjerovatnoa realizacije dogaaja B ne utie na vjerovatnou

realizacije dogaaja A.
Druga definicija slijedi iz teoreme multiplikativnosti i prema ovoj
definiciji dva dogaaja A i B su nezavisni u odnosu na vjerovatnou
p ako je zadovoljen sljedei izraz:
p ( A B ) = p ( A) p (B )
(5.27)
Dvije analizirane definicije su ekvivalentne. Druga ima praktinu prednost

jer je simetrina u odnosu na dogaaje A i B.
5.2.3.4. Bayesova teorema
Bayesova teorema daje odgovor na pitanje: Ako se realizovao neki
dogaaj koji moe biti rezultat (posljedica) dva ili vie uzroka, kolika je
vjerovatnoa da se on realizovao upravo kao posljedica jednog konkretnog
uzroka? U ovom sluaju se ispituje vjerovatnoa uzroka zbog toga to se
trai uzrok deavanja dogaaja.
Za svaki dogaaj B ija je vjerovatnoa pozitivna i za kompletan sistem
dogaaja Ai , i = 1, n ija je vjerovatnoa pozitivna dobijamo za svako i:
p ( Ai / B ) =
p (B / Ai ) p ( Ai )
n
p (B / A ) p ( A )
k =1
(5.28)
241
Dokaz:
p( Ai B ) p(B / Ai ) p( Ai )
=
p (B )
p (B )
n
n
B = B = B Ak = (B Ak )
k =1 k =1
p( Ai / B ) =
Dogaaji B Ak su
Zakljuujemo da je:
nekompatibilni
jer
su
Ak
nekompatibilni.
p(B ) = p(B Ak )
k =1
p(B ) = p(B A1 ) + p(B A2 ) + .... + p(B Ak )
p ( B ) = p ( B / A1 ) p ( A1 ) + p ( B / A2 ) p ( A2 ) + ...
n
... + p ( B / An ) p ( An ) = p ( B / Ak ) p ( Ak )
k =1
p(B ) = p(B / Ak ) p( Ak )
(5.29)
k =1
Primjenu Bayesove teoreme emo ilustrovati na sljedeem primjeru.
Primjer 5.2.
Tri fabrike A, B i C snabdijevaju respektivno sa 30%, 20% i 40%
keramikih ploica graevinsko preduzee. U njihovim isporukama ima
respektivno 6%, 5% i 3% neupotrebljivih ploica. Jedna ploica sluajno
izabrana u stoku je neupotrebljiva. Koja je vjerovatnoa da ova ploica
dolazi iz fabrike C?
Da bismo izraunali traenu vjerovatnou definisaemo dogaaje i
formalizirati poznate informacije.
Dogaaj A: ploica potie iz fabrike A, dogaaj B: ploica potie iz fabrike
B, dogaaj C: ploica potie iz fabrike C i dogaaj D: ploica je neispravna.
Poznate vjerovatnoe su:
242
p ( A) = 0,30
p(B ) = 0,20
p (C ) = 0,40
p (D / A) = 0,06
p (D / B ) = 0,05
p (D / C ) = 0,03
Traenu vjerovatnou da sluajno izabrana neispravna ploica dolazi iz

fabrike C oznaavamo sa p (C / D ) i izraavamo sljedeom relacijom:
p(C / D ) =
p(C D )
p(D / C ) p(C )
=p
p (D )
p (D )
Da bi se izraunala vjerovatnoa p (D ) potrebno je definisati kompletan

sistem dogaaja (KSD) moguih izvora neispravne ploice.
KSD = {A, B, C }
A B C =
Dogaaji A,B i C su nekompatibilni:
A B = ; A C = ; B C =
Odreujemo skup dogaaja D:
D = D
D = D (A B C )
D = (D A) (D B ) (D C )
Ova tri dogaaja su meusobno nekompatibilna. To emo pokazati za dva
od njih:
(D A ) (D B ) = D A D B
= D D A B
= D (A B)
= D () =
Vjerovatnoa dogaaja D je jednaka:
p ( D ) = p ( D A) + p (D B ) + p ( D C )
p(D ) = p(D / A) p( A) + p(D / B ) p(B ) + p(D / C ) p(C )
odakle slijedi:
p(C / D ) =
p(C / D ) =
p (D / C ) p(C )
p (D )
p(D / C ) p(C )
p (D / A ) p ( A ) + p ( D / B ) p ( B ) + p (D / C ) p ( D )
243
Kada zamijenimo numerike podatke u gornju relaciju dobijamo traenu

vjerovatnou p(C / D ) = 30% . Zakljuujemo da je vjerovatnoa da
sluajno izabrana neispravna ploica potie iz fabrike C jednaka 30%.
Vjerovatnoe da sluajno izabrana neispravna ploica potie iz fabrike A i iz
fabrike B su 45% i 25% respektivno: p( A / D) = 45% i p( B / D) = 25% .
5.2.4. Kombinatorika
Kombinatorika podrazumijeva skup moguih rasporeda i grupacija
odreenog broja elemenata. Poto definicije vjerovatnoe podrazumijevaju
poznavanje broja moguih i broja povoljnih ishoda realizacije sluajnog
eksperimenta, za njihovo utvrivanje koristimo metode kombinatorike.
5.2.4.1. Permutacije
Izvriti permutaciju n elemenata nekog skupa znai rasporediti elemente na
sve mogue naine. Zavisno od toga da li se neki elementi ponavljaju ili ne,
razlikujemo:
Permutacije bez ponavljanja:
P = n!
Permutacije sa ponavljanjem:
Pn1 ,n2 ...nk (n ) =

gdje je
n
i =1
n!
n1!n2 !...nk !
(5.30)
(5.31)
=n
5.2.4.2. Kombinacije
Kombinacija predstavlja svaki podskup od k elemenata skupa od n
elemenata i moe biti bez ponavljanja i sa ponavljanjem.
Kombinacije bez ponavljanja:
n
n!
Ckn = =
k k!(n k )!
244
(5.32)
Kombinacije sa ponavljanjem:
n + k 1 (n + k 1)!
=
C kn+ k 1 =
k
k!(n 1)
(5.33)
5.2.4.3. Varijacije
Varijacije predstavljaju permutacije podskupova od k elemenata uzetih
istovremeno iz skupa od n elemenata.
Varijacije bez ponavljanja:
Vkn =
n!
(n k )!
(5.34)
Varijacije sa ponavljanjem:
Vkn = n k
(5.35)
5.2.5. Sluajna ili stohastika varijabla

Ako je stohastiki eksperiment i skup svih moguih rezultata (ishoda)
tog eksperimenta tada se svaka aplikacija (X) koja svakom elementarnom
dogaaju i od pridruuje jednu vrijednost naziva sluajna (stohastika,
aleatorna) varijabla.
Vrijednosti koje moe uzeti ova stohastika varijabla nazivaju se
realizacijama eksperimenta ( xi ).
Skup svih tih vrijednosti naziva se skup realizacija eksperimenta i oznaava
se sa X ( ).
Sluajne varijable se mogu podijeliti na osnovu toga da li uzimaju samo
izolovane vrijednosti u nekom intervalu ili sve mogue vrijednosti iz tog
intervala. Prema ovom kriteriju, sluajne varijable se dijele na prekidne i
neprekidne. Sluajna varijabla je prekidna ili diskretna ukoliko moe uzeti
prebrojivo mnogo vrijednosti, odnosno konaan broj izolovanih vrijednosti
koje se mogu prebrojati skupom cijelih nenegativnih brojeva. Sluajna
varijabla je neprekidna ili kontinuirana ako moe uzeti bilo koju vrijednost
iz posmatranog intervala. Vrijednosti ove varijable su rezultat mjerenja.
Varijable ije vrijednosti se dobijaju mjerenjem su po svojoj prirodi
kontinuirane.
245
5.2.5.1. Prekidna sluajna varijabla

Ako sluajna varijabla X uzima diskretne vrijednosti x1 , x2 ,..., xi ,..., xn iz
skupa moguih rezultata sa vjerovatnoama p ( x1 ), p ( x2 ),..., p ( xi ),..., p( xn ),
skup iji su elementi ureeni parovi
{xi , p(xi )},
i = 1,2,..., n
(5.36)
predstavlja distribuciju (zakon, raspored) vjerovatnoe sluajne varijable X.

Svaka distribucija vjerovatnoe prekidne sluajne varijable zadovoljava
sljedee uslove:
p( xi ) 0, i = 1,2,..., n
(5.37)
p(x ) = 1
i =1
Zakon vjerovatnoe prekidne sluajne varijable se moe napisati i u

sljedeim oblicima:
x1
D ( X ) :
p1
x2
xi .
p2 .
pi
xn
pn
(5.38)
ili
xi
D ( X ) :
pi
, i = 1,...., n
(5.39)
Distribucija prekidne varijable X je definisana skupom realizacija X() i

vjerovatnoom svake realizacije. Grafiki prikaz sluajne prekidne varijable
se predstavlja dijagramom sa stupcima.
Kumulativne vjerovatnoe i funkcija distribucije prekidne sluajne

varijable X
Kumulativna distribucija vjerovatnoe sluajne prekidne varijable je

jednaka:
F ( xi ) = P[X xi ] =
p(x )
x xi
(5.40)
i pomou nje se odreuje funkcija distribucije (zakona, rasporeda) prekidne

sluajne varijable X. Funkcija distribucije (zakona, rasporeda) prekidne
sluajne varijable je definisana kao vjerovatnoa za koju X uzima
246
vrijednosti manje ili jednake od nekog realnog broja x. Ovu funkciju

formalizujemo na sljedei nain:
F ( x) = P ( X x) =
p,
i
i =1
x j x < x j +1 , j = 1, n 1
0 ako je x < x1
F ( x ) = pi , ako je x j x < x j +1 , j = 1, n 1
i =1
1, ako je x x n
F ( ) = 0, F ( ) = 1 . F ( ) = P ( x ) = 0
nemogueg dogaaja, a F (+ ) = P( x + ) = 1
dogaaja koja je uvijek jednaka jedinici.
(5.41)
se odnosi na vjerovatnou
je vjerovatnoa sigurnog
Vjerovatnou da e se prekidna sluajna varijabla nai u intervalu (a,b)

utvrujemo sljedeim izrazom:
P (a X < b ) = F (b ) F (a ) =
a xi <b
(5.42)
5.2.5.1.1. Oekivana vrijednost i varijansa

Svaku prekidnu sluajnu varijablu karakteriu njeni parametri. To su
oekivana vrijednost i varijansa prekidne sluajne varijable.
Oekivana vrijednost (aritmetika sredina ili matematika nada) prekidne
sluajne varijable X je jednaka:
E ( X ) = p1 x1 + p2 x2 + ... + pn xn = pi xi
(5.43)
Osobine oekivane vrijednosti su aditivnost i linearnost. Ove

osobine izraavamo sljedeim relacijama:
E ( X + b) = E ( X ) + b
E (aX ) = a E ( X )
(5.44)
odnosno
E (aX + b ) = a E ( X ) + b
(5.45)
247
E ( X + Y ) = E ( X ) + E (Y )
(5.46)
Oekivana vrijednost odstupanja varijable X od njene oekivane

vrijednosti je jednaka nuli:
E [x E ( X )] = 0 , odnosno
p (x
i
E ( X )) = 0
(5.47)
Varijansa prekidne sluajne varijable po definiciji je jednaka:
2 = E [X E ( X )]2
(5.48)
Iz izraza (5.48) izvodimo izraz za varijansu razvijena oblika.
{
}
E (X ) 2 E ( X ) E ( X ) + [E ( X )]
E (X ) 2[E ( X )] + [E ( X )] = E (X ) E ( X )
= E [X ] [E ( X )]
E X 2 2 XE ( X ) + [E ( X )]
2
x
(5.49)
U mnogim sluajevima varijansu je jednostavnije izraunati

koritenjem razvijenog oblika, odnosno izraza (5.49).
Primjer 5.3.
Za distribuciju vjerovatnoe prekidne sluajne varijable X date sljedeim
izrazom:
1
D( X ) :
0,2
2
0,3
3 4
0,1 0,2
0,2
utvrditi funkciju distribucije (kumulativnu distribuciju) i grafiki predstaviti

distribuciju prekidne sluajne varijable X i funkciju distribucije prekidne
sluajne varijable X.
Za posmatranu distribuciju kompletiramo i kumulativnu distribuciju:
0, ako je x < 1
F ( x ) = pi ako je 1 x < 5 = {0 0,2 0,5 0,6 0,8 1,0}

i =1
1, ako je x 5
248
Distribucija (zakon, raspored) prekidne sluajne varijable i njoj

odgovarajujua funkcija distribucije su predstavljeni na sljedeim
grafikonima.
p( x )
0,4
0,3
0,2
0,1
Grafikon 5.5.
Distribucija prekidne sluajne varijable
F ( x)
1,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
x
Grafikon 5.6.
Funkcija distribucije prekidne sluajne varijable
249
5.2.5.2. Neprekidna sluajna varijabla

Sluajna varijabla je neprekidna ili kontinuirana ako moe uzeti bilo koju
vrijednost iz posmatranog intervala. Vrijednosti ove varijable su rezultat
mjerenja. Varijable ije vrijednosti se dobijaju mjerenjem po svojoj prirodi
su kontinuirane. Da bi se odredila distribucija (zakon, raspored)
vjerovatnoe neprekidne sluajne varijable potrebno je definisati:
1. Skup svih realizacija X ( ) sluajne neprekidne varijable. Sluajna
varijabla je neprekidna ako moe uzeti bilo koju vrijednost iz
posmatranog skupa realizacija X ( ) .
2. Funkciju gustine vjerovatnoe f ( x ) koja treba biti nenegativna za

svako x: f ( x ) 0 , x . Prema definiciji ukupna povrina ispod
krive gustine vjerovatnoe je jednaka jedinici.
f (x )dx = 1
(5.50)
3. Funkcija distribucije vjerovatnoe je definisana sljedeim izrazom:
F (x = a ) =
f (x )dx
(5.51)
F (a ) = p[X a ] = p[ < X a ] i jednaka je povrini ispod

krive u intervalu [ ; a ].
Ukupna povrina ispod krive f(x) je jednaka jedinici poto se radi o
vjerovatnoi sigurnog dogaaja:
p[ < X < + ] = 1
Za sluajnu neprekidnu varijablu sve vjerovatnoe u taci su jednake nuli:
P ( x = a ) = 0, a
Posljedice ove osobine su sljedee:
P[a X b] = P[a < X < b] = P[a X < b] = P[a < X b]

Na sljedeim grafikonima smo prezentovali nekoliko sluajeva
izraunavanja vjerovatnoe. Ukupna povrina ispod krive gustoe
vjerovatnoe je jednaka 1.
250
Na grafikonu 5.7. traenu vjerovatnou izraunavamo na sljedei nain:
p[a x b] = p[x b] p[x a ] = F (b) F (a )

f (x)
a
G rafikon 5.7.
b
Vjerovatnoca u intervalu:
p [a x b ]
Vjerovatnoa predstavljena na grafikonu 5.8. je jednaka:
p[ < x b] = p[x b] = F (b)

f ( x)
b
Grafikon 5.8.
Vjerovatnoa u intervalu:
p [ x b ]
251
Vjerovatnoa na grafikonu 5.9. je jednaka p ([x b ] = 1 p[x b ]= 1 F (b)
f ( x)
b
Grafikon 5.9.
Vjerovatnoa
p[ x b]
5.2.5.2.1. Oekivana vrijednost i varijansa sluajne

neprekidne varijable
Oekivana vrijednost i varijansa sluajne neprekidne varijable su definisane
sljedeim izrazima:
+
E ( X ) = = f ( x ) x dx
(5.52)
(x ) f (x )
2 =
dx,
= E(X )
(5.53)

Za prekidnu i kontiniranu sluajnu varijablu X ija je oekivana vrijednost
, standardna devijacija i k realan striktno pozitivan broj, vrijedi sljedea
relacija:
1
p[ k < X < + k ] 1 2
(5.54)
k
koja izraava vjerovatnou da e se sluajna varijabla X udaljavati od svoje
aritmetike sredine za k puta standardna devijacija. Vjerovatnoa da e se
252
sluajna varijabla X nalaziti u intervalu
[ k ]
e biti najmanje
1 2 % .
k
5.2.7. Prekidne distribucije (zakoni, rasporedi) vjerovatnoe
Od prekidnih distribucija vjerovatnoe mi emo analizirati: uniformnu,
Bernoullijevu, binomnu, Poissonovu i hipergeometrijsku distribuciju
vjerovatnoe.
5.2.7.1. Uniformni zakon vjerovatnoe
Da bismo definisali uniformni zakon vjerovatnoe treba da budu ispunjeni
sljedei uslovi:
Populacija sastavljena od jedinica oznaenih brojevima od 1 do n od
kojih svaka ima jednaku vjerovatnou da bude izabrana.
Realizacijom sluajnog eksperimenta sluajno se odabire jedna
jedinica iz posmatrane populacije. X je sluajna varijabla jednaka
broju jedinice koja je izabrana.
Skup realizacija i vjerovatnoa svake realizacije su formalizirani
sljedeim izrazima. Skup realizacija je X ( ) = {1,2,..., n} .
1
Vjerovatnoa svake realizacije p ( X = xi ) =
i zbir vjerovatnoa:
n
p ( xi ) = 1 .
Sluajna varijabla je rasporeena prema prekidnoj unifomnoj distribuciji ako
sve realizacije x varijable X imaju jednaku vjerovatnou u intervalu [1, n].
X ~U [1, n ]
{(x, px ),
x = 1,..., n}, gdje je px =
1
n
(5.55)
Oekivana vrijednost i varijansa prekidne uniformne distribucije je data

sljedeim izrazima:
E(X ) =
n +1
n2 1
; 2 =
2
12
(5.56)
253
Primjer 5.4.
1
D( X ) :
1 / 5
2
1/5
3 4
5
1/5 1/5 1/5
X ~ U [1, 5]
Izraunati oekivanu vrijednost i varijansu prekidne uniformne distribucije i
grafiki predstaviti prekidnu uniformnu distribuciju i funkciju prekidne
uniformne distribucije.
Oekivana vrijednost i varijansa prekidne uniformne distribucije su
n +1
=3
2
n 2 1 24
2 =
=
12
12
E(X ) =
Funkcija kumulativne prekidne uniformne distribucije je
F ( x) = {0;0,20; 0,40; 0,60; 0,80; 1 }

Na sljedeim grafikonima su predstavljene prekidna uniformna distribucija i
kumulativna funkcija vjerovatnoe prekidne uniformne distribucije.
p( x )
0,25
0,20
0,15
0,10
0,05
0
Grafikon 5.10.
254
3
Uniformna distribucija
f ( x)
1,0
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
Grafikon 5.11.
Funkcija uniformne distribucije vjerovatnoe
5.2.7.2. Bernoullijeva distribucija vjerovatnoe

Posmatrajmo sluajni eksperiment koji moe imati samo dva rezultata
(ishoda) koji se mogu oznaiti kao uspjeh i neuspjeh. To je alternativna
situacija iji ishodi su komplementarni i zbir njihovih vjerovatnoa je
jednak jedinici. X je sluajna prekidna varijabla indikator dogaaja. X uzima
vrijednost 1 ako je ishod uspjeh i vjerovatnoa ishoda uspjeh je jednaka p. X
uzima vrijednost 0 ako je ishod neuspjeh i odgovarajua vjerovatnoa je
jednaka q = (1- p) .
Distribucija (zakon, raspored) vjerovatnoe sluajne varijable X je jednak:
0
D( X ) :
1- p
(5.57)
U prvom redu su vrijednosti xi, a u drugom odgovarajue vjerovatnoe.

Kumulativna distribucija je jednaka:
F ( x = 0) = (1 p)
F ( x 1) = (1 p ) + p = 1
(5.58)
Ukoliko su zadovoljeni gore navedeni uslovi, sluajna varijabla X slijedi

Bernoullijev zakon vjerovatnoe koji zavisi od parametra p, koji predstavlja
vjerovatnou realizacije ishoda uspjeh.
X ~ Bernoulli (p )
255
Oekivana vrijednost i varijansa Bernoullijevog zakona

vjerovatnoe
Oekivana vrijednost Bernoullijevog zakona vjerovatnoe je jednaka p:

2
E ( X ) = xi pi = 0 (1 p ) + 1 p = p
(5.59)
i =1
Varijansa ovog zakona vjerovatnoe je jednaka:
x2 = p(1 p ) = p q
(5.60)
Varijansa se dobija na sljedei nain:
x2 = E (x 2 ) [E ( x )]2
( )
E x 2 = xi2 pi = 0 (1 p) + 1 p = p
[E (x )]
i =1
= p2
x2 = p p 2 = p(1 p )
Bernoullijeva distribucija vjerovatnoe i kumulativna
vjerovatnoe su predstavljene na grafikonu 5.12.
distribucija
1-p
1-p
Bernoullijeva distribucija vjerovatnoe

Grafikon 5.12.
256
Funkcija distribucije vjerovatnoe F ( x )
Bernoullijeva distribucija i funkcija distribucije
Bernoullijev zakon vjerovatnoe je poseban sluaj gdje je zakon

vjerovatnoe od X jednak zakonu vjerovatnoe od X 2 .
0
X :
1- p
1
i
p
0
X 2 :
1- p
(5.61)
5.2.7.3. Binomna distribucija vjerovatnoe

Ako ponavljamo n puta uzastopno (sukcesivno) sluajni eksperiment koji
ima dva mogua ishoda (uspjeh i neuspjeh) pod uslovom da vjerovatnoa p
ostaje nepromijenjena i da su ishodi eksperimenta nezavisni (izvlaenje se
vri sa ponavljanjem) dobijamo n Bernoullijevih varijabli. Tako dobijene
Bernoullijeve varijable su meusobno nezavisne i rasporeene prema istoj
distribuciji vjerovatnoe koja je funkcija vjerovatnoe p.
X je prekidna sluajna varijabla jednaka broju ishoda koje smo oznaili kao
uspjeh, a koje smo dobili ponavljanjem n identinih i nezavisnih sluajnih
eksperimenata. Sluajna prekidna varijabla X slijedi binomnu distribuciju
vjerovatnoe i zavisi od parametra n i p to oznaavamo kao:
X ~ B(n, p )
(5.62)
Skup realizacija sluajne varijable X je:
X ( ) = {0,1,2,3,..., n}
Vjerovatnoe realizacija predstavljaju lanove razvijenog binoma:
n
nk
p ( X = k ) = p k (1 p ) , k = 0,..., n
k
n
n x
p ( x ) = p x (1 p ) , x = 0,1,..., n
x
p ( X = k ) = Cnk p k (1 p )
p ( x ) = Cnx p x (1 p )
(5.63)
nk
n x
n
n!
,
Cnk = =
k k !( n k )!
k = 0,..., n
257
Kumulativna distribucija vjerovatnoe je jednaka:
0, ako je x < 0
k k nk
F ( x ) = C n p q , ako je x j x < x j +1 , j = 1, n 1
k =0
1, ako je x x n
(5.64)
Osobine binomnog zakona moemo rezimirati na sljedei nain. Poznat je

broj realizovanih eksperimenta (n). Svaki eksperiment je sluajan i
nezavisan. U svakom eksperimentu su mogua dva ishoda: uspjeh ili
neuspjeh. U svakom eksperimentu vjerovatnoa uspjeha i neuspjeha su
konstantne.
Oekivana vrijednost i varijansa binomne distribucije vjerovatnoe
Prekidna sluajna varijabla X koja se ponaa prema binomnoj distribuciji

vjerovatnoe sa parametrima n i p je jednaka zbiru n sluajnih varijabli X i
koje su nezavisne:
n
X = Xi
i =1
Ako sve nezavisne prekidne sluajne varijable Xi slijede Bernoullijevu

distribuciju X i ~ Bernoulli ( p ) , oekivana vrijednost prekidne sluajne
varijable X je jednaka
E( X ) = n p
(5.65)
Ovu vrijednost dobijamo na sljedei nain:
n
n
E ( X ) = E X i = E ( X i )
i =1 i =1
Za svako i oekivana vrijednost je jednaka p: E ( X i ) = p . Slijedi
n
E ( X ) = E ( X i ) = p + p + ... + p = n p
i =1
E( X ) = n p
258
Varijansa prekidne sluajne varijable X koja slijedi binomni zakon

vjerovatnoe se definie na sljedei nain:
= Xi
i =1
2
x
(5.66)
Poto su n sluajnih varijabli X i nezavisne promjenom osobine aditivnosti

varijanse dobijamo:
n
x2 = 2 ( X i )
i =1
Za svako Xi varijansa je jednaka 2 ( X i ) = p (1 p ) = p q . Slijedi:
x2 = p(1 p ) + p(1 p ) + ... + p(1 p ) = np(1 p )

x2 = np(1 p ) = n p q
Oekivana vrijednost i varijansa prekidne sluajne varijable X koja slijedi
binomni zakon vjerovatnoe sa parametrima n i p, X ~ B(n,p), su
E(X ) = n p
x2 = np(1 p )
(5.67)
U optem sluaju binomna distribucija je asimetrina. Ako je p=q=0,5

binomna distribucija je simetrina. Ako je p<0,5 tada je distribucija
pozitvno asimetrina, odnosno za p>0,5 negativno asimetrina.
Izrazi za koeficijente asimetrije i spljotenosti su:
Koeficijent asimetrije je jednak
3 =
q p
npq
(5.68)
Koeficijent spljotenosti je
4 = 3 +
1 6 pq
npq
(5.69)
Koeficijent varijacije je jednak sljedeem izrazu:
259
kv =
E (x )
n pq
q
100 =
100
n p
n p
100 =
(5.70)
Binomnu distribuciju vjerovatnoe za n=6 i p=0,5 i funkciju vjerovatnoe

predstavljamo na sljedeim grafikonima:
p
F (x )
1
Grafikon 5.13. Binomna distribucija vjerovatnoe B(6, 0,5) i funkcija distribucije vjerovatnoe
Grafiki prikaz binomne distribucije za n=10 i p=0,10 je predstavljen na

grafikonu 5.14.
p(xi)
0,4
0,3
0,2
0,1
Grafikon 5.14.
260
Binomna distribucija za n =10 i p=0,1
10
xi
Binomne distribucije za n=10 i p=0,5 je simetrina i predstavljena na

grafikonu 5.15.
p( xi )
0,25
0,20
0,15
0,10
0,05
0
Grafikon 5.15.
10
xi
Binomna distribucija za n =10 i p=0,5
Binomna distribucija je tabelirana. Binomna distribucija vjerovatnoe je

specijalan sluaj prekidnih distribucija vjerovatnoe koja ima vrlo iroku
primjenu.
5.2.7.4. Poissonova distribucija vjerovatnoe
Kada sluajna prekidna varijabla X moe uzimati kao vrijednosti nulu i sve
pozitivne cijele brojeve X()=(0,1,2,, + ) kojima odgovaraju
vjerovatnoe date sljedeim izrazom:
p ( X = x ) = e
x
x!
, e = 2,718, = n p
(5.71)
tada je varijabla X rasporeena prema Poissonovom rasporedu koja je

funkcija parametra = np > 0 , koji predstavlja prosjean broj javljanja
dogaaja u vremenskoj ili prostornoj jedinici.
X ~ P( )
(5.72)
Oekivana vrijednost i varijansa sluajne prekidne varijable koja se ponaa

po ovoj distribuciji su jednake:
E ( X ) = = , x2 =
(5.73)
261
Osobinu da je = x2 = ima samo Poissonov raspored, pa moemo rei

da je svaki raspored u kome je izraena ta osobina Poissonov raspored.
Koeficijent varijacije je:
kv =
E (x )
100 =
1
100 =
10
(5.74)
Parametri simetrinosti i spljotenosti su:
3 =
, 4 = 3 +
(5.75)
Funkcija distribucije vjerovatnoe je jednaka:
0, ako je x < 0
F ( x ) = j e k
k! , ako je j x < j + 1, za j cijeli prirodan broj
k =0
(5.76)
Poissonova distribucija je granini sluaj binomne distribucije. Ako je

vjerovatnoa p vrlo mala i broj ponavljanja sluajnog eksperimenta n veliki
tj.: p<0,1; n>50 binomna distrubicja se moe aproksimirati Poissonovom
distribucijom. Poissonova distribucija se naziva i distribucija malih
vjerovatnoa ili distribucija rijetkih fenomena. Ova distribucija se najee
primjenjuje u sluajevima kada je broj javljanja dogaaja nezavisan od
vremenske ili prostorne jedinice, kada je vjerovatnoa javljanja dogaaja
proporcionalna duini vremena ili prostora i kada je vjerovatnoa
istovremenog javljanja dva ili vie dogaaja u maloj vremenskoj jedinici
zanemarljiva. Ovaj model rasporeda ima veliku praktinu primjenu,
posebno u teoriji redova ekanja.
Rekurzivna formula za jednostavnije izraunavanje vjerovatnoe je data
sljedeim izrazom:
p ( X = x) =
p( X = x 1)
(5.77)
Pomou ove formule se postepeno izraunavaju ostale vjerovatnoe ako se

zna da je vjerovatnoa p(0) jednaka:
p( X = 0) = e
262
Ova distribucija je tabelirana. Poissonovu distribuciju vjerovatnoe smo

predstavili na grafikonima 5.16. i 5.17. za razne vrijednosti parametara n i
p, odnosno za razne vrijednosti parametra .
p(xi)
0,4
0,3
0,2
0,1
10
xi
Poissonova distribucija za n =10 i p =0,1
Grafikon 5.16.
p(xi)
0,25
0,20
0,15
0,10
0,05
0
Grafikon 5.17.
10
30
xi
Poissonova distribucija za n =30 i p =0,1
Binomna distribucija se moe aproksimirati Poissonovom ako su ispunjeni

odreeni uslovi. Na sljedeim grafikonima su za odabrane vrijednosti n i p
predstavljene aproksimacije binomne Poissonovom distribucijom. Uslovi za
aproksimaciju binomne distribucije Poissonovom su n 30 i p 0,10 .
263
p(xi)
0,4
0,3
binomna
distribucija
0,2
Poissonova
distribucija
0,1
0
30
xi
Aproksimacija binomne Poissonovom distribucijom

za vrijednosti n=30 i p=0,05
Grafikon 5.18.
p(xi)
0,30
0,25
binomna
distribucija
0,20
0,15
Poissonova
distribucija
0,10
0,05
0
Grafikon 5.19.
264

50
xi
p(xi)
0,25
0,20
binomna
distribucija
0,15
Poissonova
distribucija
0,10
0,05
0
30
xi

Grafikon 5.20.
p(xi)
0,4
0,3
binomna
distribucija
0,2
Poissonova
distribucija
0,1
Grafikon 5.21.
10
11
12
13
50
xi

za vrijednosti n =50 i p=0,1
Na osnovu prezentiranih grafikona moemo konstatovati

aproksimacija bolja ukoliko n raste, a vjerovatnoa p opada.
da
je
265
5.2.7.5. Hipergeometrijska distribucija vjerovatnoe

Hipergeometrijska distribucija vjerovatnoe H(N,n,p) je distribucija zbira n
sluajnih Bernouillijevih zavisnih varijabli. Radi se dakle o izvlaenju bez
ponavljanja. Broj povoljnih ishoda meu n sluajnih sukcesivnih
Bernouillijevih eksperimenata se kree izmeu max (0,n,N2) i min (n,N1).
Ova sluajna varijabla ima istu oekivanu vrijednost kao binomna varijabla,
ali je varijansa manja za odnos (N-n)/(N-1) koji se naziva faktor
egzostivnosti. Oznaimo sa: N=N1+N2 broj elemenata skupa, N1 broj
povoljnih ishoda ili broj elemenata skupa koji posjeduje traeno obiljeje,
N2=N-N1 broj nepovoljnih ishoda ili broj elemenata skupa koji ne posjeduju
traeno obiljeje i k broj povoljnih ishoda ili broj elemenata u uzorku koji
posjeduju dato obiljeje. Uz uslov da je n N , k N1 N , skup moguih
realizacija i vjerovatnoa svake od realizacija su dati sljedeim izrazima:
X ( ) = {max (0, n N 2 ),..., min (n, N1 )}
N1 N 2

k
n k
k n k C N1 C N 2
=
p( X = k ) =
C Nn
N

n
(5.78)
Oekivana vrijednost i varijansa su:
E(X ) = n
N1
;
N
2 = n
N1 N 2 N n
N N N 1
(5.79)
Ova distribucija se primjenjuje u rjeavanju problema izbora uzoraka.

