Sv

e
u
i
l
i

t
euZa
gr
e
bu
Filozofski fakultet

Pr
o
f
.dr
.s
c
.
Bo

i
darTe
pe

SKRIPTE IZ STATISTIKE

U Zagrebu 2000.
Svako kopiranje i prepisivanje bez dozvole autora nije dozvoljeno

Sadr

aj

1.

Vi

e
di
me
nz
i
on
a
l
nas
l
u
a
j
nav
a
rijabla

2.

Sl
u
a
j
niuz
or
a
kis
t
a
t
i
s
t
i
ka

3.

Ocjena parametara razdiobe

10

4.

Te
s
t
i
r
a
nj
es
t
a
t
i
s
t
i

ki
hhi
pot
e
z
a

12

5.

Linearna regresija

22

6.

Pitanja

28

7.

Test iz vjerojatnosti

29

1. Vi

e
di
me
nz
i
al
nas
l
u
aj
navar
i
j
abl
a
Pr
os
t
orvj
e
r
oj
a
t
n
os
t
ikoj
ii
mae
ks
pe
r
i
me
n
t
,a
l
ge
b
r
ud
oga
a
j
aivj
e
r
oj
a
t
n
os
t(
E,A,P)mo
e
s
eni
z
oms
l
u
a
j
ni
hv
a
r
i
j
a
bl
i(
X1, X2,,Xn) preslikati u prostor intervala koji ima prostor
n-torki realnih brojeva, algebru n-dimenzionalnih intervala i vjerojatnosti (Rn, B, P). Niz
varijabli (X1, X2,,Xn) zovemo n-di
me
nz
i
on
a
l
nas
l
u
a
j
nav
a
r
i
j
a
bl
a
.Fun
kc
i
j
ar
a
z
di
ob
e
n-di
me
nz
i
on
a
l
nes
l
u
a
j
nev
a
r
i
j
a
bl
e(
X1, X2,,Xn) jest n-dimenzionalna funkcija:
F(x1, x2,,x
,Xn xn )
n) = P( X1 x1, X2 x2 ,
Us
l
u
a
j
uni
z
adi
s
kr
e
t
ni
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
if
un
kc
i
j
avj
e
r
oj
a
t
n
os
t
if
(
x
,x
1, x2,
n) jest:
f(x1, x2,,x
,Xn = xn )
n) = P( X1 = x1, X2 = x2 ,
Us
l
u
a
j
uni
z
akon
t
i
n
ui
r
a
ni
hs
l
u
a
j
ni
hva
r
i
j
a
bl
if
unkc
i
j
avj
e
r
oj
a
t
n
os
t
if
(
x
,xn) jest:
1, x2,
1 ,x 2 , ...,x n )
f ( x1 , x 2 ,..., x n ) Fx(1 x,
x 2 , ...,xn

Zbog jednostavnosti i preglednosti dalje, svojstva n-di

me
nz
i
on
a
l
nes
l
u
a
j
nev
a
r
i
j
a
bl
e
obj
a

nj
a
v
a
t
i
e
mosdv
odi
me
n
z
i
on
a
l
n
omdi
s
kr
e
t
n
oms
l
u
a
j
n
omva
r
i
j
a
bl
om(
X,Y)k
oj
a
ima funkciju razdiobe F(xi, yj) i funkciju vjerojatnosti f(xi, yj)
.Podr
u
j
ede
f
i
ni
c
i
j
e
t
es
l
u
a
j
nev
a
r
i
j
a
bl
ej
e
s
tr
a
n
g(
X,Y)=(xi, yj)
i=1,2
,,m;j=1,2,,n
.
Zapr
i
mj
e
ropi

i
modv
odi
me
nz
i
ona
l
nubi
n
omnur
a
z
di
ob
uB(
n
,p,r
)sv
r
i
j
e
dn
os
t
i
man
N,
0<p<1, 0<r<1 i funkcijom vjerojatnosti:
y

f ( xi , y j ) xi ! y j !...( nn!xi y j )! p xi r j ( 1 p r )

( n xi y j )

s vrijednostima rang(X, Y) = (xi, yj)

i=0,
1,2,
,n;j=0,1
,2
,,n
.
Tako na primjer funkcija vjerojatnosti f(xi, yj) dvodimenzionalne binomne razdiobe
B(
2,0
.
5,0.
3)mo
es
epr
oka
z
a
t
it
a
bl
i
c
om:
xi \ yj
0
1
2

0
0.04
0.20
0.25

1
0.12
0.30
0

2
0.09
0
0

Uz svaku dvodimenzionalnu razdiobu vezane su dvije jednodimenzionalne marginalne

razdiobe s funkcijama vjerojatnosti f1(xi) i f2(yj) za koje vrijedi:

f 1 ( xi ) f ( xi , y j )
yj

f 2 ( y j ) f ( xi , y j )
xi

Un
a

e
ms
l
u
a
j
uf
1(xi) i f2(yj) jesu:
xi ili yj
f1(xi)
f2(yj)

0
0.25
0.49

1
0.50
0.42

2
0.25
0.09

Fun
kc
i
j
evj
e
r
oj
a
t
n
os
t
ima
r
gi
na
l
ner
a
z
di
ob
emogus
ei
z
r
a

un
a
t
iz
b
r
a
j
a
nj
e
mv
r
i
j
e
dn
os
t
ipo
stupcima ili redcima tablice funkcije vjerojatnosti dvodimenzionalne razdiobe i napisati
na marginama tablice. U n
a

e
ms
l
u
a
j
ut
oj
e
s
t
:
xi \ yj
0
1
2
f2(yj)

0
0.04
0.20
0.25
0.49

1
0.12
0.30
0
0.42

2
0.09
0
0
0.09

f1(xi)
0.25
0.50
0.25
1

Zas
v
a
kudv
odi
me
n
z
i
ona
l
n
ur
a
z
di
ob
umo
e
moi
z
r
a

una
t
ini
zuvj
e
t
ni
hr
a
z
di
obis
funkcijama vjerojatnosti f(xi|yj) i f(yj|xi) uvj
e
t
ni
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
i(
X|
Y=y
j) i (Y|X=xi)
koje jesu:
f ( x ,y )

f ( xi | y j ) f 2 (i y j j)

f ( xi , y j )
f 1 ( xi )

f ( y j | xi )

Un
a

e
ms
l
u
a
j
udv
odi
me
n
z
i
on
a
l
n
ebi
n
omner
a
z
di
ob
eB(
2,0
.
5,0.
3
)f
un
kc
i
j
e
vj
e
r
oj
a
t
n
os
t
iuvj
e
t
ni
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
ij
e
s
u:
xi
f(xi|0)
f(xi|1)
f(xi|2)
yj
f(yj|0)
f(yj|1)
f(yj|2)

0
0.0816
0.2857
1
0
0.16
0.4
1

1
0.4082
0.7143
0
1
0.48
0.6
0

2
0.5102
0
0
2
0.36
0
0

Zas
v
a
kuuvj
e
t
n
us
l
u
a
j
n
uv
a
r
i
j
a
bl
umo
e
moi
z
r
a

un
a
t
io
e
ki
v
a
nj
eE(
X|
Y=y
j), E(Y|X=xi)
kaja jesu E(X|Y=0)=1.4286, E(X|Y=1)=0.7143, E(X|Y=2)=0, E(Y|X=0)=1.2,
E(Y|X=1)=0.6 i E(Y|X=2)=0.

Gr
a
f
i

kis
es
pa
j
a
nj
e
mE(
X|
Y=y
j) i E(Y|X=xi) dobivaju krivulje regresije X|Y i Y|X koje
s
emogupr
i
ka
z
a
t
igr
a
f
i

ki
:
Krivulje regresije
3.0

2.5

2.0

1.5
Y
1.0

0.5

Y|X
0.0
0.0

0.5

1.0

1.5

2.0

2.5

3.0

X|Y

Iz grafa regresijskih krivulja je vidljiva njihova razlika. Tu razliku mo

e
mon
ume
r
i

ki
izraziti kovarijancom i koeficijentom korelacije. Kovarijanca cov(X, Y) jest:
cov( X , Y ) E(( X E( X ))( Y E( Y ))) E( XY ) E( X )E( Y )
pr
i
e
mus
uE(
X)iE(
Y)o
e
ki
v
a
n
j
ama
r
gi
na
l
ni
hr
a
z
di
ob
a
,a(
X-E(X))(Y-E(Y)) i XY su
s
l
u
a
j
nev
a
r
i
j
a
bl
edobi
ve
n
ei
zdv
odi
me
n
z
i
on
a
l
nes
l
u
a
jne varijable (X, Y). Koeficijent
korelacije (X, Y) jest:
X ,Y )
( X ,Y ) Vcov(
( X )V ( Y )

Un
a

e
mpr
i
mj
e
r
ukov
a
r
i
j
a
n
c
aikoe
f
i
c
i
j
e
n
tkor
e
l
a
c
i
j
ej
e
s
u:
E(X) = 0*0.25+1*0.5+2*0.25 = 1
E(Y) = 0*0.49+1*0.42+2*0.09 = 0.6
V(X) = 02*0.25+12*0.5+22*0.25-12 = 0.5
V(Y) = 02*0.49+12*0.42+22*0.09-0.62 = 0.42
cov(X, Y) = (0-1)(0-0.6)0.04+(01)(1-0.6)0.12+(0-1)(2-0.6)0.09+(1-1)(0-0.6)0.20+
+(1-1)(1-0.6)0.30+(1-1)(2-0.6)0+(2-1)(0-0.6)0.25+(2-1)(1-0.6)0+(2-1)(2-0.6)0 =
= 0*0.7+1*0.3+2*0+4*0-1*0.6 = -0.3
(X, Y) = -0.6547

Ako jekov
a
r
i
j
a
n
c
apoz
i
t
i
vn
akr
i
v
ul
j
er
e
gr
e
s
i
j
es
ur
a
s
t
u
e
,aa
k
oj
ekov
a
r
i
j
a
nc
an
e
ga
t
i
vn
a
kr
i
v
ul
j
er
e
gr
e
s
i
j
es
upa
da
j
u
e
.Koe
f
i
c
i
j
e
n
tpos
v
omi
z
n
os
ui
mav
r
i
j
e
dn
os
t
ii
z
me
u1 i 1.
Sl
u
a
j
nev
a
r
i
j
a
bl
eXiYs
un
e
z
a
v
i
s
nea
kov
r
i
j
e
dif
(
x
a

e
ms
l
u
a
j
u
i, yj) = f1(xi)*f2(yj). U n
XiYni
s
une
z
a
vi
s
nes
l
u
a
j
nev
a
r
i
j
a
bl
e
.Akos
us
l
u
a
j
n
ev
a
r
i
j
a
bl
ene
z
a
vi
s
n
eon
daj
e
kovarijanca cov(X, Y) = 0 i koeficijent korelacije (X, Y) = 0 ali obrat ne vrijedi. Obrat
v
r
i
j
e
dis
a
mous
l
u
a
j
ukon
t
i
n
ui
r
a
n
edv
odi
me
n
z
i
ona
l
n
es
l
u
a
j
nev
a
r
i
jable (X, Y) s
dvodimenzionalnom normalnom razdiobom.
Primjer 1.

