Poslovna Statistika

Mr Milena Marjanovi}
POSLOVNA
STATISTIKA
( autorizovana predavanja )
Leskovac, 2002.
Sadràj
UVOD
ETAPE U STATISTI^KOM ISTRA@IVANJU .................................................... 8
STATISTI^KI SKUP ILI STATISTI^KA MASA ............................................... 9
STATISTIKA JEDINICA I OBELE@JA............................................................... 9
METODE STATISTI^KOG POSMATRANJA ILI
PRIKUPLJANJA PODATAKA ........................................................................... 10
MERNE SKALE ..................................................................................................... 11
PRIKAZIVANJA STATISTI^KIH PODATAKA............................................... 12
TABELARNO PRIKAZIVANJE PODATAKA............................................................ 15
GRAFI^KO PRIKAZIVANJE STATISTI~KIH PODATAKA .......................... 16
DESKRIPTIVNE MERE
MERE SREDNJIH VREDNOSTI
(MERE CENTRALNE TENDENCIJE) .............................................................. 21
ARITMETI^KA SREDINA .................................................................................. 21
GEOMETRIJSKA SREDINA............................................................................... 25
HARMONIJSKA SREDINA................................................................................. 26
POZICIONE SREDNJE VREDNOSTI............................................................... 28
MERE DISPERZIJE I VARIJACIJE

APSOLUTNE MERE DISPERZIJE ................................................................... 31
RELATIVNE MERE DISPERZIJE .................................................................... 33
MERE ASIMETRIJE I SPLJO[TENOSTI ....................................................... 34
OSNOVI TEORIJE VEROVATNO}E I MODELI

TEORIJSKIH RASPOREDA
OSNOVNI POJMOVI TEORIJE VEROVATNO]E
I MODELI TEORIJSKIH RASPOREDA .......................................................... 43
TEORIJSKI RASPORED VEROVATNO]E ..................................................... 44
3
MODELI PREKIDNIH TEORIJSKIH RASPOREDA ............................................... 44
Bernulijev raspored .........................................................................................................44
Binomni raspored ............................................................................................................45
Poisonov raspored............................................................................................................45
MODELI NEPREKIDNIH TEORIJSKIH RASPOREDA.......................................... 46
Normalan raspored .........................................................................................................47
X2 – raspored....................................................................................................................48
Studentov raspored (t – raspored) ..................................................................................48
Fi{erov model...................................................................................................................49
STATISTI^KO ZAKLJUÎVANJE
METOD UZORKA – IZBOR I TIPOVI UZORAKA .......................................... 51
STATISTI^KE GRE[KE...................................................................................... 53
RASPORED ARITMETI^KIH SREDINA UZORAKA .................................... 54
PROST SLUÂJAN UZORAK, VARIJANSA OSNOVNOG
SKUPA JE POZNATA ................................................................................................. 54
PROST SLUÂJAN UZORAK, VARIJANSA OSNOVNOG
SKUPA NIJE POZNATA............................................................................................. 56
STRATIFIKOVANI UZORAK ..................................................................................... 57
RASPORED PROPORCIJA UZORKA — INTERVAL
POVERENJA ZA PROPORCIJU OSNOVNOG SKUPA ................................ 58
PROST SLUÂJAN UZORAK .................................................................................... 58
STRATIFIKOVAN SLUÂJAN UZORAK ................................................................. 60
RASPORED VARIJANSI UZORKA ........................................................................... 60
TESTIRANJE STATISTI^KIH HIPOTEZA ..................................................... 61
TESTIRANJE HIPOTEZE O VREDNOSTI ARITMETI^KE
SREDINE KADA JE VARIJANSA OSNOVNOG SKUPA POZNATA ..................... 63
TESTIRANJE HIPOTEZE O VREDNOSTI ARITMETI^KE SREDINE
KADA JE VARIJANSA OSNOVNOG SKUPA NEPOZNATA.................................. 65
TESTIRANJE HIPOTEZE O PROPORCIJI OSNOVNOG SKUPA ......................... 66
TESTIRANJE HIPOTEZE O RAZLICI ARITMETI^KIH SREDINA DVA
OSNOVNA SKUPA, VARIJANSE OSNOVNIH SKUPOVA SU POZNATE................... 67
TESTIRANJE HIPOTEZE O RAZLICI ARITMETI^KIH SREDINA DVA
OSNOVNA SKUPA, VARIJANSE OSNOVNIH SKUPOVA SU NEPOZNATE ............... 68
TESTIRANJE HIPOTEZE O JEDNAKOSTI PROPORCIJA DVA
OSNOVNA SKUPA...................................................................................................... 69
χ – TEST ................................................................................................................... 69
2
TESTIRANJE OBLIKA RASPOREDA....................................................................... 70