Uzorak se moe odabrati sa ponavljanjem i bez ponavljanja elemenata.
Nezavisnost elemenata obezbjeuju uzorci sa ponavljanjem.
U sluajevima kada je populacija vrlo velika, ili kada je odnos (n/N<1/10),
ova distribucija se moe aproksimirati pomou binomne distribucije.
5.2.7.6. Tabelarni pregled prekidnih distribucija
U narednoj tabeli je prezentiran pregled analiziranih prekidnih distribucija i
njima odgovarajuih oekivanih vrijednosti i varijansi.
266
Tabela 5.1. Prekidne distribucije vjerovatnoe

Prekidne
distribucije
Uniformna
X ~U [1, n ]
Bernoullijeva
X~Bernoulli
(p)
Distribucije vjerovatnoe
{(x, px ),
x = 1,...,n}, gdje je px =
0
D( X ) :
1 - p
E( X ) = p
p( x ) = Cnx p x (1 p )
Poissonova
p ( X = x ) = e
( )
Hipergeometrijska
H(N,n,p)
n x
x
x!
Varijansa
n +1
1
n2 1
2
E(X ) =
=
2
n
12
Binomna
X ~ B(n,p)
X~P
Oekivana
vrijednost
, e = 2,718, = n p
x2 = p(1 p ) = p q
E ( X ) = n p x2 = np(1 p )
E(X ) = =
x2 =
N1 N2

N1 N 2 N n
N
2
k
nk
k n k CN1 CN2 E ( X ) = n 1 = n N N N 1
p( X = k ) =
=
N
CNn
N

n
5.2.8. Neprekidne distribucije vjerovatnoe

5.2.8.1. Neprekidna uniformna distribucija
Varijabla X ima neprekidnu uniformnu distribuciju u intervalu [a; b] ako je:
1.
X ( ) = [a; b ]
2. Funkcija gustoe vjerovatnoe f(x) definisana kao:
f (x ) = 0
ako x [a; b]
f (x ) =
1
f (x ) =
ako x [a; b]
ba
3. Funkcija distribucije vjerovatnoe
F ( x ) = P [ X x] =
(5.80)
f ( x ) dx
267
0, za x a
x a
za a x b
F (x ) =
b a
1, za x b
(5.81)
Ako sluajna prekidna varijabla slijedi uniformnu distribuciju

X ~ U [a; b] tada su oekivana vrijednost i varijansa definisane sljedeim
izrazima:
a+b
E(X ) =
2
2
(
b a)
=
(5.82)
12
Neprekidni uniformni zakon vjerovatnoe i njemu odgovarajuu funkciju

zakona vjerovatnoe predstavljamo na sljedeim grafikonima:
f (x)
1
b-a
a
Grafikon 5.22.
Neprekidna uniformna distribucija vjerovatnoe
F(x)
1
Grafikon 5.23.
268
Funkcija neprekidne uniformne distribucije vjerovatnoe
5.2.8.2. Normalna distribucija vjerovatnoe ili

Laplace-Gaussova distribucija
Varijabla X ima Laplace-Gaussov zakon vjerovatnoe koji zavisi od
parametra i 2 X ~ N , 2 ako su zadovoljeni sljedei uslovi:
1.
X ( ) = R (skup realnih brojeva) tj. X ( ;+ )
2. Funkcija gustine vjerovatnoe f (x) je definisana za svako x:

1 x
1
f ( x) =
e 2 , gdje je = 3,14... i = E ( x )
2
3. Funkcija distribucije vjerovatnoe je jednaka:
1
F ( x) =
2
1 x

(5.83)
dx
(5.84)
Na grafikonu 5.24. je predstavljena kriva normalne distribucije N , 2 .

f ( xi )
-3 -2 -
Grafikon 5.24.
+ +2 +3
xi
Normalna distribucija N ( ; 2 )
Normalna distribucija za n=10, aritmetiku sredinu =5, i varijansu 2 =2,5

je prikazana na sljedeem grafikonu:
269
f(xi)
0,30
0,25
0,20
0,15
0,10
0,05
0
10
xi
Normalna distribucija za n =10, = 5, = 2, 5

2
Grafikon 5.25.
Na grafikonu 5.26. su predstavljene dvije normalne distribucije sa razliitim

aritmetikim sredinama i jednakom varijansom: N 1 = = 5, 2 = 4 i
N 2 = = 8, = 4 . Kriva normalne distribucije N2 sa veom

aritmetikom sredinom je pomjerena udesno u odnosu na krivu normalne
distribucije N1.
2
f(xi)
0.25
N1
0.2
N2
N1 = = 5, 2 = 4
0.15
0.1
N 2 = = 8, 2 = 4
0.05
xi
0
-4
-2
10
12
14
16
18
Poreenje normalnih distribucija sa razliitim aritmetikim

sredinama i jednakim varijansama
Grafikon 5.26.
Na grafikonu 5.27. su predstavljene dvije normalne distribucije sa jednakim

aritmetikim sredinama i razliitim varijansama: N 1 = = 5, 2 = 4 i
N 2 = = 5, = 8 . Kriva normalne distribucije N1, ija je varijansa

270
manja, iljastija je u odnosu na krivu N2 koja je spljotenija jer je njena

varijansa vea. Ukoliko su varijansa i standardna devijacija vee, kriva
normalne distribucije je spljotenija (ira) jer u tom sluaju podaci vie
odstupaju od aritmetike sredine.
f (xi)
0.25
N1
0.2
N2
N1 = = 5, 2 = 4
0.15
N 2 = ( = 5, 2 = 8)
0.1
0.05
0
xi
-4
-2
10
12
14
Poreenje normalnih distribucija sa jednakim aritmetikim sredinama

i razliitim varijansama
Grafikon 5.27.
5.2.8.2.1. Standardizovana normalna distribucija

Normalna distribucija se moe svesti na standardizovanu normalnu
distribuciju koja ima vrlo iroku primjenu. Normalna distribucija se
standardizuje ako se X linearno transformira X = + Z , tako da
dobijemo standarizovanu varijablu Z sa parametrima = 0 i = 1.
Pretpostavimo da X~N ; 2
Z jednaka:
Z=
Z=
i da je sluajna standardizovana varijabla
(5.85)
Z ima normalnu distribuciju ije parametre treba odrediti.
1

1
E (Z ) = E X = E ( X ) = = 0

(5.86)
271
Primjenjujui osobinu nelinearnosti varijanse dobijamo
1
2
1
2 (Z ) = 2 X = 2 2 ( X ) = 2 =1

Ako je X ~ N ; 2
i Z=
(5.87)
, Z slijedi standardizovanu normalnu
distribuciju ija je aritmetika sredina jednaka nuli, a varijansa i standardna

devijacija jedinici: Z~N(0,1)
f(zi)
-3
-1
-2
zi
Standardizovana normalna distribucija

N (0;1)
Grafikon 5.28.
Standardizovani oblik modela normalne distribucije je:

2
1 z2
f (z) =
e ,
2
f ( z )dz = 1
(5.88)
Funkcija distribucije vjerovatnoe standardizovanog normalnog rasporeda

je data sljedeim izrazom:
F ( z) =
1
f ( z )dz =
2
z2
2
dz
(5.89)
Aritmetika sredina standardizovane distribucije je jednaka nuli. Varijansa i

standardna devijacija su jednake jedinici. Ova distribucija je simetrina u
odnosu na nulu (tj. aritmetiku sredinu ija je vrijednost u ovom sluaju
272
jednaka nuli). Ova distribucija je tabelirana i odgovarajue tablice se nalaze

u prilogu.
Na sljedeim grafikonima je ilustrovano odreivanje povrine ispod
normalne krive, odnosno odgovarajue gustine vjerovatnoe. Vjerovatnoa
na grafikonu 5.29. je jednaka p ( z 1,25) = F (1,25) = 0,89435.
p [ z 1, 25]
-3
-1,25
Grafikon 5.29.
1,25
F (1,25)
Gustina vjerovatnoe koja je predstavljena na grafikonu 5.30. se odreuje

na sljedei nain:
F (1, 25) = p ( z 1, 25) = p( z 1, 25) = 1 p( z 1, 25)

F (1, 25) = 1 F (1, 25)
F (1,25) = 1 0,89435 = 0,10565
p [ z 1, 25]
-3
Grafikon 5.30.
-1,25
1,25
F (-1,25)
273
5.2.8.2.2. Osobine normalne distribucije

Najznaajnije osobine normalne distribucije su sljedee:
Normalna distribucija je u potpunsti definisana oekivanom
vrijednou, odnosno aritmetikom sredinom i varijansom
X ~ N , 2 .
Kriva normalne distribucije ima zvonasti oblik, unimodalna je i

simetrina je u odnosu na oekivanu vrijednost (aritmetiku
sredinu).
Aritmetika sredina, medijana i mod su jednaki.
Relativna mjera asimetrije 3 je jednaka nuli.
Vrijednost relativne mjere spljotenosti 4 je jednaka tri.
Spljotenost normalne distribucije zavisi od veliine standardne
devijacije. Normalna distribucija je spljotenija ukoliko standardna
devijacija ima veu vrijednost.
Ukupna povrina ispod krive je jednaka jedinici. Poto je kriva
normalne distribucije simetrina, 50% povrine se nalazi lijevo i
50% povrine desno od aritmetike sredine. Povrina ispod
normalne krive je jednaka gustini vjerovatnoe. Vjerovatnoa da
neprekidna varijabla X uzme vrijednost veu (ili manju) od
aritmetike sredine jednaka je 50%.
Normalna distribucija posjeduje osobine linearnosti i aditivnosti.
Linearnost normalne distribucije
Ako je sluajna neprekidna varijabla X rasporeena prema
normalnoj distribuciji, tada je i varijabla Y =aX+b rasporeena
prema normalnoj distribuciji.
Aditivnost normalne distribucije
Ako X~N i Y~N, i ako su X i Y nezavisne varijable, tada varijabla S=X+Y

ima normalnu distribuciju sa parametrima E(S) i varijansu od S koji se
izraunavaju koristei analizirane osobine ova dva parametra.
X ~ N 1 , 12 , Y ~ N 2 , 22
[(
)(
S = ( X Y ) ~ N [( ); (
)]
)]
S = ( X + Y ) ~ N 1 + 2 ; 12 + 12
1
274
2
1
+ 12
(5.90)
Primjer 5.5.
X ~ N(12;3) i Y=4X+6
Treba odrediti oekivanu vrijednost i varijansu sluajne varijable
Y: Y ~ N(E(Y);y2).
E(Y)=E(4X+6)=4E(X)+6= 4 12 + 6 = 54 .
Koristei nelinearnost varijanse dobijamo y2= 48.
Y2 = 2 (4 X + 6) = 16 X2 = 16 3 = 48
Y ~ N (54;48)
5.2.8.2.3. Karakteristini intervali normalne distribucije
Pretpostavimo da X~N ( ; 2 ) i odredimo vjerovatnou da se sluajna
varijabla nalazi u intervalu p[ k X + k ] .
3
Grafikon 5.31.
+ k
+ 3
Vjerovatnoa p [ k X + k ]
Koristiemo standardizovanu varijablu Z =
. Sluajna varijabla Z se
ponaa po standardizovanom normalnom rasporedu Z ~ N (0;1) , pa slijedi:
k X + k
p
p[ k Z k ]
(5.91)
275
Odredimo vjerovatnou da e se sluajna varijabla Z nalaziti u intervalu

(-k;k).
2F ( k ) 1
-3
Grafikon 5.32.
0
Vjerovatnoa
p [k Z k ]
Vjerovatnoa da e se sluajna varijabla Z nalaziti u intervalu (-k;k) je

jednaka:
p[ k Z k ] = F (k ) F ( k ) = F (k ) [1 F (k )]
p[ k Z k ] = 2 F (k ) 1
p[ k X + k ] = 2 F (k ) 1
(5.92)
Za razliite vrijednosti od k dobijamo sljedee intervale:
k =1
F (1) = 0,8413
p[ X + ] = 0,6826
k=2
F (2 ) = 0,9772
p[ 2 X + 2 ] = 0,9544
k =3
F (3) = 0,99865
p[ 3 X + 3 ] = 0,9973
Ukoliko zaokruimo dobijene vrijednosti moemo napisati tri
karakteristina
intervala
standardizovane
normalne
distribucije.
Vjerovatnoa da sluajna varijabla X odstupa od aritmetike sredine za
276
jednu standardnu devijaciju je 68,3%, za dvije standardne devijacije je

95,4% i za tri 99,7%.
p[ X + ] = 68,3%
p[ 2 X + 2 ] = 95,4%
p[ 3 X + 3 ] = 99,7%
Definisani intervali su predstavljeni na grafikonu 5.33.
f (xi)
68,3%
95,4%
99,7%
-3 -2 -
Grafikon 5.33.
+ +2 +3
xi
Karakteristini intervali normalne distribucije
Za sluajnu varijablu rasporeenu po standardizovanoj normalnoj

distribuciji vrijedi sljedea relacija X ~N (0;1) . Aritmetika sredina ovog
rasporeda je jednaka nuli, a varijansa i standardna devijacija jedinici. U tom
sluaju karakteristini intervali su:
p[ 1 X 1] = 68,3%
p[ 2 X 2] = 95,4%
p[ 3 X 3] = 99,7%
Prikaz karakteristinih intervala za standardizovanu normalnu distribuciju
je predstavljen na grafikonu 5.34.
277
f (zi)
68,3%
95,4%
99,7%
-3
Grafikon 5.34.
-2
-1
zi
Karakteristicni intervali standardizovane normalne distribucije
5.2.8.2.4. Vjerovatnoe normalne distribucije

Za jednostavnije izraunavanje vjerovatnoe koritenjem tablica standardizovane normalne distribucije navodimo nekoliko najeih odnosa za
svako i < j:
p (z i Z z j ) = p (Z z j ) p (Z z j ) = F (z j ) F ( z i )
p (Z z j ) = 1 p (Z z j ) = 1 F (z j )
(5.93)
p(Z z j ) = p(Z z j ) = 1 p(Z z j ) = 1 F (z j )

p(Z z j ) = p(Z z j ) = F (z j )
p( z j Z z j ) = p(Z z j ) p(Z z j ) = F (z j ) 1 + F ( z i ) = 2F (z j ) 1
Normalna distribucija vjerovatnoe predstavlja najznaajniju distribuciju

vjerovatnoe zbog toga to:
veliki broj pojava ima priblino normalan raspored;
normalnim rasporedom se mogu aproksimirati prekidni rasporedi uz
odgovarajue uslove;
iz normalnog rasporeda se izvode drugi neprekidni rasporedi;
normalni raspored predstavlja osnovu za parametarsko zakljuivanje.
278
5.2.8.3. Aproksimacije distribucija vjerovatnoe

Aproksimaciju binomne distribucije Poissonovom distribucijom smo
analizirali u dijelu 5.2.7.4. Binomna i Poissonova distribucija vjerovatnoe
se mogu, uz odreene uslove, aproksimirati normalnom distribucijom
vjerovatnoe.
Aproksimacija binomne distribucije normalnom distribucijom

vjerovatnoe
Uslovi za aproksimaciju binomne distribucije normalnom distribucijom su

sljedei: n 20, np 10, n(1 p ) 10 . U prva dva sluaja (grafikoni 5.35.
i 5.36.) uslovi aproksimacije nisu zadovoljeni i aproksimacija, kao to se
uoava na grafikonima, nije zadovoljavajua.
0,6
0,5
binomna
distribucija
0,4
normalna
distribucija
f(xi)
0,3
p(xi)
0,2
0,1
0
Grafikon 5.35.
10
xi
Aproksimacija binomne normalnom distribucijom

279
0,45
0,40
0,35
binomna
distribucija
0,30
f(xi)
p(xi)
0,25
normalna
distribucija
0,20
0,15
0,10
0,05
0
Grafikon 5.36.
10
xi

U druga dva sluaja predstavljena na grafikonima 5.37. i 5.38. uslovi

aproksimacije su zadovoljeni i aproksimacija je prihvatljiva.
0,16
0,14
f(xi)
p(xi)
binomna
distribucija
0,12
0,1
0,08
normalna
distribucija
0,06
0,04
0,02
0
xi
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Grafikon 5.37.
280

0,12
f(xi)
p(xi)
0,1
binomna
distribucija
0,08
0,06
normalna
distribucija
0,04
0,02
0
xi
0

Grafikon 5.38.
8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Aproksimacija Poissonove distribucije normalnom distribucijom

vjerovatnoe
Uslov za aproksimaciju Poissonove distribucije normalnom distribucijom

vjerovatnoe je = n p 15 . Na grafikonu 5.39. uslov za aproksimaciju
nije zadovoljen, a na grafikonima 5.40. i 5.41. uslov za aproksimaciju je
zadovoljen.
0,3
0,25
Poissonova
distribucija
f(xi)
p(xi) 0,2
normalna
distribucija
0,15
0,1
0,05
0
Grafikon 5.39.
Aproksimacija Poissonove normalnom distribucijom za
xi
10
= np = 5
281

0,16
0,14
0,12
f(xi)
p(xi)
Poissonova
distribucija
0,1
0,08
normalna
distribucija
0,06
0,04
0,02
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
xi
Grafikon 5.40.
Aproksimacija Poissonove normalnom distribucijom za
= np = 15
0,12
f(xi)
p(xi)
0,1
Poissonova
distribucija
0,08
0,06
normalna
distribucija
0,04
0,02
0
8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Grafikon 5.41. Aproksimacija Poissonove normalnom distribucijom za
xi
= np = 25
Uslovi za aproksimaciju12 distribucija vjerovatnoe su predstavljeni u

sljedeoj emi:
12
J.J. Droesbeke: Elements de statistiques, Ellipses Paris et Editions de l'Universite

libre de Bruxelles, Bruxelles, 1977, str. 262.
282
n
10%
N
H ( N , n, p )
B ( n, p )
n 30
p 0,10
P ( )
n 20
np 10
n(1 p) 10
n
10%
N
n 30
15
N ( , )
ema 5.1.
Uslovi za aproksimacije
( )
5.2.8.4. Hi-kvadrat 2 distribucija

Posmatramo n sluajnih varijabli: X 1 , X 2 ,..., X n koje su nezavisne i svaka
ima normalnu standardizovanu distribuciju.
Ako je varijabla X jednaka zbiru kvadrata varijabli X i :
n
X = X 12 + X 22 + ... + X n2
(5.94)
i =1
kaemo da varijabla X ima hi-kvadrat distribuciju sa n stepeni slobode:
X ~ n2 stepeni
slobode
(5.95)
Ova distribucija se primjenjuje kada analiziramo znaajnost razlika stvarnih

i teorijskih frekvencija, vrijednosti varijabli itd. Definie se kao zbir
kvadrata razlika izmeu stvarnih i oekivanih vrijednosti prema oekivanim
vrijednostima:
n
(mi ei )2
i =1
ei
=
2
(5.96)
283
0 2 < + , gdje je mi stvarna, a ei oekivana frekvencija. Hi-kvadrat

distribucija moe uzeti vrijednosti od 0 do beskonano, dakle ne moe biti
negativna jer je jednaka zbiru kvadrata i zavisi o broju stepeni slobode
(degrees of freedom - df). Broj stepeni slobode se definie kao broj
nezavisnih vrijednosti podataka umanjen za broj ogranienja koja se
nameu tim vrijednostima.
Vrijednosti distribucije su tabelirane. U pretkoloni su brojevi stepeni
slobode od 1 do 30. U zaglavlju su vjerovatnoe. U tabeli su date kritine
vrijednosti koje e hi-kvadrat premaiti za datu vjerovatnou i broj stepeni
slobode. To pokriva skoro sve sluajeve u praksi, jer su sluajevi sa brojem
stepeni slobode veim od 30 rijetki.
Ova distribucija je asimetrina i sa porastom broja stepeni slobode
pribliava se normalnoj distribuciji.
Hi-kvadrat distribucija je data sljedeim izrazom:
( )=
n
2
n
2
2
( )
f 2 > 0,
( )
n2
2
2
2
f ( )d ( ) = 1
2
(5.97)
Hi-kvadrat distribucija je predstavljena na sljedeem grafikonu.

f ( 2)
Grafikon 5.42.
284
2n,1a / 2
2n, a/ 2
2 distribucija
Gama funkcija koja se koristi u definisanju hi-kvadrat distribucije data je

sljedeim izrazom:
+
( ) = x 1e x dx, > 0
(5.98)
Izrazi za oekivanu vrijednost, koja je jednaka broju stepeni slobode, i

varijansu ove distribucije su:
E( X ) = = ,
2 = 2
(5.99)
Koeficijent varijacije je:
2
100
n
kv =
(5.100)
Koeficijenti asimetrije i spljotenosti su:
3 =
12
4
i 4 = 3 +
n
2n
(5.101)
( )=
n
2
n
2
2
x 2j
( )
n2
2
2
2
( )
d 2
(5.102)
2 R0+
5.2.8.5. Studentova t distribucija
Pretpostavimo da je Z sluajna varijabla koja ima normalnu standardizovanu
distribuciju i X sluajna varijabla koja ima hi-kvadrat distribuciju sa n
stepeni slobode. Ako su Z i X nezavisne varijable, tada varijabla T
T=
Z
X
n
(5.103)
slijedi Studentovu distribuciju sa n stepeni slobode.

285
Za sluajnu promjenljivu T kaemo da ima Studentovu distribuciju

vjerovatnoe ako je njena funkcija vjerovatnoe za t jednaka:
n + 1
n +1
2
2
t
1
2
1 +

f (t ) =
n
n
n

2
f (t ) > 0 i f (t ) = f ( t )
(5.104)
Studentova distribucija je razvuena na obje strane normalne distribucije i

to utoliko vie to je broj stepeni slobode n manji.
Ova distribucija je simetrina u odnosu na ordinatnu osu i promjenljiva t
uzima vrijednosti od do + .
Kada t + / , f (t ) 0 i apscisa postaje asimptota ove funkcije.
Studentova distribucija je unimodalna.
Oekivana vrijednost i varijansa ove distribucije su:
= E (t ) = 0,
2 =
n
, n>2
n2
(5.105)
Relativne mjere asimetrije i spljotenosti su:
3 = 0, 4 = 3 +
6
n4
(5.106)
n +1
t
t2
2
1 +
S (t ) =
n
n
n
2
n +1
2
dt
(5.107
odnosno
S n (t j ) = P ( < t t j ) =
tj
f (t )dt
(5.108)
( )
Osobine funkcije distribucije S n t j

izraunavanjima su:
286
koje se esto koriste u praktinim
p(t > t j ) = 1 p(t t j ) = 1 S n (t j )

p (t t j ) = S n ( t j ) = 1 S n (t j )
p (t i < t t j ) = S n (t j ) S n (t i )
p ( t j < t t j ) = 2S n (t j ) 1
p ( t > t j ) = 2 1 S n (t j )
(5.109)
Studentova distribucija se primjenjuje u sluaju malih uzoraka. Uzorak se

smatra malim ukoliko ima manje od 30 elemenata (n<30). Oblik Studentove
distribucije zavisi od veliine n. U izrazu za funkciju vjerovatnoe veliina
n predstavlja broj stepeni slobode (degres of freedom). Broj stepeni slobode
nekog pokazatelja predstavlja broj nezavisnih ponavljanja umanjen za broj
parametara koji su potrebni da bi se izraunao dati pokazatelj. Na grafikonu
5.43. je predstavljena Studentova t distribucija.
f (t )
tn
Grafikon 5.43.
tn
Studentova distribucija
Na grafikonu 5.44. prezentirane su Studentova t distribucija i

standardizovana normalna distribucija. Kao to smo ve konstatovali,
Studentova t distribucija je spljotenija od normalne distribucije.
287
standardizovana normalna
t distribucija
f ( ti )
f ( xi )
( ti )
( xi )
Grafikon 5.44.
Standardizovana normalna i t distribucija
5.2.8.6. Ficher-Snedecorova (F) distribucija
( )
Ukoliko je X sluajna varijabla koja ima hi-kvadrat distribuciju 2 sa m
( )
stepeni slobode i Y sluajna varijabla koja ima hi-kvadrat distribuciju 2

sa n stepeni slobode i ako su ove dvije varijable nezavisne, tada varijabla F
F=
X /m
Y /n
(5.110)
m
slijedi Ficher-Snedecorovu distribuciju sa stepeni slobode. Distribucija
n
vjerovatnoe nije simetrina u odnosu na m i n.
Sluajna varijabla uzima vrijednost iz intervala (0; ) i distribucija ima
sljedei oblik:
m+n
m
1
2
x
2
f m ,n ( x ) =
m n (1 + x ) m2+ n

s 2
m i n su broj stepeni slobode (df).
Oekivana vrijednost i varijansa ove distribucije su:
288
(5.111)
m
za n > 2
n2
2 =
2m(n + m 2)
, za n > 4
(n 2)2 (n 4)
(5.112)
m
F dobijamo Ficher-Snedecorovu distribuciju
n
sa 1 i 2 stepeni slobode. Distribucija vjerovatnoe je tada jednaka:
Ako uvedemo smjenu X =

1
(
1
2 22
f (F ) = 1
F 2 ( 2 + 1F )
B( 1 , 2 )
1 + 2 )
(5.113)

1
2
2
F2

P( F ) = 1
B( 1 , 2 ) F ( + F ) (
2
1
0
1 + 2 )
dF .
(5.114)
Ficherova (F) distribucija se koristi u sluajevima kada elimo analizirati

varijabilnost dva osnovna skupa na osnovu uzorka. Pomou F distribucije
se provjerava hipoteza o jednakosti dvije varijanse uzoraka preko njihovog
odnosa na bazi broja stepeni slobode za svaku od njih. Kada su posmatrani
osnovni skupovi normalno distribuirani tada je kolinik dvije nezavisne
ocjene varijanse dat u obliku:
F=
12
22
(5.115)
Vrijednosti distribucije su tabelirane. U zaglavlju su navedeni stepeni

slobode (df) za procjenu varijanse koja se nalazi u brojniku odnosa F, a u
pretkoloni brojevi stepeni slobode za procjenu varijanse koja se nalazi u
nazivniku odnosa F.
Ova distribucija zavisi od dva parametra: stepena slobode prve varijable
(prvog skupa) i stepena slobode druge varijable (drugog skupa).
289
5.2.8.7. Tabelarni pregled neprekidnih distribucija vjerovatnoe

U tabeli broj 5.2. su prezentirane neprekidne distribucije vjerovatnoe i
njima odgovarajue oekivane vrijednosti i varijanse.
Tabela 5.2. Neprekidne distribucije vjerovatnoe
Neprekidne
distribucije
Distribucija vjerovatnoe
ako x [a; b] f ( x ) = 0
f ( x) =
1
ako x [a; b] f ( x ) =
ba
Uniformna
X ~ U [a; b]
Normalna
X ~ N , 2
f (x ) =
Standardizovana
normalna
Z~N(0,1)
Hi kvadrat
X ~
Oekivana
vrijednost
2
n df
Studentova
FicherSnedecorova
f (z ) =
( )
f =
1
2
n
2
n
2
2
1 x

n2
2
a+b
2
2
(
b a)
=
12
E( X ) =
E( X ) = = 0
2 =1
E( X ) = = n
2 = 2n
z2
2
( )
E(X ) =
Varijansa
2
2
n + 1
n+1
1
2 t2 2
f (t ) =
1 +
n n
n

2
f (t ) > 0 i f (t ) = f ( t )
m+n
m
1
x2
2
f m,n ( x ) =
m+n
m n
(1 + x ) 2
s 2
E ( t ) = = 0,
m
n2
za n > 2
2 =
2 =
n
, n>2
n2
2m(n + m2)
, za n > 4
(n2)2(n4)
5.2.8.8. Centralna granina teorema

Normalna distribucija je fundamentalna distribucija vjerovatnoe i ova
distribucija se koristi u velikom broju sluajeva koji su vezani za primjenu
centralne granine teoreme. Posmatrajmo seriju od n sluajnih varijabli
(prekidnih ili neprekidnih) X 1 , X 2 ,..., X n .
290
Ako su ove sluajne varijable X i meusobno nezavisne i ako sve imaju istu
n
distribuciju (bilo koju, ali istu), tada njihov zbir
X
i =1
(kada n postaje vrlo
velik) tei prema normalnoj distribuciji.

Ova teorema ima vrlo iroko podruje primjene, posebno u oblasti teorije
uzoraka.
5.2.8.9. ematski prikaz prekidnih i neprekidnih
distribucija vjerovatnoe
U sljedeem ematskom prikazu su predstavljene prekidne i neprekidne
distribucije vjerovatnoe koje smo analizirali u ovom poglavlju.
Prekidne distribucije
vjerovatnoe
Neprekidne distribucije
vjerovatnoe
Uniformni zakon
vjerovatnoe
Neprekidna uniformna
distribucija
Bernoullijeva distribucija
vjerovatnoe
Normalna distribucija
vjerovatnoe
Binomna distribucija
vjerovatnoe
Hi-kvadrat
distribucija
Poissonova distribucija
vjerovatnoe
Studentova
distribucija
Hipergeometrijska
distribucija vjerovatnoe
ema 5.2.
Ficher-Snedecerova
distribucija
Distribucije vjerovatnoe
291

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
292
Definiite eksperiment, skup moguih rezultata eksperimenta i

elementarni dogaaj.
Definiite vjeovatnou koristei eksperimentalni i teorijski pristup.
Analizirajte uslovnu vjerovatnou.
Definiite i analizirajte Bayesovu teoremu.
Definiite i analizirajte sluajnu varijablu.
Koje tipove sluajne varijable poznajete?
Analizirajte prekidnu sluajnu varijablu i distribuciju vjerovatnoe ove
varijable.
Definiite ebievu teoremu.
Koje korisne informacije nam prua primjena ebieve teoreme?
Nabrojite prekidne distribucije (rasporede) vjerovatnoe.
Analizirajte binomnu distribuciju vjerovatnoe i njene osobine.
Analizirajte Poissonovu distribuciju vjerovatnoe i njene osobine.
Definiite i analizirajte osobine neprekidne sluajne varijable.
Nabrojite neprekidne distribucije vjerovatnoe. Koja od njih se
najee koristi?
Analizirajte normalnu distribuciju vjerovatnoe.
Koje su osobine normalne distribucije vjerovatrnoe?
Analizirajte standardizovanu normalnu distribuciju.
Koja je razlika izmeu normalne i standardizovane normalne
distribucije?
Nabrojite nekoliko sluajeva praktine primjene normalnog rasporeda
vjerovatnoe u odreivanju intervala povjerenja i testiranju hipoteza.
Koji se rasporedi i uz koje uslove mogu aproksimirati normalnim
rasporedom vjerovatnoe?
Koja je osnovna razlika izmeu binomnog i normalnog rasporeda
vjerovatnoe? Od kojih parametara zavise jedan i drugi raspored i koji
su izrazi za njihove aritmetike sredine i varijanse?
Predstavite emu i uslove za aproksimacije.
Definiite i analizirajte hi-kvadrat distribuciju.
Definiite i analizirajte Studentovu distribuciju.
Definiite i analizirajte Ficher-Snedecorovu distribuciju.
26. Definiite stepene slobode.

27. Definiite i analizirajte, uz grafiku prezentaciju, normalnu distribuciju
vjerovatnoe. Koja je njena prednost u odnosu na ostale distribucije i
koje su oblasti u kojima se primjenjuje?
Zadatak 1.
X~B(10;0,4) odrediti:
a)
b)
c)
d)
e)
Vjerovatnou da je X vee ili jednako 4

Vjerovatnou da je X manje ili jednako 4
Vjerovatnou da je X jednako 9
Vjerovatnou da je X vee od 10
Vjerovatnou da se X nalazi izmeu 4 i 10.
Elementi rjeenja:
X~B(10;0,4)
a) p ( x 4 ) = 1 p( x < 4 ) = 1 p (x 3) = 1 0,3823 = 0,6177
b) p( x 4 ) = F (4 ) = 0,6331
c) p( x = 9) = p(x 9) p(x 8) = F (9) F (8) = 0,9999 0,9983 = 0,0006
d) p ( x > 10 ) = 1 p( x 10) = 1 F (10) = 1 1 = 0
e) p (4 < x < 10 ) = p ( x 9) p ( x 4 ) = 0,9999 0,6331 = 0,3668
Zadatak 2.
Za X~P(0,5) i X~P(4) odrediti:
a)
d)
p ( x = 0 ) ; b) p( x = 3) ; c) p( x = 10 ) ;
p( x 5) ; e) p (x < 2 ) ; f) p( x > 3)
293
Elementi rjeenja:
X~P(0,5)
a) p( x = 0 ) = 0,60653
b) p ( x = 3) = 0,07582
c) p ( x = 10 ) = 0
d) p ( x 5) = 1 p( x < 5) = 1 p ( x 4) = 1 0,9998 = 0,0002
e) p ( x < 2 ) = p (x 1) = 0,9098
f) p ( x > 3) = 1 p( x 3) = 1 F (3) = 1 0,98562 = 0,01438
X~P(4)
a) p( x = 0 ) = 0,0183
b) p ( x = 2 ) = 0,014653
c) p ( x = 20 ) = 0
d) p ( x 5) = 1 p( x < 5) = 1 p ( x 4) = 1 0,6288 = 0,3712
e) p (x < 2 ) = p (x 1) = 0,0916
f) p ( x > 3) = 1 p( x 3) = 1 F (3) = 1 0,4335 = 0,5665
Zadatak 3.
Ako su godine grupe osoba distribuirane po normalnom rasporedu N(41;8)
odrediti teorijski procenat osoba iz grupe koje imaju:
a) manje od 53 godine
b) izmeu 25 i 49 godina
c) najmanje 35 godina
Elementi rjeenja:
X~N(41,64),
E(X)= = 41; = 8
a) Z~N(0,1)
p( x < 53) = p z <

= p( z < 1,5) = F (1,5) = 0,9332

93,32% osoba imaju manje od 53 godine.

294
b)
p(25 < x < 49) = p(x < 49) p(x < 25) = p( z < 1) p(z < 2 ) = F (1) F ( 2 ) =
= 0,8413 [1 F (2 )] = 0,8413 1 + F (2) =
= 0,8413 1 + 0,9772 = F (1) [1 F (2)] = F (1) + F (2 ) 1 =
= 0,8413 + 0,9772 - 1
= 0,8185
81,85% osoba imaju vie od 25, a manje od 49 godina.

c)
p( x 35) = 1 p(x 35)

= 1 p( z 0,75)
= 1 [1 F (0,75)]
= F (0,75) = 0,7734
77,34% osoba imaju 35 ili vie godina.
Zadatak 4.
Maina puni automatski kutije eera tako da je teina eera u kutiji
sluajna varijabla koja slijedi normalnu distribuciju sa parametrima i
izraenim u kg. eli se regulisati maina tako da teina eera u kutiji
prelazi 990 grama sa najmanje 95% vjerovatnoe.
a) Ako je =0,02 kg, koja mora biti minimalna prosjena teina ?
b) Ako je prosjena teina =1 kg, koje moe biti maksimalno
odstupanje u teini () uz vjerovatnou od najmanje 95%?
Elementi rjeenja:
a)
p ( x > 0,99 ) 0,95; x ~ N ( , )
x 0,99
>
p
0,95
z=
, z ~N ( 0,1)
295
0,99
p z >
0,95
0,99
1 p z <
0,95
0,99
0,05
p z <
0,02
k je negativan
0,99
1,6449
0,02
1,029kg
Potrebno je da prosjena teina kutije bude 1,029 kg da bi sa

standardnom grekom od = 0,02 kg (20 gr) mogli imati kutije od
najmanje 0,99 kg (990 gr) teine uz vjerovatnou 95%.
b) = 1 kg
=?
p ( x > 0,99 ) 0,95
0,99 1
p z >
0,95

0,01
1 p z <
0,95

0,01
p z <
0,05

0,01
1,6449
0,00608
Potrebno je da standardna greka bude 6,08 gr da bi jedna kutija teila
najmanje 0,99 kg uz vjerovatnou p 0,95.
296
Zadatak 5.
Statistikom anketom je obuhvaeno 5.000 vozaa poetnika. Utvreno je
da su 5 od njih uzrokovali teku saobraajnu nesreu u prvoj godini vonje,
a 100 od njih su uzrokovali laku saobraajnu nesreu u prvoj godini
vonje.
Odrediti vjerovatnou: p1 - uzrokovati teku saobraajnu nesreu i
vjerovatnou p2 - uzrokovati laku saobraajnu nesreu u prvoj godini
vonje.
Izaberemo sluajno 50 vozaa poetnika i sa X oznaimo broj vozaa koji
su izazvali teku saobraajnu nesreu. Pomou kojih distribucija
vjerovatnoe moemo analizirati X. Izraunati vjerovatnou da je X=0 i
X=2.
Elementi rjeenja:
a)
p1 =
nA
5
=
= 0,001
n 5000
p2 =
nB 100
=
= 0,02
n 5000
b) Odreivanje distribucije vjerovatnoe X

Ako je Xi sluajna varijabla
Xi = {1 ako je prouzrokovana teka saobraajna nesrea
{0 ako nije prouzrokovana teka saobraajna nesrea
i=1,..., 50.
Vjerovatnoa p ( X i = 1) = 0,001 za i
Sluajne varijable X i nisu nezavisne (izvlaenje bez ponavljanja)
50
X = Xi
i =1
X ima hipergeometrijsku distribuciju vjerovatnoe XH (5000; 50; 0,001) i

odgovarajua vjerovatnoa je jednaka.
297
p( X = k ) =
C Nk 1 C Nn2 k
C Nn
50 k
C5k C4995
=
50
C5000
Ovu formulu zbog sloenosti ne koristimo u raunanju vjerovatnoe.

Koristiemo aproksimaciju binomnim rasporedom jer je uslov za
aproksimaciju zadovoljen:
n
50
1
1
=
=
<<
N 5000 100
10
To znai da moemo pretpostaviti da su X i nezavisne X~B(50; 0,001)
p ( x = 0 ) = C n0 p 0 q 50 = q 50 = 0,999 50 = 0,95
50
50!
p ( x = 2 ) = C n2 p 2 q n 2 = p 2 q 48 =
0,0012 0,999 48 = 0,001168
2!48!
2
Binomnu distribuciju moemo aproksimirati Poissonovom distribucijom
ako je zadovoljen uslov da je n > 50, p <0,1 (distribucija rijetkih dogaaja)
n = 50
p=0,001 <<0,1
X ~ P(n, p ) dakle X ~ P( ) X P(0,05) , gdje je = n p = 0.05 .
p( X = k ) =
e k
k!
e 0, 05 0,10
p( X = 0) =
= e 0,05 = 0,95
0!
p(x = 2) =
e 0,05 0,12
= 0,0012
2!
Napomena:
Ne moe se izvriti aproksimacija normalnom distribucijom jer svi uslovi
aproksimacije u ovom sluaju nisu zadovoljeni (npr.: np>10 nije
zadovoljen u naem sluaju jer je np=500,001=0,05<10).
298
Zadatak 6.
U jednoj bolnici, vjerovatnoa da se rodi djeak je
2
. X predstavlja broj
3
roenih djeaka u uzorku od 1800 beba.

a) Naite srednju vrijednost od X.
b) Naite standardnu devijaciju od X.
Elementi rjeenja:
Znamo da je X ~ B(1800,
2
).
3
E( X ) = n p
a) E ( X ) = 1800
2
3
E ( X ) = 1200
( X ) = n p (1 p)
b)
( X ) = 1200 1
3
( X ) = 1200
1
3
( X ) = 400 = 20
Zadatak 7.
Vjerovatnoa da e padati kia tokom ljeta u Sarajevu je 0,2. U Sarajevu,

vjerovatnoa da e dnevna temperatura biti vea od 30C tokom ljeta je 0,3
kada pada kia, a 0,6 kada ne pada kia. Znajui da je dnevna temperatura
vea od 30C tokom jednog ljetnog dana, pronaite vjerovatnou da je tog
dana padala kia.
Elementi rjeenja:
p(temperatura 30C ) = 0, 2 0,3 + 0,8 0, 6

p(temperatura 30C ) = 0,54
299
0, 2 0,3
0,54
0,06 1
p( pada kia / temperatura 30C ) =
=
0,54 9
p (pada kia / temperatura 30C ) =
Zadatak 8.
Emir i Amir se spremaju za ispit iz statistike tako to se uzajamno ispituju.