Zadana je dvodimenzionalna hipergeometrijska razdioba H(n, n1,n2, m)

koja ima funkciju vjerojatnosti:
f ( x1 , x 2 ) K ( n1 .x1 ) K ( n2 ,x2K)(Kn(,mn )n1 n2 ,m x1 x2 )

Ova razdioba predstavlja vjerojatnost uzorak iz osnovnog skupa koji ima

tri grupe proizvoda ili n1 prve klase, n2 druge klase i n3 t
r
e

ekl
a
s
e
.Uz
or
a
k
ima m proizvoda. U uzorku ima x1 prve klase, x2 druge klase i
n x1 x2 t
r
e

ekl
a
s
e
.
ZaH(
10,2
,3
,3)i
z
r
a

un
a
j
t
e
:
a) funkciju vjerojatnosti f(x1, x2)
b) marginalne funkcije vjerojatnosti f1(x1) i f2(x2)
c) funkcije vjerojatnosti uvjetnih sl
u
a
j
ni
hv
a
r
i
j
a
bl
if
(
x
1 | x2) i f(x2 | x1)
d) o
e
ki
v
a
nj
auvj
e
t
ni
hs
l
u
a
j
ni
hva
r
i
j
a
bl
iin
a
c
r
t
a
j
t
er
e
gr
e
s
i
j
s
kekr
i
v
ul
j
e
e) kovarijancu i koeficijent korelacije
a) b) Funkcija vjerojatnosti i marginalne funkcije vjerojatnosti jesu:
10
30
f ( 0 ,0 ) K ( 2 ,0 )KK((103 ,0,3))K ( 5 ,3 ) 120
121 , f ( 0 ,1 ) K ( 2 ,0 )KK((103 ,1,3))K ( 5 ,2 ) 120
41 ,
15
1
f ( 0 ,2 ) K ( 2 ,0 )KK((103 ,2,3 ))K ( 5 ,1 ) 120
18 , f ( 0 ,3 ) K ( 2 ,0 )KK((103 ,3,3))K ( 5 ,0 ) 120
,
20
30
f ( 1,0 ) K ( 2 ,1 )KK((103 ,0,3))K ( 5 ,2 ) 120
61 , f ( 1,1 ) K ( 2 ,1 )KK((103 ,1,3))K ( 5 ,1 ) 120
41 ,
6
5
f ( 1,2 ) K ( 2 ,1 )KK((103 ,2,3))K ( 5 ,0 ) 120
201 , f ( 2 ,0 ) K ( 2 ,2 )KK((103 ,0,3 ))K ( 5 ,1 ) 120
241 ,
3
f ( 2 ,1 ) K ( 2 ,2 )KK((103 ,1,3))K ( 5 ,0 ) 120
401
56
56
8
1
f 1 ( 0 ) 121 41 81 120
120
157 , f 1 ( 1 ) 61 41 201 120
157 , f 1 ( 2 ) 241 401 120
151
21
1
f 2 ( 0 ) 121 61 241 247 , f 2 ( 1 ) 14 41 401 40
, f 2 ( 2 ) 18 201 407 , f 2 ( 3 ) 120

f(x1. x2)
0
1
2
f2(x2)

0
1/12
1/6
1/24
7/24

1
1/4
1/4
1/40
21/40

2
1/8
1/20
0
7/40

3
1/120
0
0
1/120

f1(x1)
7/15
7/15
1/15
1

c) Fun
k
c
i
j
evj
e
r
oj
a
t
n
os
t
iuvj
e
t
ni
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
is
u:
x1
f(x1|0)
f(x1|1)
f(x1|2)
f(x1|3)

x2
f(x2|0)
f(x2|1)
f(x2|2)

0
2/7
10/21
5/7
1

0
5/28
5/14
5/8

1
4/7
10/21
2/7
0

1
15/28
15/28
3/8

2
1/7
1/21
0
0

2
15/56
3/28
0

3
1/56
0
0

d) O
e
ki
va
nj
auvj
e
t
ni
hs
l
u
a
j
ni
hva
r
i
j
a
bl
is
u:
4
6
10
4
1
1
E( X 1 | 0 ) 1
7 2
7 7 , E( X 1 | 1 ) 1
21 2
21 7 ,
2
2
E( X 1 | 2 ) 1
7 7 , E( X 1 | 3 ) 0 ,
15
15
1
9
15
3
3
3
3
E( X 2 | 0 ) 1
28 2
56 3
56 8 , E ( X 2 | 1 ) 1
28 2
28 4 , E( X 2 | 2 ) 1
8 8

Regresijske krivulje jesu:

Krivulje regresije
3.0

2.5

2.0

1.5
X2

1.0

0.5

0.0
0.0

0.5

1.0

1.5

2.0

E(X1/X2)
E(X2/X1)

X1

e) Kovarijanca i koeficijent korelacije jesu:

E(X1) = 0*7/15+1*7/15+2*1/15 = 3/5 = 0.6

E(X2) = 0*7/24+1*21/40+2*7/40+3*1/120 = 9/10 = 0.9
V(X1) = 02*7/15+12*7/15+22*1/15-(3/5)2 = 28/75
V(X2) = 02*4/24+12*21/40+22*7/40+32*1/120-(9/10)2 = 49/100 = 0.49
cov(X, Y) = (0-0.6)(0-0.9)1/12+(00.6)(1-0.9)1/4+(0-0.6)(2-0.9)1/8+
+(0-0.6)(3-0.9)1/120+ (1-0.6)(0-0.9)1/6+(1-0.6)(1-0.9)1/4+(1-0.6)(2-0.9)1/20+
+ (2-0.6)(0-0.9)1/24+(2-0.6)(1-0.9)1/40 = - 0.15
(X, Y) = - 0.3507
Pr
i
mj
e
r2.Ne
kas
uXiYne
z
a
vi
s
nes
l
u
a
j
neva
r
i
j
a
bl
ei
zbi
n
omner
a
z
di
obeB(
2,0.
2
)
.
I
z
r
a

un
a
j
t
ez
adv
odi
me
nz
i
ona
l
n
us
l
u
a
j
nuv
a
r
i
j
a
bl
u(
X,Y)
:
a) funkciju vjerojatnosti f(x, y)
b) marginalne funkcije vjerojatnosti f1(x) i f2(y)
c) funkcije vjerojatnosti uvjetnih s
l
u
a
j
ni
hv
a
r
i
j
a
bl
if
(
x|
y
)if
(
y|
x
)
d) o
e
ki
v
a
nj
auvj
e
t
ni
hs
l
u
a
j
ni
hva
r
i
j
a
bl
iin
a
c
r
t
a
j
t
er
e
gr
e
s
i
j
s
kekr
i
v
ul
j
e
e) kovarijancu i koeficijent korelacije.
a)b) Funkcija vjerojatnosti i marginalne funkcije vjerojatnosti jesu:
f(x, y)
0
1
2
f2(y)

0
0.4096
0.2048
0.0256
0.64

1
0.2048
0.1024
0.0128
0.32

2
0.0256
0.0128
0.0016
0.04

f1(x)
0.64
0.32
0.04
1

c) Sv
euvj
e
t
nes
l
u
a
j
neva
r
i
j
a
bl
ei
ma
j
us
v
ei
s
t
ur
a
z
di
ob
uB(
2,0.
2)
.
d) Sv
ao
e
ki
v
a
nj
auvj
e
t
ni
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
ij
e
s
uE(
X|
Y)=E(
Y|
X)=0.
4ir
e
gr
e
s
i
j
s
ke
kr
i
v
ul
j
es
upr
a
v
c
ipa
r
a
l
e
l
nisos
i
maime
us
obn
ookomi
t
i
.
e) Kovarijanca i koeficijent korelacije su jednaki nuli ili cov(X, Y) = 0, (X, Y) = 0.

2. Sl
u
aj
niuz
or
akis
t
at
i
s
t
i
ka
Akon
a
si
n
t
e
r
e
s
i
r
akol
i
ko
egl
a
s
a

agl
a
s
ova
t
iz
ane
kus
t
r
a
n
kuAn
ai
z
b
or
i
maunekom
gr
a
dui
z
a
b
r
a
t
i
e
mos
l
u
a
j
niuz
or
a
kod500gl
a
s
a

aipos
t
a
vi
t
ii
mpi
t
a
nj
e
Ho
e
t
el
i
gl
a
s
ov
a
t
iz
as
t
r
a
n
kuA?
spon
ue
ni
modgov
or
i
ma
n
e

,
ni
s
a
modl
u
i
oi
da

.Sv
a
ki
odg
ov
or
n
e
i
l
i
ni
s
a
modl
u
i
ov
r
e
dn
ov
a
t
i
e
mosO,as
v
a
kiodgov
or
da
v
r
e
dnovati

e
mo1
.Akos
moz
b
r
oj
i
l
is
v
ev
r
i
j
e
dn
os
t
iodgov
or
aidobi
l
iv
r
i
j
e
dn
os
t120i
zuz
or
ka
mo
e
moz
a
kl
j
u
i
t
ida
en
ai
z
b
or
i
ma120/
500=0.
24=24% bi
r
a

agl
a
s
ova
t
iz
as
t
r
a
n
ku
A.Ov
a
jz
a
kl
j
u
a
kn
at
e
me
l
j
uuz
or
kai
maus
e
bipos
t
upa
ki
n
dukc
i
j
egdj
ei
zma
l
oguzorka
z
a
kl
j
u
uj
e
mon
ac
i
j
e
l
ugl
a
s
a

kupopul
a
c
i
j
uipogr
e

kui
n
dukt
i
vn
ogz
a
kl
j
u
i
va
nj
akoj
as
e
mj
e
r
ivj
e
r
oj
a
t
n
os
t
i
.Sv
a
kigl
a
s
a
uuz
or
kuj
ej
e
dn
av
a
r
i
j
a
bl
amj
e
r
e
nj
akoj
ai
mav
r
i
j
e
dn
os
t
i
0i
l
i1koj
udobi
va
moka
or
e
z
ul
t
a
te
ks
pe
r
i
me
n
t
aka
dagl
a
s
a
odg
ov
or
ina pitanje. Svaka
varijabla mjerenja ima razdiobu s funkcijom vjerojatnosti f(0) = 1 p i f(1) = p gdje je p

kol
i
ko
egl
a
s
a

an
ai
z
b
or
i
magl
a
s
ov
a
t
iz
as
t
r
a
n
kuA.Ci
j
e
l
iuz
or
a
kj
evi

e
di
me
n
z
i
ona
l
n
a
varijabla mjerenja (X1, X2,,X500)k
oj
at
a
koe
ri
mas
v
oj
ur
a
z
di
ob
u.I
zt
evi

e
di
me
n
z
i
on
a
l
ner
a
z
di
ob
ei
z
r
a

una
v
a
mon
ov
us
l
u
a
j
n
uva
r
i
j
a
bl
u(
X1+X2++X500) /500
koju zovemo statistika kojom ocjenjujemo vrijednost p s 0.24 ili ocjenjujemo rezultat
i
z
b
or
a
.Pog
r
e

kaz
a
kl
j
u
i
va
nj
amj
e
r
is
evj
e
r
oj
a
t
n
os
t
ii
zr
a
z
di
ob
estatistike. Razdioba
s
t
a
t
i
s
t
i
kej
en
or
ma
l
nar
a
z
di
ob
aN(
0.
24,0
.
0003648)
.Nat
e
me
l
j
ut
oguz
or
kamo
e
mo
t
v
r
di
t
ida
en
ai
z
b
or
i
mas
t
r
a
n
kaAos
v
oj
i
t
ii
z
me
u20.
3% i27.
7% gl
a
s
ov
auzvj
e
r
oj
a
t
n
os
t
95% i
l
iuzpogr
e