TEST NEZAVISNOSTI................................................................................................ 71
REGRESIJA I KORELACIJA
DETERMINISTI^KA I STOHASTI^KA VEZA................................................ 81
CILJEVI REGRESIONE I KORELACIONE ANALIZE.................................. 81
PROSTA LINEARNA REGRESIJA ................................................................... 82
DIJAGRAM RASPR[ENOSTI .................................................................................... 82
PROST LINEARNI REGRESIONI MODEL .............................................................. 83
OCENJIVANJE: METOD NAJMANJIH KVADRATA ............................................. 84
MERE REPREZENTATIVNOSTI LINIJE REGRESIJE .......................................... 86
4
OCENJIVANJE I PREDVI\ANJE VREDNOSTI ZAVISNO
PROMENLJIVE NA BAZI REGRESIONOG MODELA ........................................... 88
KOEFICIJENT PROSTE LINEARNE KORELACIJE.............................................. 89
MERE PROSTE LINEARNE KORELACIJE OSNOVNOG SKUPA ....................... 89
MERE PROSTE LINEARNE KORELACIJE NA BAZI UZORKA ........................... 92
Test linearne nezavisnosti slu~ajnih veli~ina X i Y osnovnog skupa .............................92
Test hipoteze o vrednosti koeficijenta linearne korelacije slu~ajnih
veli~ina x i y osnovnog skupa ..........................................................................................93
MERE PROSTE LINEARNE KORELACIJE ZASNOVANE
NA RANGIRANIM PODACIMA ................................................................................. 94
PROSTA KRIVOLINIJSKA REGRESIJA I KORELACIJA .......................... 95
PROSTA KVADRATNA (PARABOLI^NA)
REGRESIJA I KORELACIJA ............................................................................. 95
PROSTA EKSPONENCIJALNA REGRESIJA I KORELACIJA .................. 98
PROSTA LOGARITAMSKA REGRESIJA I KORELACIJA .......................... 98
LINEARNA VI[ESTRUKA REGRESIJA I KORELACIJA............................ 99
PARCIJALNA LINEARNA KORELACIJA ILI
DELIMI^NA LINEARNA KORELACIJA................................................................ 101
INDEKSNI BROJEVI
VREMENSKI INDEKSI...................................................................................... 109
BAZNI INDEKSI.................................................................................................. 110
LANÂNI INDEKSI............................................................................................ 112
PRERAÛNAVANJE BAZNIH I LANÂNIH INDEKSA...................................... 113
INDEKSI KOLIÎNA .......................................................................................... 114
INDIVIDUALNI INDEKSI KOLIÎNA ................................................................... 114
GRUPNI INDEKSI KOLIÎNE ................................................................................ 115
INDEKSI CENA ................................................................................................... 117
INDIVIDUALNI INDEKSI CENA............................................................................ 117
GRUPNI INDEKSI CENA......................................................................................... 117
INDEKS VREDNOSTI........................................................................................ 119
INDEKS TRO[KOVA @IVOTA ......................................................................... 120
INDEKSI PLATA (ZARADA) ............................................................................ 120
INDIVIDUALNI INDEKSI ZARADA (PLATA) ....................................................... 120
GRUPNI INDEKSI PLATA....................................................................................... 121
Grupni indeksi plata promenljivog sastava proizvodnje .............................................122
Grupni indeks zarada nepromenjenog sastava zaposlenih ..........................................122
INDEKS PRODUKTIVNOSTI RADA .............................................................. 123
INDIVIDUALNI INDEKSI PRODUKTIVNOSTI RADA ........................................ 124
GRUPNI INDEKSI PRODUKTIVNOSTI RADA..................................................... 125
Grupni indeksi produktivnosti rada promenljivog sastava proizvodnje .....................125
Grupni indeksi produktivnosti rada nepromenljivog sastava proizvodnje .................126
ANALIZA VREMENSKIH SERIJA

TREND KOMPONENTA .................................................................................... 135
LINEARNI TREND ................................................................................................... 136
PARABOLI^NI TREND ............................................................................................ 139
EKSPONENCIJALNI TREND.................................................................................. 141
5
SEZONSKA KOMPONENTA............................................................................. 143
POJAVA SA STABILNIM SEZONSKIM RITMOM ................................................ 144
POJAVA SA NESTABILNIM SEZONSKIM RITMOM........................................... 144
PREDVI\ANJE SEZONSKIH VARIJACIJA .......................................................... 145
CIKLI^NA KOMPONENTA .............................................................................. 145
STATISTIKA POSLOVANJA PREDUZE]A