Emir odgovara na Amirova pitanja. Vjerovatnoa da e Emir tano
odgovoriti na pitanje je 0,4. Amir mu postavlja 6 pitanja.
a) Naite vjerovatnou da e Emir tano odgovoriti na 4 pitanja.
b) Naite vjerovatnou da e Emir prvi taan odgovor dati kada mu
Amir postavi tree pitanje.
Elementi rjeenja:
a) X ~ B(6, 0,4)
6
p( x = 4) = 0, 44 0, 62
4
p( x = 4) = 15 0, 0256 0,36
p ( x = 4) = 0,14
b) Ako je Emir prvi taan odgovor dao na Amirovo tree pitanje, to znai
da je netano odgovorio na prvo i drugo pitanje, i traena vjerovatnoa je:
p = 0,6 0,6 0,4 = 0,144

Zadatak 9.
Teine tek roenih beba su normalno distrubuirane sa srednjom teinom od

3,5 kg i standardnom devijacijom od 0,2. Naite vjerovatnou da e teina
jedne sluajno odabrane bebe biti izmeu 3,1 kg i 3,8 kg.
Elementi rjeenja:
Traimo 3,1 < x < 3,8.
300
Znajui da je = 3,5 i = 0,2 koristiemo standardizovanu sluajnu

x
varijablu z =
.
3,1 3,5
= 2
0,2
X + 3,8 3,5
=
= 1,5
0,2
=
P(3,1 < x < 3,8) = P(2 < z < 1,5)

= P( z < 1,5) P( z < 2)
= P( z < 1,5) P( z > 2)
= P( z < 1,5) (1 P( z < 2))
= 0,9332 (1 0,9772)
= 0,9332 0,0228
= 0,9104
Vjerovatnoa da e teina jedne sluajno odabrane bebe biti izmeu 3,1 kg i
3,8 kg je 91,04%.
Zadatak 10.
Demonstrator predmeta Statistika koristi svakog jutra autobus da bi doao

na fakultet. Vrijeme koje on eka svakog jutra autobus je normalno
distribuirano sa aritmetikom sredinom jednakom 10 minuta i standardnom
devijacijom jednakom 2 minute.
1. Koje je vjerovatnoa da e demonstrator jednog odreenog jutra
ekati autobus vie od 8 minuta?
2. U toku odreene sedmice (od ponedjeljka do petka) koje je
vjerovatnoa da:
a) ukupno vrijeme ekanja nee biti vie od 45 minuta?
b) eka manje od 8 minuta najmanje tri dana u sedmici?
c) njegovo prosjeno dnevno vrijeme ekanja je vee od 9 minuta?
301
Elementi rjeenja:
X ~ N ( ; 2 )
1.
X ~ N (10;4)
p ( x 8) ; z =
, z ~ N (0,1)
x 8 10
p ( x 8) = p
2

p ( z 1) = p( z 1)
p = 0,841
2. a)
5
X
i =1
~N ( , 2 )
~N (50,20)
X
i =1
p( x 45) = p( z
45 50
) = p ( z 1,12) = 1 p( z 1,12) =
20
= 1 0,8686 = 0,1314
b)
p( x > 8) = 0,841
p( x 8) = 1 0,841 = 0,159
Y je promjenljiva koja predstavlja broj dana u kojima demonstrator eka
autobus manje od 8 minuta.
Y ~ B( n, p ) , Y ~ B(5;0,159)
p( y 3) = p( y = 3) + p( y = 4) + p( y = 5)
5
p( y = 3) = 0,1593 0,8412 = 0,02843
3
302
5
p( y = 4) = 0,1594 0,8411 = 0,00269
4
5
p( y = 5) = 0,1595 0,8410 = 0,000101
5
p( y 3) = 0,02843 + 0,00569 + 0,000101 = 0,0312

ili
p(y 3 ) = 1 p(y 2 ) = 1 0,9687 = 0,0312

c)
X ~ N ( ; 2 ) ,
X ~ N (;
2
n
) ,
X ~ N (10;4)
4
X ~ N (10; )
5
9 10
= p( z > 1,12) =
p ( x > 9) = p z >
= p( z < 1,12) = 0,8686

ili
p( x > 9) = p( X > 45) = 1 p( X < 45) =

= 1 0,1314 = 0,8686.
303
POGLAVLJE 6.
TEORIJA I METODA UZORAKA I

STATISTIKO ZAKLJUIVANJE
Teorija i metoda uzoraka je oblast statistike koja se bavi praktinim

metodama za izbor uzoraka i analizu dijela populacije u cilju donoenja
zakljuaka o cijeloj populaciji. Postupak donoenja zakljuaka o osnovnom
skupu na osnovu podataka iz uzorka se naziva statistiko zakljuivanje.
Ovaj postupak se sastoji iz statistikog ocjenjivanja i testiranja hipoteza.
Proces primjene metode uzoraka i statistikog zakljuivanja se moe
podjeliti u tri etape. Prva je izbor sluajnog (objektivnog, reprezentativnog)
uzorka uz uslov da su vjerovatnoe izbora jedinica u uzorak poznate i
pozitivne. Druga etapa je prikupljane podataka o jedinicama uzorka. Trea
etapa podrazumijeva donoenje zakljuaka o populaciji na temelju rezultata
uzorka.
U prvom dijelu poglavlja Teorija i metodi uzoraka i statistiko
zakljuivanje emo analizirati i prezentirati osnove metode uzoraka, vrste
uzoraka kao i znaaj primjene metode uzoraka u ekonomskim
istraivanjima.
U drugom dijelu emo analizirati procjenu karakteristika osnovnog skupa
na osnovu uzoraka i testiranje hipoteza.
305
6.1. OSNOVE TEORIJE UZORAKA
Za analizu masovnih pojava koje su predmet statistikih istraivanja mi smo

obraivali statistike metode kojima se analizira statistiki skup ili
populacija. Za primjenu metoda potrebno je prikupiti podatke o osnovnom
skupu. Kako statistiki skupovi imaju vrlo veliki broj elemenata, potpuno
prikupljanje podataka je veoma sloen, dugotrajan i skup posao. Zbog toga
se taj postupak pojednostavljuje ispitivanjem osnovnog skupa metodom
uzorka. Pod uzorkom se podrazumijeva dio skupa na osnovu kojeg
istraujemo i analiziramo osobine osnovnog skupa.
Primjena metode uzorka se bazira na teoriji vjerovatnoe i omoguuje da se
uz odgovarajui rizik utvrde granice povjerenja i preciznost ocjene
parametara osnovnog skupa na osnovu ocijenjenih parametara iz uzorka.
Razlozi za primjenu metode uzorka su:
smanjenje trokova realizacije statistikog istraivanja jer obuhvata
manji broj jedinica,
smanjenje greke pri prikupljanju podataka jer istraivanje u ovom
sluaju provodi manji broj strunih lica,
manji utroak vremena i efikasnije dobijanje rezultata,
racionalnost (kontrola kvalitete esto unitava testirani proizvod),
pouzdanost dobijenih rezultata (kada je populacija suvie velika,
rezultati dobijeni na osnovu uzorka mogu biti pouzdaniji od
rezultata dobijenih na osnovu egzostivne analize).
Da bismo dobili informaciju o ukupnoj populaciji, inferencijalna statistika
ima jednu dodatnu etapu iji je cilj da odredi (inferira), polazei od
posmatranih karakteristika na uzorku, vjerovatnu vrijednost tih
karakteristika za ukupnu populaciju.
Statistika teorija, koja je u osnovi deduktivna, doprinosi takoer
racionalizaciji i kvalitetu induktivnog procesa posmatranja i zakljuivanja.
Induktivno posmatranje se sastoji u ispitivanju uzorka elemenata populacije
kako bi se dobile informacije o cijeloj populaciji koja moe biti konana i
beskonana.
Kada se ispituje cijela populacija, posmatranje i zakljuivanje je
deduktivno. Analiza, istraivanje i zakljuivanje na osnovu uzorka je
induktivno.
306
Poglavlje 6. Teorija i metoda uzoraka i statistiko zakljuivanje
Statistike metode omoguavaju donoenje induktivnih zakljuaka.

Generalizacija procjena sadri odreeni stepen nepouzdanosti,
nepreciznosti, neizvjesnosti, rizika. Rizik je mogue statistikim metodama
postaviti u odgovarajue okvire, procijeniti, kontrolisati i utvrditi stepen
neizvjesnosti procjene.
Statistika inferencija ima veliku praktinu primjenu i sa tog stanovita je
znaajan faktor unapreenja naunih istraivanja u razliitim naunim
domenima. Primjenom statistikih metoda mogue je donositi zakljuke o
osnovnom skupu na osnovu samo jednog njegovog dijela, ali je zbog
teorijskih problema vezanih za induktivno zakljuivanje potrebno
primijeniti odgovarajuu proceduru kako bi se zakljuci postavili u
odreene okvire.
Statistika inferencija omoguuje primjenu dvije vrste metoda za izvoenje
zakljuaka na osnovu podataka dobijenih iz uzorka ili eksperimentisanjem i
to ocjene intervala povjerenja i testiranje hipoteza.
Ocjenama se odreuju nepoznati parametri uz odgovarajuu greku ocjene,
a testovima se provjeravaju postavljene hipoteze.
Da bi zakljuci o osnovnom skupu na osnovu uzorka bili to taniji, uzorak
mora biti reprezentativan. Uzorak e biti reprezentativan ako posjeduje
karakteristike osnovnog skupa i ako njegova struktura odgovara strukturi
osnovnog skupa. Da bi uzorak predstavljao umanjenu sliku osnovnog
skupa, izbor elemenata se mora izvriti na odgovarajui nain. To se postie
pravilnim izborom elemenata osnovnog skupa koji e predstavljati uzorak.
Cilj metode uzoraka je:
Da se na osnovu karakteristika uzorka doe do procjene
karakteristika osnovnog skupa
Da se statistikim metodama odredi pouzdanost i preciznost te
procjene.
Prvi zadatak ove metode je da na osnovu uzorka izabranog iz osnovnog
skupa procijeni karakteristike osnovnog skupa. Drugi zadatak je da se na
osnovu podataka dobivenih uzorkom donese odluka o prihvatanju ili
odbacivanju odreene hipoteze koja se odnosi na osnovni skup. Navedeni
postupci ine metodu koja se naziva metoda uzorka ili reprezentativna
metoda.
Izbor elemenata osnovnog skupa u uzorak moe biti:
307
bez ponavljanja (kada se odabrani elementi ne vraaju ponovo u

osnovni skup) i
sa ponavljanjem (elementi se poslije izbora vraaju u osnovni skup i
tako sudjeluju u izboru sljedeeg elemenata u uzorak).
Izbor uzorka moe biti namjeran i sluajan. Kada su elementi izabrani

sluajno, tada se na rezultate tog uzorka moe primijeniti teorija
vjerovatnoe. U tom sluaju moe se odrediti greka koja je nastala u
procjeni karakteristika osnovnog skupa ili u postupku testiranja hipoteze.
Sluajni izbor se moe izvriti na vie naina koje emo detaljnije
analizirati.
Greke u statistikim istraivanjima mogu biti sistematske i sluajne.
Ukupna greka procjene sadri sistematsku i sluajnu greku. Sluajna
greka nastaje zbog sluajnog izbora elemenata u uzorak i utie na
preciznost ocjene. Sluajna greka predstavlja razliku izmeu stvarne i
ocijenjene vrijednosti parametra osnovnog skupa. Sluajna greka se
smanjuje i preciznost ocjene se poveava sa porastom veliine uzorka.
Sistematske greke nastaju zbog vie razloga i teko ih je kontrolisati.
Najei razlozi zbog kojih nastaju sistematske greke su: loe odabrana
baza i okvir za izbor uzorka, nepravilna realizacija sluajnog izbora
elemenata u uzorak, nepreciznosti upitnika, greke anketara, tehnike
greke prilikom obrade podataka, itd. Veliina uzorka ne utie na promjenu
sistematske greke. Uzorak sa sistematskom grekom je pristrasan uzorak, a
uzorak sa sluajnom grekom je nepristrasan. Da bi se smanjila pristrasnost
ocjene (sistematska greka) neophodno je primijeniti objektivnu proceduru
u izboru jedinica osnovnog skupa u uzorak. Ukoliko je pristrasnost manja
od 1/10 standardne devijacije smatra se da njen uticaj na dobijene ocjene
nije znaajan.
Da bi se metoda uzorka efikasno realizovala neophodno je precizno i jasno
definisati:
cilj istraivanja
populaciju
jedinice populacije
plan uzorka
bazu uzorka
veliinu uzorka
nivo preciznosti.
308
Definisati cilj istraivanja
Prva etapa je to preciznije definisanje ciljeva istraivanja, podataka koje je

potrebno prikupiti, kao i metode za prikupljanje podataka. Podaci se mogu
prikupiti popisom, anketom, izvjetajima. Ako odaberemo anketu pomou
uzoraka, u njenoj primjeni je potrebno realizovati sljedee korake. Mora se
odrediti terminologija i potrebne definicije koje se odnose na podatke kako
bi se osigurala konzistentnost ankete.
Definisati populaciju koja je predmet istraivanja
Populacija koja je predmet istraivanja je cijela populacija za koju su nam

potrebne informacije. Ukoliko nije mogue prikupiti podatke o svim
jedinicama populacije, potrebno je odabrati odreeni broj jedinica
populacije koji ine uzorak i na osnovu uzorka analizirati obiljeja
istraivane populacije. Naprimjer, ako elimo analizirati studentsku
populaciju BiH evidentno je da ovu populaciju ine svi studenti u BiH.
Definisati jedinice populacije
Potrebno je jasno opisati i definisati jedinice populacije i njihove

karakteristike koje ih precizno identificiraju. Populacija koja je predmet
istraivanja se moe definisati pomou sljedeih karakteristika:
- Priroda podataka koji su potrebni: o osobama, o ustanovama, o
regionima itd.
- Geografsko podruje: potrebno je odrediti geografske granice za
posmatranu populaciju, kao i nivo geografske preciznosti koji je
neophodan (optina, grad, region, drava, itd.).
- Period posmatranja je period odreen anketom.
- Ostale karakteristike, kao npr. sociodemografske karakteristike (npr.
razliite starosne grupe, itd.)
Definisati plan izbora uzorka
Cilj plana uzorka je odabiranje reprezentativnog uzorka. Uzorak je

reprezentativan ako njegova struktura odgovara strukturi osnovnog skupa,
odnosno ako predstavlja umanjenu sliku osnovnog skupa. U planu je
potrebno precizirati nain izbora elemenata u uzorak. Pri definisanju plana
izbora uzorka treba nastojati izabrati sluajni uzorak koji daje preciznije
309
ocjene parametara u odnosu na uzorke koji nisu sluajno odabrani. Mogu se

i kombinovati razliiti tipovi izbora elemenata u uzorak koji e biti
analizirani u daljim izlaganjima.
Formulisati i odrediti bazu uzorka ili okvir za izbor
Najjednostavniji okvir izbora je popis elemenata osnovnog skupa. Dakle,

baza uzorka ili okvir za izbor je lista na kojoj se mogu identifikovati sve
jedinice populacije koje mogu biti izabrane u uzorak.
Odrediti veliinu uzorka
Veliina uzorka zavisi od vie faktora kao to su priroda istraivanja,

veliina populacije, vrsta analize podataka, preciznost istraivanja, osobine
koje se istrauju, raspoloivi resursi itd. Stepen preciznosti potreban za
procjene koje vrimo na osnovu ankete utie na veliinu uzorka. Generalno,
realna veliina uzorka jedne ankete se nalazi izmeu stepeni preciznosti koji
je potrebno postii, budeta kojim anketa raspoloe i svih ostalih
ogranienja. Meu navedenim faktorima koji utiu na odreivanje veliine
uzorka naglaavamo znaaj sljedeih:
- Varijabilnost karakteristika koje se posmatraju. Ukoliko studenti
imaju isti iznos stipendije, dovoljan je podatak o jednoj stipendiji da
bismo procijenili prosjenu stipendiju. Ako su stipendije vrlo
razliite potreban je vei uzorak da bismo dobili pouzdanu procjenu
prosjene stipendije.
- Veliina populacije: to je vea populacija postoji potreba da se
odabere vei uzorak. Meutim, kada se dostigne odreeni nivo dalje
uveanje populacije nema uticaja na veliinu uzorka. Veliina
uzorka neophodna da bi se postigao odreen stepen preciznosti bie,
naprimjer skoro jednaka za jednu populaciju od milion kao i za dva
puta veu populaciju.
Nivo preciznosti
Najee se ocjene parametara osnovnog skupa na osnovu ocjena dobivenih

iz uzorka vre uz rizik od 5% ili 1%, odnosno uz nivo pouzdanosti 95% ili
99%. Postoji uvijek odgovarajui nivo rizika, greke ili nepreciznosti koji se
vezuje za procjene dobijene na osnovu uzorka. Ako npr. elimo procijeniti
prosjenu ocjenu 100 studenata i odaberemo uzorak od 15 studenata,
310
procjena e zavisiti od toga kojih smo 15 studenata odabrali. Ako

odaberemo 15 studenata sa najviom ili 15 sa najniom ocjenom, rezultat ne
moe sa sigurnou predstavljati prosjenu ocjenu svih studenata. Varijacija
u prosjenoj ocjeni izmeu razliitih uzoraka proizvodi greku uzorka.
Statistiari mogu procijeniti greku uzorka za svako posebno istraivanje i
nastojati da je to vie smanje.
Kada se priprema anketa potrebno je odrediti prihvatljivi nivo nesigurnostinepouzdanosti procjena koji se dobijaju na osnovu ankete.
6.2. VRSTE UZORKA I METODE ZA IZBOR UZORKA
Postoji vie metoda za izbor uzoraka. Najzanaajnija je podjela na sluajno

i namjerno odabrane uzorke. Razlika izmeu ove dvije metode je u tome da
se za sluajno izabrane uzorke za svaku jedinicu moe unaprijed odrediti
mogunost da bude odabrana i ova mogunost se moe kvantifikovati,
odnosno izraziti vjerovatnoom izbora svake jedinice u uzorak. U sluaju
namjernih uzoraka to nije mogue uraditi jer se zbog namjernog izbora
jedinica u uzorak ne moe primijeniti teorija vjerovatnoe.
Sluajan izbor se naziva i objektivan nain izbora jer se bazira na proceduri
koja podrazumijeva da svaka jedinica osnovnog skupa ima jednaku
mogunost da bude izabrana za ispitivanje, odnosno unaprijed se moe
odrediti vjerovatnoa izbora svakog elementa u uzorak. Ako je poznata
vjerovatnoa izbora u uzorak razliita od nule uzorak je sluajan.
Namjeran izbor jedinica u uzorak je subjektivan jer se izbor jedinica vri
prema linoj odluci i uvjerenju. Primjena ovog naina izbora podrazumijeva
izbor tipinih ili reprezentativnih jedinica osnovnog skupa prema miljenju
organizatora realizacije ankete. Poto se jedinice odabiru namjerno za njih
nije mogue utvrditi vjerovatnou izbora.
6.2.1. Sluajni uzorci
Sluajne uzorke karakterie osobina da se jedinice populacije odabiru

sluajno u uzorak. U ovom sluaju je mogue utvrditi vjerovatnou izbora
svake jedinice u uzorak. Izbor uzoraka se bazira na principu vjerovatnoe i
ova vrsta uzoraka je relativno skuplja. Zahvaljujui ovom tipu uzoraka
mogue je vriti pouzdane procjene kao i procjene greke uzorka i
311
procjenjivati karakteristike populacije. Postoji vie razliitih metoda koje se

mogu korisiti za izbor uzorka na osnovu vjerovatnoe. Metoda koja se
odabire zavisi od odreenog broja faktora kao to su baza posmatranja
kojom se raspolae, nain na koji je populacija rasporeena, trokovi
anketiranja, jedinice populacije i nain na koji e korisnici analizirati
podatke. Ako se odabere uzorak na osnovu vjerovatnoe cilj treba da bude
da se to je mogue vie smanji greka procjene za analizirane osobine
osnovnog skupa. Najee metode koje se koriste za izbor uzoraka na
osnovu vjerovatnoe su:
Jednostavni sluajni uzorak
Sistematski uzorak
Uzorak sa vjerovatnoom proporcionalnom veliini
Stratifikovani uzorak
Uzorak skupina
Viestepeni (vieetapni) uzorak
Viefazni uzorak
Panel uzorak
6.2.1.1. Jednostavni sluajni uzorak
Kada odabiremo jednostavni sluajni uzorak svaki elemenat populacije ima

jednaku vjerovatnou da bude odabran u uzorak. Svaka kombinacija
elemanata populacije ima takoer jednaku vjerovatnou da predstavlja
uzorak. Ove dvije osobine definiu jednostavni sluajni uzorak. Potrebno je
kompletirati listu svih jedinica koji ine posmatranu populaciju da bi se
odabrao jednostavni sluajni uzorak.
Jednostavni sluajni uzorak se moe odabrati sa i bez ponavljanja. Uzorak
sa ponavljanjem znai da svaka jedinica populacije moe biti izabrana u
uzorak vie puta. Ovim nainom izbora je obezbjeena meusobna
nezavisnost uzastopnih izbora elemenata u uzorak. U primjeni su vie
koristi prosti sluajni uzorak bez ponavljanja. On je efikasniji zato to svaka
nova jedinica nosi novu informaciju i daje preciznije rezultate. Osnovni
skupovi koji se analiziraju su vrlo veliki pa se promjene nastale vraanjem
jednog elementa u osnovni skup s obzirom na vjerovatnou mogu
zanemariti.
312
Jednostavni sluajni uzorak je najjednostavniji za primjenu i najee se

koristi. Postoje tipske formule za odreivanje veliine uzorka i za procjene i
ove formule su jednostavne za primjenu.
Izvlaenje lota je primjer jednostavnog sluajnog uzorka. Treba sluajno
izabrati uzorak od est brojeva polazei od osnovnog skupa od 49 brojeva.
Svaki broj ima jednaku vjerovatnou da bude izabran.
Izbor jednostavnog sluajnog uzorka moe se vriti koritenjem tablice
sluajnih brojeva. Ako je osnovni skup beskonaan iz njega moemo
odabrati beskonaan broj razliitih uzoraka veliine n. Prost sluajan uzorak
iz beskonanog osnovnog skupa je uzorak u kome su sve opservacije
meusobno nezavisne. Zato je ovaj tip uzorka ekvivalentan sa prostim
sluajnim uzorkom sa ponavljanjem odabranim iz konanog osnovnog
skupa. U oba sluaja izbori elemenata u uzorak su meusobno nezavisni.
Kada se izvlaenje vri iz konanog osnovnog skupa sa

ponavljanjem, ili iz beskonanog osnovnog skupa, vjerovatnoa da
svaki elemenat skupa od N elemenata bude izabran je jednaka
1
(6.1)
N
Ako se za uzorak odabere n elemenata, vjerovatnoa izbora za cijeli
uzorak je jednaka
n
1 n
=
N N
(6.2)
Vjerovatnoa da se izabere jedan elemenat:

1
.
U prvom izvlaenju je
N
1
uz uslov da nije bio izabran u prvom
U drugom izvlaenju
N 1
N 1
.
N
Vjerovatnoa izbora tog elementa u drugom izvlaenju je sloena
N 1 1 1
vjerovatnoa
= .
N N 1 N
313
Vjerovatnoa da e taj elemenat biti izabran u treem izvlaenju je

1
jednaka proizvodu izmeu
i vjerovatnoa da nije bio izabran
N 1
u prvom i drugom izvlaenju:
1 N 1 N 2 1
=
N 2 N N 1 N
Na isti nain e se dobiti vjerovatnoa 1/N i za ostala izvlaenja.
Vjerovatnoa za izbor itavog uzorka od n elemenata je:
1 n
n = .
N N
Jednostavni sluajni uzorak veliine n elemenata dobijamo iz skupa od N
elemenata ako se izbor obavlja tako da svaki uzorak veliine n koji se moe
sluajno izabrati iz osnovnog skupa ima istu vjerovatnou da bude izabran.
Iz konanog osnovnog skupa veliine N ako se izbor vri bez ponavljanja
moe se odabrati:
C=
N
N!
=
n!( N n ) ! n
(6.3)
kao broj uzoraka koji je jednak broju moguih kombinacija od n razliitih

elemenata iz ukupno N elemenata.
Vjerovatnoa za svaku kombinaciju ili uzorak od n elemenata da bude
1 n
1
izabrana je jednaka
. Izraz n =
predstavlja proporciju
N N
N

n
elemenata osnovnog skupa koji su izabrani u uzorak i ta se proporcija
naziva i stopa, kvota ili frakcija izbora i oznaava sa f=n/N. Reciprona
vrijednost stope izbora
1/f=N/n=k
se naziva interval ili korak izbora.
314
(6.4)
Broj moguih uzoraka veliine 10 izabranih iz osnovnog skupa N=30 je

30!
26 27 28 29 30
142506. k =
=
= 142506 . Vjerovatnoa da
5!(30 5!)
120
jedan odreeni uzorak bude izabran je jednaka 1/142506.
Iz osnovnog skupa od N=8 elemenata moemo odabrati 28 uzoraka od n=2
8!
7 8
=
= 28 . Za svaki od 28 uzoraka vjerovatnoa
elementa: k =
2!(8 2)! 1 2
da bude izabran je 1/28.
Osnovni nedostatak ovog tipa uzorka je nereprezentativnost. Postoje naini
da se i ovaj problem rijei odabirom ili primjenom stratifikovanog uzorka
koji emo takoer analizirati.
6.2.1.2. Sistematski uzorak
Sistematski uzorak je sluajan uzorak u kojem izbor elemenata u uzorak

vrimo po nekom sistematskom redu odabirui sluajno poetak.
Jenostavnim sistematskim izborom se po redu broje elementi osnovnog
skupa i za uzorak se odabere npr. svaki drugi, peti, k-ti elemenat. Redni broj
od kojeg poinje brojanje se odreuje sluajnim izborom iz tablice sluajnih
brojeva. Npr. ako na osnovu skupa od N=60 elemenata elimo odabrati
sistematski uzorak od n=20 elemenata tada emo izabrati svaki k-ti
elemenat k=N/n gdje je k interval ili korak izbora (k=60/20=3).
U sistematskom izboru postoji jedno odstupanje ili interval izmeu svake
jedinice izabrane u uzorak. Da bi se odabrao sistematski uzorak potrebno je
slijediti sljedee etape:
Oznaiti od 1 do N jedinice ukljuene u bazu (gdje je N veliina
posmatrane populacije)
Odrediti interval uzorka k kao dijelei broj jedinica ukljuenih u
populaciju sa veliinom uzorka koja se eli dobiti k=N/n. Ako
elimo odabrati uzorak od 100 jedinica iz populacije od 400 jedinica
interval uzorka e biti 4. Znai da je potrebno odabrati jednu
jedinicu od etiri da bi se dobio uzorak veliine 100.
Odabrati sluajno jedan broj izmeu 1 i k. Ovaj broj se naziva
sluajno odabran poetak i bit e prvi broj ukljuen u uzorak.
Izabire se jedan broj od 1 do 4 na osnovu tabele sluajnih brojeva.
315
Ako se odabere 3, trea jedinica baze podataka e biti prva jedinica

uzorka.
Odabire se svaka k-ta jedinica poslije ovog prvog broja. Uzorak
naprimjer moe biti sljedei: 3, 7, 11, 15, 19....395, 399.
U ovom primjeru moemo konstatovati da svaka jedinica ima jednu ansu

na etiri da bude izabrana u uzorak, dakle postoje ukupno etiri uzorka.
Njena vjerovatnoa da bude izabrana je ista kao da se odabire jednostavni
sluajni uzorak od 100 jedinica. Osnovna razlika je to u sluaju
jednostavnog sluajnog uzorka svaka kombinacija od 100 jedinica ima
jednu ansu da predstavlja uzorak, a u sluaju sistematskog uzorka postoje
samo etiri mogua uzorka. To nam potvruje preciznost sistematskog
uzorka u odnosu na jednostavni sluajni uzorak.
Red prema kojem su jedinice populacije ukljuene u posmatranje odredit e
mogue uzorke u ovom sluaju. Ako su jedinice populacije rasporeene
sluajno u bazi posmatranja, sistematski uzorak daje rezultate sline kao
jednostavni sluajni uzorak. Ova metoda se moe korisiti u industriji da bi
se selekcionisale jedinice za kontrolu u jednom proizvodnom procesu.
Naprimjer, za kontrolu kvaliteta moe se odabrati svaki 20-ti proizvod na
liniji montae. Moe se odabrati jedan sluajni poetak izmeu brojeva
jedan i dvadeset. Tim se odreuje prvi proizvod za kontrolu i svaki 20-ti
koji slijedi e biti podloan kontroli. Za istraivanje trita pomou ankete
uzorka moe se odabrati naprimjer svaka 10-ta osoba koja ue u prodavnicu
poslije sluajno odabrane prve osobe. Prednost sistematskog uzorka je
jednostavnost izbora uzorka. Broj moguih uzoraka je manji i do njih se
jednostavnije dolazi, posebno kod velikog uzorka. Potrebno je odabrati
sluajni poetak i ostatak uzorka slijedi automatski tako da je uzorak
rasporeen u jednakim proporcijama u populaciji. Najvei nedostatak ovog
tipa uzorka je nereprezentativnost u sluajevima kada postoji odreeni
nain prema kojem je populacija upisana u listu i ako se taj nain poklapa sa
intervalom uzorka.
6.2.1.3. Uzorak sa nejednakom vjerovatnoom izbora jedinica
Za uzorak odabran na osnovu teorije vjerovatnoe je potrebno da svaka

jedinica posmatrane populacije ima odreenu vjerovatnou da bude
odabrana u uzorak, ali ta vjerovatnoa ne mora biti jednaka za sve jedinice.
Ako u bazi posmatranja raspolaemo sa informacijom o veliini svake
jedinice (kao naprimjer broj zaposlenih u svim preduzeima koja se
316
posmatraju) i ako veliina ovih jedinica varira, ova informacija se moe

koristiti da bi se poveala efikasnost izbora uzorka. Takav tip uzorka se
naziva i uzorak sa vjerovatnoom proporcionalnom veliini posmatranih
jedinica populacije. U sluaju ove metode vea jedinica ima vie ansi da
bude odabrana u uzorak. Potrebno je da mjerenje veliina bude tano da bi
ova metoda poveala efikasnost. Ova metoda je vrlo kompleksna.
6.2.1.4. Stratifikovani uzorak
Kada je osnovni skup heterogen potrebno ga je podijeliti na karkteristine,

jasno razgraniene homogene podskupove koji se nazivaju stratumima.
Tako svaki stratum postaje jedan nezavisan podskup. Karakteristike
jedinica unutar stratuma treba da budu to slinije. Zatim se za svaki
stratum odreuje veliina uzorka i iz svakog stratuma bira po jedan sluajni
uzorak. Na taj nain se formira stratifikovani uzorak koji je sastavljen od
prostih sluajnih nezavisnih uzoraka od kojih je svaki izabran iz jednog
stratuma. Metoda izbora jedinica iz svakog stratuma moe da bude razliita.
Ako se koristi jednostavni sluajni uzorak za izbor uzoraka iz svih stratuma
takav uzorak se naziva jednostavni sluajni stratifikovani uzorak. Sve
jedinice stratuma imaju jednaku vjerovatnou da budu izabrane u uzorak.
Poto stratumi nisu jednake veliine, sve jedinice skupa imaju razliite, ali
poznate vjerovatnoe izbora. Najvanije je odabrati kriterij za stratifikaciju
prema kome formiramo relativno homogene i razgraniene stratume kojima
obezbjeujemo reprezentativnost i donoenje preciznijih zakljuaka o
osnovnom skupu. Prednosti ovog tipa uzorka su efikasnost i preciznost
procjene karakteristika osnovnog skupa.
6.2.1.5. Uzorak skupina (klaster uzorak)
U sluajevima kada ne raspolaemo listom svih jedinica, odnosno

odgovarajuom bazom uzorka, ili kada je osnovni skup velik i sastavljen od
jedinica koje su npr. prostorno vrlo udaljene, tada trokovi ankete mogu biti
vrlo veliki. Da bi se smanjili trokovi mogue je primijeniti metodu uzorka
skupina.
Populacija se dijeli na skupine. Selekcionie se sluajno odreeni broj
skupina koje predstavljaju populaciju, a zatim se u uzorak ukljuuju sve
jedinice koje se nalaze u selekcionisanim skupinama. Potrebno je da
skupine po strukturi budu to slinije strukturi osnovnog skupa. One
317
predstavljaju cjeline unutar osnovnog skupa i razlikuju se po veliini. Zatim

se izvri popis svih elemenata u odabranim skupinama i takav uzorak
nazivamo prostim uzorkom skupina. U uzorak se ne odabiru jedinice koje
se ne nalaze u selekcionisanim skupinama. Pretpostavlja se da su one
reprezentovane jedinicama iz selekcionisanih skupina.
Razlika izmeu ovog tipa uzorka i stratifikovanog uzorka je injenica da se
u sluaju stratifikovanog uzorka izbor jedinica u uzorak vri iz svake grupe
stratuma. Selekcionisane skupine se koriste da bi prezentirale populaciju.
injenica da se vrlo esto ne raspolae sa listama svih jedinica populacije
(lista je neophodna za jednostavni sluajni uzorak, sistematski uzorak ili
uzorak sa vjerovatnoom proporcionalnom veliini) i da je jednostavnije
kompletirati listu skupina, predstavlja jedan od razloga za primjenu uzorka
skupina.
Nedostatak ove metode je manja efikasnost nego u sluaju jednostavnog
sluajnog uzorka. Korisnije je odabrati veliki broj manjih skupina nego mali
broj velikih skupina zbog toga to se jedinice koje su blie jedne drugima
slinije i tako odabran uzorak nije dovoljno reprezentativan za cijelu
populaciju. Uzorci skupina ne omoguavaju da se kontrolie konana
veliina uzorka i to je jedna od nedostataka ove metode. Naprimjer, sve
kole nemaju isti broj uenika etvrtih razreda i ako se eli anketirati svaki
uenik odabran u uzorak, uzorak moe biti vei ili manji nego to se
oekuje.
6.2.1.6. Viestepeni uzorak
Ovaj tip uzorka je slian uzorku skupina. U sluaju uzorka skupina

potrebno je ukljuiti sve jedinice selekcionisanih skupina. Uzorak moe da
bude sastavljen od grupa ili skupina koje se sastoje od manjeg broja
elementarnih jedinica.
Kod viestepenog uzorka izbor se odvija u vie etapa. Ovaj tip uzorka se
naziva i vieetapni. U prvoj etapi se iz osnovnog skupa odabire uzorak
(skupina), a zatim se iz tako odabranih uzoraka vri dalji izbor jedinica.
Viestepeni uzorak zahtijeva najmanje dva nivoa. Na prvom nivou se
odaberu velike grupe ili skupine i one sadre vei broj jedinica nego to je
potrebno za finalni uzorak.
Da bi se dobio finalni uzorak na drugom nivou se odabiru jedinice
populacije iz selekcionisanih skupina primjenom jedne od prethodno
318
analiziranih metoda. Ako se koristi vie od dva nivoa, proces selekcije

jedinica populacije iz skupina se nastavlja do kompletiranja finalnog
uzorka. Ovaj tip uzorka ima veliinu veu nego jednostavni sluajni uzorak.
Nema potrebe za listom cijele populacije, ali trai vie informacija nego
uzorak skupina. (Naprimjer, prva faza bi bio izbor optina, a druga
domainstva u odabranim optinama).
Na sljedeem primjeru emo uporediti uzorak skupina i viestepeni uzorak.
elimo analizirati sportske aktivnosti uenika 4-tih razreda srednjih kola u
BiH.
Odabere se uzorak od npr. 50 kola. Ove kole predstavljaju uzorak
skupina. Zatim se ispituje svaki uenik 4-tog razreda ovih kola.
Meutim, moe se odabrati 50 kola, kompletirati lista svih uenika 4-tih
razreda tih kola i odabrati uzorak uenika iz svakog razreda koji e se
ispitivati. U ovom sluaju radi se o dvostepenom planu uzorka. Moe se pri
izboru postupiti i na sljedei nain: prvo selekcionisati kole, odabrati
sluajnim uzorkom na osnovu liste 4-tih razreda uzorak razreda iz svake
kole, a zatim na osnovu liste uenika odabranih razreda odabrati sluajan
uzorak uenika koji e biti ispitani.
Elementarne jedinice su skoncentrisane to smanjuje trokove ankete, ali je
preciznost manja nego kod prostog sluajnog i stratifikovanog uzorka.
6.2.1.7. Viefazni uzorci
U prvoj fazi se odabire veliki uzorak i prikupljaju podaci o karakteristikama

jedinica uzorka. Zatim se u drugoj fazi iz postojeeg odabire poduzorak za ije
se jedinice vri detaljnije prikupljanje podataka. Najee se koristi dvofazni
uzorak, ali je, naravno, mogua upotreba uzorka u tri ili vie faza.
Viefazni uzorak se dosta razlikuje od viestepenog uzorka. Iako se i u
ovom sluaju odabiru dva ili vie uzoraka, baza za njihov izbor je uvijek
ista i jedinice su iste u svakoj fazi.
Plan uzorka i procjene na osnovu uzorka postaju kompleksniji ako se koristi
vie faza u odabiru uzorka. Ovaj tip uzorka je koristan kada u bazi uzorka
nedostaju dodatne informacije koje omoguavaju primjenu stratifikovanog
uzorka i u sluajevima kada se ne raspolae sa dovoljno sredstava da bi se
sakupili podaci na osnovu cijelog uzorka.
319
6.2.1.8. Panel uzorak
Panel uzorak se najee koristi da bi se istraile promjene karakteristika

populacije u vremenu. Zadatak je da se kontinuirano prate neke pojave.
esta upotreba panel uzorka je u istraivanju trita, praenju trokova
ivota, itd. Izabrani potroai odgovaraju na povremene ankete. Meutim,
promjena ispitivanih jedinica kao i promjena pojave su znaajni nedostaci
ovog tipa uzorka. Primjena panel uzorka je ograniena na prethodna
istraivanja u primjeni ankete.
6.2.1.9. Namjerni uzorci
Namjerno izabrani uzorci su uzorci odabrani na osnovu subjektivnih

kriterija ili uzorci koji se ne baziraju na teoriji vjerovatnoe. U ovom izboru
se pretpostavlja da je distribucija karakteristika unutar populacije jednaka.
U ovom sluaju, poto se jedinice odabiru proizvoljno, ne postoji nikakva
mogunost da se procijeni vjerovatnoa ukljuivanja jedne jedinice u
uzorak. Ne postoji ni mogunost utvrivanja pouzdanosti ovog plana uzorka
i preciznosti dobijenih ocjena, dakle ne moe se odrediti greka procjene
karakteristika osnovnog skupa. Bez obzira na navedene nedostatke, plan
uzorka koji se ne bazira na vjerovatnoi moe biti koristan ako se ele
dobiti deskriptivni komentari o pojavi koja se istrauije. Njihova primjena
zahtijeva mali utroak vremena i sredstava, pa su ekonomini i praktini.
Ovaj tip uzorka se moe kombinovati sa uzorkom na bazi vjerovatnoe.
Vrlo esto se koriste i kombinuju namjerni i sluajni uzorci. Npr. namjerni
uzorci se koriste da bi se testirali upitnici ili u nekim preliminarnim fazama
konstrukcije ankete, a zatim sluajni za realizaciju anketa.
Upotreba namjernog uzorka je opravdana u nekim okolnostima. Prednost
ovog tipa uzorka je to se u uzorak mogu odabrati jedinice do kojih je lake
doi ili za koje se pretpostavlja da mogu pruiti informacije o istraivanoj
pojavi. Ovaj tip uzorka je pogodan za pilot istraivanja da bi se o osnovnom
skupu dobile bitne polazne informacije.
6.2.1.9.1. Kvota uzorak
Meu namjernim uzorcima je najei kvota uzorak. U tom planu izbora

uzorka se, u skladu sa specifinim kriterijem i ciljem istraivanja, odabiru
potpopulacije iz koji se mora anektirati odreeni broj jedinica. Svaki
320
anketar dobije uputu o broju ili proporciji jedinica iz svakog podskupa,

odnosno grupe koje treba anketirati.
Kvota uzorak zavisi od odluke i sklonosti anketara. Kvota uzorak se mnogo
primjenjuje u ispitivanju javnog miljenja. Moe dati zadovoljavajue
rezultate ako se anketari pridravaju datih uputa. Ovaj tip uzorka nije skup,
jednostavno se realizuje i ima poeljnu osobinu da respektuje proporcije u
populaciji. U ovom sluaju, kao i u sluaju ostalih namjernih uzoraka,
pretpostavlja se da su odabrane jedinice sline onima koje nisu odabrane da
bi se mogle donijeti sudovi o karakteristikama populacije.
6.2.1.9.2. Prigodan uzorak
Prigodan izbor uzorka se obavlja prema prigodi, a ne sluajno, niti prema

nahoenju. Uzorak dobiven iz raspoloivih listi (telefonski imenik ili
registar pretplatnika) prigodno je izabran, a nije sluajan iako je sluajno
izabran iz spomenute liste. Ova vrsta uzorka se primjenjuje vrlo esto u
ispitivanju javnog miljenja. Korisna primjena ovog tipa uzorka je u pilot
ispitivanju, pri testiranju upitnika i za dobivanje potrebnih informacija za
izbor definitivnog plana istraivanja.
6.2.1.9.3. Dobrovoljan uzorak
Dobrovoljan uzorak je uzorak koji se dobije ukoliko osobe same ponude

svoje usluge za ispitivanje. Klasian primjer ovog tipa uzorka je testiranje
novih lijekova. Iz grupe dobrovoljaca se odabire uzorak osoba na kojima e
se vriti testiranje.
Vrlo esto se kombinuju razliiti planovi izbora uzoraka da bi se postigao
cilj - preciznost, pouzdanost i efikasnost procjene karakteristika osnovnog
skupa na osnovu rezultata dobijenih u uzorku.
6.3. PROCJENE OBILJEJA OSNOVNOG SKUPA