kuoc
j
e
n
esvj
e
r
oj
a
t
n
os
t
i5%.
Sl
u
a
j
niuz
or
a
kj
eni
zs
l
u
a
j
ni
hv
a
r
i
j
a
bl
i(
X1, X2,
Xn)koj
es
ume
us
obn
on
e
z
a
vi
s
nei
s
vei
ma
j
ui
s
t
ur
a
z
di
ob
u.Akoj
ef
un
kc
i
j
avj
e
r
oj
a
t
n
os
t
i
t
i
hs
l
u
a
j
ni
hv
a
r
i
j
a
bl
if
(
x
)f
un
kc
i
j
a
vj
e
r
oj
a
t
n
os
t
is
l
u
a
j
n
oguz
or
kaj
e
s
tf
(
x
x
**f
(
x
.Sl
u
a
j
ne
1, x2,
n) = f(x1)*f(x2)
n)
varijable X1, X2,Xn z
ov
us
ev
a
r
i
j
a
bl
emj
e
r
e
nj
a
.Br
ojnv
a
r
i
j
a
bl
imj
e
r
e
nj
aj
e
s
tv
e
l
i

i
na
uzorka.
St
a
t
i
s
t
i
kaj
es
l
u
a
j
nava
r
i
j
a
bl
aSkoj
aj
ef
un
kc
i
j
av
a
r
i
j
a
bl
imj
e
r
e
nj
ain
e
mane
poz
n
a
t
i
h
parametara razdiobe osnovne populacije iz koje se uzima uzorak:
S s( X 1 , X 2 ,..., X n )
Na
j
poz
na
t
i
j
es
us
t
a
t
i
s
t
i
kao
e
ki
va
nj
auz
or
kaSEis
t
a
t
i
s
t
i
kav
a
r
i
j
a
nc
euz
or
kaSV:

SE X 1 X 2n...X n
SV ( X 1 SE )

( X 2 SE )2 ...( X n SE )2
n 1

O
e
ki
va
nj
euz
or
kaSEiv
a
r
i
j
a
nc
auz
or
kaSVi
ma
j
ur
a
z
di
obes
as
l
i
j
e
de

i
mo
e
ki
va
nj
e
mi
varijancom:
E( SE ) E( X )
E( SV ) V ( X )
V ( SE ) V (nX )
2
3
V ( SV ) 41 ( M 4 nn
1 V ( X ))
gdje su E(X), V(X) i M4 o
e
ki
v
a
n
j
e
,v
a
r
i
j
a
n
c
ai
e
t
v
r
t
imome
n
tr
a
z
di
ob
eos
n
ovn
ogs
kupa
i
zkoj
e
guz
i
ma
mouz
or
a
ki
l
it
os
uka
r
a
k
t
e
r
i
s
t
i
ker
a
z
di
ob
as
l
u
a
j
ni
hv
a
r
i
j
a
bl
imj
e
r
e
nj
a
.
2
Akouz
i
ma
mos
l
u
a
j
niuz
or
a
kv
e
l
i

i
neni
zn
or
ma
l
n
er
a
z
di
ob
eN(
, ) tada vrijedi
E(SE) = , E(SV) = 2 , V(SE) = 2/n, V(SV) = 22/(n-1).
Dv
at
e
or
e
ma
:Sl
a
biz
a
konv
e
l
i
ki
hb
r
oj
e
vaiCe
n
t
r
a
l
nigr
a
ni

nit
e
or
e
m,gov
or
eov
e
l
i

i
ni
uzorka i razdiobi sredine uzorka.
Sl
a
biz
a
konv
e
l
i
ki
hb
r
oj
e
v
a
:Sl
u
a
j
niuz
or
a
k(
X1, X2,Xn) iz osnovnog skupa s
razdiobom koj
ai
mao
e
ki
v
a
nj
eE(
X)iv
a
r
i
j
a
n
c
uV(
X)i
mas
r
e
di
nuuz
or
kaSEz
ak
oj
u
vrijedi:

ako je n 2 onda jest P

SE E( X ) SE
1
V( X )

I
zt
ogt
e
or
e
mamo
e
moi
z
r
a

un
a
t
ive
l
i

i
nuuz
or
kana
koz
n
a
mov
a
r
i
j
a
n
c
uos
n
ovn
og
s
kupaV(
X)
,p
og
r
e

kumj
e
r
e
nj
aE(
X)ivj
e
r
oj
a
t
n
os
tp
ogr
e

ke
.Akon
apr
i
mj
e
rus
l
u
a
j
u
primjera iz glasovanja V(X) = p(1-p) = 0.24*0.76 = 0.1824, = 0.01 i = 0.05 slijedi
v
e
l
i

i
nauz
or
kan>36480.Ut
oms
l
u
a
j
upogr
e

kamj
e
r
e
nj
aj
ema
nj
aod1
%i
vj
e
r
oj
a
t
n
os
tp
og
r
e

kej
en
a
j
vi

e5%.
Ce
n
t
r
a
l
nigr
a
ni

nit
e
or
e
m:Sr
e
di
n
auz
or
kaSE iz osnovnog skupa s razdiobom koja ima
o
e
ki
v
a
nj
eE(
X)iv
a
r
i
j
a
nc
uV(
X)
,a
k
ont
e

ib
e
s
kon
a

n
os
t
ii
mar
a
z
di
ob
ukoj
at
e

i
n
or
ma
l
n
ojr
a
z
di
obiN(
E(
X)
,V(
X)
/
n
)
.Za
t
os
moun
a

e
mpr
i
mj
e
r
uogl
a
s
ov
a
nj
ur
a
z
di
ob
u
s
r
e
di
n
euz
or
kaSEoz
n
a

i
l
iN(
0.
24,0.
0003648
)j
er je procijenjeno E(X) = p = 0.24 i
V(X)/n = p(1-p)/n = 0.24*0.76/500 = 0.0003648.

3. Ocjena parametara razdiobe

Kada govorimo o ocjeni parametara razdiobe osnovnog skupa mislimo na ocjenu
vrijednosti parametra i ocjenu intervala vrijednosti parametara.Us
l
u
a
j
un
a

e
guv
odn
og
primjera o glasovanju za stranku A ocjena vrijednosti parametra je p = 0.24, a ocjena
intervala vrijednosti je 0.203 < p < 0.277.
Za ocjenu parametara koristimo statistiku ocjene. Statistika ocjene je kao svaka statistika
funkcija varijabli mjerenja T = t(X1, X2,,
Xn).
Na
j
poz
na
t
i
j
ipos
t
upc
iz
aodr
e
i
v
a
nj
es
t
a
t
i
s
t
i
keoc
j
e
n
es
u:pos
t
upa
kmome
na
t
a
,p
os
t
upa
k
maksimalne vjerojatnosti i postupak nepristrane ocjene.
Pos
t
upa
kmome
n
a
t
ai
z
j
e
dn
a

a
v
apomo
n
emome
nt
es
l
u
a
j
n
oguz
or
kasp
omo
nim
momentima razdiobe osnovnog skupa. Na primjer ako uzimamo uzorak iz osnovnog
skupa s normalnom razdiobom N(, 2 )
.Pr
vipomo
nimome
n
tt
er
a
z
di
obej
e
s
tm1 = .
Pr
vipomo
nimome
n
tuz
or
kaj
e
s
ts
r
e
di
n
auz
or
kam
1 = SE. Sredina uzorka je statistika
ocjene o
e
ki
v
a
nj
aos
n
ovn
ogs
kupasn
or
ma
l
n
omr
a
z
di
ob
om.
Pos
t
upa
kma
ks
i
ma
l
nevj
e
r
oj
a
t
n
os
t
ii
z
r
a

una
v
as
t
a
t
i
s
t
i
kuoc
j
e
n
et
r
a

e
nj
e
mma
ks
i
ma
l
ne
vjerojatnosti ili maksimalne vrijednosti funkcije vjerojatnosti uzorka. Na primjer ako
uz
me
mos
l
u
a
j
niuz
or
a
ki
zos
n
ovn
ogskupa s Posonovom razdiobom P() funkcija
vjerojatnosti uzorka jest:
n

e xi

f ( x1 , x2 ,..., xn ,)
i 1

xi !

xi

e ni 1

xi !

i 1

Maksimalna se vjerojatnost dobiva deriviranjem funkcije vjerojatnosti po i

i
z
j
e
dn
a

a
v
a
nj
e
mt
ede
r
i
v
a
c
i
j
esn
ul
om:

10

df
d

0
n

xi
xi

e ni 1
i 1

0
n

x
!

i 1

SE
Postupak nepristrane oc
j
e
n
ep
r
e
t
p
os
t
a
vl
j
aj
e
dn
a
kos
ti
z
me
uo
e
ki
v
a
nj
as
t
a
t
i
s
t
i
ke
o
e
ki
v
a
nj
aipa
r
a
me
t
r
ak
oj
is
eoc
j
e
nj
uj
euos
n
ovn
oms
kupu.Akopa
r
a
me
t
a
rk
oj
i
oc
j
e
nj
uj
e
mos
t
a
t
i
s
t
i
komoc
j
e
n
eToz
n
a

i
motada za nepristranu ocjenu vrijedi:
E
T
Srednja pogre
kan
e
pr
i
s
t
r
a
n
eoc
j
e
n
eSPNOj
e
s
t
:

SPNO E ( T ) 2 V ( T )
Us
l
u
a
j
uuz
or
kai
zn
or
ma
l
ner
a
z
di
ob
eN(
, 2) nepristrane ocjene parametara i 2 jesu
s
t
a
t
i
s
t
i
kao
e
ki
va
nj
aSEis
t
a
t
i
s
t
i
kav
a
r
i
j
a
nc
eSV.
Oc
j
e
n
ui
n
t
e
r
va
l
av
r
i
j
e
dn
os
t
ipa
r
a
me
t
a
r
ap
oka
z
a
t
i
e
mop
rimjerom ocjene uzorka iz
osnovnog skupa koji ima normalnu razdiobu N(, 2).
Sl
u
a
j
nav
a
r
i
j
a
bl
aU=(
n
-1)SV/2 ima 2 (Hi kvadrat) razdiobu s (n-1) stupnjem slobode.
Te
me
l
j
e
mov
ogz
a
kl
j
u
kamo
e
mooc
i
j
e
ni
t
ii
n
t
e
r
va
lv
a
r
i
j
a
nc
eos
n
ovn
ogas
kupa2:
( n 1 ) sv
h2

1
2 ( n h11 ) sv za F ( h1 ) 1
2 , F ( h2 ) 2 i vjerojatno st int ervala

Sl
u
a
j
nav
a
r
i
j
a
bl
aV=(
SE- )/SV/n ima studentovu T razdiobu s (n-1) stupnjem
s
l
ob
ode
.Te
me
l
j
e
mov
ogz
a
kl
j
u
kamo
e
mooc
i
j
e
ni
t
ii
n
t
e
r
v
a
lo
e
ki
va
nj
eos
n
ovn
oga
skupa :

se t

sv
n

se t

sv
n

za F ( t ) 1
2 i vjerojatnost int ervala

Pr
i
mj
e
r3.Pov
r

i
n
a
e
t
r
n
a
e
s
tn
a

i
hot
okav
e

i
hod50km2 jest u km2 :
409, 406, 395, 300, 285, 276, 114, 100, 90, 91, 75, 64, 59, 50
I
z
r
a

un
a
j
t
eoc
j
e
n
ui
n
t
e
r
v
a
l
apr
os
j
e

n
epov
r

i
neovi
hot
okaioc
i
j
e
ni
t
ev
a
r
i
j
a
n
c
uv
e
l
i

i
ne
tih otoka uz pretpostavku normalne razdiobe. (Ako se ne zadaje vjerojatnost intervala jest
95% ili =0.
95ipogr
e

kaoc
j
e
n
ej
e
s
t5% )
.
Iz ovog uzorka slijedi:

11

se 409406 395 300 285 276 14114 100 90 9175 64 59 50 2714

14 193.86
sv 14
13

409 2 406 2 395 2 300 2 285 2 276 2 114 2 100 2 90 2 912 75 2 64 2 59 2 50 2

14

193.86 2 20345.67

za T razdiobu s 14 1 13 stupnjeva slobode F ( t ) 0.975 vrijedi t 2.16

193.86 2.16

20345.67
14

193.86 2.16

20345.67
14

ili 111.52 276.20

za razdiobu s 14 1 13 stupnjeva slobode F ( h1 ) 0.025 vrijedi h1 5.01

F ( h2 ) 0.975 vrijedi h2 24.7
14 1 20345.67
24.7

.67
2 14 1520345
ili 10708.25 2 52793.16
.01

Akopr
oma
t
r
a
mopr
oc
j
e
n
uv
r
i
j
e
dn
os
t
ipov
r

i
n
ev
e

i
hot
oka
.Pr
os
j
e

n
apov
r

i
n
aot
okaj
e
194 km2 ,v
a
r
i
j
a
nc
at
ep
ov
r

i
n
ej
e
s
t20346(
km2)2. Povr
i
n
as
er
a
vnapon
or
ma
l
n
oj
razdiobi N(194, 20346).
Pr
i
mj
e
r4.Nat
e
me
l
j
uuz
or
kaod98mj
e
r
e
nj
av
r
e
me
n
ai
z
me
udv
auz
a
s
t
opn
at
e
l
e
f
ons
ka
poziva :
Vr
i
j
e
mei
z
me
upoz
i
v
a 0-10
Broj mjerenja
50

10-20
25

20-30
15

30-40
7

40-60
1

i uz pretpostavku eksponencija
l
ner
a
z
di
ob
ev
r
e
me
n
aoc
i
j
e
ni
t
epr
os
j
e

n
ov
r
i
j
e
mei
z
me

u
dva telefonska poziva.
Kodoc
j
e
n
ekor
i
s
t
i
t
e
moc
e
n
t
r
a
l
n
igr
a
ni

nit
e
or
e
min
or
ma
l
n
ur
a
z
di
ob
uuzpoz
n
a
va
nj
e
2
o
e
ki
v
a
nj
aiva
r
i
j
a
n
c
ee
ks
pon
e
n
c
i
j
a
l
ner
a
z
di
ob
eE(
X)=1/
i V(X) = 1/.

I
zuz
or
kamo
e
moi
z
r
a

un
a
t
is
en
as
l
i
j
e
de

in
a

i
n:
xmin - xmax
0-10
10-20
20-30
30-40
40-60
Zbroj

x
5
15
25
35
50
-

f
50
25
15
7
1
98

x*f
250
375
375
245
50
1295

Sr
e
di
n
auz
or
kaj
e
s
ts
e=1295/
98=13
.
21i
l
ioc
j
e
n
as
r
e
dnj
e
gv
r
e
me
n
ai
z
me
ut
e
l
e
f
ons
ki
h
poziva jest 13.27 sekundi. Sredina uzorka SE se ravna po normalnoj razdiobi
N(, 2 )t
e
me
l
j
e
mc
e
n
t
r
a
l
n
oggr
a
ni

n
ogt
e
or
e
mas= 13.21 i 2 = 13.212 /98 = 1.78 ili
por
a
z
di
obiN(
13.
21,1.
7
8)
.I
zt
en
or
ma
l
ner
a
z
di
obemo
e
mooc
i
j
e
ni
t
ii
n
t
e
r
v
a
lv
r
e
me
n
a
i
z
me
ut
e
l
e
f
onskih poziva:

12

13.21 1.96 1.78 E( X ) 13.21 1.96 1.78

10.60 E( X ) 15.82 ili 10.60 sek E( X ) 15.82 sek
uz vjerojatnost int ervala 95% ili pogr
e

k
uocjene 5%

4. Te
s
t
i
r
anj
es
t
at
i
s
t
i

ki
hhi
pot
e
z
a
St
a
t
i
s
t
i

kahi
pot
e
z
aj
et
v
r
dnj
aor
a
z
di
obis
l
u
a
j
neva
r
i
j
a
bl
ei
zos
n
ovn
ogas
kupa
.Pol
a
z
i
mo
odt
v
r
dnj
eov
r
i
j
e
dn
os
t
ipa
r
a
me
t
r
ar
a
z
di
ob
ekoj
iodr
e
uj
ef
un
kc
i
j
uvj
e
r
oj
a
t
n
os
t
ii
l
i
f
un
kc
i
j
ur
a
z
di
ob
es
l
u
a
j
nev
a
r
i
j
a
bl
e
.Hi
pot
e
z
amo
ebi
t
ij
e
dn
os
t
a
v
nai
l
is
l
o
e
n
a
.
Akopr
e
t
p
os
t
a
vi
mon
or
ma
l
nur
a
z
di
ob
us
l
u
a
j
nev
a
r
i
j
a
bl
eN(
, 25) nepoznati je parametar
. Jednostavna hipoteza H0 mo
eb
i
t
i= 17. Takvu jednostavnu hipotezu H0
zapisujemo:
H 0 : 17
J
e
dn
os
t
a
v
n
omj
es
t
a
t
i
s
t
i

komhi
pot
e
z
omf
un
kc
i
j
avj
e
r
oj
a
t
n
os
t
is
l
u
a
j
nev
a
r
i
j
a
bl
e
j
e
di
ns
t
v
e
n
oodr
e
e
n
ai
l
is
l
u
a
j
nav
a
r
i
j
a
bl
ai
man
or
ma
l
nur
a
z
di
ob
uN(
17,25)
.
Sl
o
e
n
ahi
pot
e
z
aH0 mo
ebi
t
i17.Ta
kv
us
l
o
e
n
uhi
pot
e
z
uH0 zapisujemo:
H 0 : 17
Sl
o
e
n
omj
es
t
a
t
i
s
t
i

komhi
pot
e
z
omodr
e
e
ns
kupf
un
kc
i
j
avj
e
r
oj
a
t
n
os
t
is
l
u
a
j
nei
l
i
s
l
u
a
j
nav
a
r
i
j
a
bl
ai
man
or
ma
l
nur
a
z
di
ob
uN(
, 25) za neku od vrijednosti 17. Kod
s
l
o
e
n
ehi
pot
e
z
er
a
z
di
ob
ani
j
ej
e
dnaka
ok
odj
e
dn
os
t
a
vn
ehi
pot
e
z
ev
e
j
et
os
kup
razdioba.
Pos
t
upa
kt
e
s
t
i
r
a
nj
ahi
pot
e
z
es
v
odis
enauz
i
ma
nj
es
l
u
a
j
n
oguz
or
kai
zos
n
ovn
ogs
kupa
,
de
f
i
ni
r
a
nj
as
t
a
t
i
s
t
i
keiodr
e
i
va
nj
et
e
s
t
a
.Te
s
tj
epr
a
vi
l
ot
e
me
l
j
e
mkoj
e
godb
a
c
uj
e
mo
hi
pot
e
z
uor
a
z
di
obi
.Te
s
tmo
ebi
t
ide
t
e
r
mi
ni
s
t
i

kii
l
ivj
e
r
oj
a
t
n
os
t
ni
.
De
t
e
r
mi
ni
s
t
i

kit
e
s
tt
e
me
l
j
is
en
akr
i
t
i

kompodr
u
j
u.De
t
e
r
mi
ni
s
t
i

kit
e
s
tYj
epr
a
vi
l
o
kojim donosimo odluku o odbacivanju hipoteze ako vrijednosti statistike s padnu u
kr
i
t
i

n
opodr
u
j
eCY ili s CY.
Un
a

e
mpr
i
mj
e
r
uj
e
dn
os
t
a
vne hipoteze H0 : =1
7uzs
l
u
a
j
niuz
or
a
kv
e
l
i

i
ne400i
s
t
a
t
i
s
t
i
kuo
e
ki
v
a
nj
aSEkr
i
t
i

n
opodr
u
j
ej
e
s
tse 17 > 0.49 ili ako je vrijednost se
s
t
a
t
i
s
t
i
keo
e
ki
va
nj
aSEv
e

eod1
7
.
49i
l
ima
nj
eod16.
51odb
a
c
uj
e
mohi
pot
e
z
uo
normalnoj razdiobi N(17, 25).

13

Kododb
a
c
i
v
a
nj
ahi
pot
e
z
emo
e
mopogr
i
j
e

i
t
ia
koodb
a
c
i
mohi
pot
e
z
ua
l
ij
eon
ai
s
t
i
ni
t
a
.
Pog
r
e

kas
emj
e
r
ivj
e
r
oj
a
t
n
o

u= P( H0 odbacimo | H0 j
ei
s
t
i
n
a
)
.Pogr
e

kazove se
pogr
e

kapr
v
ogr
e
da
.Uk
ol
i
koni
j
e
z
a
da
n
a
,uz
a
da
t
kuj
e
s
t0.
05i
l
ipogr
e

kaprvog reda
jest 5%.
Vj
e
r
oj
a
t
n
os
t
nit
e
s
tt
e
me
l
j
is
en
akr
i
t
i

n
ojf
un
kc
i
j
i
.Vj
e
r
oj
a
t
n
os
t
nit
e
s
tYj
epr
a
vi
l
okoj
i
m
don
os
i
moodl
ukuoodb
a
c
i
v
a
nj
uh
i
pot
e
z
euzvj
e
r
oj
a
t
n
os
tk
oj
uodr
e
uj
ekr
i
t
i

n
af
un
kc
i
j
a
fY = P(H0 odbacimo | s) ili za vrijednost s statistike S odbacujemo hipotezu uz
vjerojatnost P.
Us
l
u
a
j
ude
t
e
r
mi
ni
s
t
i

kogt
e
s
t
akr
i
t
i

n
af
un
kc
i
j
af
Y ima dvije vrijednosti: fY = 1 za
s CY i fY = 0 za s CY.Uovi
ms
kr
i
pt
a
maopi
s
a
t
i
e
mos
a
mon
e
kede
t
e
r
mi
ni
s
t
i

ke
t
e
s
t
ov
e
.z
aj
e
dn
os
t
a
v
n
eis
l
o
e
n
ehi
pot
e
z
e
.
Ut
e
s
t
i
r
a
nj
us
t
a
t
i
s
t
i

ki
hhi
pot
e
z
ak
or
i
s
t
i
mouzhi
pot
e
z
uH0 i alternativnu hipotezu H1. Ako
na temelju testa odbacimo hipotezu H0 p
r
i
hv
a

a
mohi
pot
e
z
uH1, a ako na temelju testa ne
mo
e
moodb
a
c
i
t
ihi
pot
e
z
uH0 pr
i
h
v
a