STATISTIKA PRIVREDNIH KAPACITETA.................................................. 149
OSNOVNA SREDSTVA ...................................................................................... 150
VREDNOSNI IZRAZ OSNOVNIH SREDSTAVA .................................................... 150
STRUKTURA OSNOVNIH SREDSTAVA I
POKAZATELJI NJIHOVOG KORI[]ENJA ........................................................... 152
NATURALNI IZRAZ OSNOVNIH SREDSTAVA .................................................... 153
Energetska oprema ........................................................................................................153
Proizvodna oprema........................................................................................................153
STATISTIKA MATERIJALA I SIROVINA ..................................................... 155
STATISTIKA RADNE SNAGE .......................................................................... 157
BROJNO STANJE ZAPOSLENIH RADNIKA......................................................... 157
STRUKTURA ZAPOSLENIH RADNIKA................................................................. 157
PROMET ZAPOSLENIH RADNIKA ........................................................................ 158
RADNO VREME I POKAZATELJI ISKORI[]ENJA RADNOG VREMENA .............. 158
KLIZNA SKALA
OBLICI KLIZNE SKALE ................................................................................... 163
KLAUZULA SA FORMULOM ........................................................................... 163
RAZVIJENI OBLIK MATEMATI^KE FORMULE KLIZNE SKALE ......... 166
RAZIJEN OBLIK MATEMATI^KE FORMULE KLIZNE
SKALE SA VARIRANJEM ODRE\ENOG DELA OP[TIH
TRO[KOVA PROIZVODNJE............................................................................ 168
SKRA]ENI OBLIK (OPISNI OBLIK) KLIZNE SKALE............................... 170
L I T E R A T U R A ............................................................................................ 173
T A B L I C E ....................................................................................................... 175
6
Uvod
N
astanak i razvoj statistike usko je povezan sa razvojem ljudskog
dru{tva. U biti ~oveka je da stalno prati, bele` i i obja{njava pojave
iz svoga okru` enja.
Evolucija u razvoju ljudskog dru{tva zahtevala je kvalitetniji pri-
stup u posmatranja i prikazivanju pojava u novom, savremenijem svetlu.
Re~ statistika poti~e od latinske re~i status {to zna~i stanje, polo` aj.
Prvi put je re~ statistika upotrebljena u XVIII veku, a njeni za~eci kao
nau~ne discipline datiraju iz XVII veka u Engleskoj i Nema~koj.
Nema~ka {kola statistike akcenat stavlja na razvoj metoda za de-
skripciju pojava, a engleska {kola akcenat stavlja na razvoj i primenu ma-
temati~kih metoda u statistici. Teorija verovatno}e, koja se naro~ito raz-
vila u XIX veku, pomogla je otkrivanju i razvoju novih statisti~kih teorija.
U dru{tvu postoji veliki broj pojava koje se mogu javiti kao indi-
vidualne, ili kao pojave u masi. Osnovna karaktristika masovnih pojava
(za razliku od individualnih) je varijabilnost. Samo ovakve pojave su
predmet statisti~kog prou~avanja.
Varijabilnost pojave nije ni{ta drugo do odstupanje vrednosti karak-
teristika pojedinih slu~ajeva neke pojave od op{tih karakteristika, koje
predstavljaju pravilnost manifestovanja pojave. Masovna pojava (stat. ma-
sa ili osnovni skup) je odre|eni skup jedinica (elemenata) nad kojima se
odvijaju stat. posmatrane pojave ili obele` ja, sa ciljem otkrivanja veza
me|u pojavama i utvr|ivanja uticaja tih veza na posmatrane pojave.
Prou~avanjem razvoja statistike, uo~avamo ~etiri karakteristi~ne
faze u njenom razvoju:
• prikupljanje podataka
• nema~ka deskriptivna {kola i {kola politi~ke aritmetike u
Engleskoj
• povezivanje statistike i te verovatno}e, i
• savremena statistika.
Ako ` elimo da damo op{tu definiciju statistike polazimo od:
7
• kvalitativnog pristupa (prikupljanje numeri~kih podataka), tj.
zakonitost kretanja otkriva se posmatranjem masovnih pojava;
• varijabilnosti masovne pojave;
• me|uzavisnosti pojava koje prou~avamo;
• kvalitativnog pristupa, tj. da se svi dobijeni rezultati moraju

objasniti i protuma~iti.
Na osnovu svega re~enog, mo` emo definisati statistiku kao nau~ni

metod kvantitativnog i kvalitativnog tuma~enja varijacija karakteristika
masovnih pojava.
ETAPE U STATISTI^KOM ISTRA@IVANJU

Statisti~ko istra` ivanje nije ni malo jednostavan posao. Ovo istra-
` ivanje razvrstano je u ~etiri karakteristi~ne etape, i to:
• priprema posmatranja
• statisti~ko posmatranje – prikupljanje podataka
• kontrola, sre|ivanje, grupisanje i prikazivanje podataka
• analiza i tuma~enje podataka.
Pre nego {to se pristupi statisti~kom istra` ivanju, valja izvr{iti

pripremu posmatranja i doneti plan organizacije istra` ivanja. Statisti~ko
istra` ivanje ne mo` e biti kvalitetno sprovedeno ako ne postoji: cilj istra-
` ivanja i predmet istra` ivanja.
Cilj istra` ivanja mo` e biti jasan, konkretan, precizan i realan da bi