NA OSNOVU UZORKA
Promjenom metoda inferencijalne statistike zakljuci o parametrima

osnovnog skupa se donose procjenom na osnovu podataka iz uzoraka.
Postupak kojim se na osnovu podataka iz uzorka vri procjena parametara
osnovnog skupa se naziva metoda procjene. Kada se iz osnovnog skupa
321
(konanog ili beskonanog) izabere uzorak, parametri osnovnog skupa se

procjenjuju na osnovu vrijednosti izraunatih iz uzorka. Formula, funkcija
ili izraz koji se koristi za procjenu se naziva procjenitelj ili estimator.
Procjenitelj je, dakle, funkcija vrijednosti iz uzorka. To je sluajna varijabla
koja varira za razliite uzorke. Sve procjene dobivene na osnovu sluajnih
uzoraka veliine n iz istog osnovnog skupa koje su izraunate metodom
procjena ine distribuciju vjerovatnoe procjenitelja. Distribucija
vjerovatnoe procjenitelja je teorijska distribucija za koju se mogu
izraunati oekivana vrijednost, standardna devijacija i koeficijent
varijacije. Procjenitelj je predstavljen formulom koja omoguuje da se iz
podataka uzorka dobije numerika vrijednost za osnovni skup koja se
naziva procjena. Procjene mogu biti izraene jednim brojem ili intervalom
procjene. Procjenom jednim brojem se dolazi do vrijednosti parametra
osnovnog skupa. Pomou intervalne procjene se utvruju granice ili raspon
vrijednosti u kojima se, uz odreeni nivo pouzdanosti, nalazi nepoznati
parametar osnovnog skupa. Predmet nae analize e biti intervalne
procjene. Drugi pristup procjeni karakteritika osnovnog skupa je ispitivanje
pretpostavki o parametrima testiranjem hipoteza.
Postupak procjene emo objasniti i generalizirati na sljedeem primjeru. Iz
osnovnog skupa od N elemenata se izabire (N1 ) razliitih uzoraka veliine
n. Za svaki od tih uzoraka se izrauna parametar pomou kojeg e se
procijeniti taj parametar za osnovni skup. Ova parametar je razliit od iste
karakteristike posmatranog skupa i razliit za svaki od uzoraka. Varijacija
ovog parametra za razliite uzorke se naziva varijacija izbora uzorka i
formira distribuciju parametra procjenitelja.
Ako su uzorci izabrani sluajno i vrijednosti ovog parametra su sluajne to
znai da se radi o sluajnoj varijabli . Vrijednosti ove varijable su
sluajno rasporeene prema nekoj distribuciji vjerovatnoe. Ako se moe
odrediti distribucija vjerovatnoe ove varijable tada se moe odrediti i
vjerovatnoa da e imati vrijednost manju ili jednaku od nekog realnog
broja, ako se radi o prekidnoj varijabli, ili vjerovatnoa da e se nalaziti u
intervalu realnih brojeva, ako se radi o kontinuiranoj varijabli.
Za ovu distribuciju moemo odrediti oekivanu vrijednost (aritmetiku
sredinu) i varijansu, odnosno standardnu devijaciju.
322
Procjena parametra osnovnog skupa se vri na osnovu izraunate

vrijednosti iz uzorka. Da bi se dobila intervalna procjena potrebno je
izraunati donju i gornju granica intervala u kojem se, sa odreenom
vjerovatnoom, nalazi parametar osnovnog skupa . Intervalnu procjenu
izraavamo na sljedei nain:
- greka procjene < < +greka procjene
(6.5)
Ocjena parametra osnovnog skupa pomou parametra iz uzorka e biti

nepristrasna ako je oekivana vrijednost (aritmetika sredina) parametra iz
uzorka jednaka vrijednosti parametra iz osnovnog skupa:
E () =
(6.6)
Ukoliko ovaj uslov nije zadovoljen, ocjena je pristrasna. Statistika

pristrastnost je, dakle, razlika izmedu oekivane vrijednosti procjenitelja
i prave vrijednosti osobine osnovnog skupa.
Poeljne osobine ocjene su, pored nepristrasnosti, efikasnost i
konzistentnost. Ocjena je efikasna ukoliko ima manji varijabilitet za istu
veliinu uzorka. Ocjena parametara osnovnog skupa na osnovu uzorka je
konzistentna ukoliko sa poveanjem uzorka tei stvarnoj vrijednosti
parametra osnovnog skupa.
U narednom dijelu emo analizirati osobine procjenitelja aritmetike
sredine u sluajevima uzorka sa ponavljanjem i uzorka bez ponavljanja.
Sluajan uzorak sa ponavljanjem
Ako iz osnovnog skupa N izvuemo k uzoraka veliine n i za svaki od tih

uzoraka izraunamo aritmetiku sredinu dobiemo onoliko artimetikih
sredina koliko imamo uzoraka. S obzirom da su uzorci izabrani sluajno,
aritmetika sredina uzorka je sluajna varijabla za koju moemo izraunati
aritmetiku sredinu.
Za svaki uzorak moemo odrediti aritmetiku sredinu:
xi =
1 n
xi
n i =1
(6.7)
323
Aritmetika sredina aritmetikih sredina uzoraka je jednaka:
x=
1 k
xi
k i =1
(6.8)
Oekivanu vrijednost (aritmetiku sredinu) aritmetikih sredina uzoraka

moemo posmatrati kao oekivanu vrijednost aritmetike sredine uzorka uz
pretpostavku da su aritmetike sredine uzoraka xi nezavisne
1 n 1 n
1 n
1
E ( x ) = E ( xi ) = E xi = E ( xi ) = = n =
n i =1
n
n i =1 n i =1
(6.9)
ime dokazujemo da je aritmetika sredina aritmetikih sredina uzoraka

jednaka aritmetikoj sredini osnovnog skupa. To znai da je procjena
aritmetike sredine osnovnog skupa na osnovu aritmetike sredine uzorka
nepristrasna procjena i parametar procjene ili procjenitelj je nepristrasan.
Jedinice uzorka posmatramo kao nezavisne sluajne promjenljive ije su
oekivane vrijednosti jednake meusobno i jednake oekivanoj vrijednosti
osnovnog skupa koji je normalno rasporeen sa parametrima N(,2)
E(x1)=E(x2)=...E(xn)=
(6.10)
Iz izraza (6.9.) i (6.10.) slijedi da je aritmetika sredina aritmetikih sredina

uzorka jednaka aritmetikoj sredini osnovnog skupa.
Poto su varijable Xi nezavisne moemo odrediti i varijansu aritmetike
sredine uzoraka sa ponavljanjem:
1 n 1
xi = 2
n i =1 n
2 = 2 ( xi ) = 2
2 =
i =1
1
2
2
n
n2
n
(6.11)
Ovaj parametar slui za mjerenje disperzije aritmetikih sredina uzoraka

oko aritmetike sredine osnovnog skupa to omoguuje mjerenje greke
uzoraka. Ako je ovaj parametar manji, greka ocjene je manja i ocjena
preciznija.
Drugi korijen iz varijanse distribucije sredina uzoraka daje standardnu
devijaciju distribucije sredina uzoraka koja se zove standard error ili
standardna greka ocjene aritmetike sredine osnovnog skupa. Poto
standardna devijacija predstavlja mjeru odstupanja artimetike sredine
324
uzorka od aritmetike sredine osnovnog skupa ona pokazuje i koju greku u

prosjeku inimo ovom ocjenom i zbog toga se naziva i standardna geka
ocjene.
Sluajni uzorak bez ponavljanja
U sluaju uzorka bez ponavljanja uzastopna izvlaenja nisu nezavisna pa

sluajne promjenljive uzorka nisu nezavisne. Pokazuje se da je u ovom
sluaju varijansa aritmetike sredine uzorka jednaka:
N n 2
= ( xi ) =
n 1 n
2
x
(6.12)
Varijansu aritmetikih sredina uzoraka od n elemenata moemo odrediti

ako poznajemo varijansu i veliinu osnovnog skupa. Standardnu devijaciju
aritmetike sredine uzoraka nazivamo standardnom grekom i raunamo
pomou sljedeeg izraza:
x =
N n
N 1 n
(6.13)
U ovom izrazu faktor
N n
N 1
(6.14)
predstavlja faktor korekcije za konane osnovne skupove.

Ako je n =1 tada je varijansa uzorka jednaka varijansi osnovnog skupa
x2 = 2 .
Za N=n uzorak se izjednaava sa osnovnim skupom pa je varijansa jednaka
nuli x2 = 0 .
Ako je osnovni skup veliki tada je faktor korekcije priblino jednak jedinici, a
varijansa aritmetikih sredina uzoraka priblino jednaka varijansi osnovnog
skupa podijeljenoj sa n:
N n
2
1 i x2
N 1
n
(6.15)
325
Dakle, dobijamo isti rezultat kao i u primjeni nezavisnih uzoraka.

Standardna devijacija je jednaka x =
Ako varijansa osnovnog skupa nije poznata, njenu procjenu ne moemo

vriti na osnovu varijanse uzorka zbog toga to je varijabilitet u uzorcima
manji od varijabiliteta u osnovnom skupu. U tom sluaju procjena varijanse
bi bila pristrasna ako bismo koristili izraz:
i2 =
1 n
(xi x )2
n i =1
(6.16)
Zbog toga se za dobijanje nepristrasne ocjene varijanse koristi izraz:
2 =
1 n
(xi x )2
n 1 i =1
(6.17)
koji moemo napisati i u sljedeem obliku:
2 =
n 1 n
1 n
2 n
2
(
)
x
=
( xi x )
i
n 1 i =1
n n 1 n i =1
2 =
n
i2
n 1
(6.18)
koji se naziva korigovana varijansa. Ovaj izraz predstavlja nepristrasnu

ocjenu varijanse osnovnog skupa u kojoj je lan n/(n-1) faktor korekcije
pristrasnosti ocjene, a i2 predstavlja varijansu uzorka. Za velike uzorke
(n30) faktor korekcije se pribliava jedinici pa se u praktinim
izraunavanjima moe i zanemariti.
U ovom sluaju standardnu devijaciju osnovnog skupa treba zamijeniti
izrazom za korigovanu standardnu devijaciju. Tada e se standardna greka
procjene aritmetike sredine osnovnog skupa moi izraunati iz podataka o
uzorku koristei sljedeu relaciju:
x =
326
N n
x =
N 1
n
i
N n
n 1
N 1
n
x =
i
n 1
N n
N 1
(6.19)
n
3
, ili prema nekim
<
N 100
autorima od 0.05, faktor korekcije za konane osnovne skupove je jednak
jedinici pa gornju relaciju piemo u sljedeem obliku:
Ukoliko je frakcija izbora manja od 0,03 tj
x =
n
n 1 = i
i
n
n 1
(6.20)
Varijansa se smanjuje ukoliko se povea veliina uzorka. Ocjena je

konzistentna ako tei stvarnoj vrijednosti parametra kada se uzorak
poveava.
6.4. ODREIVANJE INTERVALA POVJERENJA
Mi emo analizirati i prezentirati odreivanje intervala povjerenja, odnosno

intervalne procjene za: aritmetiku sredinu, proporciju, varijansu i
standardnu devijaciju, parametre modela linearne regresije, totala osnovnog
skupa, medijane i koeficijenta korelacije.
6.4.1. Intervalna procjena aritmetike sredine osnovnog skupa
6.4.1.1. Intervalna procjena aritmetike sredine osnovnog
skupa ija je varijansa poznata
Pretpostavimo da je osnovni skup normalno rasporeen. Tada varijabla X

osnovnog skupa i varijable X1, X2, ..., Xn uzorka imaju normalnu
distribuciju: X ~ N(,2). Tada aritmetika sredina uzorka ima normalnu
distribuciju sa aritmetikom sredinom i varijansom ( 2 / n) :
2
x ~N ,
(6.21)
327
Ilustraciju analiziranog sluaja smo predstavili na grafikonu 6.1.
f (x)
Grafikon 6.1.
Distribucija aritmetike sredine uzorka

normalna distribucija
Ako standardiziramo sluajnu varijablu aritmetika sredina uzorka x

dobijamo:
Z=
/ n
~ N (0,1)
(6.22)
Ako Z ~ N(0,1) i z1 / 2 je kvantil reda (1-/2) od Z, tada moemo napisati

izraz za vjerovatnou da e se Z nalaziti u intervalu z1 / 2 :
p( z1 / 2 Z z1 / 2 ) = 1
(6.23)
U praksi se najee koristi greka, odnosno rizik ocjene koji oznaavamo

sa od 5% ili 1%. U tim sluajevima nivo pouzdanosti ( 1 ) je 95% i
99% respektivno, a odgovarajua vrijednost koeficijenta pouzdanosti z1 / 2
je jednaka 1,96 i 2,58 respektivno. Za sve ostale nivoe greke koeficijenti
z1 / 2 su tabelirani i nalaze se u tablici standardizovane normalne
distribucije. Tablice ove distribucije se nalaze u prilogu knjige.
328
f (z)
z N (0;1)
1 a
a/2
3
Grafikon 6.2.
z1a / 2
a/2
z1a / 2
Interval povjerenja (1 a ) aritmetike sredine

osnovnog skupa ija je varijansa poznata
Ako u izrazu 6.23. zamijenimo Z sa Z =
x
/ n
dobijamo:
z1 / 2 = 1
p z1 / 2
/ n
p z1 / 2
x z1 / 2
= 1
n
n
p x z1 / 2
x + z1 / 2
= 1
n
n

p x z1 / 2
= 1
x + z1 / 2
n
n
(6.24)
Kada odaberemo kontrolisanu greku ili rizik ocjene , tada e interval

povjerenja (1-) za aritmetiku sredinu osnovnog skupa biti :
x z1 / 2
, odnosno
329
x z1 / 2
x + z1 / 2
(6.25)
Grafika ilustracija ovog intervala povjerenja je prezentirana na grafikonu

6.3.
f ( x)
1 a
x - z1-a / 2 ( / n )
Grafikon 6.3.
Interval povjerenja
x + z1-a / 2 ( / n )
1 a za x z1a / 2 ( / n )
irina intervala povjerenja se smanjuje ako se poveava, odnosno ako se

(1-) smanjuje ili ako se n poveava.
Ako je potrebno izraunati veliinu uzorka n, uz uslov da polovina irine
intervala povjerenja bude manja ili jednaka od neke vrijednosti, treba
postupiti na sljedei nain:
z1 / 2
z1 / 2 d n
n
z1 / 2
d

z
n 1 / 2
d
330
(6.26)
6.4.1.2. Procjena intervala aritmetike sredine osnovnog

skupa ija je varijansa nepoznata
Za standardizovanu varijablu Z=
x
~ N (0,1) , nepristrasna ocjena od
/ n
/ n je jednaka
n
n 1 =
i
n
i
n 1
(6.27)
Zamjenjujui izraz (6.27) u izraz za standardizovanu varijablu Z dobijamo

x
promjenljivu
koja ima Studentovu distribuciju t sa (n-1) stepeni
i / n 1
slobode:
x
~ t n 1
i / n 1
(6.28)
Interval povjerenja za aritmetiku sredinu osnovnog skupa za nivo

pouzdanosti (1-) je jednak:
t n1;1 / 2 x t n1;1 / 2 = 1
i / n 1
(6.29)
gdje je t n1;1 / 2 kvantil reda (1-/2) od t n1 .

Interval povjerenja za aritmetiku sredinu osnovnog skupa je jednak:
x t n1;1 / 2
i
n 1
(6.30)
Na grafikonu 6.4. smo predstavili interval povjerenja za aritmetiku sredinu

osnovnog skupa ija varijansa nije poznata.
331
f (t )
1 a
a/2
a/2
tn1;1a / 2
tn1;1 a / 2
Studentova distribucija za interval povjerenja

aritmetike sredine osnovnog skupa
Grafikon 6.4.
ija je varijansa nepoznata
6.4.1.3. Interval povjerenja za aritmetiku sredinu osnovnog

skupa ija distribucija nije poznata
Interval povjerenja za aritmetiku sredinu osnovnog skupa ija distribucija

nije poznata emo analizirati za uzorke sa ponavljanjem i za uzorke bez
ponavljanja.
6.4.1.3.1. Uzorak sa ponavljanjem i poznatom varijansom
osnovnog skupa
Kada je varijansa osnovnog skupa poznata dobijamo isti interval povjerenja

kao u sluaju kada arimetika sredina ima normalnu distribuciju. Ovaj
rezultat je asimptotian jer primjenjujemo centralnu graninu teoremu
kada n . Interval povjerenja (I.P) za aritmetiku sredinu osnovnog
skupa je jednak:
I .P.(1 ) za : x z1 / 2
332
(6.31)
6.4.1.3.2. Uzorak sa ponavljanjem i nepoznatom varijansom

osnovnog skupa
Interval povjerenja ocjene aritmetike sredine osnovnog skupa za uzorak sa

ponavljanjem i nepoznatom varijansom osnovnog skupa je jednak:
I .P.(1 ) za : x t n1;1 / 2
(6.32)
n 1
Ako je n 30 moemo izvriti aproksimaciju pomou normalne distribucije

i dobiti sljedei interval povjerenja:
I .P.(1 ) za : x z1 / 2
(6.33)
n 1
6.4.1.3.3. Uzorak bez ponavljanja ako je n dovoljno velik (n30)

i poznata varijansa osnovnog skupa
U ovom sluaju aritmetika sredina uzorka slijedi normalnu distribuciju sa

parametrima
N n
x ~ N ,
n N 1
(6.34)
Interval povjerenja za nivo povjerenja (1-) je jednak:
I .P.(1 ) : x z1 / 2
N n
N 1
(6.35)
6.4.1.3.4. Uzorak bez ponavljanja ako je n dovoljno velik (n30) i

varijansa osnovnog skupa nije poznata
Interval povjerenja u ovom sluaju jednak je:
I .P.(1 ) za : x z1 / 2
i
n 1
N n
N 1
(6.36)
U narednoj emi smo prezentirali procjenu intervala arimetike sredine

osnovnog skupa za razliite sluajeve koje smo prethodno analizirali.
333
Procjena intervala povjerenja

aritmetike sredine osnovnog
skupa
osnovni skup ima

normalnu distribuciju
poznata varijansa
osnovnog skupa
xz
nepoznata varijansa
osnovnog skupa
xt
osnovni skup s
nepoznatom distribucijom
n1;1
n 1
uzorci sa
ponavljanjem
uzorci bez
ponavljanja
n > 30
poznata varijansa
xz
nepoznata varijansa
xt
n 1
ako je n > 30
n1;1
poznata varijansa
xz
N n
N 1
nepoznata varijansa
xz
ii
n 1
N n
N 1
aproksimiramo
xz
ema 6.1.
n 1
Procjena intervala povjerenja aritmetike sredine osnovnog skupa
6.4.2. Procjena intervala povjerenja za proporciju
Da bismo procijenili interval povjerenja za proporciju osnovnog skupa

pored simbola oznaenih na sljedeem grafikonu primijeniemo sljedee
termine i simbole:
n veliina uzorka
pA proporcija dogaaja A u osnovnom skupu,
nA veliina uzorka koji sadri dogaaj A
n
proporcija dogaaja A u uzorku: p A = A
n
334
Osnovni skup
1-pA
A(NA)
A(N-NA)
nA
n-nA
pA
Uzorak
Grafikon 6.5.
Procjena intervala povjerenja za proporciju
Osnovni skup je podijeljen na dva dijela. Pretpostavimo da se radi o

jednostavnom sluajnom uzorku u kojem su izvlaenja elemenata u uzorak
nezavisna, a vjerovatnoa pA je uniformna i konstantna. Analiziraemo
n
osobine n A i A . n A je rasporeen prema binomnoj distribuciji
n
vjerovatnoe, a oekivana vrijednost i varijansa su date sljedeim izrazima:
n A ~ B(n, p A )
E (n A ) = np A , n2A = np A (1 p A )
(6.37)
Iz dvije prethodne relacije izraavamo oekivanu vrijednost i varijansu za

(nA /n):
n
n p (1 p A )
E A = p A , 2 A = A
n
n
n
(6.38)
U sluajevima kada je veliina uzorka dovoljno velika koristimo

aproksimaciju ove distribucije normalnom standardizovanom distribucijom.
Sluajna standardizovana varijabla je data sljedeim izrazom:
p A p A
N (0,1)
p A (1 p A )
n
335
p A p A
N (0,1)
(6.39)
Kako je p A nepoznato, za ocjenu standardne greke koristimo sljedei

izraz:
p A (1 p A )
n
p =
A
(6.40)
Interval povjerenja odreujemo na sljedei nain:
p p A
p z1 / 2 A
z1 / 2 = 1
p A
..
p p A z a / 2 p A p A p A + z1 / 2 p A = 1 -
I .P. za p A : p A z1 / 2 p A
(6.41)
6.4.3. Intervalna procjena standardne devijacije i varijanse

osnovnog skupa
6.4.3.1. Intervalna procjena standardne devijacije
Ako je osnovni skup normalno distribuiran i veliina uzorka dovoljno

velika distribucija standardnih devijacija uzoraka se pribliava normalnoj
distribuciji. U tom sluaju standardna greka procjene standardne devijacije
osnovnog skupa pomou uzorka je jednaka:
2n
(6.42)
Interval povjerenja za standardnu devijaciju je:
p( z1 / 2 + z1 / 2 ) = 1
I .P.(1 ) za : ( z1 / 2 )
336
(6.43)
6.4.3.2. Intervalna procjena varijanse osnovnog skupa pomou

hi-kvadrat distribucije na osnovu poznate varijanse malog uzorka
Ako definiemo pokazatelj:
2 =
n 2
(6.44)
gdje je 2 varijansa osnovnog skupa procijenjena pomou varijanse uzorka

i 2 varijansa osnovnog skupa tada e interval povjerenja za varijansu
osnovnog skupa biti jednak:
n 2
p n21; / 2 2 n21;1 / 2 = 1
n 2
n 2
p 2
2 2
n 1;1 / 2
n 1, / 2
=1
(6.45)
Na sljedeem grafikonu smo prikazali interval povjerenja za varijansu.

f ( 2)
1 a
a/2
0
Grafikon 6.6.
a/2
2
a/2
1 a/2
2 distribucija za interval povjerenja varijanse osnovnog
skupa na bazi poznate varijanse malog uzorka
6.4.3.3. Interval povjerenja za varijansu velikog uzorka
Ako je je uzorak veliki (n30) izraz 2 2 tei N 2n 3;1 i interval

povjerenja za varijansu osnovnog skupa je jednak sljedeem izrazu:
337
p 2n 3 z 2 2 2n 3 + z = 1
n 2
p 2n 3 z 2 2 2n 3 + z = 1
2n 2
2n 2
2
= 1
p
2
2n 3 + z 2
2n 3 z
(6.46)
6.4.4. Interval povjerenja totala osnovnog skupa
Total je zbir vrijednosti numerikog obiljeja elemenata T = x . Total je

jednak proizvodu aritmetike sredine i broja elemenata. Kada se total
procjenjuje pomou uzorka, aritmetiku sredinu uzorka treba pomnoiti sa
brojem elemenata u osnovnom skupu N: T = Nx .
Standardna greka procjene totala osnovnog skupa je jednaka N puta
standardna greka procjene aritmetike sredine: T = N x .
T z T T T + z T
Nx zN x T Nx + zN x
(6.47)
Interval povjerenja za total osnovnog skupa T uz vjerovatnou (1-) je

jednak:
Nx z1 / 2 N x
(6.48)
Veliina uzorka za procjenu totala osnovnog skupa se izraunava po

formuli:
z
n = N
d
(6.49)
6.4.5. Interval povjerenja za medijanu
Distribucija medijane uzoraka asimptotski se pribliava normalnoj

distribuciji sa porastom veliine uzorka.Varijansa ocjene medijane je
jednaka:
338
M2 e =
M e =
2
n2
1,570726
= x 1.25331
(6.50)
Poslije odgovarajuih transformacija dobija se interval povjerenja za ocjenu

medijane osnovnog skupa:
p ( z1 / 2 z z1 / 2 ) = 1
M e Me
z=
M e
p( z1 / 2
M e Me
M e
z1 / 2 ) = 1
.....
p ( M e z1 / 2 M e Me M e + z 1 / 2 M e ) = 1
(6.51)
Interval povjerenja za medijanu je dat sljedeim izrazom:
M e z M e Me M e + z M e
(6.52)
6.4.6. Ocjena intervala za parametre modela linearne regresije
Model jednostavne linearne regresije za osnovni skup je:
yi = a + bxi + ei , i = 1,2, ,..., n
(6.53)
Vrijednosti zavisne varijable u ponovljenim realizacijama imaju razliite

vrijednosti za fiksne vrijednosti nezavisne varijable zbog prisustva sluajnih
varijabli. Zbog toga se mogu tretirati kao uzorak vrijednosti iz osnovnog
skupa. Za ocjenu parametara polazni oblik modela je:
+e
yi = a + bx
i
i
(6.54)
Da bi se dobila intervalna procjena parametara potrebno je poznavati

distribuciju ocjena uzoraka. Ako se pretpostavi da su sluajne veliine
normalno distribuirane sa aritmetikom sredinom jednakom nula za svako i,
339
sa konstantnom varijansom i da nisu korelirane meusobno, distribucija

uzoraka ocjena ima oblik Studentove distribucije sa (n-2) stepeni slobode.
Standardna greka ocjene parametra b je data sljedeim izrazom:
b =
(6.55)
2
i
(y
y i ) 2
n2
Odgovarajui interval povjerenja je
p (b t n 1;1 / 2 b b b + t n 1;1 / 2 b ) = 1
(6.56)
ili jednostavnije
b t b b b + t b
(6.57)
6.4.7. Intervalna procjena koeficijenta korelacije
Iz osnovnog skupa se moe odabrati u uzorak n parova vrijednosti dvije

varijable (X,Y) i izraunati koeficijent korelacije uzorka pomou kojeg
procjenjujemo koeficijent korelacije osnovnog skupa.
Ako je koeficijent korelacije osnovnog skupa jednak nuli (r = 0) distribucija
koeficijenata korelacije uzoraka e imati oblik normalne distribucije sa
oekivanom vrijednosti koeficijenta korelacije i standardnom grekom
koeficijenta korelacije koja je data sljedeim izrazima za veliki i mali
uzorak respektivno:
340
r =
1
n 1
(6.58)
r =
1 r2
n2
(6.59)
Distribucija koeficijenata korelacije uzoraka je vie asimetrina to se

koeficijent korelacije osnovnog skupa vie udaljava od nule i pribliava
jedinici. Navedene formule se koriste za testiranje hipoteze da je koeficijent
linearne korelacije jednak nuli r = 0.
Za procjenu intervala povjerenja se primjenjuje postupak koji je predloio
R.A.Fisher. Koeficijent korelacije se transformie tako da se dobije
koeficijent ija distribucija koeficijenata korelacije uzoraka ima oblik
normalne distribucije. Tako transformisan koeficijent emo oznaiti sa Z.
Funkcija Z od r je data sljedeim izrazom:
Z=
1 1+ r
ln
2 1 r
Oekivana vrijednost i varijansa od Z su:
E (Z ) =
Z2 =
1 1+
ln
2 1
1
n3
(6.60)
(6.61)
Za ocjenu koeficijenta korelacije osnovnog skupa se koristi koeficijent

korelacije uzorka dat sljedeim izrazom:
r=
Cov X ,Y
X Y
1 n
( xi x )( yi y )
n i =1
1 n
1 n
2
(
x
x
)
i
( yi y ) 2
n i =1
n i =1
(6.62)
Ocjena se vri na sljedei nain:

izrauna se koeficijent korelacije r iz podataka o uzorku
iz odgovarajue tablice (tablica u prilogu) se pronae vrijednost Z
koja odgovara koeficijentu korelacije i to je vrijednost Z uzorka (Zu)
izrauna se standardna greka procjene Z
izraunava se interval povjerenja uz odgovarajui nivo pouzdanosti:
p( Z u z1 / 2 z Z Z u z1 / 2 z ) = 1
(6.63)
341
u tablici se pronae vrijednost r koja odgovara za broj dobiven za

granice intervala i to su granice intervala povjerenja koeficijenta
korelacije osnovnog skupa uz odreeni nivo pouzdanosti.
Pored navedenih, mogu se procijenjivati intervali povjerenja za kvartile

osnovnog skupa, mjere asimetrije osnovnog skupa, mjere zaobljenosti
osnovnog skupa, itd.
6.5. TESTIRANJE HIPOTEZA
Informacije iz uzorka koristimo da bismo ispitali pretpostavke o obiljejima

i parametrima osnovnog skupa. Pretpostavimo na osnovu prethodnih
istraivanja i saznanja da neko obiljeje osnovnog skupa ima odreenu
vrijednost. Na osnovu uzorka odabranog iz tog skupa izraunamo to
obiljeje. Izraunato obiljeje poredimo sa pretpostavljenom vrijednou i
donosimo odluku o odbacivanju ili prihvatanju hipotetike vrijednosti uz
odgovarajuu greku procjene.
Statistika hipoteza je precizno formulisana tvrdnja ili pretpostavka o
obiljejima osnovnog skupa. Nauni metod kojim provjeravamo
prihvatljivost prethodno definisane tvrdnje ili pretpostavke se naziva
testiranje statistike hipoteze.
U postupku testiranja hipoteza mogu se definisati sljedee etape:
1. Formulisanje nulte i alternativne hipoteze
2. Izbor kriterija za testiranje i distribucije vjerovatnoe
3. Izbor nivoa znaajnosti testa
4. Formulisanje pravila za odbacivanje ili prihvatanje nulte hipoteze
5. Izbor uzorka, izraunavanje vrijednosti procjenitelja i koeficijenta
testa
6. Donoenje odluke o odbacivanju ili prihvatanju nulte hipoteze
6.5.1. Formulisanje hipoteza
Nulta i alternativna hipoteza su dvije meusobno iskljuive tvrdnje o

obiljejima osnovnog skupa koje su izraene vrijednostima parametara
osnovnog skupa.
342
Nulta hipoteza je tvrdnja o vrijednosti parametra osnovnog skupa koja se

testiranjem nastoji osporiti. Ovom hipotezom se tvrdi da je parametar
osnovnog skupa jednak nekoj pretpostavljenoj vrijednosti.
Svakoj nultoj hipotezi se pridruuje alternativna ili istraivaka hipoteza.
Pretpostavka, koja se smatra tanom i koju tokom testiranja treba potvrditi,
se izraava alternativnom hipotezom.
Testira se samo nulta hipoteza polazei od pretpostavke da je istinita i
nastoji se odbaciti.
Pretpostavimo da je hipotetika vrijednost neke karakteristike osnovnog
skupa = 0 . Za testiranje hipoteza mogu se koristiti dvosmjerni i
jednosmjerni testovi. ee se koriste dvosmjerni testovi kojima se eli
utvrditi da li postoji statistiki znaajna razlika izmeu pretpostavljene i
stvarne karakteristike osnovnog skupa bez obzira na smjer razlike. Oblast
odbacivanja nulte hipoteze se nalazi simetrino na oba kraja distribucije.
Kod jednosmjernih testova oblast odbacivanja se nalazi na jednom kraju
distribucije. Analiziraemo definisanje i postavku nulte hipoteze za
sluajeve dvosmjernog i jednosmjernog testa na donju i gornju granicu.
Dvosmjerni test
Hipoteza koju treba testirati je nulta hipoteza da je parametar osnovnog

skupa jednak pretpostavljenoj vrijednosti:
H 0 : = 0
(6.64)
Alternativna hipoteza je da je parametar osnovnog skupa razliit od

pretpostavljene vrijednosti:
H1 : 0
(6.65)
Jednosmjerni test na gornju granicu
Za jednosmjerni test na gornju granicu nulta i alternativna hipoteza su

formulisane na sljedei nain:
H 0 : 0 H1 : > 0
(6.66)
343
Jednosmjerni test na donju granicu
U ovom sluaju nulta i alternativna hipoteza su definisane sljedeim izrazima:
H 0 : 0 H1 : < 0
(6.67)
6.5.1.1. Donoenje odluke i greke tipa I i II
Prilikom donoenja odluke o odbacivanju ili prihvatanju nulte hipoteze

mogu da nastanu greke tipa I i II. Razliite odluke i tipovi greaka su
predstavljeni u sljedeoj tabeli:
Tabela 6.1. Tipovi greaka
Odluke
Nulta hipoteza je
prihvaena
Nulta hipoteza je
odbaena
Nulta hipoteza
je istinita
Odluka je ispravna
(1- )
Napravljena je greka tipa I
Nulta hipoteza
nije istinita
Napravljena je greka tipa II
Odluka je ispravna
(1- )
Na grafikonu 6.6. smo predstavili sluaj odreivanja intervala povjerenja,