a
moH0 uz odbacivanje hipoteze H1.Kod takvog
z
a
kl
j
u
i
va
nj
aj
a
vl
j
a
j
us
edvi
j
ev
r
s
t
epog
r
e

a
kapog
r
e

ka
:pr
v
ogr
e
daipogr
e

kadr
ug
og
reda .Obj
epogr
e

kes
uvj
e
r
oj
a
t
n
os
t
ikoj
emo
e
mopr
i
ka
z
a
t
it
a
bl
i
c
om:
Pog
r
e

ke
H0 je istina
H0 nije istina

H0 prihvatimo
1

H0 odbacimo

Najsna

ni
j
it
e
s
t
ov
is
uonit
e
s
t
ovik
oj
iuzz
a
da
n
upogr
e

kupr
v
ogr
e
da imaju najmanju
pogr
e

kud
r
ug
ogr
e
da.Za
t
os
ez
a
da
j
es
a
mopogr
e

kapr
v
ogr
e
daili ako nije zadana
uzima se = 0.05.
Opi
s
a
t
i
e
mon
a
j
j
e
dn
os
t
a
v
ni
j
epos
t
upkez
aod
r
e
i
va
nj
et
e
s
t
ov
a
:
a) Jednostavni test kvocijenta vjerojatnosti
b) Op
it
e
s
tkv
oc
i
j
e
n
t
avj
e
r
oj
a
t
n
os
t
i
c) Postupak intervala pouzdanosti
d) Hi kvadrat test
Jednostavni test kvocijenta vjerojatnosti se koristi kod jednostavnih hipoteza:
H0: X ima razdiobu F0(x)
H1: X ima razdiobu F1(x)
Test Y jest:
Hipoteza H0 se odbacuje ako je kvocijent funkcija vjerojatnosti:
n

f 0 ( xi )

i 1
n

f 1 ( xi )

( x1 , x 2 ,..., x n ) c za c 0

i 1

Akot
r
a

i
mon
a
j
s
n
a

ni
j
it
e
s
tus
l
u
a
j
uj
e
dn
os
t
a
vni
hhi
pot
e
z
a
:

14

H0: =
0
H1: =
1
gdje je pa
r
a
me
t
a
rk
oj
iodr
e
uj
er
a
z
di
ob
uF(
x
,
) vrijedi Neyman-Pearsonova lemma:
Ako su k > 0 konstanta, CY (X1, X2,,Xn)kr
i
t
i

n
opod
r
u
j
ei0<<1pog
r
e

ka
prvog reda koji zadovoljavaju:
a ) P0
X 1 , X 2 ,..., X n CY
n

b)

f ( xi ,0 )

i 1
n

f ( xi ,1 )

( x1 , x 2 ,..., x n ) c za

X 1 , X 2 ,..., X n CY

i 1

t
a
daj
et
e
s
tYsk
r
i
t
i

ni
mpodr
u
j
e
mCY n
a
j
s
n
a

ni
j
it
e
s
t
.
Op
it
e
s
tkv
oc
i
j
e
n
t
avj
e
r
oj
a
t
n
os
t
is
ek
or
i
s
t
iz
as
l
o
e
n
ehi
pot
e
z
e
:
H0: za R
H1: (R \ )
Test Y jest:
Hipoteza H0 se odbacuje ako je kvocijent funkcija vjerojatnosti:
n

supf0 ( xi ,)

i 1
n

supf1 ( xi )
R

( x1 , x 2 ,..., x n ) c za 0 c 1

i 1

Umj
e
s
t
on
a
j
s
na

ni
j
e
gt
e
s
t
auv
odis
epoj
a
muni
f
or
mn
ona
j
s
n
a

ni
j
e
gt
e
s
t
az
ak
oj
e
gj
e
zada
n
apogr
e

kapr
v
ogr
e
das
upr
e
mumpogr
e

a
kapr
v
ogr
e
dap
op
od
r
u
j
ui
pogr
e

kadr
ug
ogr
e
daj
en
a
j
ma
n
j
az
ac
i
j
e
l
opodr
u
j
e(
R\ ).
Us
l
u
a
j
ue
ks
pone
n
c
i
j
a
l
n
ogobl
i
kaf
un
kc
i
j
evj
e
r
oj
a
t
n
os
t
if
(
x
,
) = a(
)b(x)e[c()d(x)]
s(x1, x2,,
x
s
t
i
kaskr
i
t
i

ni
mpodr
u
j
e
m
n) = d(xi) je stati
CY = (x1, x2,,
x
,
x
auni
f
or
mn
on
a
j
s
n
a

ni
j
it
e
s
tYihi
pot
e
z
e
:
n) : s(x1, x2,
n) < cz
H0:
0
H1: >
0
ili hipoteze:
H0: =
0
H1:
0
Pos
t
upa
ki
n
t
e
r
v
a
l
apouz
da
n
os
t
iodr
e
uj
ez
ahi
pot
e
z
uH0 interval parametra ( ocjena
intervala parametra koji se testira) s vjerojatnosti i
l
iuzpogr
e

k
upr
v
ogr
e
da= 1 -
.
I
n
t
e
r
v
a
lpa
r
a
me
t
r
aodr
e
uj
ekr
i
t
i

n
opod
r
u
j
eCY t
e
s
t
aY.Ovi
mpos
t
upk
ommo
e
mo

15

pov
e
z
a
t
ioc
j
e
n
ui
n
t
e
r
v
a
l
ao
e
ki
v
a
nj
aiva
r
i
j
a
n
c
es
as
t
a
t
i
s
t
i

ki
mt
e
s
t
omo
e
kivanja i
varijance iz normalne razdiobe.
Ako
e
l
i
mot
e
s
t
i
r
a
t
ihi
pot
e
z
uoo
e
ki
v
a
nj
ui
zn
or
ma
l
n
er
a
z
di
ob
e
:
H0: = 0
H1: 0
Test Y jest:
Hipotezu H0 odbacujemo ako vrijedi:

0 ( se t

sv
n

, se t

sv
n

) za F ( t ) 1 2 i pogr
e

k
uprvog reda

F ( t ) je funkcija razdiobe studentove T razdiobe s ( n 1 ) stupnjem slobode

Ako
e
l
i
mot
e
s
t
i
r
a
t
ihi
pot
e
z
uoo
e
ki
v
a
nj
ui
zn
ormalne razdiobe:
H0: 0
H1: > 0
Test Y jest:
Hipotezu H0 odbacujemo ako vrijedi:

0 se t

sv
n

za F ( t ) 1 i pogr
e

k
uprvog reda

F ( t ) je funkcija razdiobe studentove T razdiobe s ( n 1 ) stupnjem slobode

Ako
e
l
i
mot
e
s
t
i
r
a
t
ihi
pot
e
z
uov
a
r
i
j
a
nc
ii
zn
or
ma
l
n
er
a
z
di
ob
e
:
H0: 2 = 20
H1: 2 20
Test Y jest:
Hipotezu H0 odbacujemo ako vrijedi:

02 ( ( nh1 ) sv , ( n h1 )sv ) za F ( h1 ) 2 i F ( h2 ) 1 2 i pogr

e

k
uprvog reda
2

F ( t ) je funkcija razdiobe 2 razdiobe s ( n 1 ) stupnjem slobode

Ako
e
l
i
mot
e
s
t
i
r
a
t
ihi
pot
e
z
uov
a
r
i
j
a
nc
ii
zn
or
ma
l
n
er
a
z
di
ob
e
:
H0: 2 20
H1: 2 > 20
Test Y jest:
Hipotezu H0 odbacujemo ako vrijedi:

16

02 ( n h1 ) sv za F ( h ) 1 i pogr
e

k
uprvog reda
F ( t ) je funkcija razdiobe 2 razdiobe s ( n 1 ) stupnjem slobode
Primjer 5. Deset mjerenja promjera cilindra u centimetrima jesu:
4.09, 3.88, 3.92, 3.97, 4.02, 3.95, 4,03, 3.92, 3.98, 4.06
Testirajte hipotezu da je srednji promjer cilindra 4 centimetra.
Uz pretpostavku normalne razdiobe promjera cilindra N(, 2) testiramo hipoteze:
H0: = 4
H1: 4
I
zuz
or
kav
e
l
i

i
nen=10d
obi
v
a
mooc
j
e
n
uo
e
ki
va
nj
as
eioc
j
e
n
uv
a
r
i
j
a
n
c
es
v
:
se = (xi ) / n = (4.09+3.88+3.92+3.97+4.02+3.95+4.03+3.92+3.98+4.06) / 10 = 3.982
sv = ((xi - se)2 )/ (n 1) = 0.004529
Za hipoteze:
H0: = 0
H1: 0
Test Y jest:
Hipotezu H0: = 0 odbacujemo ako 0 (se - tsv/n, se - tsv/n ) za F(t) = 1- /2 i
F(t) studentovu T razdiobu s (n 1) stupnjem slobode.
Iz tablice T razdiobe F(2.262) = 0.975 za 9 stupnjeva slobode slijedi t = 2.262.
Un
a

e
mpr
i
mj
e
r
ut
e
s
tYj
e
s
t
:
Hipotezu H0: = 4 odbacujemo ako
4 ( 3.982 2.2620.004529/10, 3.982 2.2620.004529/10 ) ili 4 ( 3.926, 4.038 )
Un
a

e
mpr
i
mj
e
r
uv
r
i
j
e
di4(3.
926
,4.
038)ius
l
a
dusn
a

i
mdogov
or
ompr
i
hv
a

a
mo
hipotezu H0: =4i
l
io
e
ki
va
nipr
omj
e
rc
i
l
i
ndr
aj
e
s
t4c
e
n
t
i
me
t
r
auz=0
.
05p
og
r
e

ku
prvog reda.
Primjer 6. Rezultati su mjerenja brzine reakcije u sekundama kod osam osoba:
0.53, 0.46, 0.50, 0.49, 0.52, 0.53, 0.44, 0.55
2
Testirajte hipot
e
z
udav
a
r
i
j
a
nc
ab
r
z
i
ner
e
a
kc
i
j
eni
j
ev
e

aod0.
001s
e
kun
da
.