istra` ivanje valjano moglo da se isplanira.
Predmet istra` ivanja direktno zavisi od cilja istra` ivanja, i on nije

ni{ta drugo do masovna pojava odre|ena u prostoru i vremenu.
Prikupljanje podataka obavlja se iz: primarnih izvora (neposredno

prikupljanje podataka) i sekundarnih izvora (posredno iz postoje}ih evi-
dencija i dokumentacija).
Osnovno sredstvo za prikupljanje podataka, na osnovu kratkih i

konciznih pitanja sa dovoljno mesta za ubacivanje odgovora je upitnik. U
zavisnosti od broja ispitanika koje obuhvataju upitnici mogu biti: indi-
vidualni i kolektivni.
8
STATISTI^KI SKUP ILI STATISTI^KA MASA
Statisti~ki skup je skup svih elemenata nad kojima se vr{i sta-
tisti~ko posmatranje pojave ili obele` je pojave.
Pojedina~ni elementi iz kojih se skup sastoji zovu se elementi ili jed-
inice skupa. Izbor ovih jedinica u praksi nije jednostavan posao. Raz-
novrsnost problema koji se istra` uje ~esto komplikuje i pitanje samog sta-
tisti~kog skupa. Formiranje statisti~kog skupa zavisi od: prirode pojave,
ciljeva istra` ivanja i od toga koje su mogu}nosti posmatranja na raspola-
ganju.
Statisti~ki skup ima tri karakteristike: homogenost, diferenciranost
i celovitost.
Statisti~ki skup je homogen kada su jedinice koje su obuhva}ene
sli~ne, tj. imaju makar jedno zajedni~ko svojstvo. Na pr. studenti bez ob-
zira na razlike po: polu, godinama, nacionalnoj i verskoj pripadnosti imaju
zajedni~ko svojstvo {to su studenti.
Statisti~ki skup je diferenciran kada su jedinice na kojima se obav-
lja posmatranje istovrsne ali nisu i istovetne. Na primer stanovni{tvo u
gradu je je homogen jer ga ~ine istovrsne jedinice, ali je ujedno i skup neis-
tovetnih jedinica jer se stanovnici razlikuju po polu, godinama, zanimanju,
prihodima itd.
Statisti~ki skup je celovit jer predstavlja skup svih individualnih
slu~ajeva posmatrane pojave u prostoru i vremenu.
STATISTIKA JEDINICA I OBELE@JA

Osnovni nosilac karakteristika statisti~kog skupa naziva se sta-
tisti~ka jedinica. Na njoj se u stvari, vr{i statisti~ko posmatranje. One
mogu biti: ` iva bi}a, predmeti, pravna lica i doga|aji. Zato ka` emo da
postoje tri bazna registra statisti~kih podataka:
• Jedinstveni registar stanovni{tva (JRS)
• Registar organizacija i zajednica (ROJ)
• Registar teritorijalnih jedinica (RTJ)
Registri su povezani preko jedinstvenih identifikacija sa bazom po-
dataka ili drugim evidencijama. Registar se reguli{e zakonom na osnovu
zajedni~kih odrednica: jedinstvo, a` urnost, postupnost, racionalnost, otvo-
renost, decentralizacija organizacije, legalitet, slu` benost.
Kod statisti~kog istra` ivanja je veoma va` no da je jedinica osnov-
nog skupa realna. Statisti~ko posmatranje vr{i se putem vremenskih
serija.
9
Osobine po kojima se jedinice osnovnog skupa me|usobno razlikuju
zovu se obele` ja. Sva obele` ja mo` emo svrstati u dve grupe: numeri~ka i
atributivna obele` ja.
Numeri~ka obele` ja su ona koja se iskazuju broj~ano. Numeri~ka
obele` ja mogu biti nepredidna (kontinuirana) i prekidna (diskontinuirana).
Neprekidna obele` ja uzimaju bilo koju vrednost iz mogu}eg inter-
vala vrednosti (vrednost robe, starost stanovni{tva, visina itd.).
Prekidna obele` ja uglavnom uzimaju cele brojeve. Ona predstav-
ljaju numeri~ke odgovore koji proizilaze iz procesa prebrojavanja (godina
studija, veli~ina preduze}a prema broju zaposlenih, broj soba stambene
jedinice itd.).
Atributivna obele` ja opisno izra` avaju kvalitativne razlike kod jed-
inica posmatranja neke pojave (pol, zanimanje...). Za atributivna obele` ja
ka` emo da imaju odre|ene modalitete (pol dva modaliteta: mu{ko i ` en-
sko). Da bi se br` e obradili podaci, statisti~ari kod atributivnih obele` ja
koriste kodekse {ifara radi adekvatnije obrade podataka. Modaliteti atri-
butivnih obele` ja odra` avaju samo razli~ite oblike manifestovanja pojave.
METODE STATISTI^KOG POSMATRANJA ILI