testiranje hipoteza i greke prve i druge vrste.
IP
a/2
Grafikon 6.7.
344
a/2
Odreivanje intervala povjerenja i greke druge vrste
Vjerovatnoa greke prve vrste (ili tipa I) se oznaava sa , a vjerovatnoa

greke druge vrste (ili greka tipa II) sa . Uobiajeno je da se odabire
kontrola greke prve vrste i da se definie pravilo odbacivanja hipoteze
koje e rezultirati da greka druge vrste bude to je mogue manja.
Vrijednost greke je odreena sljedeim faktorima: stvarnom vrijednou
testiranog parametra, nivoom znaajnosti testa , veliinom uzorka i
oblikom testa. esto se koristi i izraz jaina testa (1- ) koji izraava
vjerovatnou odbacivanja netane nulte hipoteze. Ovaj izraz predstavlja
komplementarnu vrijednost greke . Zbir ove dvije komplementarne
vjerovatnoe je jednak jedinici:
p(Ho odbaci/Ho netana)+ p(Ho prihvati/Ho netana)=1
(6.68)
6.5.1.2. Empirijski nivo znaajnosti p-vrijednost
U statistikim programima se sve vie umjesto teorijskog nivoa znaajnosti,

koji je sastavni dio svakog testa, izraunava p-vrijednost. Ova vrijednost
predstavlja empirijski nivo znaajnosti koji se izraunava na osnovu podataka
iz uzorka pomou empirijskih z ili t vrijednosti. p-vrijednost predstavlja
najmanji nivo znaajnosti uz koji se nulta hipoteza moe odbaciti na osnovu
podataka iz uzorka. Ova vrijednost se naziva i realizovani nivo znaajnosti.
Postupak donoenja odluke na osnovu p-vrijednosti se zasniva na poreenju
ove vrijednosti sa teorijskim nivoom znaajnosti. Ako je p-vrijednost manja
od , odbacuje se nulta hipoteza. Ako je p-vrijednost vea od , prihvata se
nulta hipoteza. Manja p-vrijednost znai manju empirijski utvrenu
vjerovatnou odbacivanja istinite nulte hipoteze.
U postupku testiranja hipoteza o aritmetikoj sredini baza za izraunavanje
p-vrijednosti je empirijska z ili t vrijednost u zavisnosti od toga da li se radi
o velikom ili malom uzorku. Ukoliko je nulta hipoteza istinita Z varijabla se
ponaa po standardizovanoj normalnoj distribuciji i u tom sluaju pvrijednost predstavlja vjerovatnou da varijabla Z uzme vrijednost veu od
vrijednosti izraunate na osnovu datog uzorka. Postupak izraunavanja
empirijskog nivoa znaajnosti je sljedei:
Za H 0 : = 0 H 1 : 0
p-vrijednost = 2p (Z > z )
Za H 0 : 0 H 1 : > 0
p-vrijednost= p(Z>z)
Za H 0 : 0 H 1 : < 0
p-vrijednost= p (Z > z )
345
6.5.2. Testiranje hipoteze o aritmetikoj sredini osnovnog skupa
Ako pretpostavimo da je aritmetika sredina osnovnog skupa jednaka nekoj

vrijednosti 0 tada hipotezu moemo formulisati u obliku dvosmjernog
testa na sljedei nain:
H 0 : = 0 H1 : 0
(6.69)
Ako X ~ N , 2 ili ako X ima bilo koju distribuciju ukoliko je n 30

x
vrijedi sljedea relacija: Z=
~ N (0,1) i za analizu koristimo z test.
/ n
Analiziraemo nekoliko karakteristinih sluajeva u zavisnosti od toga da li
su poznate varijansa i oblik distribucije i da li je uzorak veliki ili mali.
6.5.2.1. Varijansa osnovnog skupa poznata
U sluaju kada je varijansa osnovnog skupa poznata analiziraemo

dvosmjerni test i jednostrane testove na gornju i donju granicu.
6.5.2.1.1. Dvosmjerni test za aritmetiku sredinu
Ako pretpostavimo da je nulta hipoteza
Z=
H 0 : = 0 istinita tada
x
N (0,1).
/ n
Vrijednost izraunatog z poredimo sa teorijskim z iz tablica i uz

odgovarajui nivo pouzdanosti donosimo odluku o odbacivanju ili
prihvatanju nulte hipoteze.
U praksi se najee koristi greka, odnosno rizik ocjene koji oznaavamo
sa od 5% ili 1%. U tim sluajevima nivo pouzdanosti ( 1 ) je 95% i
99% respektivno, a odgovarajua teorijska vrijednost koeficijenta
pouzdanosti z1 / 2 je jednaka 1,96 i 2,58 respektivno. Za sve ostale nivoe
greke koeficijenti z1 / 2 su tabelirani i nalaze se u tablici standardizovane
normalne distribucije. Na sljedeem grafikonu je data ilustracija
dvosmjernog testa za aritmetiku sredinu.
346
f ( z)
1 a
oblast
prihvatanja
nulte hipoteze
a/2
a/2
-3
z1 a / 2
Grafikon 6.8.
z1 a / 2
Dvostrani test za aritmetiku sredinu

poznata varijansa osnovnog skupa
Ako je nulta hipoteza istinita za:
x 0
z1 / 2 = 1
p z1 / 2
/ n
x 0
( z1 / 2 ; z1 / 2 ) = 1 ;
p
/ n
z izra [ z1 / 2 ; z1 / 2 ] z izra z1 / 2
(6.70)
prihvatamo je. Dakle, nultu hipotezu prihvatamo ako aritmetika sredina

pripada sljedeem intervalu:
x 0 z1 / 2
(6.71)
Nultu hipotezu H0 odbacujemo ako je ispunjen jedan od sljedeih uslova:
x 0
p
( z1 / 2; z1 / 2 ) =
n
z izra [ z1 / 2; z1 / 2 ]
(6.72)
x 0 z1 / 2
; 0 + z1 / 2
n
n
347
x 0 z1 / 2
(6.73)
Ostale ekvivalentne forme pomou kojih izraavamo odluku o odbacivanju

nulte hipoteze su:
x 0
/ n
> z1 / 2 ili z > z1 / 2
x 0 > z1 / 2
(6.74)
(6.75)
Oblast prihvatanja i odbacivanja nulte hipoteze su prikazane na grafikonu 6.9.
f ( x)
oblast
odbacivanja
oblast
odbacivanja
oblast
prihvatanja
nulte hipoteze
0 z1a / 2 ( / n )
Grafikon 6.9.
0 + z1 a / 2 ( / n )
Oblast prihvatanja nulte hipoteze
6.5.2.1.2. Jednosmjerni test aritmetike sredine na gornju granicu u

sluaju poznate varijanse osnovnog skupa
Jednosmjerni test aritmetike sredine na gornju granicu se definie

sljedeim izrazom:
H 0 : 0 H1 : > 0
348
(6.76)
Ne odbacujemo, odnosno prihvatamo nultu hipotezu ako je ispunjen

sljedei uslov:
x 0
/ n
z1
z izra z1
(6.77)
Odbacujemo nultu hipotezu ako je:
x 0
/ n
> z1
zizra > z1
(6.78)
Oblast prihvatanja i oblast odbacivanja nulte hipoteze su prikazane na

grafikonu 6.10.
f ( z)
1 a
oblast
prihvatanja
nulte hipoteze
oblast
odbacivanja
0
Grafikon 6.10.
Z 1 a
Jednosmjerni test
za aritmetiku sredinu na gornju granicu
6.5.2.1.3. Jednosmjerni test za aritmetiku sredinu na donju

granicu ako je poznata varijansa
H 0 : 0 H1 : < 0
(6.79)
Nulta hipoteza se ne odbacuje ako je:
349
x 0
/ n
z1
ili jednostavnije
z izra z1
(6.80)
x 0
< z1
/ n
zizra < z1
(6.81)
Na grafikonu 6.11. su predstavljene oblast prihvatanja i oblast odbacivanja

nulte hipoteze.
f (t )
1 a
oblast
prihvatanja
nulte hipoteze
oblast
odbacivanja
-z1 a
Grafikon 6.11.
Jednosmjerni test
za aritmetiku sredinu na donju granicu
6.5.2.2. Testiranje hipoteze o aritmetikoj sredini osnovnog skupa

u sluaju kada varijansa osnovnog skupa nije poznata i n 30
dvosmjerni test
Za bilo koji osnovni skup iji uzorak ima veliinu n 30 prihvatamo nultu
hipotezu ako je:
350
x 0
i / n 1
z1 / 2 ili z z1 / 2
(6.82)
U izrazu (6.80) i je standardna devijacija uzorka.

Nulta hipoteza se odbacuje ukoliko je zadovoljen sljedei uslov:
x 0
i / n 1
> z1 / 2 ili z > z1 / 2
(6.83)
gdje je i standardna devijacija uzorka.

6.5.2.3. Testiranje hipoteze o aritmetikoj sredini osnovnog skupa
u sluaju kada varijansa osnovnog skupa nije poznata i n<30
Za testiranje u ovom sluaju se koristi Studentov t test.

6.5.2.3.1. Dvosmjerni test aritmetike sredine
Hipoteze su definisane sljedeim izrazom:
H 0 : = 0 H1 : 0
Za osnovni skup koji ima normalnu distribuciju, nepoznatu varijansu i
veliinu uzorka manju od 30 (n < 30) ne odbacujemo nultu hipotezu ako je:
x 0
i / n 1
t n 1;1 / 2 ili t t n 1;1 / 2
(6.84)
Za osnovni skup koji ima normalnu distribuciju odbacujemo nultu hipotezu

ako je:
x 0
i / n 1
> t1 / 2 ili t > t1 / 2
(6.85)
Oblasti prihvatanja i odbacivanja nulte hipoteze su predstavljene na

grafikonu 6.12.
351
f (t )
oblast
odbacivanja
oblast
prihvatanja
nulte hipoteze
t1 a / 2, n-1
Grafikon 6.12.
oblast
odbacivanja
t1 a / 2, n-1
Dvosmjerni test za aritmetiku sredinu

kada varijansa osnovnog skupa nije poznata
6.5.2.3.2. Jednosmjerni test aritmetike sredine na gornju granicu
Hipoteze su definisane izrazom:
H 0 : 0 H1 : > 0
(6.86)
Nulta hipoteza se ne odbacuje ako je ispunjen sljedei uslov:

x 0
i / n 1
tn 1;1
t izra t n 1;1
(6.87)
Nulta hipoteza se odbacuje ako je:

x 0
i / n 1
> tn 1;1
tizra > tn 1;1
(6.88)
Na grafikonu 6.13. su date oblasti prihvatanja i odbacivanja nulte hipoteze

ovog jednosmjernog testa.
352
f (t )
oblast
prihvatanja
nulte hipoteze
oblast
odbacivanja
a
0
Grafikon 6.13.
tn1;1 a
Jednosmjerni test za aritmetiku

sredinu na gornju granicu kada varijansa
osnovnog skupa nije poznata
6.5.2.3.3. Jednosmjerni test aritmetike sredine na donju granicu
H 0 : 0 H1 : < 0
(6.89)
Nulta hipoteza se ne odbacuje ako je

x 0
i / n 1
tn 1;1
t izra t n 1;1
(6.90)

x 0
i / n 1
< tn 1;1 / 2
tizra < tn 1;1 / 2
(6.91)
Oblasti prihvatanja i odbacivanja nulte hipoteze jednosmjernog testa na

donju granicu su predstavljene na sljedeem grafikonu.
353
f (t)
oblast
prihvatanja
nulte hipoteze
oblast
odbacivanja
tn1;1 a
Grafikon 6.14.
Jednosmjerni test za aritmetiku sredinu

na donju granicu kada varijansa
osnovnog skupa nije poznata
U emi 6.2. dajemo pregled razliitih sluajeva testiranja hipoteze o

aritmetikoj sredini osnovnog skupa i kriterije za odbacivanje nulte
hipoteze.
Testiranje hipoteze o aritmetikoj sredini
osnovnog skupa i kriteriji za odbacivanje nulte
hipoteze
osnovni skup ima

normalnu distribuciju ili
bilo koju distribuciju
ukoliko je n > 30
poznata varijansa
osnovnog skupa
Z izr . =
x 0
n < 30
nepoznata varijansa
osnovnog skupa
Z izr . =
x 0
x 0
z izr . > z
nepoznata varijansa
osnovnog skupa
tizr . =
n 1
x 0
t izr . > t
x 0
n 1
H 0 : = 0 H 1 : 0
z izr . > z
H 0 : 0 H 1 : > 0
zizr . > z1
zizr . > z1
t izr . > tn1; 1
H 0 : 0 H 1 : < 0
zizr . < z1
zizr . < z1
t izr . < tn1; 1
ema 6.2.
354
osnovni skup ima

normalnu distribuciju i
Testiranje hipoteze o aritmetikoj sredini osnovnog skupa

i kriteriji za odbacivanje nulte hipoteze
n1; 1
6.5.3. Test hipoteze za proporciju
Da bismo analizirali test hipoteze za proporciju podsjetiemo se simbola i

oznaka koje smo koristili za ocjenu intervala povjerenja, a koje su
predstavljene na sljedeem grafikonu.
Osnovni skup
1-pA
A(NA)
A(N-NA)
nA
n-nA
pA
Uzorak
Grafikon 6.15.
Test hipoteze za proporciju
6.5.3.1. Dvosmjerni test hipoteze za proporciju
Dvosmjerni test za proporciju se definie sljedeim izrazom:
H 0 : p A = p0 H 1 : p A p0
(6.92)
Pokazali smo da ako je veliina uzorka n velika (n30) slijedi:
p A p A
~ N (0,1)
p A (1 p A )
n
(6.93)
Zamjenjujui uslove hipoteze ako je istinita dobijamo:
p A p0
p0 (1 p0 )
n
~ N (0,1)
(6.94)
Ako uvedemo smjenu:

355
2p =
p0 q0
, q0 = 1 p0
n
tada moemo izraziti z kao:
z=
p A p0
(6.95)
Ne odbacujemo nultu hipotezu ako je ispunjen sljedei uslov:
z1 / 2
p A p0
z1 / 2
z1 / 2 z z1 / 2
(6.96)
6.5.3.2. Jednosmjerni test za proporciju na gornju granicu
H 0 : p A p0 H 1 : p A > p0
(6.97)
Prihvatamo nultu hipotezu ako je
z izra =
p A p 0
z1
(6.98)
a odbacujemo ako ovaj uslov nije zadovoljen, odnosno ukoliko je

zizra > z1 .
6.5.3.3. Jednosmjerni test za proporciju na donju granicu
H 0 : p A p0 H 1 : p A < p0
(6.99)
Prihvatamo nultu hipotezu ako je
z izra =
p A p 0
z1
a odbacujemo ukoliko je zizra < z1 .
356
(6.100)
6.5.4. Testiranje hipoteze o varijansi osnovnog skupa

6.5.4.1. Dvosmjerni test
Dvosmjerni test hipoteze o varijansi osnovnog skupa formuliemo

sljedeom relacijom:
H 0 : 2 = 02 H1 : 2 02
Za testiranje se koristi hi-kvadrat test 2 =
(6.101)
n 2
02
Prihvatamo nultu hipotezu ako je:
n21; / 2 2 n21;1 / 2
(6.102)
Ne prihvatamo nultu hipotezu ako je:
2 [ n21; / 2 ; n21;1 / 2 ]
(6.103)
Ilustracija oblasti prihvatanja i odbacivanja nulte hipoteze o varijansi

osnovnog skupa je prezentirana na sljedeem grafikonu.
f ( 2)
oblast
odbacivanja
nulte hipoteze
oblast
odbacivanja
nulte hipoteze
1 a
a/2
oblast prihvatanja nulte hipoteze
a/2
2 n -1, a / 2
Grafikon 6.16.
2 n -1,1-a / 2
Testiranje hipoteze o varijansi osnovnog skupa
357
6.5.4.2. Test hipoteze za varijansu na gornju granicu
Test na gornju granicu je formulisan sljedeim izrazom:
H 0 : 2 02 H 1 : 2 > 02
(6.104)
2 =
n 2
02
n21;1 ;
(6.105)
Ukoliko gornji uslov nije zadovoljen, odbacujemo nultu hipotezu.

6.5.4.3. Test hipoteze za varijansu na donju granicu
Test na donju granicu je formulisan sljedeim izrazom:

H 0 : 2 02 H1 : 2 < 02
(6.106)
2 =
n 2
2
0
n21; ;
(6.107)
U suprotnom sluaju nultu hipotezu odbacujemo.

6.5.5. Testiranje hipoteze o znaajnosti parametara u
regresionom modelu
Ako se poe od pretpostavke da, za date vrijednosti nezavisnih varijabli,

vrijednosti zavisne varijable predstavljaju uzorak, ocjene parametara mogu
posluiti za testiranje hipoteze o znaajnosti parametara u modelu regresije.
Postoji vie testova o parametrima u regresionom modelu. Testovi mogu
biti pojedinani i skupni. Test je pojedinaan ako se testira znaajnost
jednog parametra u regresionom modelu. Skupnim testom se ispituje
znaajnost svih varijabli u modelu.
358
6.5.5.1. Pojedinani test znaajnosti parametra

regresionog modela
Za primjenu pojedinanog testa o znaajnosti parametra odabrane varijable

Xj hipoteze za dvosmjerni test se definiu na sljedei nain:
H0 : bj = 0
(6.108)
H1 : b j 0
Testiranje se vri pomou t-distribucije. Podruje prihvatanja nulte hipoteze je:

b j 0 t / 2 b
(6.109)
gdje t / 2 predstavlja vrijednost t distribucije koji zavisi o odabranom nivou

pouzdanosti i broju stepeni slobode (n-K-1). K je broj parametara koje treba
ocijeniti, a b je standardna greka parametra:
j
b =
2
i
, =
nx 2
( y y )
i
i =1
n2
(6.110)
i =1
predstavlja ocjenu standardne devijacije regresije. Ako se vrijednost

regresijskog parametra b j nae u navedenom intervalu prihvata se nulta
hipoteza kao istinita. U suprotnom sluaju nulta hipoteza se odbacuje.
Test se moe realizovati i uporeivanjem empirijskog t-odnosa i teorijske
vrijednosti za t. Empirijski t-odnos je dat sljedeom relacijom:
t=
b j
(6.111)
j
Nulta hipoteza se prihvaa ako je empirijski t-odnos manji po apsolutnoj

vrijednosti od teorijske vrijednosti t-distribucije. U suprotnom sluaju
hipoteza se odbacuje.
359
6.5.5.2. Testiranje znaajnosti svih varijabli u modelu
Model viestruke linearne regresije iji je funkcionalni dio modela definisan

linearnom funkcijom smo definisali u sljedeem obliku:
Y = a + b1 X 1 + b2 X 2 + ... + bK X K + e
(6.112)
Za istovremeno testiranje znaajnosti svih parametara hipoteze definiemo

na sljedei nain:
H 0 : b1 = b2 = ... = bK = 0
H 1 : b j 0, j = 1,2,..., K .
(6.113)
Ako su ispunjene odreene pretpostavke o osobinama varijabli, u modelu za

testiranje se primjenjuje empirijski F odnos izmeu objanjene i
neobjanjene varijanse i njima odgovarajuih stepeni slobode:
n
F=
( y
i =1
y)
( yi y )
n K 1
K
(6.114)
Odluka se donosi uporeivanjem empirijskog (izraunatog) F-odnosa i

teorijske F-distribucije. Ako je empirijski F-odnos manji od teorijskog nulta
hipoteza se ne odbacuje. Dakle, ukoliko je Fe Ft nulta hipoteza H 0 se
prihvata. Ukoliko je Fe > Ft nulta hipoteza se odbacuje.
Teorijska F-distribucija je odreena nivoom znaajnosti i brojem stepeni
slobode brojnika i nazivnika. Broj stepeni slobode je (K, n-K-1).
6.5.5.3. Testiranje hipoteze o razlici (jednakosti) airtmetikih
sredina dva osnovna skupa
Potrebno je testirati hipotezu o razlici aritmetikih sredina dva osnovna

skupa ukoliko su poznati sljedei podaci. Za osnovni skup 1:
Aritmetika sredina 1
Varijansa 12
Veliki uzorak od n1 elemenata sa aritmetikom sredinom uzorka x1

i varijansom uzorka 12 .
360
Za osnovni skup 2:
Aritmetika sredina 2
Varijansa 22
Veliki uzorak od n2 elemenata sa aritmetikom sredinom uzorka
x 2 i varijansom uzorka 22 .
Da bi se izvrilo testiranje potrebno je izraunati razlike izmeu
aritmetikih sredina uzoraka izabranih iz prvog i drugog osnovnog skupa.
Distribucija tih razlika e imati priblino oblik normalne distribucije sa
aritmetikom sredinom jednakoj razlici aritmetike sredine prvog i drugog
osnovnog skupa ( 1 2 ) i sa standardnom grekom:
x x 2 =
1
12
n1
22
n2
(6.115)
Ova saznanja moemo primijeniti na testiranje nulte hipoteze da je

aritmetika sredina jednog osnovnog skupa jednaka aritmetikoj sredini
drugog osnovnog skupa odnosno da je razlika izmeu njih jednaka nuli:
H 0 : 1 = 2 H 1 : 1 2
H 0 : 1 2 = 0 H 1 : 1 2
(6.116)
Poto odstupanje izmeu aritmetikih sredina moe biti i posljedica

razlitih varijansi osnovnih skupova u testu se pretpostavlja da su varijanse
osnovnih skupova meusobno jednake:
12 = 22 = 2
(6.117)
Uz ovu pretpostavku, standardna greka razlike aritmetikih sredina se

moe izraziti sljedeom relacijom:
x x =
1
1 1
+
n1 n2
(6.118)
Ukoliko je varijansa osnovnog skupa poznata, interval prihvatanja nulte

hipoteze je:
0 z x1 x 2
(6.119)
361
odnosno, z izraunato je jednako:
zizra =
x1 x2
1 1
+
n2 n2
(6.120)
Uslovi za prihvatanje i odbacivanje nulte hipoteze su sljedei:
zizra zt H 0 ; zizra zt H1
Kada standardna devijacija osnovnog skupa nije poznata, procjenjujemo je
na osnovu podataka iz oba uzorka 12 22 :
n112 + n2 22
n1 + n2 2
(6.121)
Ako u izraz (6.115) uvrstimo za standardnu devijaciju osnovnog skupa

procjenu (6.118) dobivamo standardnu greku:
x x =
1
n112 + n2 22 n2 + n2
n1 + n2 2 n1 n2
(6.122)
Za veliki uzorak moe se koristiti jednostavniji izraz:
x x =
1
12
n1
22
n2
(6.123)
Interval prihvatanja nulte hipoteze za veliki uzorak je jednak:
0 z x1 x 2
(6.124)
Interval prihvatanja nulte hipoteze za mali uzorak je jednak:
0 t x1 x2
(6.125)
Ako se razlika aritmetikih sredina dva uzorka nalazi izvan podruja

prihvatanja nulte hipoteze to znai da su aritmetike sredine dva osnovna
skupa razliite.
362
Nulta hipoteza se prihvata ako se razlika sredina dva uzorka nalazi u

podruju prihvatanja nulte hipoteze.
6.5.5.4. Testiranje hipoteze o jednakosti aritmetikih sredina
vie osnovnih skupova Analiza varijanse
Hipoteza da su aritmetike sredine vie osnovnih skupova meusobno

jednake testira se metodom poznatom pod nazivom analiza varijanse.
Tabela 6.2. Podaci za analizu varijanse
Element
Uzorak
Total
x11
x12
x 21
x 22
x2 j
x2k
.
i
.
xi1
.
xi2
.
xij
.
xik
.
n
.
xn1
.
xn2
.
xnj
.
xnk
Sredine
x1
x2
xk
j
x1 j
xlk
x
x
1j
2j
ij
nj
Znaenja simbola u datoj tabeli su sljedea: xij je vrijednost obiljeja svakog

elementa izabranog u uzorak, i oznaava kojem elementu u uzorku pripada
vrijednost, j oznaava uzorak kome pripada element.
Ukupan zbir kvadrata odstupanja je:
(x
k
j =1 i =1
ij
x)
= n (x
j =1
.j
x ) + (x
k
j =1 i =1
x. j )
ij
(6.126)
Ukupan zbir kvadrata odstupanja je jednak zbiru kvadrata odstupanja

izmeu uzoraka i zbiru kvadrata odstupanja u uzorku. Analizu varijanse
predstavljamo u tabeli 6.3.
363
Tabela 6.3. Analiza varijanse

Izvor varijacija
Broj stepeni slobode

Uzorci
Uzorci
razliite jednake
veliine veliine
n (x. j x )
k
Izmeu uzoraka
k-1
k-1
Varijansa
Zbir
kvadrata
22
j =1
Unutar uzorka
(rezidual)
(x
k
n-k
k(n-1)
j =1 i =1
n-1
kn-1
ij
(x
k
Ukupno
x. j )
j =1 i =1
12
ij
x)
Pretpostavljamo da su aritmetike sredine osnovnih skupova meusobno

jednake:
H 0 : 1 = 2 = 3 = .... = k =
(6.127)
Pretpostavlja se da su i varijanse jednake:
12 = 22 = .... = k2 =
(6.128)
Sutina primjene metode analize varijanse u testiranju hipoteze je injenica

da se pomou zbira kvadrata odstupanja na desnoj strani jednaine analize
varijanse moe procijeniti varijansa osnovnog skupa. Kada svaki zbir
kvadrata odstupanja podijelimo sa odgovarjuim brojem stepeni slobode
dobijamo procjenu varijanse osnovnog skupa.
Odluku o tome da li je razlika izmeu dvije procjene varijanse sluajna ili
znaajna donosimo na osnovu odnosa te dvije procjene primjenom F testa
22
F= 2
1
(6.129)
Odnos F se izraunava tako da se za brojnik uzima vea procjena varijanse.

Ako je F izraunato manje od F tabelarnog za odgovarajui broj stepeni
slobode i nivo pouzdanosti, to znai da su razlike izmeu ove dvije procjene
sluajne i da se nulta hipoteza moe prihvatiti.
364
6.5.5.5. Testiranje hipoteze o jednakosti koeficijenta

korelacije dva osnovna skupa
Hipoteze formuliemo sljedeim izrazom:
H 0 : r1 r2 = 0
H1 : r1 r2 0
(6.130)
Iz svakog osnovnog skupa izabiremo po jedan uzorak i za svaki

izraunavamo koeficijent korelacije r1 i r2 . Oba koeficijenta
transformiemo u Fisherove koeficijente Z1 , Z 2 .
Standardna greka razlike izmeu dva Fisherova koeficijenta iznosi:
Z Z =
1
1
1
+
n1 3 n2 3
(6.131)
Oblast prihvatanja nulte hipoteze je:
0 z1 / 2 Z Z
1
(6.132)
Pored analiziranih, mogu se realizirati i testiranja hipoteza za sljedee

parametre:
Testiranje hipoteze o jednakosti proporcija dva ili vie osnovnih
skupova
Testiranje hipoteze da distribucija osnovnog skupa ima odreeni
oblik
Testiranje hipoteze o nezavisnosti dva obiljeja elemenata osnovnog
skupa
Testiranje hipoteze da je koeficijent korelacije osnovnog skupa
jednak nuli
Testiranje hipoteze da je koeficijent detrminacije osnovnog skupa
jednak nuli, itd.
365
6.6. NEPARAMETARSKI TESTOVI
Parametarski statistiki testovi koje smo analizirali su bazirani na

odreenim pretpostavkama vezanim za parametre ili distribucije osnovnog
skupa iz kojih je posmatrani uzorak odabran.
Neparametarski statistiki testovi su bazirani na modelima koji ne ukljuuju
nikakve preduslove u vezi parametara osnovnog skupa iz kojeg je uzorak
odabran.
Neparametarski testovi ne zahtijevaju precizna mjerenja kao parametarski
testovi i zbog toga se oni mogu primijeniti na podatke date u ordinalnoj
skali, a neki i na podatke iz nominale skale.
Najpoznatiji neparametarski testovi su:
Binomni test
Hi-kvadrat test
Test podobnosti modela
Kolmogorov Smirnov test.
Neparametarski testovi e biti istraivani i analizirani u buduim izdanjima
ove knjige.
1. Objasnite i analizirajte osnovne pojmove teorije uzoraka.

2. Koji su osnovni razlozi za primjenu teorije i metoda uzoraka u
statistici?
3. Koji je osnovni cilj metode uzoraka?
4. Koje vrste uzoraka poznajete?
5. Definiite i analizirajte prosti sluajni uzorak.
6. Koje vrste sluajnih uzoraka poznajete?
7. Koje su prednosti sluajnog uzorka u odnosu na ostale vrste uzoraka?
8. Koje tipove namjernog uzorka poznajete?
9. Za koje parametre poznajete postupak analize intervalnih procjena?
10. Koje sluajeve intervalne procjene aritmetike poznajete?
366
11. Analizirajte intervalnu procjenu aritmetike sredine u sluaju kada je

varijansa osnovnog skupa poznata.
12. Analizirajte intervalnu procjenu aritmetike sredine u sluaju kada
varijansa osnovnog skupa nije poznata.
13. Analizirajte interval povjerenja za aritmetiku sredinu osnovnog skupa
ija distribucija nije poznata.
14. Analizirajte intervalnu procjenu standardne devijacije i varijanse
osnovnog skupa.
15. Analizirajte procjenu intervala povjerenja za proporciju.
16. Analizirajte metodoloki pristup testiranju hipoteza.
17. Definiite greke tipa I i II koje mogu nastati prilikom donoenja
odluke o prihvatanju ili odbacivanju nulte hipoteze.
18. Nabrojite razliite sluajeve testiranja hipoteze o aritmetikoj sredini
osnovnog skupa i analizirajte detaljno, po vaem izboru, jedan od
nabrojanih sluajeva.
19. Analizirajte testiranje hipoteze o aritmetikoj sredini osnovnog skupa
kada je varijansa poznata (dvosmjerni test).
kada varijansa nije poznata (dvosmjerni test).
kada je varijansa poznata (jednosmjerni test na gornju granicu).
kada varijansa nije poznata (jednosmjerni test na donju granicu).
23. Analizirajte testiranje hipoteze za proporciju (dvosmjerni i
jednosmjerni testovi).
24. Analizirajte postupak testiranja hipoteze o znaajnosti parametara u
regresionom modelu.
25. Objasnite i analizirajte testiranje hipoteze o aritmetikoj sredini
osnovnog skupa kada varijansa osnovnog skupa nije poznata
(dvosmjerni test). Postavite hipotezu, objasnite postupak njene
primjene i kriterij za prihvatanje ili odbacivanje nulte hipoteze.
Predstavite oblast prihvatanja hipoteze koju ste testirali na grafikonu.
26. Objasnite, po vaem izboru, jedan sluaj testiranja hipoteze koji se
odnosi na aritmetiku sredinu. Postavite hipotezu, objasnite postupak
njene primjene i kriterij za prihvatanje ili odbacivanje nulte hipoteze.
Predstavite oblast prihvatanja hipoteze koju ste testirali na grafikonu.
367
27. Objasnite i analizirajte dvosmjerni test hipoteze za proporciju.

Postavite hipotezu, objasnite postupak njene primjene i kriterij za
prihvatanje ili odbacivanje nulte hipoteze.
28. Koja je razlika izmeu intervalnih procjena parametara i testiranja
hipoteza?
Zadatak 1.
Iz osnovnog skupa ija je aritmetika sredina nepoznata i standardna

devijacija jednaka 4 odabran je sluajni uzorak veliine n = 64 i izraunata
njegova aritmetika sredina x = 48.
Za vrijednost = 0,05 i = 0,01 testirajte sljedee hipoteze:
a) H 0 : = 50 H1 : 50
b) H 0 : 50 H 1 : < 50
c) H 0 : 50 H 1 : > 50
Elementi rjeenja:
a) Poznata je standardna devijacija i varijansa osnovnog skupa. Nije
poznata distribucija, ali kako je n = 64 > 30 konstatujemo da:
2
x ~ N 0 ,
n
Z=
x 0
~ N(0,1)
/ n
x 0
p z1 / 2
z1 / 2 = 1 prihvatamo H 0
n
x 0
p
( z1 / 2 ; z1 / 2 ) = odbacujemo H 0
n
368
x 0
p z1 / 2
z1 / 2 = 1 prihvatamo H 0
/ n
48 50
p z10,05/ 2
z10,05/ 2 = 1 0, 05
4 / 64
p ( z0,975 4 z0,975 ) = 0,95
1,96 4 1,96
Ne prihvatamo nultu hipotezu.
Za = 0, 01 prihvatamo H 0 ako je
x 0
p z1 / 2
z1 / 2 = 1
/ n
48 50
p z10,01/ 2
z10,01/ 2 = 1 0,01
4 / 64
p ( z0,995 4 z0,995 ) = 0,999

2,5758 4 2,5758
Ne prihvatamo nultu hipotezu.

Ili jednostavnije, nultu hipotezu ne prihvatamo ako je:
x 0
/ n
> z1 / 2
= 0,05 z1 / 2 = z 0,975 = 1,96

= 0,01 z1 / 2 = z0,995 = 2,5758 2,58
x 0
/ n
x 0
/ n
=
=
48 50
= 4 > 1,96
4 / 64
48 50
4 / 64
= 4 > 2,58
369
Odbacuje se nulta hipoteza to znai da je aritmetika sredina uzorka uz

nivoe pouzdanosti 95% i 99% udaljena od pretpostavljene vrijednosti
aritmetike sredine koja je jednaka 50.
b) Test na donju granicu
x 0
/ n
> z1
z > z1
4 > z0,95
4 > 1,96 prihvatamo nultu hipotezu.
Zadatak 2.
Proizvoa sokova eli provjeriti da li je prosjean sadraj soka u falama

manji od sadraja oznaenog na flaama koji je 75 cl.
Sluajno je odabrano 10 flaa i mjerenje njihovog sadraja je dalo sljedee
vrijednosti: 73,2 72,6 74,5 75,0 73,7 74,1 75,1 74,8 74,0 75,0
Ako pretpostavimo da je dobijena distribucija normalna, moe li proizvoa
zakljuiti da je prosjean sadraj flaa manji od 75 cl uz vjerovatnou
greke ocjene =0,05?
(Za vjebu odgovorite na isto pitanje uz vjerovatnou greke ocjene
=0,01?)
Elementi rjeenja:
Test na gornju granicu.
H 0 : 0 H1 : > 0
H 0 : 75cl H 1 : > 75cl
x = 74,2cl , n = 10, 1 = 0,8
370
x 0
i / n 1
< t n1;1
t izra < t 9;0,95

74,2 75
= 3
0,2667
= 1,833 3 < 1,833 prihvatamo H 0
t izra =
t 9;0,95
Prihvatamo nultu hipotezu da je sadraj soka u flaama manji od 75 cl.

Ili ako zadatak postavimo drugaije:
Test na donju granicu je:
H 0 : 0 H1 : < 0
H 0 : 75cl H 1 : < 75cl
x = 74,2cl , n = 10, 1 = 0,8
x 0
i / n 1
> tn 1;1
tizra > t9;0,95 prihvatamo H 0

74, 2 75
= 3
0, 2667
= 1,833 3 < 1,833 odbacujemo H 0
tizra =
t9;0,95
Odbacujemo nultu hipotezu da je sadraj u flai vei od 75 cl.

Zadatak 3.
Uzorak od 145 osoba je odabran sluajno iz populacije stranih turista koji

provode odmor u Bosni i Hercegovini. Prosjena sedmina potronja po
osobi posmatranog uzorka je 830 KM i standardna devijacija 240 KM.
a) Testirajte uz nivo rizika 5% hipotezu prema kojoj je prosjena sedmina
potronja jednog turiste razliita od 800 KM.
b) Koji je minimalan nivo rizika uz koji moemo odbaciti hipotezu u testu
realizovanom u a).
371
Elementi rjeenja:
a) n = 145, x = 830, i = 240, = 0,05
H 0 : = 0 = 800 H 1 : 800
n = 145 > 30
x 0
i / n 1
z=
x 0
i / n 1
~ N (0,1)
< z1 / 2 prihvatamo H 0
830 800
= 1,5
240 / 12
= 0, 05 z1 / 2 = z10,05 / 2 = z0,975 = 1,96

z = 1,5 < z0,975 = 1,96 prihvatamo H 0
b) Da bi se odbacila nulta hipoteza uz minimalan rizik:
x 0
i / n 1
z1 / 2 ne prihvatamo H 0
z1 / 2 1,5 tablica
1 / 2 0,93
/ 2 0,93 1
0,14
Zadatak 4.
Pretpostavimo da je stopa smrtnosti, raunata na osnovu sluajno odabranog

uzorka, od 100 osoba koji boluju od iste bolesti 13%.
Testirajte sljedee hipoteze:
a) H 0 : p A p0 = 0, 20 H1 : p A < p0 = 0, 20, = 0,05
b) H 0 : p A 0,10 H1 > 0,10, = 0,01
372
Elementi rjeenja:
a) H 0 : p A p0 = 0, 20 H1 : p A < p0 = 0, 20
Prihvatamo H 0 ako je
z=
p A p0
p A p0
> z1
p
p0 (1 p0 )
n
0,13 0, 20
z=
= 1,75
0, 20 0,80
100
z1 = z0,95 = 1,6449 z = 1,75 < z1 = 1,6449
Dakle, odbacujemo postavljenu nultu hipotezu.