Uz pretpostavku normalne razdiobe brzine reakcije N(, 2) testiramo hipoteze:

H0: 2 0.001

17

H1: 2 > 0.001

I
zuz
or
kav
e
l
i

i
nen=8d
obi
v
a
mooc
j
e
n
uo
e
ki
v
a
nj
as
eioc
j
e
n
uv
a
r
i
j
a
nc
es
v
:
se = (xi ) / n = (0.53+0.46+0.50+0.49+0.52+0.53+0.44+0.55) / 8 = 0.5025
sv = ((xi - se)2 )/ (n 1) = 0.001421
Za hipoteze:
H0: 2 20
H1: 2 > 20
Test Y jest:
Hipotezu H0: 2 20 odbacujemo ako 20 < (n - 1)sv/h za F(h) = 1- i
F(t) studentovu 2 razdiobu s (n 1) stupnjem slobode.
Iz tablice 2 razdiobe F(14.1) = 0.95 za 7 stupnjeva slobode slijedi h = 14.1.
Un
a

e
mpr
i
mj
e
r
ut
e
s
tYj
e
s
t
:
2
Hipotezu H0: 0.001 odbacujemo ako 0.001 < (8 - 1)0.001421/14.1 ili
0.001 < 0.000705.
Un
a

e
mpr
i
mj
e
r
uv
r
i
j
e
di0.
001>0.
000705ius
l
a
dusn
a

i
mdogov
or
ompr
i
hv
a

a
mo
2
hipotezu H0: 2 0.
001i
l
iv
a
r
i
j
a
n
c
ab
r
z
i
ner
e
a
kc
i
j
eni
j
ev
e

aod0
.
001s
e
kun
da
.
Hi kvadrat test se temelji na 2 razdiobi i koristi se za testiranje razdioba i nezavisnosti
s
l
u
a
j
ni
hv
arijabli.
Ako je X1, X2,,Xn ni
zs
l
u
a
j
ni
hv
a
r
i
j
a
bl
isr
a
z
di
ob
omf
(
x
,
x
,
1, x2,
n,
1,
2,
m)
gdje su
,

,
,

p
a
r
a
m
e
t
r
i
t
e
r
a
z
d
i
o
b
e
,
a
s
t
a
t
i
s
t
i

k
a
h
i
p
o
t
e
z
a
:
1
2
m
H0:
,

m
1=
10 ,
2=
20,
r=
r 0,
r+1, ,
Test Y jest:
Hipoteza H0 se odbacuje ako je 2ln (x1, x2,,
xn) > h za F(h) = 1 .Pogr
e

kapr
v
og
2
reda je , a h ima razdiobu s r stupnjeva slobode za velike uzorke iz osnovnog skupa.
Akot
e
s
t
i
r
a
mohi
pot
e
z
uoe
ks
pe
r
i
me
n
t
uk
oj
ii
mamogu
ei
s
h
odeD1, D2,Dk-1, Dk koji
imaju vjerojatnosti ishoda p1, p2,pk-1, pk = 1 - p1 - p2 -- pk-1 ili hipoteza jest:
H0: P(D1) = p1, P(D2) = p2,,P(
Dk) = 1 - p1 - p2 -- pk-1
Ponovimo eksperiment n puta i na temelju tog uzorka brojimo koliko puta su se dogodili
doga
a
j
i
.Br
oj
e
vikol
i
koput
as
us
edog
odi
l
idoga
a
j
iD1, D2,Dk-1, Dk oz
n
a

i
mon
1, n2,
n
t
a
k
oe
rv
r
i
j
e
din
+n
k-1, nk .
1+n2+
k-1+nk = n.
Test Y jest:
H0 odbacujemo ako vrijedi

18

( ni npi )2
npi

h za F ( h ) 1 i pogr
e

k
uprvog reda

i 1

F ( h ) je funkcija 2 razdiobe s ( k 1 ) stupnjem slobode

Akot
e
s
t
i
r
a
mohi
pot
e
z
uor
a
z
di
ob
ii
l
if
un
kc
i
j
ivj
e
r
oj
a
t
n
os
t
if
(
x
)koj
ai
mamogu
ei
s
h
ode
D1, D2,Dk-1, Dk koji imaju vjerojatnosti ishoda iz funkcije vjerojatnosti
f1, f2,f
k-1, fk = 1 - f1 - f2 -- fk-1 ili hipoteza jest:
H0: P(D1) = f1, P(D2) = f2,,P(
Dk) = 1 - f1 - f2 -- fk-1
Ponovimo eksperiment n puta i na temelju tog uzorka brojimo koliko puta su se dogodili
doga
a
j
i
.Br
oj
e
vikol
i
koput
as
us
edog
odi
l
idoga
a
j
iD1, D2,Dk-1, Dk oz
n
a

i
mon
1, n2,
n
t
a
k
oe
rv
r
i
j
e
din
+n
k-1, nk .
1+n2+
k-1+nk = n. Iz uzorka ocijenimo parametre razdiobe
i iz ocijenjene razdiobe odredimo vjerojatnosti f1, f2,f
k-1, fk = 1 - f1 - f2 -- fk-1. Kod
odr
e
i
v
a
nj
ar
a
z
di
obeb
r
ojpa
r
a
me
t
a
r
aj
er
.
Test Y jest:
H0 odbacujemo ako vrijedi
k

( ni nfi )2
nfi

h za F ( h ) 1 i pogr
e

k
uprvog reda

i 1

F ( h ) je funkcija 2 razdiobe s ( k r 1 ) stupnjeva slobode

k je broj dogadaja ili razreda , r je broj parametara razdiobe
Akot
e
s
t
i
r
a
mohi
pot
e
z
uon
e
z
a
vi
s
n
os
t
is
l
u
a
j
ni
hv
a
r
i
j
a
bl
iXiYkoj
ei
mamogu
ei
s
h
od
e
X1, X2,Xk-1, Xk i ishode Y1, Y2,Yt-1, Yt koji imaju vjerojatnosti ishoda p1, p2,pk-1,
pk = 1 - p1 - p2 -- pk-1 i ili ishoda q1, q2,qt-1, qk = 1 - q1 - q2 -- qk-1 hipoteza jest:
H0: P(Xi, Yj )= pipj z
ai=1,2
,,
k,j=1,2
,,
t
Ponovimo eksperiment n puta i na temelju tog uzorka brojimo koliko puta su se dogodili
doga
a
j
i(
Xi, Yj)
.Br
oj
e
vikol
i
kopu
t
as
us
ed
og
odi
l
idoga
a
j
i(
Xi, Yj)
oz
n
a

i
mon
ij .
Ta
koe
rv
r
i
j
e
dinij = n.
Test Y jest:
H0 odbacujemo ako vrijedi

19

j 1

i 1
n
k

( nij

i 1

nij nij

j 1

)2

h za F ( h ) 1 i pogr
e

k
uprvog reda

nij

j 1

nij

i 1
n

F ( h ) je funkcija 2 razdiobe s ( k 1 )( t 1 ) stupnjem slobode

Pr
i
mj
e
r7.Br
ojpos
ue
ni
hknj
i
gai
zgr
a
ds
keknj
i

ni
c
er
a
dni
mda
ni
maj
e
s
t
:
Radni dan
Broj knjiga

Ponedjeljak
135

Utorak
108

Srijeda
120

e
t
v
r
t
a
k Petak
114
146

Te
s
t
i
r
a
j
t
ehi
pot
e
z
uoj
e
dna
komb
r
oj
upos
ue
ni
hknj
i
gadne
vn
out
okut
j
e
dn
a
.
Da
niut
j
e
dn
us
udoga
a
j
i
.Pon
e
dj
e
l
j
a
koz
n
a

i
moD1, utorak D2, srijedu D3,
e
t
v
r
t
a
kD4 i
petak D5.Br
ojpos
ue
ni
hknj
i
gaoz
n
a

i
mon
1 = 135, n2 = 108, n3 = 120, n4 = 114 i
n5 =146.Ta
koe
rv
r
i
j
e
din=135
+108+120+114+146=623.
Hi
pot
e
z
aoj
e
dn
a
komb
r
oj
upos
ue
ni
hknj
i
gadn
e
vn
out
j
e
dn
uj
e
s
t
:
H0: P(D1) = 0.2, P(D2) = 0.2, P(D3) = 0.2, P(D4) = 0.2, P(D5) = 0.2

Test Y jest: H0 odbacujemo ako vrijedi:

(135 623*0.2)2/(623*0.2)+ (108 623*0.2)2/(623*0.2)+ (120 623*0.2)2/(623*0.2)+
+(114 623*0.2)2/(623*0.2)+ (146 623*0.2)2/(623*0.2) > 9.49
jer je F(9.49) = 0.95 za 2 razdiobu sa 5 1 = 4 stupnja slobode.
Un
a

e
mpr
i
mj
e
r
uv
r
i
j
e
di7.
83<9.
49pan
emo
e
moodb
a
c
i
t
ihi
pot
e
z
uiz
a
t
op
r
i
hv
a

a
mo
hi
pot
e
z
uoj
e
dn
a
komb
r
oj
upos
ue
ni
hknj
i
gadn
e
vn
out
okut
j
e
dna
.
Pr
i
mj
e
r8.Nat
e
me
l
j
uuz
or
kaod98mj
e
r
e
nj
av
r
e
me
n
ai
z
me
udv
auz
a
s
t
opn
at
e
l
e
f
ons
ka
poziva :
Vr
i
j
e
mei
z
me
upoz
i
v
a 0-10
Broj mjerenja
50

10-20
25

20-30
15

30-40
7

40-60
1

Te
s
t
i
r
a
j
t
ehi
pot
e
z
uoe
ks
pon
e
n
c
i
j
a
l
n
ojr
a
z
di
obiv
r
e
me
n
ai
z
me
uuz
a
s
t
opni
ht
e
l
e
f
ons
ki
h
poziva.
Kor
i
s
t
i
mor
e
z
ul
t
a
t
ed
obi
v
e
n
er
j
e

a
v
a
nj
e
m4.z
a
da
t
kakoj
emo
e
mopr
i
ka
z
a
t
it
a
bl
i
c
om:
xmin - xmax
0-10

x
5

f
50

x*f
250

20

15
25
35
50
-

10-20
20-30
30-40
40-60
Zbroj

25
15
7
1
98

375
375
245
50
1295

Iz toga slijedi ocjena parametra eksponencijalne razdiobe E() s funkcijom razdiobe

F(x) = 1 exp( x
)
.St
a
t
i
s
t
i
kao
e
ki
va
nj
aj
es
e=1295/
98=13.
21=1/ ili ocjena
parametra je =1/13.
21=0.
0757
.Sa
damo
e
moi
z
r
a

un
a
t
ivj
e
r
oj
a
t
n
os
t
ii
n
t
e
r
v
a
l
a
:
P(X(0, 10)) = F(10) F(0) = (1 exp( 0.0757*10)) (1 exp( 0.0757*0)) = 0.53
P(X(10, 20)) = F(20) F(10) = (1 exp( 0.0757*20)) (1 exp( 0.0757*10)) =
= 0.78 0.53 = 0.25
P(X(20, 30)) = F(30) F(20) = (1 exp( 0.0757*30)) (1 exp( 0.0757*20)) =
= 0.90 0.78 = 0.12
P(X(30, +)) = 1 F(30) = 1 (1 exp( 0.0757*30)) = 1 0.90 = 0.10
Ovdje treba grupirati posljednja dva razreda u jedan jer je frekvencija posljednjeg razreda
manja od 5.
Na

ahi
pot
e
z
aj
e
s
t
:
H0: P(X(0, 10))=0.53, P(X(10, 20))=0.25, P(X(20, 30))=0.12, P(X(30, +))=0.10

El
e
me
n
t
ez
at
e
s
tmo
e
moi
z
r
a

un
a
t
it
a
bl
i
c
om:
xmin - xmax
0-10
10-20
20-30
30-(+)
Zbroj

ni
50
25
15
8
98

fi
0.53
0.25
0.12
0.10
1

ni*fi
51.9
24.5
11.8
9.80
98

(ni- ni*fi)2/ (ni*fi)

0.070
0.010
0.868
0.331
1.279

Test Y jest:
Hipotezu H0 odbacujemo ako je (ni- n*fi)2/ (n*fi)>hz
aF(
h
)=0.
95uzp
ogr
e

kup
r
v
og
reda = 0.05 sa (k-r-1) = (4-1-1) = 2 stupnja slobode.
Un
a

e
mpr
i
mj
e
r
uh=5.
99j
e
rv
r
i
j
e
diF(
5.
99)=0
.
95z
a2 razdiobu s 2 stupnja slobode.
Na
z
b
r
oj(ni- n*fi)2/ (n*fi) =1.279 i vrijedi 1.279 < 5.99 iz
a
t
on
emo
e
moodb
a
c
i
t
i
hi
pot
e
z
ui
l
ipr
i
hva

a
mohi
pot
e
z
uoe
ks
pon
e
n
c
i
j
a
l
nojr
a
z
di
obiv
r
e
me
n
ai
z
me
uuz
a
s
t
opni
h
telefonskih poziva.
Primjer 9. Ispitivanje javnog mijenja za vladin projekt A pokazalo je rezultate:
Za projekt A
Mu
ka
r
c
i
1154