PRIKUPLJANJA PODATAKA
Statisti~ko posmatranje mo` e biti potpuno i delimi~no.
Osnovni metodi potpunog statisti~kog posmatranja su: statisti~ki
popis i izve{tajni metod.
Statisti~ki popis je takav metod statisti~kog posmatranja koji sve
jedinice skupa posmatra u jednom odre|enom momentu (kriti~an mo-
menat). Ovaj metod omogu}ava potpun pregled strukture posmatranog
skupa i zahteva mnogo tro{kova i vremena.
Izve{tajnim metodom neprekidno se prate doga|aji ~iji je varijabili-
tet tokom vremena ja~e izra` en.
Ovaj metod sprovode lica ili organizacije za svoje poslovne potrebe.
Svoje izve{taje, u odre|enom vremenskom periodu, {alju statisti~kim orga-
nima. Onda kad ` elimo da posmatramo promenu statisti~kog skupa u
sukcesivnim vremenskim intervalima ili momentima koristimo statisti~ki
izve{taj.
Delimi~no posmatranje obavlja se na osnovu uzorka. Uzorci se ko-
riste kao zamena za popisnu metodu pa ~ak i za izve{tajnu metodu.
Uzorak je reprezentativni deo osnovnog skupa na osnovu koga se donose
ocene o osobinama osnovnog skupa. Veoma je va` no obaviti: valjan izvor
10
vrste uzorka, usvojiti na~in izbora jedinica uzorka i izbor veli~ine uzorka.
U statistici se naj~e{}e koriste slu~ajni uzorci na bazi teorije verovatno}e.
Prema veli~ini, uzorke delimo na: male uzorke (n≤30) i velike uzorke
(n>30).
Posebno isti~emo anketu kao metodu posmatranja odre|enog broja
namerno odabranih tipi~nih jedinica statisti~kog skupa. Ankete mogu biti:
redovne i povremene.
Neminovni pratilac statisti~kog istra` ivanja su gre{ke. One mogu
biti slu~ajne i sistematske. Dok se slu~ajne gre{ke me|usobno poni{tavaju
i nemaju zna~jniji uticaj na rezultate istra` ivanja, sistematske gre{ke se
ne mogu zanemariti. One uti~u na rezultat i moraju se otklanjati, i o njima
mora da se vodi ra~una. Da bi se gre{ke evidentirale i u hodu otklanjale
uvedeni su odre|eni na~ini kontrole:
• samokontrola i revizija
• kontrola na terenu preko pratnje
• kontrola sa mini pitanjima preko po{te
• naknadna kontrola na terenu – reintervju
• kontrola pomo}u anketara za istra` ivanje preko po{te
MERNE SKALE
Svaki nivo merenja ima posebnu skalu sa odre|enim jedinicama
mere. Shodno tome, postoje ~etiri nivoa merenja i ~etiri merne skale: no-
minalna, ordinalna, intervalna i skala odnosa.
Nominalna skala na osnovu brojeva vr{i razvrstavanja nivoa obe-
le` ja na odre|eni broj modaliteta. Ova skala je najnepreciznija. Tako se
klasifikuju: pol, zanimanje, bra~no stanje itd. Atributivne karakteristike
mogu se ozna~iti i slovima.
Ordinalna skala svodi merenje modaliteta na njihovo rangiranje
prema zna~aju u odnosu na postavljene kriterijume. Na primer, lokacija
prodavnica mo` e se ozna~iti kao izuzetno povoljna, nepovoljna, osrednja ...
Intervalna skala pored toga {to pokazuje redosled modaliteta, poka-
zuje i meru njihovog razlikovanja. Druga~ije se naziva kardinalna skala
(jedinica za merenje temperature — Celzijusova i Farenhajtova skala).
Skalom odnosa posti` e se najvi{i nivo merenja. Ona je ujedno i na-
jpreciznija skala (telesna te` ina u kg, visina u cm ).
11
PRIKAZIVANJA STATISTI^KIH PODATAKA
Statisti~ki podaci su sintetizovani izraz individualnih podataka. Re-
zultati statisti~ke obrade daju se u vidu niza podataka sre|enih po obe-
le` ju ili hronologiji, i nazivaju se statisti~ke serije. Delimo ih na serije
strukture i vremenske (hronolo{ke) serije.
Serije strukture prikazuju raspored statisti~kih jedinica po vrednos-

tima ili modalitetima nekog obele` ja. U jednom redu su modaliteti
obele` ja, a u drugom je broj jedinica koji odgovara pojedinim modalitetima
i ozna~ava frekvencu (u~estalost pojave). Serije strukture mogu sadr` ati
atributivna i numeri~ka obele` ja.
Modaliteti atributivnih obele` ja izra` avaju se opisno i razvrstavaju

po kriterijumu koji najvi{e odgovara prirodi samog obele` ja.
Serija strukture po numeri~kim obele` jima nazivaju se rasporedi