Ili jednostavnije prihvatamo nultu hipotezu ako je:
z =
p A p0
p0 (1 p0 )
< z1
n
z = 1, 75 > z0,95 = 1, 6449 odbacujemo H 0
b) H 0 : p0 = 0,10 H1 > 0,10, = 0,01
p A p 0
p p 0
= A
< z 1
p
p 0 (1 p )
n
0 ,13 0 , 20
z =
= 1, 75
0 , 20 0 ,80
100
z =
373
z1 = z 0,99 = 2,3263
z = 1 < z 0,99 = 2,3263 prihvatamo H 0
Zadatak 5.
U posudi se nalaze bijele i crvene loptice. elimo testirati hipotezu da ima

jednak broj bijelih i crvenih kuglica. Odabrali smo sluajni uzorak od 144
kuglice.
a) Testirajte hipotezu uz nivo rizika 0,05 i 0,01.
b) Koji e biti va odgovor ako u uzorku dobijete 128 bijelih kuglica?
Elementi rjeenja:
n = 144, pb =
1
, to bi znailp da prihvatamo hipotezu da je u kutiji jednak
2
broj bijelih i crvenih kuglica.

H 0 : pb = 1/ 2 H1 : pb 1/ 2
z =
a)
p b p0
p0 (1 p0 )
n
=< z1
p b 0,5 < z1 / 2
0,5 0,5
144
p b 0,5 < z1 / 2 0,042
= 0,05 z1 / 2 = z 0,975 = 1,96

p b 0,5 < 1,96 0,042
p b 0,5 < 0,08
= 0,01 z1 / 2 = z 0,995 = 2,5758

p b 0,5 < 2,5758 0,042
p b 0,5 < 0,11
374
b)
nb 128
=
= 0,89
n 144
p b 0,5 = 0,89 0,5 = 0,39
p b =
= 0,05 p b 0,5 < 0,8

0,39 > 0,08 odbacujemo H 0
= 0,01 p b 0,5 < 0,11

0,39 > 0,11 odbacujemo H 0
Zadatak 6.
Aparat za kafu je konstruisan tako da puni ae iji je prosjean sadraj kafe

15 cl. Kontrola aparata je pokazala da sadraj kafe varira od ae do ae i
da moe biti posmatran kao sohastika varijabla koja ima normalnu
distribuciju vjerovatnoe ija je standardna devijacija 1,5 cl bez obzira na
prosjean sadraj kafe u ai. Odabran je sluajni uzorak od 100 aa i
mjerenje sadraja je pokazalo da je prosjean sadraj kafe u ai 14,2 cl.
a) Da li biste uz rizik od 5% mogli tvrditi da je prosjean sadraj kafe u
ai 15 cl?
b) Izraunajte greku druge vrste ukoliko je prosjean sadraj jednak 14,2
cl i ako je prosjean sadraj jednak 14,6. Uporedite dobijene rezultate i
komentariite ih.
Elementi rjeenja:
= 1,5cl
a) H 0 : = 15 H 1 : 15
n = 100, x = 14,2cl , = 0,05
z =
/ n
> z1 / 2
375
14,2 15
x
=
= 5,3
1,5 / 10
/ n
z1 / 2 = z0,975 = 1,96
z =
z > z1 / 2
Dakle, odbacujemo nultu hipotezu kao neistinitu uz rizik 5%.
U kojem intervalu bi se trebao kretati prosjean sadraj da bi nulta hipoteza
bila prihvaena uz dati rizik?
Prosjean sadraj bi se trebao kretati u sljedeem intervalu:
x 0 z1 / 2
x [15 1,96 0,15]

x [14,71; 15, 29]
b) Ako je nulta hipoteza odbaena tada je prosjeni sadraj jednak nekoj

vrijednosti razliitoj od pretpostavljene 15. Ako je ta vrijednost 14,2 cl,
moemo napisati:
= p(prihvatiti H 0 ako H 0 )
x N (14, 2;0,15 )
= p prihvatiti H 0 x N (14, 2;0,15 )

= p [14,7 < x < 15, 29] x N (14, 2;0,15 )
15, 29 14, 2
14,71 14, 2
<z<
0,15
0,15
= p
gdje z =
x 14, 2
N ( 0,1)
0,15
= p [3,373 < z < 7, 293] = F ( 7, 293) F ( 3,373)

= 1 0,9996 = 0,0004
376
= p ( prihvatiti H 0 ako H 0 )
x N (14, 6;0,15 )
= p prihvatiti H 0 x N (14, 6;0,15 )

= p [14, 71 < x < 15, 29] x N (14, 6;0,15 )
15, 29 14, 6
14, 71 14, 6
<z<
0,15
0,15
= p
gdje z =
x 14, 6
N ( 0,1)
0,15
= p [ 0, 71 < z < 4, 63] = F ( 4, 63) F ( 0, 71)

= 1 0, 7611 = 0, 2389
Greka drugog tipa je manja ukoliko je prava vrijednost prosjenog sadraja
vie udaljena od pretpostavljene vrijednosti.
Zadatak 7.
Na testu iz Statistike 50 studenata je dalo sljedei broj tanih odgovora:

Broj
tanih
xj 10 11 12 15 16 17 18 19 20 21 22 23 24 29 40
odgovara
Broj
f 1 1 1 3 4 6 10 7 7 3 2 2 1 1 1
studenata j
a) Konstruiite box-plot ove distribucije i komentariite ga.

b) Grupiete ovu distribuciju u sedam klasa i predstavite njen histogram.
(Savjet: za donju granicu prve klase uzmite vrijednost 9,5 i koristite
irinu klase jednaku 3 za 5 prvih klasa i jednaku 9 za dvije posljednje).
c) Izraunajte aritmetiku sredinu i standardnu devijaciju tako grupisane
distribucije.
d) Pretpostavimo da grupisana distribucija predstavlja sluajni uzorak
veliine n=50.
1) Utvrdite interval povjerenja za prosjean broj tanih odgovora
studentske populacije uz nivo povjerenja 0,95.
2) Ako je p proporcija studenata populacije koji su imali najmanje 20
tanih odgovora, testirajte uz greku 0,05 sljedeu hipotezu:
377
H 0 : p 0,4 H 1 : p < 0,4

Elementi rjeenja:
a) Q1 = 17; Q2 = M e = 18; Q3 = 20
Distribucija ima desnu asimetriju.
c) x 18,74; = 4, 25
d) 1) Interval povjerenja za aritmetiku sredinu u sluaju kada varijansa
osnovnog skupa nije poznata i kada je uzorak vei od 30.
I .P. (1 ) za :
x
p z1 / 2 <
< z1 / 2 = 1
i / n 1
I .P. (1 ) : x + z1 / 2
n 1
4, 25
I .P. (1 ) : 18,74 1,96

7
I .P. (1 ) : [18,74 1,19]

I .P.0,95 : [17,55;19,93]
d) 2) Uzorak ima 17 studenata koji su imali najmanje 20 tanih odgovora.
n A 17
=
= 0,34
n 50
H 0 : p0 0,4 H 1 : p < 0,4
n = 50, n A = 17 p A =
z=
378
p A p0
> z1
p0 (1 p0 )
n
z=
z1
p A p0
0,34 0, 4
= 0,87
0, 4 0, 6
50
p0 (1 p0 )
n
= z0,95 = 1, 6449
0,87 > 1, 6449

Nulta hipoteza se prihvata. Dakle, polazei od uzorka moemo tvrditi sa
pouzdanou od 95% da je proporcija studenata iji je broj tanih odgovora
najmanje 20 u ukupnoj populaciji vea ili jednaka 0,4 (40%).
Zadatak 8.
Transportno preduzee nabavlja auto gume marke A ili marke B. Odluku o

nabavci guma donosi nakon testiranja nulte hipoteze da je prosjeno trajanje
guma A i guma B izraeno u preenim kilometrima jednako:
H 0 : 1 2 = 0
H 1 : 1 2 0
Testiranje se vri uz rizik od 5%.
Preduzee je na svojim automobilima pratilo trajanje 50 guma marke A i 40
guma marke B. Prosjeno trajanje 50 guma marke A iznosilo je 24.430 km,
a prosjeno trajanje 40 guma marke B 25.860 KM.
Elementi rjeenja:
Razlika artimetikih sredina ova dva uzorka je 24-430-25.860 = - 1.430 km.
Procjena varijanse prvog osnovnog skupa pomou uzorka je 6.250.000, a
drugog osnovnog skupa 9.000.000.
Standardna greka razlike sredina je:
x x =
1
x x =
1
12
n1
22
n2
6.250.000 9 10 6
+
= 591,6
50
40
379
Granice intervala prihvatanja nulte hipoteze su:
0 z x1 x2
0 1,96 591,6
0 1.159
Zakljuak: odbacujemo nultu, prihvatamo altenrativnu hipotezu.
Aritmetika sredina za gume B je vea, to jeste prosjeno trajanje je due i
preduzee se odluuje za nabavku guma B.
Zadatak 9.
Studenti su na vjebama iz statistike podijeljeni u tri grupe i u svakoj grupi

smo primjenili drugu nastavnu metodu vjebi. Da bismo utvrdili da li
postoji razlika u efikasnosti tri primijenjene metode iz svake grupe smo
odabrali uzorak od 10 studenata. Svi su dobili iste zadatke i mogli su dobiti
maksimalno 100 bodova. Postignute rezultate u rjeavanju zadataka smo
predstavili u slijedeoj tabeli:
Student
1
2
3
4
5
6
7
8
9
10
Uzorak 1
57
41
79
62
70
45
64
82
48
62
Uzorak 2
73
64
85
51
69
76
89
63
74
66
Uzorak 3
60
71
64
53
41
62
75
57
43
64
Ocijenite da li postoje razlike u efikasnosti tri primijenjene metode na

rezultate testa.
Elementi rjeenja:
Postavljamo nultu hipotezu da su prosjene ocjene studenata koji su uili po
razliitim metodama jednake: H 0 : 1 = 2 = 3 . Kriterij za donoenje
odluke zavisi od odnosa F testa. Ako je Fizraunato >F tablino nulta hipoteza se
odbacuje.
380
Pomou Excela dobijamo sljedeu izlaznu tabelu:

Anova: Single Factor
SUMMARY
Average Variance
61
188,6667
73
131,1111
59
120
Groups
Count
Sum
Column 1
10
610
Column 2
10
730
Column 3
10
590
Source of
SS
df
MS
Variation
Between
1146,667
2
573,3333
Groups
Within
3958
27 146,5926
Groups
Total
5104,667 29
P-value
F crit
3,91107
0,032238
3,35413
Poreenjm F izraunatog (F=3,91) i F tablinog (F=3,35) konstatujemo da

nultu hipotezu treba odbaciti jer je tablina vrijednost manja od izraunate.
Nultu hipotezu odbacujemo na nivou pouzdanosti 97% (p-vrijednost je
0,03) to znai da se prosjeno postignuti rezultati primjenom tri razliite
metode meusobno razlikuju i da tri metode vjebanja nisu jednako
efikasne. Postoji rizik da smo samo u 3 % sluajeva pogreno zakljuili
donoenjem ove odluke.
Zadatak 10.
Ocjenom modela y = a + bx na osnovu 7 podataka dobili smo vrijednost

parametra b=1,51 i standardne greke ocjene parametra b b = 0,16 .
Testirajte hipotezu o znaajnosti ovog parametra u regresionom modelu.
Elementi rjeenja:
H 0 : b = 0,
H1 : b 0
Testiranje nulte hipoteze emo izvriti uz greku 0,05. Tablina vrijednost t

za dvosmjerni test i broj stepeni slobode n-K-1=7-2=5 iznosi
t 5;0.025 = 2.571 .
381
Podruje prihvatanja nulte hipoteze je:
t ( 0 2,571 0,16 )
t ( 0 0, 41)
Poto je ocijenjena vrijednost parametra b=1,51>0,41 nulta hipoteza se

odbacuje. To znai da ne moemo prihvatiti pretpostavku da je parameter b
jednak 0.
Do istog rezultata dolazimo i pomou empirijskog t-odnosa. Vrijednost te
b 1,51
=9,44, dok je teorijski t znatno manji 2,571. Poto
veliine je t i = =
0,16
je empirijski odnos vei od teorijskog, nulta hipoteza se ne prihvata.
Zadatak 11.
Za ocijenjeni regresioni model Y = 20,7251 + 0,1130 X 1 + 0,1245 X 2

testirajte znaajnost parametara uz varijable u modelu koristei se
sljedeom izlaznim tabelama Excela.
SUMMARY OUTPUT
Multiple R
0,9528
R Square
0,9078
Adjusted R Square
0,8617
Standard Error
2,6292
Observations
7
Regression
Residual
Total
382
df
SS
2
4
6
272,3485
27,6515
300
ANOVA
MS
136,1742
6,9129
Significance F
19,6986
0,0085
Intercept
X1
X2
Coefficients
-20,7251
0,1130
0,1245
Standard Error
26,9055
0,0377
0,0865
t- Stat
-0,7703
3,0000
1,4389
P-value
0,4841
0,0399
0,2236
Statistika znaajnost regresijskog modela je odreena empirijskim F

omjerom i odgovarajuom p vrijednosti u tabeli ANOVA. U naem sluaju
p = 0,0085 < 0,01 pa zakljuujemo da barem jedna od nezavisnih varijabli
statistiki znaajno utie na vrijednost zavisne varijable uz nivo rizika od
1%. U izlaznoj tabeli Excela prezentirane su i statistike znaajnosti
regresionih koeficijanata koje se odreuju pomou t-statistike i pripadajuih
p vrijednosti. Za varijablu X1 vrijednost p= 0,0399 a za X2 p=0,2236.
Konstatujemo da u ocijenjenom regresionom modelu varijabla proizvodnja
u kg statistiki znaajno utie na zavisnu varijablu Y zbog toga to je
odgovarajua vrijednost p manja od 0,05. Za drugu varijablu p vrijednost je
vea od 0,05 i to znai da uticaj trokova po jedinici proizvodnje u ovom
modelu nije statistiki znaajan.
Zadatak 12.
Air Bosna eli zabraniti puenje na kratkim letovima, ali ne eli da izgubi
putnike. Zbog toga su odluili da uvedu probni period od 6 mjeseci bez
puenja. Sluajan uzorak od 200 letova je izabran tokom 6 mjeseci prije
probnog perioda bez puenja i tokom 6 mjeseci probnog perioda i
registrovan je broj putnika na tim letovima.
Podaci o broju putnika (n) su dati u sljedeoj tabeli:
Broj
71n75 76n80 81n85 86n90 91n95 96n100
putnika (n)
Broj letova
Prije probe
0
15
47
52
64
22
(X1)
Broj letova
tokom probe
2
20
50
74
43
11
(X2)
Pretpostavlja se da je broj putnika po letu normalno distribuiran.
383
1. Izraunati interval povjerenja 95% za prosjeno smanjanje broja putnika

u probnom periodu.
2. Da li je uvoenje zabrane puenja dovelo da smanjenja prosjenog broja
putnika po letu? Koristiti rizik od 5%.
Elementi rjeenja:
Izraunavamo standardnu greku razlike aritmetikih sredina
x1 x2 =
n112 + n2 22 1 1
+
n1 + n2 2 n1 n2
x x =
200 31,774 + 200 28,774 1
398
100
x x = 0,304
1
1. 95% interval povjerenja razlike dvije aritmetike sredine
n 2 + n2 2 2 1 1
+
( x1 x2 ) z 1 1
n n
2
+
n
n
2
1
1 2
= (88,775 87,225) 1,96 0,304
95% interval povjerenja za prosjeno smanjenje putnika je (0,95; 2,14).
Dakle, moemo konstatovati da e u 95% letova prosjeno smanjenje biti
izmeu jednog i dva putnika.
2.
H 0 : 1 2 = 0
H1 : 1 2 0
zizr =
( x1 x2 ) ( 1 2 ) 1,55 0
=
= 5,098
0,304
x1 x2
z1 / 2 = 1,96
zizr > z1 / 2
384
Odbacujemo nultu hipotezu i konstatujemo da postoji statistiki znaajna

razlika u prosjenom broju putnika u dva posmatrana perioda.
Zadatak 13.
Standardna devijacija vijeka trajanja jednog tipa aparata je 5000 h. Vijek

trajanja aparata ima normalan raspored. U uzorku od 15 aparata, prosjean
vijek trajanja je 89000 h. Sa grekom 5%, odrediti prosjean vijek trajanja
aparata analiziranog tipa.
Elementi rjeenja:
n = 15
x = 89000
= 5000
= 0, 05
=?
Poznata standardna devijacija u populaciji
F ( zt ) = 1
= 0,975 zt = 1,96
5000
= 1291
n
15
x zt x x + zt x
x =
89000 1,96 1291 89000 + 1,96 1291

86469, 64 91530,36 h ( = 0, 05)
Zadatak 14.
U jednom gradu u dravnim slubama zaposleno je 2 500 radnika. Formiran

je sluajni uzorak od 34 radnika, kako bi se procijenila starosna struktura
zaposlenih u dravnim slubama. U tom uzorku prosjena starost
zaposlenih iznosi 39,24 godine sa standardnom devijacijom 11,5 godina.
Ocijeniti prosjenu starost zaposlenih u dravnim slubama sa pouzdanou
99%.
385
Elementi rjeenja:
N = 2500
n = 34
x = 39, 24
i = 11,5
= 0, 01
=?
Kako je rije o velikom uzorku (nepoznata varijansa osnovnog skupa)
koristimo normalni raspored i za greku procjene x =
F ( zt ) = 1
= 1
n 1
0, 01
= 0,995 zt = 2,58
2
x zt x x + zt x
x =
n 1
11,5
=2
33
39,24 2,58 2 39,24 + 2,58 2 [34,08 44,4] godina, ( = 1%)

Zadatak 15.
Od 100 kupaca u prodavnici u toku jednog dana anketirano je 20 kupaca.

Oni su u prosjeku potroili 58 KM, sa standardnom devijacijom 7,6 KM. Sa
pouzdanou 95% ocijeniti prosjenu potronju kupaca u toj prodavnici.
Elementi rjeenja:
N = 100
n = 20
x = 58
i = 7, 6
= 0, 05
=?
386
U sluaju malog uzorka i nepoznate varijanse osnovnog skupa koristimo

Studentov raspored i za greku procjene x =
F19 (tt ) = 1
n 1
= 0,975 tt = 2,1
x tt x x + tt x
X =
n 1
7, 6
= 1, 74
19
58 2,11, 74 58 + 2,11, 74 [54,346 61, 654] KM, ( =5%)

Zadatak 16.
U uzorku od 280 studenata jednog univerziteta, 115 su studenti

ekonomskog fakulteta. Sa grekom prve vrste 1% ocijeniti uee studenata
ekonomskih fakulteta na ovom univerzitetu.
Elementi rjeenja:
n = 280
na = 115
nb = 280 115 = 165
= 0, 01
pA = ?
Odreujemo proporciju studenata ekonomskih fakulteta u analiziranom
uzorku:
p A =
na 115
=
= 0, 41, q A = 1 p A = 0,59
n 280
Na osnovu podataka iz uzorka ocjenjujemo proporciju studenata

ekonomskih fakulteta na nivou univerziteta:
F ( zt ) = 1
= 1 0, 005 = 0,995 zt = 2,58

387
p A zt p p A p A + zt p
A
p =
A
p A q A
=
n
0, 41 0,59
= 0, 0294
280
0, 41 2,58 0,0294 p A 0, 41 + 2,58 0,0294

0,3341 p A 0, 4858 ( = 1%)
Zadatak 17.
U jednom preduzeu je zaposleno 1500 radnika. Na uzorku od 40 radnika,

je utvreno da je 10 radnika stiglo na posao sa zakanjenjem duim od 15
minuta. Potrebno je utvrditi sa pouzdanou 95% udio i broj radnika koji
kasne na posao vie od 15 minuta.
Elementi rjeenja:
N = 150
n = 40
na = 10
nb = 40 10 = 30
= 0, 05
pA = ?
Izraunavamo proporciju radnika koji kasne na posao due od 15 minuta u
analiziranom uzorku:
p A =
na 10
=
= 0, 25, q A = 1 p A = 0,5
n 40
Zatim ocjenjujemo proporciju radnika koji kasne na posao due od 15

minuta u preduzeu:
F ( zt ) = 1
= 1 0, 025 = 0,975 zt = 1,96
p A zt p p A p A + zt p
A
388
p =
A
p A q A
=
n
0, 25 0, 75
= 0, 0685
40
0, 25 1,96 0,0685 p A 0, 25 + 1,96 0,0685

0,11574 p A 0,38426 ( = 5%)
Na osnovu predhodnog zakljuujemo da e se broj koji kasne na posao vie
od 15 minuta kretati u intervalu:
1500 0,11574 N p A 1500 0,38426

174 N p A 576 (sa zaokruivanjem na cijele brojeve)
389
PRILOZI
1. STATISTIKE TABLICE
2. PRIJEVODI TERMINA IZ EXCELA
BINOMNA DISTRIBUCIJA VJEROVATNOE
p( X = k ) = C nk p k (1 p )
nk
n=5
k
0,05
0,06
0,07
0,08
0,09
0,1
0,2
0,3
0,4
0,5
0
1
2
3
4
5
773781
203627
021434
001128
000030
000000
733904
234225
029901
001909
000061
000001
695688
261818
039413
002967
000112
000002
659082
286557
049836
004334
000188
000003
624032
308587
061039
006037
000299
000006
590490
328050
072900
008100
000450
000010
327680
409600
204800
051200
006400
000320
168070
360150
308700
132300
028350
002430
077760
259200
345600
230400
076800
010240
031250
156250
312500
312500
156250
031250
n=10
k
0,05
0,06
0,07
0,08
0,09
0,1
0,2
0,3
0,4
0,5
0
1
2
3
4
5
6
7
8
9
10
598737
315125
074635
010475
000965
000061
000003
000000
000000
000000
000000
538615
343797
098750
016809
001878
000144
000008
000000
000000
000000
000000
483982
364288
123388
024766
003262
000295
000018
000001
000000
000000
000000
434388
377729
147807
034274
005216
000544
000039
000002
000000
000000
000000
389416
385137
171407
045206
007824
000929
000077
000004
000000
000000
000000
348678
387420
193710
057396
011160
001488
000138
000009
000000
000000
000000
107374
268435
301990
201327
088080
026424
005505
000786
000074
000004
000000
028248
121061
233474
266828
200121
102919
036757
009002
001447
000138
000006
006047
040311
120932
214991
250823
200658
111477
042467
010617
001573
000105
000977
009766
043945
117188
205078
246094
205078
117188
043945
009766
000977
n=15
k
0,05
0,06
0,07
0,08
0,09
0,1
0,2
0,3
0,4
0,5
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
463291
365756
134752
030733
004853
000562
000049
000003
000000
000000
000000
000000
000000
000000
000000
000000
395292
378471
169104
046773
008957
001258
000134
000011
000001
000000
000000
000000
000000
000000
000000
000000
336701
380146
200292
065328
014752
002443
000306
000030
000002
000000
000000
000000
000000
000000
000000
000000
286297
373431
227306
085652
022344
004274
000619
000069
000006
000000
000000
000000
000000
000000
000000
000000
243008
360507
249582
106964
031736
006905
001138
000145
000014
000001
000000
000000
000000
000000
000000
000000
205891
343152
266896
128505
042835
010471
001939
000277
000031
000003
000000
000000
000000
000000
000000
000000
035184
131941
230897
250139
187604
103182
042993
013819
003455
000672
000101
000011
000001
000000
000000
000000
004748
030520
091560
170040
218623
206130
147236
081130
034770
011590
002980
000581
000083
000008
000001
000000
000470
004702
021942
063388
126776
185938
206598
177084
118056
061214
024486
007420
001649
000254
000024
000001
000031
000458
003204
013885
041656
091644
152740
196381
196381
152740
091644
041656
013885
003204
000458
000031
393
p( X = k ) = C nk p k (1 p )
nk
n=20
p
k
394
0,05
0,06
0,07
0,08
0,09
0,1
0,2
0,3
0,4
0,5
358486 290106 234239 188693 151645 121577 011529 000798 000037 000001
377354 370348 352618 328162 299957 270170 057646 006839 000487 000019
188677 224573 252141 271091 281828 285180 136909 027846 003087 000181
059582 086007 113870 141439 167238 190120 205364 071604 012350 001087
013328 023332 036426 052271 070295 089779 218199 130421 034991 004621
002245 004766 008774 014545 022247 031921 174560 178863 074647 014786
000295 000760 001651 003162 005501 008867 109100 191639 124412 036964
000031 000097 000249 000550 001088 001970 054550 164262 165882 073929
000003 000010 000030 000078 000175 000356 022161 114397 179706 120134
000000 000001 000003 000009 000023 000053 007387 065370 159738 160179
10
000000 000000 000000 000001 000003 000006 002031 030817 117142 176197
11
000000 000000 000000 000000 000000 000001 000462 012007 070995 160179
12
000000 000000 000000 000000 000000 000000 000087 003859 035497 120134
13
000000 000000 000000 000000 000000 000000 000013 001018 014563 073929
14
000000 000000 000000 000000 000000 000000 000002 000218 004854 036964
15
000000 000000 000000 000000 000000 000000 000000 000037 001294 014786
16
000000 000000 000000 000000 000000 000000 000000 000005 000270 004621
17
000000 000000 000000 000000 000000 000000 000000 000001 000042 001087
18
000000 000000 000000 000000 000000 000000 000000 000000 000005 000181
19
000000 000000 000000 000000 000000 000000 000000 000000 000000 000019
20
000000 000000 000000 000000 000000 000000 000000 000000 000000 000001
Prilog 1. Statistike tablice
p( X = k ) = C nk p k (1 p )
nk
n=30
p
k
0,05
0,06
0,07
0,08
0,09
0,1
0,2
0,3
0,4
0,5
214639 156256 113367 081966 059053 042391 001238 000023 000000 000000
338903 299213 255991 213825 175212 141304 009285 000290 000004 000000
258637 276931 279388 269605 251266 227656 033656 001801 000043 000000
127050 164980 196273 218810 231938 236088 078532 007203 000266 000004
045136 071082 099719 128432 154837 177066 132522 020838 001197 000026
012353 023593 039030 058074 079631 102305 172279 046440 004149 000133
002709 006275 012241 021041 032815 047363 179457 082928 011524 000553
000489 001373 003159 006273 011127 018043 153821 121854 026341 001896
000074 000252 000684 001568 003164 005764 110559 150141 050487 005451
000010 000039 000126 000333 000765 001565 067564 157291 082275 013325
10
000001 000005 000020 000061 000159 000365 035471 141562 115185 027982
11
000000 000001 000003 000010 000029 000074 016123 110308 139619 050876
12
000000 000000 000000 000001 000004 000013 006382 074852 147375 080553
13
000000 000000 000000 000000 000001 000002 002209 044418 136039 111535
14
000000 000000 000000 000000 000000 000000 000671 023115 110127 135435
15
000000 000000 000000 000000 000000 000000 000179 010567 078312 144464
16
000000 000000 000000 000000 000000 000000 000042 004246 048945 135435
17
000000 000000 000000 000000 000000 000000 000009 001498 026872 111535
18
000000 000000 000000 000000 000000 000000 000002 000464 012938 080553
19
000000 000000 000000 000000 000000 000000 000000 000126 005448 050876
20
000000 000000 000000 000000 000000 000000 000000 000030 001997 027982
21
000000 000000 000000 000000 000000 000000 000000 000006 000634 013325
22
000000 000000 000000 000000 000000 000000 000000 000001 000173 005451
23
000000 000000 000000 000000 000000 000000 000000 000000 000040 001896
24
000000 000000 000000 000000 000000 000000 000000 000000 000008 000553
25
000000 000000 000000 000000 000000 000000 000000 000000 000001 000133
26
000000 000000 000000 000000 000000 000000 000000 000000 000000 000026
27
000000 000000 000000 000000 000000 000000 000000 000000 000000 000004
28
000000 000000 000000 000000 000000 000000 000000 000000 000000 000000
29
000000 000000 000000 000000 000000 000000 000000 000000 000000 000000
30
000000 000000 000000 000000 000000 000000 000000 000000 000000 000000
395
POISSONOVA DISTRIBUCIJA VJEROVATNOE
p ( X = x ) = e
396
x
x!
, e = 2,718, = n p
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
904837
090484
004524
000151
000004
000000
818731
163746
016375
001092
000055
000002
000000
740818
222245
033337
003334
000250
000015
000001
000000
670320
268128
053626
007150
000715
000057
000004
000000
606531
303265
075816
012636
001580
000158
000013
000001
000000
548812
329287
098786
019757
002964
000356
000036
000003
000000
496585
347610
121663
028388
004968
000696
000081
000008
000001
000000
449329
359463
143785
038343
007669
001227
000164
000019
000002
000000
406570
365913
164661
049398
011115
002001
000300
000039
000004
000000
1
367879
367879
183940
061313
015328
003066
000511
000073
000009
000001
000000
POISSONOVA DISTRIBUCIJA VJEROVATNOE
p ( X = x ) = e
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
2
135335
270671
270671
180447
090224
036089
012030
003437
000859
000191
000038
000007
000001
000000
3
049787
149361
224042
224042
168031
100819
050409
021604
008102
002701
000810
000221
000055
000013
000003
000001
000000
4
018316
073263
146525
195367
195367
156293
104196
059540
029770
013231
005292
001925
000642
000197
000056
000015
000004
000001
000000
x
x!
, e = 2,718, = n p
5
006738
033690
084224
140374
175467
175467
146223
104445
065278
036266
018133
008242
003434
001321
000472
000157
000049
000014
000004
000001
000000
6
002479
014873
044618
089235
133853
160623
160623
137677
103258
068838
041303
022529
011264
005199
002228
000891
000334
000118
000039
000012
000004
000001
000000
7
000912
006383
022341
052129
091226
127717
149003
149003
130377
101405
070983
045171
026350
014188
007094
003311
001448
000596
000232
000085
000030
000010
000003
000001
000000
8
000335
002684
010735
028626
057252
091604
122138
139587
139587
124077
099262
072190
048127
029616
016924
009026
004513
002124
000944
000397
000159
000061
000022
000008
000003
000001
000000
9
000123
001111
004998
014994
033737
060727
091090
117116
131756
131756
118580
097020
072765
050376
032384
019431
010930
005786
002893
001370
000617
000264
000108
000042
000016
000006
000002
000001
000000
10
000045
000454
002270
007567
018917
037833
063055
090079
112599
125110
125110
113736
094780
072908
052077
034718
021699
012764
007091
003732
001866
000889
000404
000176
000073
000029
000011
000004
000001
000001
000000
397
STANDARDIZOVANA NORMALNA DISTRIBUCIJA VJEROVATNOE

- funkcija gustine vjerovatnoe f(z)
f ( z) =
z
cijeli broj
i prva
decimala
398
1
2
z2
2
f ( z )dz = 1
druga
decimala
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
398942
396953
391043
381388
368270
352065
333225
312254
289692
266085
241971
217852
194186
171369
149727
129518
110921
094049
078950
065616
053991
043984
035475
028327
022395
017528
013583
010421
007915
005953
004432
003267
002384
001723
001232
000873
000612
000425
000292
000199
000134
398922
396536
390242
380226
366782
350292
331215
310060
287369
263688
239551
215458
191860
169147
147639
127583
109155
092459
077538
064378
052919
043067
034701
027682
021862
017095
013234
010143
007697
005782
004301
003167
002309
001667
001191
000843
000590
000409
000281
000191
000129
398862
396080
389404
379031
365263
348493
329184
307851
285036
261286
237132
213069
189543
166937
145564
125665
107406
090887
076143
063157
051864
042166
033941
027048
021341
016670
012892
009871
007483
005616
004173
003070
002236
001612
001151
000814
000569
000394
000271
000184
000124
398763
395585
388529
377801
363714
346668
327133
305627
282694
258881
234714
210686
187235
164740
143505
123763
105675
089333
074766
061952
050824
041280
033194
026426
020829
016254
012558
009606
007274
005454
004049
002975
002165
001560
001112
000785
000549
000380
000260
000177
000119
398623
395052
387617
376537
362135
344818
325062
303389
280344
256471
232297
208308
184937
162555
141460
121878
103961
087796
073407
060765
049800
040408
032460
025817
020328
015848
012232
009347
007071
005296
003928
002884
002096
001508
001075
000758
000529
000366
000251
000170
000114
398444
394479
386668
375240
360527
342944
322972
301137
277985
254059
229882
205936
182649
160383
139431
120009
102265
086277
072065
059595
048792
039550
031740
025218
019837
015449
011912
009094
006873
005143
003810
002794
002029
001459
001038
000732
000510
000353
000241
000163
000109
398225
393868
385683
373911
358890
341046
320864
298872
275618
251644
227470
203571
180371
158225
137417
118157
100586
084776
070740
058441
047800
038707
031032
024631
019356
015060
011600
008846
006679
004993
003695
002707
001964
001411
001003
000706
000492
000340
000232
000157
000105
397966
393219
384663
372548
357225
339124
318737
296595
273244
249228
225060
201214
178104
156080
135418
116323
098925
083293
069433
057304
046823
037878
030337
024056
018885
014678
011295
008605
006491
004847
003584
002623
001901
001364
000969
000681
000474
000327
000223
000151
000101
397668
392531
383606
371154
355533
337180
316593
294305
270864
246809
222653
198863
175847
153948
133435
114505
097282
081828
068144
056183
045861
037063
029655
023491
018423
014305
010997
008370
006307
004705
003475
002541
001840
001319
000936
000657
000457
000315
000215
000145
000097
397330
391806
382515
369728
353812
335213
314432
292004
268477
244390
220251
196520
173602
151831
131468
112704
095657
080380
066871
055079
044915
036262
028985
022937
017971
013940
010706
008140
006127
004567
003370
002461
001780
001275
000904
000634
000441
000303
000207
000139
000093
STANDARDIZOVANA NORMALNA DISTRIBUCIJA VJEROVATNOE

- funkcija distribucije vjerovatnoe F(z)
F ( z) =
1
2
z2
2
dz
druga
decimala
cijeli
broj
i
prva
decimala
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
500000
539828
579260
617911
655422
691462
725747
758036
788145
815940
841345
864334
884930
903200
919243
933193
945201
955435
964070
971283
977250
982136
986097
989276
991802
993790
995339
996533
997445
998134
998650
999032
999313
999517
999663
999767
999841
999892
999928
999952
999968
503989
543795
583166
621720
659097
694974
729069
761148
791030
818589
843752
866500
886861
904902
920730
934478
946301
956367
964852
971933
977784
982571
986447
989556
992024
993963
995473
996636
997523
998193
998694
999065
999336
999534
999675
999776
999847
999896
999931
999954
999970
507978
547758
587064
625516
662757
698468
732371
764238
793892
821214
846136
868643
888768
906582
922196
935745
947384
957284
965620
972571
978308
982997
986791
989830
992240
994132
995604
996736
997599
998250
998736
999096
999359
999550
999687
999784
999853
999900
999933
999956
999971
511966
551717
590954
629300
666402
701944
735653
767305
796731
823814
848495
870762
890651
908241
923641
936992
948449
958185
966375
973197
978822
983414
987126
990097
992451
994297
995731
996833
997673
998305
998777
999126
999381
999566
999698
999792
999858
999904
999936
999958
999972
515953
555670
594835
633072
670031
705401
738914
770350
799546
826391
850830
872857
892512
909877
925066
938220
949497
959070
967116
973810
979325
983823
987455
990358
992656
994457
995855
996928
997744
998359
998817
999155
999402
999581
999709
999800
999864
999908
999938
999959
999973
519939
559618
598706
636831
673645
708840
742154
773373
802337
828944
853141
874928
894350
911492
926471
939429
950529
959941
967843
974412
979818
984222
987776
990613
992857
994614
995975
997020
997814
998411
998856
999184
999423
999596
999720
999807
999869
999912
999941
999961
999974
523922
563559
602568
640576
677242
712260
745373
776373
805105
831472
855428
876976
896165
913085
927855
940620
951543
960796
968557
975002
980301
984614
988089
990863
993053
994766
996093
997110
997882
998462
998893
999211
999443
999610
999730
999815
999874
999915
999943
999963
999975
527903
567495
606420
644309
680822
715661
748571
779350
807850
833977
857690
879000
897958
914657
929219
941792
952540
961636
969258
975581
980774
984997
988396
991106
993244
994915
996207
997197
997948
998511
998930
999238
999462
999624
999740
999822
999879
999918
999946
999964
999976
531881
571424
610261
648027
684386
719043
751748
782305
810570
836457
859929
881000
899727
916207
930563
942947
953521
962462
969946
976148
981237
985371
988696
991344
993431
995060
996319
997282
998012
998559
998965
999264
999481
999638
999749
999828
999883
999922
999948
999966
999977
535856
575345
614092
651732
687933
722405
754903
785236
813267
838913
862143
882977
901475
917736
931888
944083
954486
963273
970621
976705
981691
985738
988989
991576
993613
995201
996427
997365
998074
998605
998999
999289
999499
999651
999758
999835
999888
999925
999950
999967
999978
399
STUDENTOVA t DISTRIBUCIJA VJEROVATNOE