Protiv projekta A
475

Neutralan
243
21

e
n
e

1083

442

362

Te
s
t
i
r
a
j
t
ehi
pot
e
z
uon
e
z
a
vi
s
n
os
t
imi

l
j
e
nj
aopr
oj
e
kt
uis
pol
a
.
Uov
ompr
i
mj
e
r
ut
e
s
t
i
r
a
mon
e
z
a
vi
s
n
os
ts
l
u
a
j
neva
r
i
j
a
bl
eX(
s
pol
)is
l
u
a
j
nev
a
r
i
j
a
bl
e
Y(
mi

l
j
e
nj
e
)
.
Zapot
r
e
b
et
e
s
t
amo
e
moi
z
r
a
di
t
idvi
j
et
a
bl
ice. Prva je tablica mjerenja:
nij
M

j nij

Z
1154
1083
2237

P
475
442
917

N
243
362
605

i nij
1872
1887
3759

Druga je tablica uz pretpostavku nezavisnosti varijabli mjerenja:

i nij*j nij / n
M

j nij

Z
1114.0
1123.0
2237

P
456.7
460.3
917

N
301.3
303.7
605

i nij
1872
1887
3759

I
z
r
a

un
a
j
moe
l
e
me
n
t
ez
at
e
s
tn
e
z
a
vi
s
n
os
t
is
l
u
a
j
ni
hva
r
i
j
a
bl
i
:
i j (nij - i nij*j nij / n)2 / (i nij*j nij / n) =
= (1154-1114)2/1114+(475-456.7)2/456.7+(243-301.3)2/301.3+(1083-1123)2/1123+
+(442-460.3)2/460.3+(362-303.7)2/303.7 = 26.79F(5.99) = 0.95 ili h = 5.99 za 2
razdiobu sa (2-1)(3-1) = 2 stupnja slobode.
I
zt
e
s
t
an
e
z
a
vi
s
n
os
t
is
l
u
a
j
ni
hv
a
r
i
j
a
bl
ii
s
punj
e
nj
euvj
e
todb
a
c
i
va
nj
ahi
pot
e
z
ej
e
rv
r
i
j
e
di
26.79 > 5.99 i zato odbacujemo hipotezu o nezavisnos
t
is
pol
aimi

l
j
e
nj
aovl
a
di
n
om
projektu A.
5. Linearna regresija
Zas
l
u
a
j
nuva
r
i
j
a
bl
u(
X,Y)de
f
i
ni
r
a
l
is
mol
i
ni
j
er
e
gr
e
s
i
j
eka
okr
i
v
ul
j
e(
x
,E(
Y|
x
)
)i
(E(X | y), y). Ako je linija regresije pravac govorimo o linearnoj regresiji. Zbog
jednostavnosti gov
or
i
t
i
e
mos
a
mool
i
ne
a
r
n
ojr
e
gr
e
s
i
j
i(
x
,E(
Y|
x
)=a
x+b
)
.
Polazimo od niza vrijednosti x1, x2,,
x
i
za
svaku
vrijednost
definiramo
nizove
n
s
l
u
a
j
ni
hv
a
r
i
j
a
bl
iY1, Y2,,Yn i Z1, Z2,,Zn za koje vrijedi:
Y1 = ax1 + b + Z1
Y2 = ax2 + b + Z2

Yn = axn + b + Zn

22

Uz pretpostavku E(Yi) = axi + b, V(Zi) = 0, V(Yi) = V(Zi)=vz

ai=1,2,,n
.
Akopr
e
t
p
os
t
a
vi
mol
i
ne
a
r
n
une
z
a
vi
s
n
os
ts
l
u
a
j
ni
hv
a
r
i
j
a
bl
iY1, Y2,,Yn s normalnim
razdiobama N(axi +b
,v
)pos
t
upk
omma
ks
i
ma
l
nevj
e
r
oj
a
t
n
os
t
imo
e
mooc
i
j
e
ni
ti
pa
r
a
me
t
r
ea
,biv
.I
zs
l
u
a
j
n
oguz
or
kas
l
u
a
j
ni
hv
a
r
i
j
a
bl
iY1, Y2,,Yn funkcija
vjerojatnosti uzorka jest:
n

f ( y1 , y2 ,..., yn , a ,b , v )
i 1

1
2v

yi axi b
2v

Zat
r
a

e
nj
ema
ks
i
ma
l
nevj
e
r
oj
a
t
n
os
t
iumj
e
s
t
of
un
kc
i
j
evj
e
r
oj
a
t
n
os
t
ifmo
e
mokor
i
s
t
i
t
i
logaritam te funkcije ili ln(f).
De
r
i
vi
r
a
nj
e
ml
n(
f
)popa
r
a
me
t
r
i
maii
z
j
e
dna

a
v
a
nj
e
mde
r
i
v
a
c
i
j
asn
ul
omdobi
va
mo
s
l
i
j
e
de

is
us
t
a
vl
i
ne
a
r
ni
hj
e
dn
a
d
bisoc
j
e
n
a
mapa
r
a
me
t
a
r
as
a
,s
bis
v
:
n

( y

saxi sb ) 0

saxi sb )x i 0

saxi sb ) 2 n sv

i 1
n

( y
i 1
n

( y
i 1

Rj
e

e
nj
et
ogs
us
t
a
v
aj
e
dn
a
d
bis
uoc
j
e
n
epa
r
a
me
t
a
r
al
i
ne
a
r
n
er
e
gr
e
s
i
j
e
:
n

n
( yi se y )( xi se x ) s cov( x , y )
sa i 1 n
sv x ' , sb y sax , sv' 1n ( y i saxi sb ) 2 ,
i 1
( xi se x )2
i 1

n
1
n

se x

x , se
i

i 1

1
n

x , sv ' x
i

1
n

i 1

i 1

2
i

se x , s cov( x , y ) 1n ( y i se y )( xi se x )
i 1

Ocjene intervala parametara jesu:

sa t

sv'
( n 2 ) sv x '

a sa t

sv'
( n 2 ) sv x '

sv'

sb t
n
sv
h2

xi2

i 1

n ( n 2 ) sv x '

,t ima T razdiobu s ( n 2 ) st . sl ., F ( t ) 1
2

sv'

b sb t

xi2

i 1

n( n 2 ) sv x '

,t ima T razdiobu s ( n 2 ) st . sl ., F ( t ) 1
2

1
v nhsv1 , h ima 2 razdiobu s ( n 2 )st . sl ., F ( h1 ) 1
2 , F ( h2 ) 2

Ovi
moc
j
e
n
a
mai
n
t
e
r
v
a
l
amo
e
mot
e
s
t
i
r
a
t
ihi
pot
e
z
eov
r
i
j
e
dn
os
t
i
mapa
r
a
me
t
a
r
a
.

23

Pr
i
mj
e
r10.Br
ojn
o
e
nj
aib
r
ojt
u
r
i
s
t
aumi
l
i
j
uni
mauRe
publ
i
c
iHr
v
a
t
s
kojj
e
s
t
:
Turisti
8.0
No
e
nj
a 55.4

8.3
54.6

9.1
59.6

10.1
67.7

10.2
68.2

10.5
68.2

10.4
67.3

9.7
61.8

8.5
52.5

Na
i
t
el
i
ne
a
r
n
ur
e
gr
e
s
i
j
ub
r
oj
an
o
e
nj
aib
r
oj
at
ur
i
s
t
a
.Oc
i
j
e
ni
t
epa
r
a
me
t
r
el
i
ne
a
r
n
e
regresije.
Br
ojn
o
e
nj
aj
es
l
u
a
j
nav
a
r
i
j
a
bl
aY,
ab
r
ojt
ur
i
s
t
aj
ex
.Li
n
e
a
rni model je Yi = axi + b + Z.
Pot
r
e
bn
epoda
t
kez
aoc
j
e
n
epa
r
a
me
t
a
r
amo
e
mopr
i
ka
z
a
t
it
a
b
e
l
om:
xi
8.0
8.3
9.1
10.1
10.2
10.5
10.4
9.7
8.5
= 84.8

yi
55.4
54.6
59.6
67.7
68.2
68.2
67.3
61.8
52.5
555.3

xi* yi
443.20
453.18
542.36
683.77
695.64
716.10
699.92
599.46
446.25
5279.88

x2i
64.00
68.89
82.81
102.01
104.04
110.25
108.16
94.09
72.25
806.50

saxi + sb
52.87
54.74
59.71
65.93
66.55
68.42
67.80
63.44
55.98

yi - saxi - sb
6.40
0.02
0.01
3.13
2.71
0.05
0.25
2.70
12.11
27.38

Ocjene parametara linearne regresije jesu:

se x 849.8 9.42222 , se y 5559 .3 61.7 , sv x ' 8069.50 9.42222 2 0.83288
cov( x , y ) 52799 .88 9.42222
61.7 5.30236 , sa 50..30236
83288 6.36629
sb 61.7 6.36629 * 9.42222 1.71542 , sv' 279.38 3.04222
iz T razdiobe F ( 2.365 ) 0.975 za ( 9 2 ) 7 st . sl . ili t 2.365
iz 2 razdiobe F ( 1.69 ) 0.025 i F ( 16.0 ) 0.975 za 7 st . sl . ili h1 1.69 i h2 16.0
6.366 2.365

3.04222
7
0.83288

1.715 2.365

3.04222
806.50
0.83288
7
9

9
3.04222
16.0

a 6.366 2.365

3.04222
7
0.83288

b 1.715 2.365

ili 4.658 a 8.074 za 0.95

3.04222
806.50
0.83288
7
9

ili 5.123 b 8.553 za 0.95

v 931.04222
ili 1.711 v 16.201 za 0.95
.69

Pravac regresije y = 6.366x + 1.715 z

a
j
e
dn
os
az
a
d
a
ni
mpoda
c
i
mamo
e
mopr
i
ka
z
a
t
in
a
s
l
i
c
ikoj
us
modobi
l
ikor
i

t
e
nj
e
mpr
ogr
a
maSt
a
t
i
s
t
i
c
a6.
0:

24

Model: y=a*x+b
y=(6.36644)*x+(1.713993)
70

65

60

55
Broj nocenja (u mil.)

50
7.0

7.5

8.0

8.5

9.0

9.5

10.0

10.5

11.0

Broj turista (u mil.)

Upr
ogr
a
muSt
a
t
i
s
t
i
c
a6.
0i
mac
i
j
e
l
ini
zs
t
a
t
i
s
t
i

ki
ha
n
a
l
i
z
av
e
z
a
ni
hz
al
i
ne
a
r
n
ur
e
gr
e
s
i
j
u.