(distribucije) frekvencija i dele se na: prostu i intervalnu distributivnu
frekvencu.
Prosta distributivna frekvenca predstavlja raspored statisti~kih jed-

inica po svim postoje}im vrednostima.
Tabela 1. Prose~na godi{nja temperatura u °C u Leskovcu
Godina Prose~na temperatura

(X) (f)
1989. 10,8
1990. 11,4
1991. 10,2
Σ 32,4
Inetrvalna distributivna frekvenca predstavlja raspored statisti~kih

jedinica prema intervalima vrednosti posmatranog obele` ja. Intervalne
distributivne serije mogu biti: zatvorene intervalne serije i intervalne
serije otvorenog tipa. Primer za zatvorenu grupnu seriju podataka dat je u
tabeli br. 2.
12
Tabela 2. Grupisanje preduze}a prema broju kompjutera
Broj kompjutera Broj preduze}a

(x) (f)
12 – 18 13
18 – 24 34
24 – 30 24
30 – 36 18
36 – 42 11
Σ 100
U praksi se koristi i otvoreni grupni interval (prikazan primerom u

tabeli 3).
Tabela 3. Grupisanje preduze}a prema kompjuterima
Broj kompjutera Broj preduze}a

do 17 13
18 – 23 34
24 – 29 24
30 – 35 18
36 i vi{e 11
Σ 100
Razlika izme|u gornje i donje granice intervala zove se {irina inter-

vala, a vrednost obele` ja nalazi se u sredini grupnog intervala.
U statisti~koj praksi se veoma ~esto susre}emo sa problemom broja
intervala u okviru koga }emo razvrstati statisti~ke podatke. Za odre|iva-
nje {irine grupnog intervala naj~e{}e se koristi Strugesovo pravilo:
K = 1 + 3,3 log N
gde je: K broj intervala, N broj prikupljenih statisti~kih podataka

[irina grupnog intervala odre|uje se na osnovu izraza:
13
xmax − xmin
i=
K
xmax je najve}a, a xmin najmanja vrednost numeri~kog obele` ja u skupu

statisti~kih podataka, i je {irina intervala.
Primer 1: U preduze}u za proizvodnju strujomera 50 radnika su u toku

sedmo~asovnog rada namontirali strujomera:
32 38 26 29 32 41 28 31 45 36
45 35 40 30 31 40 27 33 28 30
30 41 39 38 33 35 31 36 37 32
23 45 39 37 38 36 33 35 42 38
34 22 37 43 52 32 35 30 46 36
Na osnovu prikupljenih podataka grupisati iste u obliku intervalne

numeri~ke serije sa prekidnim obele` jima:
Re{enje:
K = 1 + 3,3 log 50 = 6,6405804 ≈ 7
Odgovor: Prikupljene podatke o proizvodnji strujomera treba grupisati u

sedam grupnih intervala.
52 − 22
i= = 4,517677401 ≈ 5
7
Odgovor: [irina grupnih intervala mora biti 5 strujomera.

Na osnovu K i i formiramo tabelu intervalne distributivne serije.
14
Tabela 4. Grupisanje radnika prema broju sklopljenih strujomera
Broj strujomera Broj radnika

(x) (f)
22 – 27 4
28 – 33 17
34 – 39 18
40 – 45 9
46 – 51 1
52 – 57 1
Σ 50
Statisti~ki podaci svrstavaju se u statisti~ke serije i prikazuju se ta-

belarno i grafi~ki.
Tabelarno prikazivanje podataka

Tabela je skup brojeva koji su raspore|eni u pravougaonike kvad-
ratne {eme. Deli se na redove (horizontale) i kolone (vertikale). Statisti~ke
tabele po obliku mogu biti: proste (sadr` e podatke radne serije koji se
mogu odnositi na serije strukture i vremenske serije), slo` ene (dobija se
spajanjem vi{e prostih tabela koje pokazuju razli~ite podatke, a pri tom su
u me|usobnoj sadr` inskoj vezi – li~na primanja po delatnostima), i kom-
binovane tabele (sadr` e podatke serija dobijenih ukr{tanjem dva ili vi{e
obele` ja – raspored radnika po smenama i privrednim delatnostima). Ove
tabele imaju veliki analiti~ki zna~aj, samo treba voditi ra~una da ne budu
pretrpane podacima.
Statisti~ke tabele predstavljaju osnovnu i kona~nu formu prika-
zivanja statisti~kih podataka u apsolutnom ili relativnom odnosu.
Statisti~ke tabele po obliku delimo na: proste, slo` ene i kombino-
vane.
Proste tabele se sastoje od jedne serije (serije strukture i vremenske
serije).
Slo` ene tabele se sastoji iz vi{e prostih tabela. One sadr` e podatke
razvrstane prema jednom obele` ju po odgovaraju}em kriterijumu i sastoje
se iz vi{e povezanih redova i kolona.
Kombinovane tabele sadr` e podatke koji se dobijaju ukr{tanjem dva
i vi{e obele` ja.
15
Statisti~ke tabele po sadr` ini se dele na: faktografske tabele (daju
~injeni~no stanje po odre|enim obele` jima); i analiti~ke tabele, pored ~i-
njeni~nog stanja daju jo{ i broj~ane informacije o unutra{njim odnosima i
zakonitostima koje postoje kod posmatranog skupa.
Posebno mesto u statistici zauzimaju tzv. korelacione tabele i tabele