- funkcija distribucije vjerovatnoe S(t)
n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
n
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
400
1
0,50000
0,53173
0,56283
0,59277
0,62112
0,64758
0,67202
0,69440
0,71478
0,73326
0,75000
0,76515
0,77886
0,79129
0,80257
0,81283
0,82219
0,83075
0,83859
0,84579
0,85242
0,85854
0,86420
0,86945
0,87433
0,87888
0,88312
0,88709
0,89081
0,89430
0,89758
2
0,50000
0,53527
0,57001
0,60376
0,63608
0,66667
0,69528
0,72180
0,74618
0,76845
0,78868
0,80698
0,82350
0,83838
0,85176
0,86380
0,87463
0,88438
0,89317
0,90109
0,90825
0,91473
0,92060
0,92593
0,93077
0,93519
0,93923
0,94292
0,94630
0,94941
0,95227
3
0,50000
0,53667
0,57286
0,60812
0,64203
0,67428
0,70460
0,73284
0,75890
0,78277
0,80450
0,82416
0,84187
0,85777
0,87200
0,88471
0,89605
0,90615
0,91516
0,92318
0,93034
0,93672
0,94241
0,94751
0,95206
0,95615
0,95981
0,96311
0,96607
0,96875
0,97117
4
0,50000
0,53742
0,57438
0,61044
0,64520
0,67834
0,70958
0,73875
0,76574
0,79050
0,81305
0,83346
0,85182
0,86827
0,88295
0,89600
0,90758
0,91782
0,92688
0,93488
0,94194
0,94817
0,95367
0,95853
0,96282
0,96662
0,96998
0,97295
0,97559
0,97794
0,98003
5
0,50000
0,53788
0,57532
0,61188
0,64716
0,68085
0,71267
0,74243
0,76999
0,79531
0,81839
0,83927
0,85805
0,87485
0,88980
0,90305
0,91475
0,92506
0,93412
0,94207
0,94903
0,95512
0,96045
0,96511
0,96919
0,97275
0,97588
0,97861
0,98100
0,98310
0,98495
6
0,50000
0,53820
0,57596
0,61285
0,64850
0,68256
0,71477
0,74493
0,77289
0,79860
0,82204
0,84325
0,86232
0,87935
0,89448
0,90786
0,91964
0,92998
0,93902
0,94692
0,95379
0,95976
0,96495
0,96945
0,97335
0,97674
0,97967
0,98221
0,98442
0,98633
0,98800
n +1
2
dt
7
0,50000
0,53843
0,57642
0,61355
0,64946
0,68380
0,71629
0,74674
0,77500
0,80099
0,82469
0,84614
0,86541
0,88262
0,89788
0,91135
0,92318
0,93354
0,94256
0,95040
0,95719
0,96306
0,96813
0,97250
0,97627
0,97950
0,98229
0,98468
0,98674
0,98851
0,99003
8
0,50000
0,53860
0,57676
0,61409
0,65019
0,68473
0,71744
0,74811
0,77659
0,80280
0,82670
0,84834
0,86777
0,88510
0,90046
0,91400
0,92587
0,93622
0,94522
0,95302
0,95974
0,96553
0,97050
0,97476
0,97841
0,98153
0,98419
0,98646
0,98840
0,99005
0,99146
9
0,50000
0,53873
0,57704
0,61450
0,65076
0,68546
0,71835
0,74919
0,77784
0,80422
0,82828
0,85006
0,86961
0,88705
0,90249
0,91607
0,92797
0,93833
0,94730
0,95506
0,96172
0,96744
0,97233
0,97650
0,98005
0,98307
0,98563
0,98780
0,98964
0,99120
0,99252
10
0,50000
0,53884
0,57726
0,61484
0,65122
0,68605
0,71907
0,75006
0,77885
0,80536
0,82955
0,85145
0,87110
0,88862
0,90412
0,91775
0,92966
0,94002
0,94897
0,95669
0,96331
0,96896
0,97378
0,97787
0,98134
0,98428
0,98675
0,98884
0,99060
0,99208
0,99333

n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
n
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
5,0
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6,0
1
0,90067
0,90359
0,90634
0,90895
0,91141
0,91375
0,91598
0,91809
0,92010
0,92202
0,92385
0,92560
0,92727
0,92887
0,93040
0,93186
0,93327
0,93462
0,93592
0,93717
0,93837
0,93952
0,94064
0,94171
0,94275
0,94375
0,94472
0,94565
0,94656
0,94743
2
0,95490
0,95733
0,95958
0,96166
0,96359
0,96538
0,96705
0,96860
0,97005
0,97140
0,97267
0,97386
0,97497
0,97602
0,97700
0,97792
0,97879
0,97962
0,98039
0,98113
0,98182
0,98248
0,98310
0,98369
0,98425
0,98478
0,98529
0,98577
0,98623
0,98666
3
0,97335
0,97533
0,97713
0,97877
0,98026
0,98162
0,98286
0,98400
0,98504
0,98600
0,98687
0,98768
0,98843
0,98912
0,98975
0,99034
0,99089
0,99140
0,99187
0,99230
0,99271
0,99309
0,99344
0,99378
0,99409
0,99437
0,99465
0,99490
0,99514
0,99536
4
0,98189
0,98355
0,98503
0,98636
0,98755
0,98862
0,98958
0,99045
0,99123
0,99193
0,99257
0,99315
0,99368
0,99415
0,99459
0,99498
0,99535
0,99568
0,99598
0,99625
0,99651
0,99674
0,99696
0,99715
0,99734
0,99750
0,99766
0,99780
0,99794
0,99806
5
0,98657
0,98800
0,98926
0,99037
0,99136
0,99223
0,99300
0,99369
0,99430
0,99484
0,99532
0,99576
0,99614
0,99649
0,99680
0,99708
0,99733
0,99756
0,99776
0,99795
0,99811
0,99827
0,99840
0,99853
0,99864
0,99875
0,99884
0,99893
0,99900
0,99908
6
0,98944
0,99070
0,99180
0,99275
0,99359
0,99432
0,99496
0,99552
0,99601
0,99644
0,99682
0,99716
0,99745
0,99772
0,99795
0,99815
0,99834
0,99850
0,99864
0,99877
0,99889
0,99899
0,99909
0,99917
0,99924
0,99931
0,99937
0,99942
0,99947
0,99952
n +1
2
dt
7
0,99134
0,99247
0,99344
0,99428
0,99500
0,99563
0,99617
0,99664
0,99705
0,99741
0,99771
0,99798
0,99822
0,99842
0,99860
0,99876
0,99890
0,99902
0,99912
0,99922
0,99930
0,99937
0,99944
0,99950
0,99955
0,99959
0,99963
0,99967
0,99970
0,99973
8
0,99267
0,99369
0,99457
0,99532
0,99596
0,99651
0,99698
0,99738
0,99773
0,99803
0,99828
0,99850
0,99869
0,99886
0,99900
0,99912
0,99923
0,99932
0,99940
0,99947
0,99954
0,99959
0,99964
0,99968
0,99971
0,99974
0,99977
0,99980
0,99982
0,99984
9
0,99364
0,99458
0,99539
0,99606
0,99664
0,99713
0,99754
0,99789
0,99819
0,99844
0,99866
0,99885
0,99900
0,99914
0,99926
0,99935
0,99944
0,99951
0,99958
0,99963
0,99968
0,99972
0,99975
0,99978
0,99981
0,99983
0,99985
0,99987
0,99989
0,99990
10
0,99437
0,99525
0,99599
0,99661
0,99714
0,99758
0,99795
0,99826
0,99852
0,99874
0,99893
0,99909
0,99922
0,99933
0,99943
0,99951
0,99958
0,99964
0,99969
0,99973
0,99977
0,99980
0,99983
0,99985
0,99987
0,99989
0,99990
0,99991
0,99992
0,99993
401

n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
402
n
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
11
0,50000
0,53893
0,57743
0,61511
0,65159
0,68654
0,71967
0,75077
0,77968
0,80630
0,83060
0,85259
0,87233
0,88991
0,90546
0,91912
0,93105
0,94140
0,95034
0,95802
0,96460
0,97020
0,97496
0,97898
0,98238
0,98525
0,98765
0,98967
0,99136
0,99278
0,99396
12
0,50000
0,53900
0,57759
0,61534
0,65191
0,68694
0,72017
0,75136
0,78037
0,80709
0,83148
0,85355
0,87335
0,89099
0,90658
0,92027
0,93221
0,94256
0,95148
0,95914
0,96567
0,97123
0,97593
0,97990
0,98324
0,98604
0,98839
0,99035
0,99198
0,99334
0,99447
13
0,50000
0,53906
0,57771
0,61554
0,65217
0,68728
0,72059
0,75187
0,78096
0,80776
0,83222
0,85436
0,87422
0,89191
0,90754
0,92125
0,93320
0,94354
0,95245
0,96008
0,96658
0,97209
0,97675
0,98067
0,98396
0,98671
0,98900
0,99090
0,99249
0,99380
0,99488
14
0,50000
0,53912
0,57782
0,61571
0,65240
0,68758
0,72095
0,75230
0,78146
0,80833
0,83286
0,85506
0,87497
0,89270
0,90836
0,92209
0,93404
0,94439
0,95328
0,96089
0,96736
0,97283
0,97745
0,98132
0,98457
0,98727
0,98951
0,99137
0,99291
0,99418
0,99522
15
0,50000
0,53917
0,57792
0,61585
0,65260
0,68783
0,72127
0,75268
0,78190
0,80883
0,83341
0,85566
0,87563
0,89339
0,90907
0,92282
0,93478
0,94512
0,95400
0,96158
0,96803
0,97347
0,97805
0,98189
0,98509
0,98775
0,98995
0,99177
0,99327
0,99450
0,99551
16
0,50000
0,53921
0,57800
0,61598
0,65278
0,68806
0,72155
0,75301
0,78229
0,80927
0,83390
0,85620
0,87620
0,89399
0,90970
0,92346
0,93542
0,94576
0,95463
0,96220
0,96861
0,97403
0,97858
0,98238
0,98554
0,98816
0,99033
0,99211
0,99358
0,99478
0,99576
n +1
2
dt
17
0,50000
0,53924
0,57807
0,61609
0,65293
0,68826
0,72179
0,75330
0,78263
0,80965
0,83433
0,85667
0,87670
0,89452
0,91025
0,92402
0,93599
0,94632
0,95518
0,96273
0,96913
0,97452
0,97904
0,98281
0,98594
0,98853
0,99066
0,99241
0,99385
0,99502
0,99597
18
0,50000
0,53928
0,57814
0,61619
0,65307
0,68843
0,72201
0,75356
0,78293
0,81000
0,83472
0,85709
0,87715
0,89500
0,91074
0,92452
0,93650
0,94683
0,95568
0,96321
0,96959
0,97495
0,97945
0,98319
0,98629
0,98885
0,99095
0,99267
0,99408
0,99523
0,99616
19
0,50000
0,53930
0,57820
0,61628
0,65319
0,68859
0,72220
0,75379
0,78320
0,81031
0,83506
0,85746
0,87756
0,89542
0,91118
0,92498
0,93695
0,94728
0,95612
0,96364
0,97000
0,97534
0,97981
0,98352
0,98660
0,98913
0,99121
0,99291
0,99429
0,99541
0,99632
20
0,50000
0,53933
0,57825
0,61636
0,65330
0,68873
0,72238
0,75400
0,78344
0,81059
0,83537
0,85780
0,87792
0,89581
0,91158
0,92538
0,93736
0,94768
0,95652
0,96403
0,97037
0,97569
0,98014
0,98383
0,98688
0,98938
0,99144
0,99311
0,99447
0,99557
0,99646

n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
n
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
5,0
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6,0
11
0,99495
0,99577
0,99646
0,99704
0,99751
0,99792
0,99825
0,99853
0,99876
0,99896
0,99912
0,99926
0,99937
0,99947
0,99955
0,99962
0,99967
0,99972
0,99976
0,99980
0,99983
0,99985
0,99987
0,99989
0,99991
0,99992
0,99993
0,99994
0,99995
0,99996
12
0,99541
0,99618
0,99683
0,99737
0,99781
0,99818
0,99848
0,99874
0,99894
0,99912
0,99926
0,99938
0,99948
0,99957
0,99964
0,99969
0,99974
0,99978
0,99982
0,99985
0,99987
0,99989
0,99991
0,99992
0,99993
0,99994
0,99995
0,99996
0,99996
0,99997
13
0,99578
0,99652
0,99713
0,99763
0,99804
0,99838
0,99866
0,99890
0,99909
0,99924
0,99937
0,99948
0,99957
0,99964
0,99970
0,99975
0,99979
0,99983
0,99985
0,99988
0,99990
0,99991
0,99993
0,99994
0,99995
0,99996
0,99996
0,99997
0,99997
0,99998
14
0,99608
0,99679
0,99737
0,99784
0,99823
0,99855
0,99881
0,99902
0,99920
0,99934
0,99946
0,99955
0,99963
0,99970
0,99975
0,99979
0,99983
0,99986
0,99988
0,99990
0,99992
0,99993
0,99994
0,99995
0,99996
0,99997
0,99997
0,99998
0,99998
0,99998
15
0,99634
0,99702
0,99757
0,99802
0,99839
0,99869
0,99893
0,99913
0,99929
0,99942
0,99953
0,99961
0,99968
0,99974
0,99979
0,99983
0,99986
0,99988
0,99990
0,99992
0,99993
0,99995
0,99996
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
16
0,99656
0,99721
0,99774
0,99817
0,99852
0,99880
0,99903
0,99921
0,99936
0,99948
0,99958
0,99966
0,99972
0,99978
0,99982
0,99985
0,99988
0,99990
0,99992
0,99993
0,99995
0,99996
0,99996
0,99997
0,99998
0,99998
0,99998
0,99999
0,99999
0,99999
n +1
2
dt
17
0,99675
0,99738
0,99788
0,99830
0,99863
0,99890
0,99911
0,99928
0,99942
0,99954
0,99963
0,99970
0,99976
0,99980
0,99984
0,99987
0,99990
0,99992
0,99993
0,99995
0,99996
0,99996
0,99997
0,99998
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
18
0,99691
0,99752
0,99801
0,99840
0,99872
0,99898
0,99918
0,99934
0,99948
0,99958
0,99966
0,99973
0,99978
0,99983
0,99986
0,99989
0,99991
0,99993
0,99994
0,99995
0,99996
0,99997
0,99998
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
19
0,99705
0,99764
0,99812
0,99850
0,99880
0,99905
0,99924
0,99940
0,99952
0,99962
0,99970
0,99976
0,99981
0,99985
0,99988
0,99990
0,99992
0,99994
0,99995
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
1,00000
20
0,99718
0,99775
0,99821
0,99858
0,99887
0,99911
0,99929
0,99944
0,99956
0,99965
0,99972
0,99978
0,99983
0,99986
0,99989
0,99991
0,99993
0,99995
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
403

n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
404
n
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
21
0,50000
0,53935
0,57830
0,61644
0,65340
0,68886
0,72254
0,75420
0,78367
0,81084
0,83565
0,85811
0,87825
0,89616
0,91194
0,92575
0,93773
0,94805
0,95688
0,96437
0,97070
0,97601
0,98043
0,98410
0,98713
0,98961
0,99164
0,99330
0,99464
0,99572
0,99659
22
0,50000
0,53937
0,57834
0,61650
0,65349
0,68898
0,72268
0,75437
0,78387
0,81107
0,83591
0,85839
0,87855
0,89647
0,91227
0,92609
0,93807
0,94839
0,95720
0,96469
0,97100
0,97629
0,98070
0,98435
0,98735
0,98982
0,99183
0,99346
0,99478
0,99585
0,99670
23
0,50000
0,53939
0,57838
0,61656
0,65358
0,68909
0,72281
0,75453
0,78405
0,81128
0,83614
0,85864
0,87882
0,89676
0,91257
0,92639
0,93838
0,94869
0,95750
0,96498
0,97128
0,97655
0,98094
0,98457
0,98756
0,99000
0,99200
0,99361
0,99491
0,99596
0,99680
24
0,50000
0,53941
0,57842
0,61662
0,65365
0,68919
0,72294
0,75467
0,78422
0,81147
0,83636
0,85888
0,87907
0,89703
0,91285
0,92667
0,93866
0,94897
0,95778
0,96524
0,97153
0,97679
0,98116
0,98478
0,98775
0,99017
0,99215
0,99375
0,99504
0,99607
0,99690
25
0,50000
0,53943
0,57845
0,61667
0,65372
0,68928
0,72305
0,75480
0,78438
0,81165
0,83655
0,85909
0,87931
0,89727
0,91310
0,92693
0,93892
0,94923
0,95803
0,96549
0,97176
0,97701
0,98137
0,98496
0,98792
0,99033
0,99229
0,99387
0,99515
0,99617
0,99698
26
0,50000
0,53944
0,57848
0,61672
0,65379
0,68936
0,72315
0,75493
0,78452
0,81181
0,83674
0,85929
0,87952
0,89750
0,91333
0,92717
0,93916
0,94947
0,95826
0,96571
0,97198
0,97721
0,98155
0,98514
0,98807
0,99047
0,99242
0,99398
0,99525
0,99625
0,99706
n +1
2
dt
27
0,50000
0,53946
0,57851
0,61676
0,65385
0,68944
0,72325
0,75504
0,78465
0,81196
0,83691
0,85948
0,87972
0,89770
0,91355
0,92739
0,93938
0,94969
0,95848
0,96592
0,97217
0,97740
0,98173
0,98530
0,98822
0,99060
0,99253
0,99409
0,99534
0,99633
0,99713
28
0,50000
0,53947
0,57854
0,61680
0,65390
0,68951
0,72333
0,75515
0,78478
0,81210
0,83706
0,85965
0,87990
0,89790
0,91375
0,92760
0,93959
0,94989
0,95868
0,96611
0,97236
0,97757
0,98189
0,98544
0,98836
0,99072
0,99264
0,99419
0,99542
0,99641
0,99719
29
0,50000
0,53948
0,57856
0,61684
0,65396
0,68958
0,72342
0,75525
0,78489
0,81223
0,83721
0,85981
0,88007
0,89808
0,91394
0,92779
0,93978
0,95008
0,95886
0,96629
0,97253
0,97773
0,98204
0,98558
0,98848
0,99084
0,99274
0,99427
0,99550
0,99648
0,99725
30
0,50000
0,53950
0,57858
0,61688
0,65400
0,68964
0,72349
0,75534
0,78500
0,81236
0,83735
0,85996
0,88023
0,89825
0,91411
0,92797
0,93996
0,95026
0,95904
0,96646
0,97269
0,97788
0,98218
0,98571
0,98860
0,99094
0,99284
0,99436
0,99557
0,99654
0,99731

n + 1
t
t2
2
1 +
S (t ) =
n
n
n
2
t
n
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
5,0
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6,0
21
0,99729
0,99785
0,99830
0,99865
0,99893
0,99916
0,99934
0,99948
0,99959
0,99968
0,99974
0,99980
0,99984
0,99988
0,99990
0,99992
0,99994
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
22
0,99739
0,99793
0,99837
0,99871
0,99899
0,99920
0,99937
0,99951
0,99962
0,99970
0,99976
0,99981
0,99986
0,99989
0,99991
0,99993
0,99995
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
23
0,99748
0,99801
0,99843
0,99877
0,99904
0,99924
0,99941
0,99954
0,99964
0,99972
0,99978
0,99983
0,99987
0,99990
0,99992
0,99994
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
24
0,99756
0,99808
0,99849
0,99882
0,99908
0,99928
0,99944
0,99956
0,99966
0,99974
0,99980
0,99984
0,99988
0,99990
0,99993
0,99994
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
25
0,99763
0,99814
0,99855
0,99887
0,99912
0,99931
0,99947
0,99959
0,99968
0,99975
0,99981
0,99985
0,99989
0,99991
0,99993
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
26
0,99769
0,99820
0,99860
0,99891
0,99915
0,99934
0,99949
0,99961
0,99970
0,99977
0,99982
0,99986
0,99989
0,99992
0,99994
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
n +1
2
dt
27
0,99775
0,99825
0,99864
0,99894
0,99918
0,99937
0,99951
0,99963
0,99971
0,99978
0,99983
0,99987
0,99990
0,99992
0,99994
0,99996
0,99997
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
28
0,99781
0,99830
0,99868
0,99898
0,99921
0,99939
0,99953
0,99964
0,99973
0,99979
0,99984
0,99988
0,99991
0,99993
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
29
0,99786
0,99834
0,99872
0,99901
0,99924
0,99941
0,99955
0,99966
0,99974
0,99980
0,99985
0,99988
0,99991
0,99993
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
30
0,99791
0,99838
0,99875
0,99904
0,99926
0,99943
0,99957
0,99967
0,99975
0,99981
0,99986
0,99989
0,99992
0,99994
0,99995
0,99996
0,99997
0,99998
0,99998
0,99999
0,99999
0,99999
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
1,00000
405
FISHER - SNEDECOROVA F DISTRIBUCIJA VJEROVATNOE

1
2
1
2
2
2
F2
dF
P( F ) =
B( 1 , 2 ) F0 ( + F ) ( 1 +2 2 )
2
1
P(F)=0,1
n1
1
2
3
4
5
6
7
8
9
10
n2 1 39,8635 49,5000 53,5932 55,8330 57,2401 58,2044 58,9060 59,4390 59,8576 60,1950
2
8,5263 9,0000 9,1618 9,2434 9,2926 9,3255 9,3491 9,3668 9,3805 9,3916
3
5,5383 5,4624 5,3908 5,3426 5,3092 5,2847 5,2662 5,2517 5,2400 5,2304
4
4,5448 4,3246 4,1909 4,1072 4,0506 4,0097 3,9790 3,9549 3,9357 3,9199
5
4,0604 3,7797 3,6195 3,5202 3,4530 3,4045 3,3679 3,3393 3,3163 3,2974
6
3,7759 3,4633 3,2888 3,1808 3,1075 3,0546 3,0145 2,9830 2,9577 2,9369
7
3,5894 3,2574 3,0741 2,9605 2,8833 2,8274 2,7849 2,7516 2,7247 2,7025
8
3,4579 3,1131 2,9238 2,8064 2,7264 2,6683 2,6241 2,5893 2,5612 2,5380
9
3,3603 3,0065 2,8129 2,6927 2,6106 2,5509 2,5053 2,4694 2,4403 2,4163
10
3,2850 2,9245 2,7277 2,6053 2,5216 2,4606 2,4140 2,3772 2,3473 2,3226
12
3,1765 2,8068 2,6055 2,4801 2,3940 2,3310 2,2828 2,2446 2,2135 2,1878
15
3,0732 2,6952 2,4898 2,3614 2,2730 2,2081 2,1582 2,1185 2,0862 2,0593
20
2,9747 2,5893 2,3801 2,2489 2,1582 2,0913 2,0397 1,9985 1,9649 1,9367
24
2,9271 2,5383 2,3274 2,1949 2,1030 2,0351 1,9826 1,9407 1,9063 1,8775
30
2,8807 2,4887 2,2761 2,1422 2,0492 1,9803 1,9269 1,8841 1,8490 1,8195
40
2,8354 2,4404 2,2261 2,0909 1,9968 1,9269 1,8725 1,8289 1,7929 1,7627
60
2,7911 2,3933 2,1774 2,0410 1,9457 1,8747 1,8194 1,7748 1,7380 1,7070
120 2,7478 2,3473 2,1300 1,9923 1,8959 1,8238 1,7675 1,7220 1,6842 1,6524
2,7055 2,3026 2,0838 1,9449 1,8473 1,7741 1,7167 1,6702 1,6315 1,5987
n2
n1
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60
120
406
12
60,7052
9,4081
5,2156
3,8955
3,2682
2,9047
2,6681
2,5020
2,3789
2,2841
2,1474
2,0171
1,8924
1,8319
1,7727
1,7146
1,6574
1,6012
1,5458
15
61,2203
9,4247
5,2003
3,8704
3,2380
2,8712
2,6322
2,4642
2,3396
2,2435
2,1049
1,9722
1,8449
1,7831
1,7223
1,6624
1,6034
1,5450
1,4871
20
61,7403
9,4413
5,1845
3,8443
3,2067
2,8363
2,5947
2,4246
2,2983
2,2007
2,0597
1,9243
1,7938
1,7302
1,6673
1,6052
1,5435
1,4821
1,4206
24
62,0020
9,4496
5,1764
3,8310
3,1905
2,8183
2,5753
2,4041
2,2768
2,1784
2,0360
1,8990
1,7667
1,7019
1,6377
1,5741
1,5107
1,4472
1,3832
30
62,2650
9,4579
5,1681
3,8174
3,1741
2,8000
2,5555
2,3830
2,2547
2,1554
2,0115
1,8728
1,7382
1,6721
1,6065
1,5411
1,4755
1,4094
1,3419
40
62,5291
9,4662
5,1597
3,8036
3,1573
2,7812
2,5351
2,3614
2,2320
2,1317
1,9861
1,8454
1,7083
1,6407
1,5732
1,5056
1,4373
1,3676
1,2951
60
62,7943
9,4746
5,1512
3,7896
3,1402
2,7620
2,5142
2,3391
2,2085
2,1072
1,9597
1,8168
1,6768
1,6073
1,5376
1,4672
1,3952
1,3203
1,2400
120
63,0606
9,4829
5,1425
3,7753
3,1228
2,7423
2,4928
2,3162
2,1843
2,0818
1,9323
1,7867
1,6433
1,5715
1,4989
1,4248
1,3476
1,2646
1,1686
63,3282
9,4912
5,1337
3,7607
3,1050
2,7222
2,4708
2,2926
2,1592
2,0554
1,9036
1,7551
1,6074
1,5327
1,4564
1,3769
1,2915
1,1926
1,0000

1
2
1
2
2
2
F2
dF
P( F ) =
B( 1 , 2 ) F0 ( + F ) ( 1 +2 2 )
2
1
P(F)=0,05
n1
n2
10
1 161,4476 199,5000 215,7073 224,5832 230,1619 233,9860 236,7684 238,8827 240,5433 241,8817
2
18,5128 19,0000 19,1643 19,2468 19,2964 19,3295 19,3532 19,3710 19,3848 19,3959
3
10,1280 9,5521 9,2766 9,1172 9,0135 8,9406 8,8867 8,8452 8,8123 8,7855
4
7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644
5
6,6079 5,7861 5,4095 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351
6
5,9874 5,1433 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600
7
5,5914 4,7374 4,3468 4,1203 3,9715 3,8660 3,7870 3,7257 3,6767 3,6365
8
5,3177 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472
9
5,1174 4,2565 3,8625 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789 3,1373
10
4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717 3,0204 2,9782
12
4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964 2,7534
15
4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876 2,5437
20
4,3512 3,4928 3,0984 2,8661 2,7109 2,5990 2,5140 2,4471 2,3928 2,3479
24
4,2597 3,4028 3,0088 2,7763 2,6207 2,5082 2,4226 2,3551 2,3002 2,2547
30
4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107 2,1646
40
4,0847 3,2317 2,8387 2,6060 2,4495 2,3359 2,2490 2,1802 2,1240 2,0772
60
4,0012 3,1504 2,7581 2,5252 2,3683 2,2541 2,1665 2,0970 2,0401 1,9926
120
3,9201 3,0718 2,6802 2,4472 2,2899 2,1750 2,0868 2,0164 1,9588 1,9105
3,8415 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799 1,8307
n1
n2
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60
120
12
15
20
24
30
40
60
120
243,9060 245,9499 248,0131 249,0518 250,0951 251,1432 252,1957 253,2529 254,3148

19,4125 19,4291 19,4458 19,4541 19,4624 19,4707 19,4791 19,4874 19,4957
8,7446
8,7029
8,6602
8,6385
8,6166
8,5944
8,5720
8,5494
8,5264
5,9117
5,8578
5,8025
5,7744
5,7459
5,7170
5,6877
5,6581
5,6281
4,6777
4,6188
4,5581
4,5272
4,4957
4,4638
4,4314
4,3985
4,3650
3,9999
3,9381
3,8742
3,8415
3,8082
3,7743
3,7398
3,7047
3,6689
3,5747
3,5107
3,4445
3,4105
3,3758
3,3404
3,3043
3,2674
3,2297
3,2839
3,2184
3,1503
3,1152
3,0794
3,0428
3,0053
2,9669
2,9276
3,0729
3,0061
2,9365
2,9005
2,8637
2,8259
2,7872
2,7475
2,7067
2,9130
2,8450
2,7740
2,7372
2,6996
2,6609
2,6211
2,5801
2,5379
2,6866
2,6169
2,5436
2,5055
2,4663
2,4259
2,3842
2,3410
2,2962
2,4753
2,4034
2,3275
2,2878
2,2468
2,2043
2,1601
2,1141
2,0658
2,2776
2,2033
2,1242
2,0825
2,0391
1,9938
1,9464
1,8963
1,8432
2,1834
2,1077
2,0267
1,9838
1,9390
1,8920
1,8424
1,7896
1,7330
2,0921
2,0148
1,9317
1,8874
1,8409
1,7918
1,7396
1,6835
1,6223
2,0035
1,9245
1,8389
1,7929
1,7444
1,6928
1,6373
1,5766
1,5089
1,9174
1,8364
1,7480
1,7001
1,6491
1,5943
1,5343
1,4673
1,3893
1,8337
1,7505
1,6587
1,6084
1,5543
1,4952
1,4290
1,3519
1,2539
1,7522
1,6664
1,5705
1,5173
1,4591
1,3940
1,3180
1,2214
1,0000
407

1
2 22 +
F2
dF
P( F ) = 1
B( 1 , 2 ) F ( + F ) ( +2 )
2
1
1
P(F)=0,01
n2
n2
n1
1
2
3
4
5
6
7
8
9
10
1 4052,1807 4999,5000 5403,3520 5624,5833 5763,6496 5858,9861 5928,3557 5981,0703 6022,4732 6055,8467
2 98,5025 99,0000 99,1662 99,2494 99,2993 99,3326 99,3564 99,3742 99,3881 99,3992
3 34,1162 30,8165 29,4567 28,7099 28,2371 27,9107 27,6717 27,4892 27,3452 27,2287
4 21,1977 18,0000 16,6944 15,9770 15,5219 15,2069 14,9758 14,7989 14,6591 14,5459
5 16,2582 13,2739 12,0600 11,3919 10,9670 10,6723 10,4555 10,2893 10,1578 10,0510
6 13,7450 10,9248 9,7795 9,1483 8,7459 8,4661 8,2600 8,1017 7,9761 7,8741
7 12,2464 9,5466 8,4513 7,8466 7,4604 7,1914 6,9928 6,8400 6,7188 6,6201
8 11,2586 8,6491 7,5910 7,0061 6,6318 6,3707 6,1776 6,0289 5,9106 5,8143
9 10,5614 8,0215 6,9919 6,4221 6,0569 5,8018 5,6129 5,4671 5,3511 5,2565
10 10,0443 7,5594 6,5523 5,9943 5,6363 5,3858 5,2001 5,0567 4,9424 4,8491
12
9,3302 6,9266 5,9525 5,4120 5,0643 4,8206 4,6395 4,4994 4,3875 4,2961
15
8,6831 6,3589 5,4170 4,8932 4,5556 4,3183 4,1415 4,0045 3,8948 3,8049
20
8,0960 5,8489 4,9382 4,4307 4,1027 3,8714 3,6987 3,5644 3,4567 3,3682
24
7,8229 5,6136 4,7181 4,2184 3,8951 3,6667 3,4959 3,3629 3,2560 3,1681
30
7,5625 5,3903 4,5097 4,0179 3,6990 3,4735 3,3045 3,1726 3,0665 2,9791
40
7,3141 5,1785 4,3126 3,8283 3,5138 3,2910 3,1238 2,9930 2,8876 2,8005
60
7,0771 4,9774 4,1259 3,6490 3,3389 3,1187 2,9530 2,8233 2,7185 2,6318
120 6,8509 4,7865 3,9491 3,4795 3,1735 2,9559 2,7918 2,6629 2,5586 2,4721
6,6349 4,6052 3,7816 3,3192 3,0173 2,8020 2,6393 2,5113 2,4073 2,3209
n1
12
15
20
24
30
40
60
120
1 6106,3207 6157,2846 6208,7302 6234,6309 6260,6486 6286,7821 6313,0301 6339,3913 6365,8685

99,4159 99,4325 99,4492 99,4575 99,4658 99,4742 99,4825 99,4908 99,4992
2
27,0518 26,8722 26,6898 26,5975 26,5045 26,4108 26,3164 26,2211 26,1251
3
14,3736 14,1982 14,0196 13,9291 13,8377 13,7454 13,6522 13,5581 13,4631
4
9,8883
9,7222
9,5526
9,4665
9,3793
9,2912
9,2020
9,1118
9,0204
5
7,7183
7,5590
7,3958
7,3127
7,2285
7,1432
7,0567
6,9690
6,8800
6
6,4691
6,3143
6,1554
6,0743
5,9920
5,9084
5,8236
5,7373
5,6495
7
5,6667
5,5151
5,3591
5,2793
5,1981
5,1156
5,0316
4,9461
4,8588
8
5,1114
4,9621
4,8080
4,7290
4,6486
4,5666
4,4831
4,3978
4,3105
9
4,7059
4,5581
4,4054
4,3269
4,2469
4,1653
4,0819
3,9965
3,9090
10
4,1553
4,0096
3,8584
3,7805
3,7008
3,6192
3,5355
3,4494
3,3608
12
3,6662
3,5222
3,3719
3,2940
3,2141
3,1319
3,0471
2,9595
2,8684
15
3,2311
3,0880
2,9377
2,8594
2,7785
2,6947
2,6077
2,5168
2,4212
20
3,0316
2,8887
2,7380
2,6591
2,5773
2,4923
2,4035
2,3100
2,2107
24
2,8431
2,7002
2,5487
2,4689
2,3860
2,2992
2,2079
2,1108
2,0062
30
2,6648
2,5216
2,3689
2,2880
2,2034
2,1142
2,0194
1,9172
1,8047
40
2,4961
2,3523
2,1978
2,1154
2,0285
1,9360
1,8363
1,7263
1,6006
60
2,3363
2,1915
2,0346
1,9500
1,8600
1,7628
1,6557
1,5330
1,3805
120
2,1847
2,0385
1,8783
1,7908
1,6964
1,5923
1,4730
1,3246
1,0000
408
HI-KVADRAT DISTRIBUCIJA VJEROVATNOE