Primjer 11. Mjer

e
nj
e
m vi
s
i
naml
a
di

auc
e
n
t
i
me
t
r
i
mait
e

i
n
auki
l
ogr
a
mi
madobi
ve
nis
u
grupirani podaci:
vis. \ t
e

.
165 168
169 172
173 176
177 181

61 63
44
13
1
0
58

64 66
65
79
29
0
173

67 69
18
120
83
4
225

70 72
3
65
117
32
217

73 75
0
8
46
48
102

77
0
0
5
10
15

130
285
281
94
790

I
z
r
a

un
a
j
t
epr
a
va
cr
e
gr
e
s
i
j
ekoj
iopi
s
uj
et
e

i
n
uuz
a
vi
s
n
os
t
iovi
s
i
ni
.I
z
r
a

un
a
j
t
e
koeficijent korelacije na temelju ovog uzorka. Testirajte hipotezu o nekorelativnosti
t
e

i
n
eivi
s
i
ne
.
Grupirane podatke preu
r
e
di
moi
z
r
a

un
a
v
a
nj
e
ms
r
e
di
n
er
a
z
r
e
daukoj
es
ugr
upi
r
a
ni
.Akos
xoz
n
a

i
mot
e

i
n
uisyvi
s
i
nudobi
va
mon
ov
ut
a
b
e
l
uf
r
e
kv
e
n
c
i
j
af
ij, fi i fj:
xi \ yj
166.5

62
44

65
65

68
18

71
3

74
0

76.5
0

fi
130

25

170.5
174.5
179
fj

13
1
0
58

79
29
0
173

120
83
4
225

65
117
32
217

8
46
48
102

0
5
10
15

285
281
94
790

Pr
v
oi
z
r
a

un
a
j
mos
r
e
di
nuiv
a
r
i
j
a
nc
uvi
s
i
neit
e

i
ne
4
1
n

se x

f x
i

.5 281
174.5 94
179
130166.5 285170790
136098
790 172.2759

i 1
6

217
71102
74 15
76.5
.5
se y 1n f j y j 5862 17365 22568790
54243
68.6627
790
j 1
4

sv 'x 1n f i xi2 se x 130166.5

285
170.5 2 281
174.5 2 94
179 2
790

172.2759 2 13.7839

i 1
6

sv 'y 1n f j y 2j se y 5862

173
65 2 225
68 2 217
712 102
74 2 15
76 .5 2
790

68.6627 2 12.6612

i 1

Vrijednosti fij xiyj i fijxiyj jesu:

fijxiyj
166.5
170.5
174.5
179

62
454212
137423
10819
0

65
703462.5
875517.5
328932.5
0

68
203796
1391280
984878
48688

71
35464.5
786857.5
1449571.5
406688

74
0
100936
593998
635808

76.5
0
0
66746.25
136935

fijxiyj = 454212+703462.5+203796+35464.5+137423+875517.5+1391280+
+786857.5+100936+10819+328932.5+984878+1449571.5+635808+136935=
= 9352013.25
Vrijednosti parametara pravca regresije y = sa*x + sb jesu:
sa s cov(sv' x , y ) n ijsv'i
1

f x yi sex se y
y

139.0630
0.6575
.7839

sb se y sa
se x 68.6627 0.6575 * 172.2759 44.6087
ss cov(' x ,'y ) 139..0630
0.6860
2106
svx sv y

Nat
e
me
l
j
uov
oguz
or
kamo
e
mot
e
s
t
i
r
a
t
ihi
pot
e
z
uon
e
kor
e
l
a
t
i
vn
os
t
ivi
s
i
neit
e

i
n
e
ml
a
di

a
.
Test nekorelativnosti testira hipotezu H0: = 0.
Test Y jest:
Hipotezu H0 odbacujemo ako vrijedi:

26

s
1s2

( nt2 ,

t
n 2

) za F ( t ) 1 2 , t ima T razdiobu s ( n 2 ) st . sl .,

je pogr
e

k
aprvog reda
Un
a

e
mpr
i
mj
e
r
uF(
1.
96)=0.
975za 788 stupnjeva slobode (st. sl. u tablicama). Zato
vrijedi:
s
1s2

( nt2 ,

0.686
10.686 2
t
n 2

0.9428

1.96
) ( 790
,
2

1.96
790 2

) ( 0.0698 ,0.0698 )

odbacujemo hipotezu o nekorelativnosti jer vrijedi 0.9428 ( 0.0698 ,0.0698 )

Zakoe
f
i
c
i
j
e
n
tk
or
e
l
a
c
i
j
euz
or
kaka

e
mo:
Ako je
s= 0
linearna povezanost je nekorelativna,
ako je
0 < | s| < 0.25 linearna povezanost je slaba,
ako je 0.25 | s|
<0.
64l
i
ne
a
r
n
apov
e
z
a
n
os
tj
es
r
e
dnj
ej
a

i
ne
,
ako je 0.64 | s|
<1 l
i
ne
a
r
n
apov
e
z
a
n
os
tj
e
v
r
s
t
a
,
ako je
s= 1
linearna povezanost je funkcionalna.
Un
a

e
mpr
i
mj
e
r
ur
a
dis
eo
v
r
s
t
ojl
i
ne
a
r
n
oj povezanosti.

27

6. Pitanja
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.
31.
32.
33.

N-di
me
n
z
i
on
a
l
nas
l
u
a
j
nav
a
r
i
j
a
bl
a
Funkcija vjerojatnosti n-di
me
nz
i
on
a
l
nes
l
u
a
j
nev
a
r
i
j
a
bl
e
Dvodimenzionalna binomna razdioba
Funkcije vjerojatnosti uvjetnih razdiobi
Krivulja regresije
Kovarijanca i koeficijent korelacije
Dvodimenzionalna hipergeometrijska varijabla
Sl
u
a
j
niuz
or
a
k
Statistika
St
a
t
i
s
t
i
kao
e
ki
v
a
nj
aiv
a
r
i
j
a
n
c
e
Sl
a
biz
a
konv
e
l
i
ki
hb
r
oj
e
v
aic
e
n
t
r
a
l
nigr
a
ni

nit
e
or
e
m
Postupak momenata za ocjenu vrijednosti parametara
Postupak maksimalne vjerojatnosti za ocjenu vrijednosti parametara
Postupak nepristrane ocjene
Oc
j
e
nai
n
t
e
r
v
a
l
ao
e
ki
v
a
nj
a
Ocjena intervala varijance
St
a
t
i
s
t
i

kahi
pot
e
z
a
J
e
dn
os
t
a
v
n
ais
l
o
e
n
ahi
pot
e
z
a
Test
De
t
e
r
mi
ni
s
t
i

kiit
e
s
tsvj
e
r
oj
a
t
n
os
t
i
Pog
r
e

kapr
v
ogidr
ugogr
e
da
Jednostavni test kvocijenta vjerojatnosti
Neyman-Pearsonova lema
Op
it
e
s
tkv
oc
i
j
e
n
t
avj
e
r
oj
a
t
n
os
t
i
Postupak intervala pouzdanosti
Te
s
t
ovihi
pot
e
z
eoo
e
ki
v
a
nj
u
Testovi hipoteze o varijanci
Testovi hipoteze o razdiobi
Test hipoteze o nezavisnosti
Linearna regresija
Ocjene parametara linearne regresije
Ocjene intervala parametara linearne regresije
Test hipoteze o nekorelativnosti

28

3. test iz Statistike
Za
da
n
aj
ef
un
kc
i
j
avj
e
r
oj
a
t
n
os
t
idv
odi
me
n
z
i
on
a
l
nes
l
u
a
j
nev
a
r
i
j
a
bl
e(
X,Y)
:
xi \ yj
1
2
1.

2
0.2
0.1

3
0.3
0

Marginalna funkcija vjerojatnosti f1(xi) jest:

a)

xi
f1(xi)

2.

1
0.6

2
0.4

b)

xi
f1(xi)

2
0.3

1
0.7

c)

xi
f1(xi)

1
0.1

2
0.9

d)

xi
f1(xi)

2
0.5

1
0.5

Krivulja regresije E(X | Y) jest:

a)

yj
E(X|yj)

c)

yj
E(X|yj)

3.

0
0.1
0.3

0
-1

2
0

3
2

b)

0
1.25

2
0

3
-1

d)

yj
E(X|yj)

yj
E(X|yj)

0
0.5

2
1

3
1.5

0
-1

2
-0.5

3
2

Kovarijanca cov(X, Y) jest:

a) 1.33

b) 0.02

c) -1.20

d) -2.11

Ut
okuj
e
dn
ogada
n
ai
z
mj
e
r
e
nes
us
l
i
j
e
de

et
e
mpe
r
a
t
ur
eus
t
upnj
e
vi
maCe
l
z
i
j
a
:
10.4, 12.9, 15.1, 13.4, 11.2
4.

Oc
j
e
nao
e
ki
v
a
nj
an
or
ma
l
ner
a
z
di
ob
ei
zuz
or
kat
e
mpe
r
a
t
ur
ej
e
s
t
:

a) 11.1
5.

c) 13.3

d) 14.1

Ocjena intervala varijance normalne razdiobe iz uzorka temperature jest:

a) (0.51, 6.11)
6.

b) 12.6

b) (2.44, 4.44)

c) (0.34, 6.88)

d) (1.24, 28.49)

0
Te
s
t
i
r
a
j
t
edvi
j
ehi
pot
e
z
eoo
e
ki
v
a
n
ojt
e
mpe
r
a
t
ur
ima
nj
ojod12
Cio
e
ki
v
a
n
oj
0
varijanci od 4 C.

a) (prihv., odbac.)

b) (prihv., prihv.)

c) (odbac., prihv.)

d) (odbac., odbac.)

29

NaSv
e
u
i
l
i

t
uuZa
gr
e
b
uuz
n
a
n
s
t
v
e
ni
mpodr
u
j
i
mami
ni
ma
l
n
ot
r
a
j
a
nj
es
t
udi
j
ai
pr
os
j
e

n
ot
r
a
j
a
nj
es
t
udi
j
augodi
na
maj
e
s
t
:
Minimalno trajanje
Pr
os
j
e

n
ot
r
a
j
a
nj
e
7.

4.0
6.2

4.4
6.4

5.3
6.8

4.6
6.7

4.0
5.7

4.1
5.9

4.0
5.6

Parametar sa pravca regresije jest:

y
(
pr
os
j
e

n
ot
r
a
j
a
nj
e
)=sa*x(minimalno trajanje) + sb

a) 0.833
8.

b) 1.101

b) (0.030, 0.455)

c) (0.101, 4.197)

d) (1.267, 3.254)

Koe
f
i
c
i
j
e
n
tk
or
e
l
a
c
i
j
emi
ni
ma
l
n
ogipr
os
j
e

n
ogt
r
a
j
a
nj
as
t
udi
j
asjest:

a) 0.105
10.

d) - 0.054

Ocjenu intervala varijance pravca regresije jest:

a) (0.312, 2.347)
9.

c) - 0.977

b) 1

c) 0.2731

d) 0.848

Opi

i
t
el
i
ne
a
r
n
upov
e
z
a
n
os
tit
e
s
t
i
r
a
j
t
ehi
pot
e
z
uon
e
kor
e
l
a
t
i
vn
os
t
imi
ni
ma
l
n
ogi
pr
os
j
e

n
ogt
r
a
j
a
nj
as
t
udi
j
a
.

a) funkcionalna

b
)
v
r
s
t
a

Pitanje
1
To
anodgovor a

c
)s
r
e
dnj
ej
a

i
ne

2
c

3
c

4
b

5
d

6
b

7
a

d) slaba

8
b

9
d

10
b

30