kontingencije. Korelacione tabele prikazuju raspored statisti~kih jedinica
kad se radi o ukr{tanju dva ili vi{e numeri~kih obele` ja po modalitetima.
Tabele kontingencije prikazuju raspored statisti~kih jedinica prema klasi-
fikaciji atributivnih obele` ja.
Po nameni statisti~ke tabele delimo na obradne tabele koje se prave

za potrebe obrade i sre|ivanje statisti~kih podataka. One slu` e za internu
upotrebu statisti~kih organa i publikacione tabele koje su namenjene
{irokom krugu korisnika.
Grafi~ko prikazivanje statisti~kih podataka

Ova vrsta prikazivanja statisti~kh podataka nudi mogu}nost lakog
uo~avanja osnovnih karakteristika posmatrane pojave. Grafi~ko prikaziva-
nje podataka dopunjuje tabelarni na~in prikazivanja statisti~kih poda-
taka.
Koja }e vrsta grafikona biti izabrana zavisi od prirode podataka i od

cilja istra` ivanja. Grafi~ko prikazivanje podataka vr{i se ili u koordinat-
nom sistemu ili izvan njega.
Statisti~ke grafikone mo` emo podeliti na: proste, slo` ene, ili kom-
binovane, sve u zavisnosti od toga da li se njima prikazuju podaci prostih,
slo` enih ili kombinovanih tabela. U zavisnosti od elemenata koje sadr` e,
osnovne vrste grafikona delimo na: dijagrame, kartograme i piktograme.
Dijagramima se podaci iskazuju u vidu ta~aka (stigmagrami), linija

(poligoni), povr{ina (histogrami) i prostora (stereogrami). Na ovaj na~in se
pru` a mogu}nost slikovitog prikazivanja podataka. Grafi~ki prikazi
pomo}u oznaka na geografskim kartama nazivaju se kartogrami. Primena
kartograma limitirana je na geografske serije. Stigmagramima se grafi~ki
podaci iskazuju u vidu ta~aka. Piktogramima se grafi~ki podaci prikazuju
slikama ili figurama, to su takozvane simboli~ne figure.
Atributivne serije mogu se prikazati na slede}e na~ine:
16
300
250
200
150
100
50
prirodno
tehni~ke medicinske biotehni~ke dru{tvene humanitarne
matemati~ke
Za prikazivanje rasporeda frekvencija koristi se histogram i poligon

frekvencija. Na x– osu se nanose vrednosti obele` ja a na y – osu frekven-
cije vrednosti obele` ja.
1200
1000
800
600
400
200
0 2,5 10 20 30 40 50
Primer za poligon
60
50
40
30
20
10
0 125 175 225 275 325 375

Primer za histogram
17
U praksi se naj~e{}e koriste aritmeti~ki dijagram i polualgoritamski
dijagram.
Aritmeti~ki dijagram prikazuje apsolutne podatke vremenske serije
koja se posmatra. Podaci koji se odnose na vreme stavljaju se na x – osu, a
podaci kojima se izra` ava nivo posmatrane pojave bele` e se na y – osi.
Ovim dijagramom se prikazuju pojave pribli` nog identiteta i koje se iska-
zuju istim jedinicama mere.
Za prikazivanje podataka u razli~itim jedinicama mere, i ako se po-
javljuju velike razlike u podacima posmatrane serije, koristi se takozvani
polualgoritamski dijagram.
300
250
200
150
100
50
0 100 200 300 400 500 600

Prikaz kumulativa „ispod“ i kumulativa „iznad“
4000
3800
3600
3400
3200
3000
1984 1985 1986 1987 1988 1989

Prikazivanje vremenskih serija pomo}u linijskog dijagrama u
obliku izlomljene linije
18
4,2
4,0
3,8
3,6
3,4
3,2
1984 1986 1988 1990 1992 1994

1985 1987 1989 1991 1993 1995
Primer za polulogaritamski dijagram
Za prikazivanje podataka serije sa sezonskim ritmom (potro{nja

piva, potro{nja sladoleda i sli~no), koriste se polarni dijagrami.
19
Deskriptivne mere
statisti~koj teoriji i praksi osnovne karakteristike rasporeda frek-
U vencija izra` avamo kroz:
• srednje vrednosti (mere centralne tendencije)