- funkcija distribucije vjerovatnoe F (hi kvadrat)
( )=
hi
kvadrat 0,001
0,01
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n
2
n
2
2
x 2j
( )
n2
2
2
2
( )
d 2
0,025227
0,079656
0,176937
0,248170
0,345279
0,416118
0,472911
0,520500
0,561422
0,597216
0,628907
0,657218
0,682689
0,842701
0,916735
0,954500
0,974653
0,985694
0,991849
0,995322
0,997300
0,998435
0,999089
0,999468
0,999689
0,999817
0,999892
0,999937
0,999963
0,999978
0,999987
0,999992
0,000500
0,004988
0,024690
0,048771
0,095163
0,139292
0,181269
0,221199
0,259182
0,295312
0,329680
0,362372
0,393469
0,632121
0,776870
0,864665
0,917915
0,950213
0,969803
0,981684
0,988891
0,993262
0,995913
0,997521
0,998497
0,999088
0,999447
0,999665
0,999797
0,999877
0,999925
0,999955
0,000008
0,000265
0,002929
0,008163
0,022411
0,039972
0,059758
0,081109
0,103568
0,126796
0,150533
0,174572
0,198748
0,427593
0,608375
0,738536
0,828203
0,888390
0,928102
0,953988
0,970709
0,981434
0,988274
0,992617
0,995363
0,997095
0,998183
0,998866
0,999293
0,999560
0,999727
0,999830
0,000000
0,000012
0,000307
0,001209
0,004679
0,010186
0,017523
0,026499
0,036936
0,048671
0,061552
0,075439
0,090204
0,264241
0,442175
0,593994
0,712703
0,800852
0,864112
0,908422
0,938901
0,959572
0,973436
0,982649
0,988724
0,992705
0,995299
0,996981
0,998067
0,998766
0,999214
0,999501
0,000000
0,000001
0,000029
0,000162
0,000886
0,002357
0,004670
0,007877
0,011997
0,017031
0,022967
0,029778
0,037434
0,150855
0,300014
0,450584
0,584120
0,693781
0,779360
0,843764
0,890936
0,924765
0,948620
0,965212
0,976621
0,984391
0,989638
0,993156
0,995500
0,997054
0,998078
0,998750
0,000000
0,000000
0,000003
0,000020
0,000155
0,000503
0,001148
0,002161
0,003599
0,005509
0,007926
0,010879
0,014388
0,080301
0,191153
0,323324
0,456187
0,576810
0,679153
0,761897
0,826422
0,875348
0,911624
0,938031
0,956964
0,970364
0,979743
0,986246
0,990717
0,993768
0,995836
0,997231
0,000000
0,000000
0,000000
0,000002
0,000025
0,000100
0,000263
0,000554
0,001008
0,001664
0,002556
0,003715
0,005171
0,040160
0,114998
0,220223
0,340037
0,460251
0,571120
0,667406
0,747344
0,811427
0,861381
0,899441
0,927892
0,948819
0,964001
0,974884
0,982604
0,988030
0,991813
0,994430
0,000000
0,000000
0,000000
0,000000
0,000004
0,000019
0,000057
0,000133
0,000266
0,000473
0,000776
0,001195
0,001752
0,018988
0,065642
0,142877
0,242424
0,352768
0,463367
0,566530
0,657704
0,734974
0,798301
0,848796
0,888150
0,918235
0,940855
0,957620
0,969891
0,978774
0,985140
0,989664
409
HI-KVADRAT DISTRIBUCIJA VJEROVATNOE - funkcija

distribucije vjerovatnoe F (hi kvadrat)
( )=
n
2
n
2
2
x 2j
( )
n2
2
2
2
( )
d 2
hi
kvadrat
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
0,999995
0,999997
0,999998
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,999972
0,999983
0,999990
0,999994
0,999996
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,999895
0,999935
0,999960
0,999975
0,999985
0,999990
0,999994
0,999996
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,999683
0,999800
0,999873
0,999920
0,999950
0,999968
0,999980
0,999988
0,999992
0,999995
0,999997
0,999998
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,999190
0,999476
0,999662
0,999783
0,999861
0,999911
0,999943
0,999964
0,999977
0,999985
0,999991
0,999994
0,999996
0,999998
0,999998
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,998165
0,998789
0,999204
0,999478
0,999659
0,999777
0,999855
0,999906
0,999939
0,999961
0,999975
0,999984
0,999990
0,999993
0,999996
0,999997
0,999998
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,996230
0,997460
0,998295
0,998861
0,999241
0,999496
0,999667
0,999780
0,999855
0,999905
0,999938
0,999959
0,999974
0,999983
0,999989
0,999993
0,999995
0,999997
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
0,992853
0,995084
0,996636
0,997708
0,998445
0,998950
0,999293
0,999526
0,999683
0,999789
0,999859
0,999907
0,999938
0,999959
0,999973
0,999982
0,999988
0,999992
0,999995
0,999997
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
1,000000
1,000000
410

( )=
hi
kvadrat 0,001
0,01
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
x 2j
n
2
n
2
2
( )
n2
2
2
2
( )
d 2
10
11
0,000000
0,000000
0,000000
0,000000
0,000001
0,000003
0,000012
0,000030
0,000066
0,000128
0,000223
0,000365
0,000562
0,008532
0,035705
0,088587
0,165692
0,260082
0,362881
0,465854
0,562726
0,649515
0,724291
0,786691
0,837394
0,877675
0,909064
0,933118
0,951284
0,964826
0,974807
0,982088
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000002
0,000007
0,000016
0,000033
0,000061
0,000106
0,000172
0,003660
0,018576
0,052653
0,108822
0,184737
0,274555
0,371163
0,467896
0,559507
0,642482
0,714943
0,776328
0,827008
0,867938
0,900368
0,925636
0,945036
0,959737
0,970747
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000004
0,000008
0,000016
0,000029
0,000050
0,001504
0,009274
0,030083
0,068833
0,126636
0,200916
0,286696
0,378108
0,469613
0,556737
0,636357
0,706675
0,767007
0,817503
0,858869
0,892124
0,918419
0,938906
0,954659
12
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000002
0,000004
0,000008
0,000014
0,000594
0,004456
0,016564
0,042021
0,083918
0,142386
0,214870
0,297070
0,384039
0,471081
0,554320
0,630959
0,699292
0,758564
0,808764
0,850403
0,884309
0,911472
0,932914
13
14
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000002
0,000004
0,000226
0,002066
0,008809
0,024807
0,053847
0,097848
0,156400
0,227056
0,306066
0,389182
0,472356
0,552188
0,626156
0,692647
0,750870
0,800696
0,842481
0,876896
0,904790
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000001
0,000083
0,000926
0,004534
0,014187
0,033509
0,065288
0,110674
0,168949
0,237817
0,313964
0,393697
0,473476
0,550289
0,621845
0,686626
0,743822
0,793219
0,835051
0,869859
15
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000030
0,000402
0,002263
0,007874
0,020252
0,042350
0,076217
0,122483
0,180260
0,247406
0,320971
0,397702
0,474471
0,548583
0,617948
0,681136
0,737334
0,786266
0,828067
411

( )=
x 2j
n
2
n
2
2
( )
n2
2
2
2
( )
d 2
hi
10
11
kvadrat
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
0,987350
0,991121
0,993804
0,995699
0,997029
0,997957
0,998601
0,999046
0,999352
0,999561
0,999704
0,999801
0,999866
0,999911
0,999940
0,999960
0,999974
0,999983
0,999988
0,999992
0,999995
0,999997
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
1,000000
1,000000
0,978906
0,984895
0,989253
0,992400
0,994654
0,996260
0,997396
0,998195
0,998754
0,999143
0,999413
0,999600
0,999728
0,999815
0,999875
0,999916
0,999943
0,999962
0,999975
0,999983
0,999989
0,999993
0,999995
0,999997
0,999998
0,999999
0,999999
0,999999
1,000000
1,000000
0,966629
0,975627
0,982325
0,987267
0,990883
0,993510
0,995405
0,996763
0,997730
0,998415
0,998898
0,999237
0,999474
0,999638
0,999752
0,999831
0,999885
0,999922
0,999947
0,999964
0,999976
0,999984
0,999989
0,999993
0,999995
0,999997
0,999998
0,999999
0,999999
0,999999
412
12
0,949620
0,962480
0,972274
0,979659
0,985177
0,989266
0,992273
0,994468
0,996060
0,997208
0,998030
0,998616
0,999032
0,999325
0,999532
0,999676
0,999777
0,999846
0,999895
0,999928
0,999951
0,999967
0,999977
0,999985
0,999990
0,999993
0,999995
0,999997
0,999998
0,999999
13
14
0,927071
0,944638
0,958324
0,968870
0,976916
0,982999
0,987559
0,990950
0,993454
0,995290
0,996628
0,997598
0,998296
0,998796
0,999153
0,999407
0,999586
0,999712
0,999800
0,999862
0,999905
0,999935
0,999955
0,999969
0,999979
0,999986
0,999990
0,999993
0,999996
0,999997
0,898367
0,921386
0,939730
0,954178
0,965433
0,974113
0,980746
0,985772
0,989550
0,992368
0,994456
0,995994
0,997119
0,997938
0,998530
0,998957
0,999262
0,999480
0,999635
0,999745
0,999822
0,999876
0,999914
0,999941
0,999959
0,999972
0,999981
0,999987
0,999991
0,999994
15
0,863171
0,892196
0,915860
0,934907
0,950057
0,961977
0,971264
0,978431
0,983915
0,988079
0,991215
0,993562
0,995306
0,996595
0,997541
0,998232
0,998734
0,999098
0,999359
0,999547
0,999680
0,999775
0,999843
0,999890
0,999923
0,999947
0,999963
0,999975
0,999982
0,999988

( )=
hi
n
kvadrat 0,001
0,01
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
16
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000010
0,000170
0,001097
0,004247
0,011905
0,026739
0,051134
0,086586
0,133372
0,190515
0,256020
0,327242
0,401286
0,475361
0,547039
0,614403
0,676103
0,731337
0,779779
n
2
n
2
2
17
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000003
0,000070
0,000517
0,002229
0,006814
0,016451
0,033453
0,059738
0,096390
0,143436
0,199863
0,263814
0,332898
0,404518
0,476165
0,545634
0,611159
0,671468
0,725771
18
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000028
0,000237
0,001140
0,003803
0,009874
0,021363
0,040257
0,068094
0,105643
0,152763
0,208427
0,270909
0,338033
0,407453
0,476895
0,544347
0,608177
0,667180
x 2j
( )
n2
2
2
2
( )
d 2
19
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000011
0,000106
0,000569
0,002072
0,005787
0,013329
0,026521
0,047054
0,076162
0,114375
0,161429
0,216309
0,277403
0,342722
0,410132
0,477562
0,543164
0,605422
20
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000004
0,000046
0,000277
0,001102
0,003315
0,008132
0,017093
0,031828
0,053777
0,083924
0,122616
0,169504
0,223592
0,283376
0,347026
0,412592
0,478174
0,542070
21
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000002
0,000020
0,000132
0,000574
0,001858
0,004856
0,010786
0,021088
0,037213
0,060382
0,091376
0,130401
0,177048
0,230349
0,288894
0,350996
0,414860
0,478739
22
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000008
0,000062
0,000292
0,001019
0,002840
0,006669
0,013695
0,025251
0,042621
0,066839
0,098521
0,137762
0,184114
0,236638
0,294012
0,354672
0,416960
23
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000003
0,000028
0,000146
0,000548
0,001628
0,004043
0,008723
0,016812
0,029529
0,048010
0,073129
0,105366
0,144731
0,190748
0,242511
0,298775
0,358088
413

( )=
hi
kvadrat
414
n
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
16
0,821489
0,856808
0,886265
0,910496
0,930175
0,945972
0,958517
0,968380
0,976064
0,981998
0,986544
0,990000
0,992610
0,994567
0,996026
0,997107
0,997903
0,998487
0,998912
0,999221
0,999445
0,999605
0,999721
0,999803
0,999861
0,999903
0,999932
0,999953
0,999967
0,999977
n
2
n
2
2
17
0,773710
0,815281
0,850749
0,880565
0,905290
0,925539
0,941932
0,955062
0,965474
0,973655
0,980028
0,984952
0,988728
0,991604
0,993779
0,995413
0,996635
0,997542
0,998213
0,998706
0,999067
0,999329
0,999520
0,999657
0,999756
0,999827
0,999878
0,999914
0,999940
0,999958
18
0,720587
0,768015
0,809410
0,844972
0,875084
0,900242
0,921005
0,937945
0,951621
0,962554
0,971213
0,978013
0,983310
0,987404
0,990548
0,992944
0,994759
0,996127
0,997150
0,997913
0,998478
0,998894
0,999200
0,999423
0,999586
0,999703
0,999788
0,999849
0,999893
0,999925
x 2j
( )
n2
2
2
2
( )
d 2
19
0,663199
0,715744
0,762658
0,803848
0,839458
0,869811
0,895347
0,916571
0,934015
0,948202
0,959627
0,968745
0,975960
0,981622
0,986033
0,989444
0,992065
0,994065
0,995583
0,996728
0,997587
0,998228
0,998704
0,999056
0,999315
0,999504
0,999643
0,999743
0,999816
0,999869
20
0,602867
0,659489
0,711205
0,757608
0,798569
0,834188
0,864736
0,890601
0,912241
0,930146
0,944810
0,956702
0,966259
0,973875
0,979896
0,984619
0,988298
0,991144
0,993333
0,995005
0,996275
0,997234
0,997956
0,998495
0,998897
0,999194
0,999413
0,999575
0,999693
0,999779
21
0,541056
0,600490
0,656022
0,706941
0,752836
0,793551
0,829147
0,859849
0,885998
0,908012
0,926342
0,941450
0,953783
0,963761
0,971765
0,978135
0,983166
0,987111
0,990185
0,992563
0,994393
0,995792
0,996857
0,997662
0,998268
0,998722
0,999061
0,999312
0,999498
0,999635
22
0,479262
0,540111
0,598270
0,652771
0,702925
0,748318
0,788774
0,824319
0,855139
0,881536
0,903884
0,922604
0,938126
0,950876
0,961255
0,969634
0,976344
0,981678
0,985888
0,989188
0,991759
0,993749
0,995281
0,996453
0,997346
0,998022
0,998532
0,998915
0,999201
0,999414
23
0,418912
0,479748
0,539229
0,596192
0,649715
0,699134
0,744032
0,784218
0,819690
0,850598
0,877207
0,899857
0,918933
0,934842
0,947984
0,958747
0,967487
0,974528
0,980159
0,984631
0,988158
0,990922
0,993074
0,994741
0,996025
0,997009
0,997758
0,998327
0,998756
0,999079

( )=
hi
kvadrat
n
0,001
0,01
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000013
0,000071
0,000289
0,000915
0,002404
0,005453
0,010988
0,020092
0,033880
0,053350
0,079241
0,111924
0,151338
0,196992
0,248010
0,303224
x 2j
n
2
n
2
2
25
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000006
0,000034
0,000150
0,000505
0,001404
0,003347
0,007054
0,013432
0,023499
0,038268
0,058617
0,085171
0,118206
0,157609
0,202879
0,253175
( )
n2
2
2
2
( )
d 2
26
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000002
0,000016
0,000076
0,000274
0,000805
0,002019
0,004451
0,008827
0,016027
0,027000
0,042666
0,063797
0,090917
0,124227
0,163570
0,208443
27
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000007
0,000038
0,000146
0,000454
0,001197
0,002761
0,005706
0,010753
0,018745
0,030568
0,047053
0,068878
0,096480
0,129999
0,169244
28
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000003
0,000019
0,000076
0,000252
0,000698
0,001685
0,003628
0,007100
0,012811
0,021565
0,034181
0,051411
0,073851
0,101864
0,135536
29
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000002
0,000009
0,000039
0,000137
0,000401
0,001012
0,002271
0,004616
0,008623
0,014985
0,024464
0,037819
0,055728
0,078712
0,107073
30
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000001
0,000004
0,000020
0,000074
0,000226
0,000599
0,001400
0,002956
0,005717
0,010260
0,017257
0,027425
0,041466
0,059992
0,083458
415

( )=
hi
kvadrat
416
n
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
24
0,361275
0,420733
0,480202
0,538403
0,594239
0,646835
0,695547
0,739960
0,779869
0,815248
0,846217
0,873007
0,895927
0,915331
0,931599
0,945113
0,956240
0,965327
0,972691
0,978613
0,983343
0,987095
0,990053
0,992370
0,994175
0,995573
0,996650
0,997476
0,998106
0,998584
x 2j
n
2
n
2
2
25
0,307390
0,364256
0,422437
0,480626
0,537626
0,592401
0,644115
0,692147
0,736084
0,775711
0,810981
0,841988
0,868932
0,892092
0,911797
0,928400
0,942263
0,953739
0,963160
0,970836
0,977043
0,982027
0,986003
0,989155
0,991638
0,993582
0,995097
0,996270
0,997175
0,997869
( )
n2
2
2
2
( )
d 2
26
0,258036
0,311303
0,367053
0,424035
0,481025
0,536895
0,590667
0,641542
0,688918
0,732389
0,771731
0,806878
0,837902
0,864976
0,888351
0,908331
0,925246
0,939439
0,951245
0,960988
0,968966
0,975451
0,980686
0,984884
0,988229
0,990878
0,992964
0,994598
0,995870
0,996856
27
0,213712
0,262623
0,314988
0,369684
0,425538
0,481399
0,536205
0,589026
0,639101
0,685846
0,728861
0,767916
0,802930
0,833953
0,861134
0,884701
0,904933
0,922138
0,936641
0,948763
0,958814
0,967085
0,973841
0,979322
0,983739
0,987277
0,990093
0,992322
0,994076
0,995449
28
0,174651
0,218709
0,266960
0,318464
0,372165
0,426955
0,481753
0,535552
0,587472
0,636782
0,682919
0,725489
0,764256
0,799127
0,830133
0,857402
0,881139
0,901601
0,919077
0,933872
0,946294
0,956641
0,965195
0,972215
0,977938
0,982572
0,986301
0,989284
0,991656
0,993533
29
0,140851
0,179811
0,223457
0,271068
0,321752
0,374509
0,428295
0,482087
0,534934
0,585996
0,634576
0,680127
0,722261
0,760740
0,795460
0,826436
0,853776
0,877664
0,898336
0,916063
0,931134
0,943841
0,954471
0,963298
0,970576
0,976535
0,981383
0,985302
0,988452
0,990968
30
0,112112
0,145956
0,184740
0,227975
0,274968
0,324868
0,376729
0,429563
0,482403
0,534346
0,584593
0,632473
0,677458
0,719167
0,757360
0,791923
0,822856
0,850250
0,874271
0,895136
0,913096
0,928426
0,941404
0,952307
0,961398
0,968926
0,975116
0,980175
0,984282
0,987598
TABLICA ZA PRERAUNAVANJE
VRIJEDNOSTI r U Z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
.0000
.0997
.1974
.2913
.3800
.0100
.1096
.2070
.3004
.3885
.0200
.1194
.2165
.3095
.3969
.0300
.1293
.2260
.3185
.4053
.0400
.1391
.2355
.3275
.4136
.0500
.1489
.2449
.3364
.4219
.0599
.1586
.2543
.3452
.4301
.0699
.1684
.2636
.3540
.4382
.0798
.1781
.2729
.3627
.4462
.0898
.1877
.2821
.3714
.4542
.4621
.5370
.6044
.6640
.7163
.4699
.5441
.6107
.6696
.7211
.4777
.5511
.6169
.6751
.7259
.4854
.5580
.6231
.6805
.7306
.4930
.5649
.6291
.6858
.7352
.5005
.5717
.6351
.6911
.7398
.5080
.5784
.6411
.6963
.7443
.5154
.5850
.6469
.7014
.7487
.5227
.5915
.6527
.7064
.7531
.5299
.5980
.6584
.7114
.7574
.7616
.8005
.8337
.8617
.8854
.7658
.8041
.8367
.8643
.8875
.7699
.8076
.8397
.8668
.8896
.7739
.8110
.8426
.8692
.8917
.7779
.8144
.8455
.8717
.8937
.7818
.8178
.8483
.8741
.8957
.7857
.8210
.8511
.8764
.8977
.7895
.8243
.8538
.8787
.8996
.7932
.8275
.8565
.8810
.9015
.7969
.8306
.8591
.8832
.9033
.9051
.9217
.9354
.94681
.95624
.9069
.9232
.9366
.94783
.95709
.9087
.9246
.9379
.94884
.95792
.9104
.9261
.9391
.94983
.95873
.9121
.9275
.9402
.95080
.95953
.9138
.9289
.9414
.95175
.96032
.9154
.9302
.9425
.95268
.96109
.9170
.9316
.9436
.95359
.96185
.9186
.9329
.9447
.95449
.96259
.9201
.9341
.9458
.95537
.96331
.96403
.97045
.97574
.98010
.98367
.96473
.97103
.97622
.98049
.98399
.96541
.97159
.97668
.98087
.98431
.96609
.97215
.97714
.98124
.98462
.96675
.97269
.97759
.98161
.98492
.96739
.97323
.97803
.98197
.98522
.96803
.97375
.97846
.98233
.98551
.96865
.97426
.97888
.98267
.98579
.96926
.97477
.97929
.98301
.98607
.96986
.97526
.97970
.98335
.98635
.98661
.98903
.99101
.99263
.99396
.98688
.98924
.99118
.99278
.99408
.98714
.98945
.99136
.99292
.99420
.98739
.98966
.99153
.99306
.99431
.98764
.98987
.99170
.99320
.99443
.98788
.99007
.99186
.99333
.99454
.98812
.99026
.99202
.99346
.99464
.98835
.99045
.99218
.99359
.99475
.98858
.99064
.99233
.99372
.99485
.98881
.99083
.99248
.99384
.99495
417
KRITINE VRIJEDNOSTI KOEFICIJENTA

KORELACIJE RANGA
N
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
418
=.05
.900
.829
.714
.643
.600
.564
.523
.497
.475
.457
.441
.425
.412
.399
.388
.377
.368
.359
.351
.343
.336
.329
.323
.317
.311
.305
=.025
.886
.786
.738
.683
.648
.623
.591
.566
.545
.525
.507
.490
.476
.462
.450
.438
.428
.418
.409
.400
.392
.385
.377
.370
.364
=.01
.943
.893
.833
.783
.745
.736
.703
.673
.646
.623
.601
.582
.564
.549
.534
.521
.508
.496
.485
.475
.465
.456
.448
.440
.432
=.005
.881
.833
.794
.818
.780
.745
.716
.689
.666
.645
.625
.608
.591
.576
.562
.549
.537
.526
.515
.505
.496
.487
.478
TABLICA SLUAJNIH BROJEVA

3001
9473
6963
8342
4062
2402
9473
8516
3186
0525
3341
6895
3557
4297
6373
7700
5743
8926
4569
9173
6618
9697
0330
9070
3275
9343
1924
0746
1824
1575
3862
7421
7069
2775
3296
6025
9739
8466
9984
6450
7129
5947
2363
6006
8645
8407
7711
1694
4498
8355
6108
0432
5043
0666
3246
3504
3538
5133
2038
4952
9376
7165
4772
0834
0502
8741
4106
6656
2989
7541
9530
6386
9012
5586
8878
5834
1305
3057
2668
4565
9702
2988
1224
2225
7931
8374
4135
4358
2886
7702
5394
4935
0051
9767
2131
7166
3673
0656
9205
9117
0076
6786
2925
5764
2094
6007
5773
0637
1288
5241
7784
7275
1885
0711
1328
3650
9084
0417
3900
9910
6535
3515
4856
4763
7124
4116
3701
8053
3971
4687
3412
3894
9400
6902
1891
7597
4438
4699
7359
5316
7258
0381
6445
8437
1280
6621
7114
6697
5830
9115
3299
3774
0422
5064
4280
0729
4275
2877
3465
8468
0366
5376
1424
2931
4881
7463
9953
9669
7212
0213
4925
8061
7570
1885
2400
9689
0601
8026
8215
5481
1921
6555
1536
6476
8609
1478
6275
7449
2310
5973
8410
1830
8300
1465
6548
1336
4595
4537
9259
1119
5794
1550
0753
6181
5116
1088
4712
7251
3795
5448
0705
0122
4484
2049
8533
0048
0403
5063
2662
3091
3190
7150
5642
4162
5820
7581
4639
9527
7639
6871
2264
8015
4701
7431
3129
0042
1429
9293
9900
3488
0828
2525
1395
4627
4280
9697
4751
5016
4115
3128
7126
6549
5260
2619
5600
9840
7685
0164
4720
5847
2189
4482
6042
9657
7493
1117
8878
6846
6442
5099
1132
9466
0417
2852
1608
8889
7311
6567
1520
4956
8926
9780
8103
6433
0676
1000
5102
2282
7160
0852
8294
8429
0846
5321
0706
8580
4198
9673
5756
0805
5884
3026
6113
0995
6131
0514
2499
7674
1725
7183
4122
4718
2237
8738
7203
3280
0466
7293
6930
2250
7689
2941
3468
7541
8516
6509
6955
7049
9054
1975
2303
7666
9058
0230
2352
8909
8791
3956
4869
9195
3271
2294
2785
8227
5743
0376
6024
3060
7872
1195
4061
0051
3406
1133
9725
3570
3787
8179
2806
1049
7217
7650
6316
1635
6504
1707
5808
7409
5467
5680
8326
6868
2638
8660
8244
3739
7150
7422
5056
8626
1093
5363
0420
7894
9867
7126
8114
3396
4573
3126
7174
6329
1136
5007
7787
5855
9747
7955
5972
1580
5066
1411
1786
2578
4828
9281
0832
7421
1816
5771
3798
0702
9933
6292
5310
5851
1297
7467
7619
2647
2476
4400
5781
7749
8231
8738
4283
2718
4991
0476
9911
9552
7997
6287
9799
6494
6083
5434
6183
2324
2946
8246
6444
2046
0568
5394
7368
1095
2277
5739
2834
9245
1334
7572
9160
8071
3844
8188
3152
6540
9271
4803
8769
0519
1078
9780
2385
8310
3491
1156
6649
3907
0417
8727
4703
8790
9546
1300
7149
1529
4638
7663
0010
9784
9800
6329
3682
3966
5970
2553
419
TABLICA SLUAJNIH BROJEVA

9593
9405
0611
0365
7645
8537
0031
5105
0054
4265
2254
7926
7018
3016
0399
9632
3836
8054
3804
4674
6983
3623
6704
5960
7567
0752
5885
4661
2566
1376
5066
1835
7900
5712
2955
7226
0486
5354
1799
3757
0077
9154
2915
7418
3195
3585
2101
9373
8871
0057
4426
420
4691
6737
8322
9614
3735
4646
6216
4175
1282
5997
3732
7549
9554
8349
3924
3227
3932
2795
6166
0876
5798
2057
5016
7194
4035
2820
5911
7016
3305
0397
1465
2661
5300
2016
9350
3379
8859
3066
6956
1727
9554
1949
8461
6588
9252
2145
9550
3755
5282
9468
4094
3021
9593
6759
7147
1408
3700
8644
8308
1792
7600
3499
7530
2406
5560
1953
3356
3724
3061
8961
2555
7914
6091
2696
2176
0372
7537
1769
5555
5189
4173
3740
0667
5317
2165
5122
9962
3170
4225
5533
0774
1427
0912
0963
0682
3971
2823
7176
6695
7493
1408
8906
2941
4283
1493
5243
1408
7511
1732
9196
6102
0749
7731
0776
4296
2782
3874
9944
1156
0583
9608
6286
6952
4994
7332
8928
9202
0218
6374
7742
2872
7981
6924
9296
5057
2254
6033
5595
2588
7105
4558
0512
6201
3163
1893
8626
2797
0976
8235
3569
0426
5899
8895
0517
9588
9326
9323
0491
0400
7983
3723
5241
0866
4478
3331
7991
0353
6041
0304
9434
5893
0323
9480
4223
5158
9727
5177
0482
6297
2290
6502
2489
5332
9174
3504
0162
1856
9429
1212
2855
1333
2802
1048
8818
0047
9317
0508
1852
2612
0672
9841
1814
0881
5620
2597
0308
4990
1713
4285
3586
6856
9097
2882
3302
5292
2675
0598
5230
0253
3224
1164
9339
9147
1778
0333
5259
1227
8863
8199
3138
3808
9437
2744
5433
2121
9059
9678
5623
1586
4274
0557
4284
4679
3701
2842
9824
2205
7371
7120
7399
4057
2122
9650
5580
6568
5539
9328
8384
5540
2318
1437
4449
1303
3939
7012
0331
0421
4748
4748
1652
7683
1526
2379
8374
9613
3316
1902
0811
4669
1189
2669
5374
9880
4502
8995
7008
3036
6663
0391
6933
4085
4495
2346
8832
7755
3469
1921
5654
8215
9628
4840
6162
1886
7320
2046
2601
6264
2623
1533
1456
7591
5555
1560
9512
0721
7611
8461
5790
1054
4060
6293
4319
7176
3759
1843
4932
8150
8044
3065
0763
0536
9156
6513
6044
3585
7950
9692
8204
0127
8625
6451
1642
4491
0886
6145
2239
5126
1281
4004
7874
2785
4528
4508
3033
2793
7164
5847
6029
1427
4569
1150
9804
6768
8861
2733
5664
5782
4890
0149
9347
3034
7078
8252
1219
4495
3732
6650
9659
8054
1151
3989
3116
6286
6952
5684
0632
0142
7509
0257
9511
9976
7342
9955
1890
1507
1253
7625
6728
2139
8644
6496
5901
8926
2103
5217
2695
4491
8299
0811
4498
0469
8638
0463
2269
9046
4946
6563
8309
6318
4414
3533
7728
9084
7964
8915
0456
4796
9291
0530
2418
0625
2633
3620
3609
0006
0763
0895
7955
0113
9035
6747
6790
2414
5736
9738
6830
5423
4030
9413
4285
3471
8820
0441
2870
0382
3717
6989
8969
0403
Prilog 2. Prijevodi termina iz Excela
PRILOG 2
PRIJEVODI TERMINA IZ EXCELA
Descriptive Statistics
Mean
Standard Error
Median
Mode
Standard Deviation
Sample Variance
Kurtosis
Skewness
Range
Minimum
Maximum
Sum
Count
Deskriptivna statistika
Aritmetika sredina
Standardna greka
Medijana
Mod
Standardna devijacija
Varijansa
Zaobljenost
Asimetrinost
Raspon podataka
Minimum
Maksimum
Zbir podataka
Broj podataka
REGRESSION
STATISTICS
Multiple R
REGRESIONA
STATISTIKA
Koeficijent multiple
korelacije
Koeficijent determinacije
Korigovani koeficijent
determinacije
Standardna greka
Broj podataka
R Square
Adjusted R Square
Standard Error
Observations
421
df
ANOVA
SS
MS
Significance F
F test
Nivo
znaajnosti F
testa
Regression
Residual
Total
ANALIZA VARIJANSE
Zbir
Broj stepeni kvadrata
slobode df odstupanja Varijansa
Regresija
Rezidual
Ukupno
COEFFICIENTS
STANDARD ERROR
T STAT
OCJENA
KOEFICIJENATA
STANDARDNA
GREKA
T TEST
Intercept
X Variable 1
Slobodni lan
Parametar uz
varijabluX
OBSERVATION
PREDICTED Y
Podaci
Ocijeneno Y
422
RESIDUALS
Reziduali ili
sluajna odstupanja
LITERATURA
Anderson D.R., Sweeney D.J., Willams T.A. : Statistiques pour lconomie
et la gestion, De Boeck Universit, Paris-Bruxelles, 2001.g.
Berenson M.L., Levine D.M., Krehbiel T.C.: Basic business statistics,
Pearson Education International, New Yersey, 2004.g.
Bosnia and Herzegovina: Poverty Assessment, Volume II: Data on Poverty,
Report No.25343-BiH, Document of the World Bank, 2003.g.
Chauvat G., Reau J.P.: Statistiques descriptives, Armand Colin/HER, Paris,
2001.g.
Comte M.; Gaden J.:Statistiques et probabilit, Presses Universitaires de
France, Paris, 2000. g.
Daci R. : Osnovi statistike, tamparija Fojnica, Fojnica, 2001.g.
Droesbeke J.J.: Elments de Statistiques, Editions de lUniversi de
Bruxelles, Bruxelles; Ellipses, Paris, 1997. g.
Giard V.: Statistique Descriptive pour les Gestionnaires, Economica, 1995.
g.
Goldfarb B., Pardoux C.: Introduction la mthodes statistique, Dunod,
Paris, 1993. g.
Grais, B.: Statistique descriptive, Dunod, Paris, 1986. g.
Lui B. : Statistika, Ekonomski fakultet, Sarajevo, 1996. g.
Py B.: Statistique descriptive: nouvelle mthode pour bien comprendre et
russir, Economica, Paris 1990. g.
Roger P.:Statistique pour la gestion, EMS, Paris, 2000. g.
Schlacther, D.: De lanalise la prvision, Ellipses, Paris, 1986.
Somun-Kapetanovi R.: Deskriptivna statistika, Ekonomski fakultet,
Sarajevo, 2003.g.
oi I. :Primijenjena statistika, kolska knjiga, Zagreb, 2004.g.
oi I., Serdar V. : Uvod u statistiku, kolska knjiga, Zagreb, 2002. g.
423
Statistiki bilten br.1. 2003.g., Agencija za Statistiku Bosne i Hercegovine,

Sarajevo, 2003.g.
Statistiki godinjak/ljetopis Federacije Bosne i Hercegovine, 1999-2005.
Federalni zavod za Statistiku, Sarajevo.
Tableaux de lconomie franaise, 1995/1996 - 2003/2004. g., INSEE ;
Paris.
Tenenhaus M.:Methodes statistiques en gestion, Dunod, Paris, 1994.g.
Tribout B.: Support de cours de Statistique, premiere partie, Universit
Robert Schuman, Strasbourg, 1998. g.
Tribout B.: Support de cours de Statistique, Chapitres I,II,III,IV, Universit
Robert Schuman, Strasbourg, 1998. g.
ii M., Lovri M., Pavlii D.: Metodi statistike analize, Ekonomski
fakultet, Beograd, 2001.g.
Wonnacott T.H., Wonnacott R.J.: Statistique, Economica, Paris, 1995. g.
424

Statistika U Ekonomiji I Menadzmentu

Uploaded by

Copyright:

Available Formats

You might also like

Statistika U Ekonomiji I Menadzmentu

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

Statistika U Ekonomiji I Menadzmentu

Uploaded by

Copyright:

Available Formats

Naziv djela:

Statistika u ekonomiji i menadmentu

Sarajevo, 2008. godine

PREDGOVOR PRVOM IZDANJU

teorijskih pitanja, rijeeni zadaci i zadaci sa elementima rjeenja. U prilogu

PREDGOVOR DRUGOM IZDANJU

1.2. NAUNI PRISTUP STATISTIKOM ISTRAIVANJU

1.3. STATISTIKI SKUP I STATISTIKE VARIJABLE

2.1. FREKVENCIJE I KUMULATIVNE FREKVENCIJE

2.2. KLASIFIKACIJA STATISTIKIH VARIJABLI

GRAFIKI PRIKAZI PREKIDNE I NEPREKIDNE VARIJABLE

MJERE SREDNJE VRIJEDNOSTI ILI MJERE

2.5. MJERE DISPERZIJE ILI VARIJACIJE

MJERE OBLIKA DISTRIBUCIJE

2.7. MJERE KONCENTRACIJE

3.1. MODELIZACIJA VEZA IZMEU VARIJABLI

3.5. MODEL VIESTRUKE REGRESIJE

APSOLUTNA I RELATIVNA PROMJENA

4.3. VREMENSKE (HRONOLOKE) SERIJE

5.2.8.9. ematski prikaz prekidnih i neprekidnih distribucija

6.1. OSNOVE TEORIJE UZORAKA

PROCJENE OBILJEJA OSNOVNOG SKUPA NA OSNOVU

6.4. ODREIVANJE INTERVALA POVJERENJA

6.4.6. Ocjena intervala za parametre modela linearne regresije

6.5. TESTIRANJE HIPOTEZA

PRILOG 1. - STATISTIKE TABLICE

1.1. POJAM STATISTIKE

Statistika u ekonomiji i menadmentu

B.Goldfarb; C.Pardoux: Introduction la mthode statistique, Dunod, Paris, 1993.,

Poglavlje 1. Statistika i statistika istraivanja

1.2. NAUNI PRISTUP STATISTIKOM ISTRAIVANJU

Etape naunog pristupa u istraivanju

Prve dvije etape zavise od svakog konkretnog istraivanja. Predmet nae

Direktno posmatranje (evidentiranje)

Direktno posmatranje predstavlja najjednostavniji nain prikupljanja

Statistika u ekonomiji i menadmentu

prikupljen na ovaj nain sadran je u evidencijama, registrima i drugim

Anketa se sastoji u ispitivanju odreenog broja osoba jedne populacije. Ova

Popis je oblik prikupljanja podataka pri kojem se obuhvataju sve jedinice

Prikupljanje podataka eksperimentisanjem podrazumijeva sistematsku i

Poglavlje 1. Statistika i statistika istraivanja

fenomeni, porede situacije ili provjere hipoteze. Potrebno je naglasiti da se

Izvjetaji i ostale indirektne metode prikupljanja podataka

Sljedei postupak prikupljanja podataka obuhvata metode ija je zajednika

1.3. STATISTIKI SKUP I STATISTIKE VARIJABLE

Statistika u ekonomiji i menadmentu

imati svaka jedinica da bi se mogla smatrati elementom tog skupa.

Poglavlje 1. Statistika i statistika istraivanja

konstruisati podatak koji se nalazi na mjernoj skali. Postoji vie tipova

Statistika u ekonomiji i menadmentu

1.3.2.3. Intervalna skala

Poglavlje 1. Statistika i statistika istraivanja

3) Period realizacije ankete: 2 puta godinje na kraju semestra.

Statistiki skup koji je predmet istraivanja se naziva populacija.

Statistika u ekonomiji i menadmentu

Statistiki godinjak Federacije Bosne i Hercegovine 2002, Federalni zavod za

Analizu podataka prezentovanih u tabeli 1.1. emo izvriti za 2004/2005

Poglavlje 1. Statistika i statistika istraivanja