• mere varijacije (disperzije, raspr{enosti), i
• mere oblika rasporeda (mere asimetrije i mere spljo{tenosti).
MERE SREDNJIH VREDNOSTI (MERE CENTRALNE TENDENCIJE)

Mere srednjih vrednosti se koriste u svim oblastima statisti~ke
analize.
U zavisnosti od toga kako se pronalaze, srednje vrednosti se dele na:
• izra~unate srednje vrednosti,
• pozicione srednje vrednosti
U izra~unate srednje vrednosti ubrajaju se:
• aritmeti~ka sredina ( x )
• geometrijska sredina (G)
• harmonijska sredina (H)
Pozicione srednje vrednosti obuhvataju:
• medijanu (Me)
• modus (Mo).
ARITMETI^KA SREDINA
Aritmeti~ka sredina (prosek) ima naj{iru primenu u statistici.
Aritmeti~ku sredinu skupa dobijamo kad se zbir svih vrednosti
obele` ja podeli njihovim brojem.
21
x1 + x2 + x3 + ...xn 1 N
x= = ∑ xi , ili
N N i=1
x=
∑x
N
x – aritmeti~ka sredina skupa

N – broj obele` ja
X – posmatramo obele` je.
Primer: U ~etiri srednje {kole u 1998. god. upisano je 120, 80, 140,
70 u~enika. Izra~unaj prose~an broj upisanih |aka.
x=
∑ x = 120 + 80 + 140 + 70 = 410 = 102,5
N 4 4
Za uzorak veli~ine n, aritmeti~ka sredina za negrupisane podatke

ima formulu:
x=
x1 + x2 + x3 + ...xn 1 n
= ∑ xi ili upro{}eno x =
∑x
n n i=1 n
n je broj uzoraka
U statistici se naj~e{}e susre}emo sa grupisanim podacima u vidu
rasporeda frekvencija.
Ako su vrednosti obele` ja x1 , x2 , x3 ,..., xn , a njihove frekvencije f1 ,
f2 , f3 ,..., fk , aritmeti~ka sredina skupa je:
f1 x1 + f2 x2 + f3 x3 + ... + fk xk
x= ,
N
odnosno ponderisana aritmeti~ka sredina skupa
1 k
x= ∑ fi xi
N i=1
ponderisana aritmeti~ka sredina skupa
k
gde je N = f1 + f2 + f3 + ... + fk = ∑ fi .
i=1
22
1 k
Aritmeti~ka sredina uzorka bi}e: x = ∑ fi xi .
n i=1
Primer: U 800 doma}instava sela „ X“ mese~na potro{nja jestivog ulja je
prikazana slede}om tabelom:
Tabela 5. Raspored doma}instava

prema potro{nji jestivog ulja u litrima
Mese~na potro{nja ulja Broj doma}instava

xi fi
(xi) (fi)
2 80 160
3 140 420
4 170 680
5 200 1000
6 110 660
7 70 490
8 30 240
Σ 800 3650
3650
x= = 4 ,5625 .
800
Odgovor: Prose~na mese~na potro{nja jestivog ulja u svih 800 doma}in-
stava iznosi 4,5625 litara.
Aritmeti~ka sredina za intervalnu distribuciju frekvencija osnovnog
skupa je:
xs1 f1 + xs2 f2 + xs3 f3 + . . . + xsk fk 1 k

x= = ∑ xsi fi
N N i =1
Aritmeti~ka sredina uzorka je:
xs1 f1 + xs2 f2 + xs3 f3 + . . . + xsk fk 1 k

x= = ∑ xsi fi
n n i =1
Primer: Dat je raspored 50 radnika prema broju sa{ivenih pantalona za

sedmo~asovno radno vreme. Izra~unati ponderisanu aritmeti~ku sredinu.
23
Tabela 6.
Broj pantalona Broj ranika Sredina intervala

xs fi
(x) (f) (xs)
39–47 4 43 172
48–56 7 52 364
57–65 10 61 610
66–74 12 70 840
75–83 10 79 790
84–92 5 88 440
93–101 2 97 199
Σ 50 — 3410
3410
x= = 68,2
50
Odgovor: u toku sedmo~asovnog radnog vremena 50 radnika je prose~no

sa{ilo 68,2 pari pantalona.
Osobine aritmeti~ke sredine su:
(1) Aritmeti~ka sredina ve}a je od najmanje i manja od najve}e
vrednosti posmatranog obele` ja:
x1 < x < xk
(2) Aritmeti~ka sredina se izjedna~ava sa vrednostima obele` ja,
kada su ona me|usobno jednaka:
x1 = x2 = . . . = xi = . . . = xk = x
(3) Zbir odstupanja aritmeti~ke sredine od pojedinih vrednosti
obele` ja jednak je 0:
N
∑ (x
i =1
i − x ) = 0 za negrupisane podatke
∑ f (x
i =1
i − x ) = 0 za grupisane podatke
(4) Zbir kvadrata odstupanja od aritmeti~ke sredine od pojedinih

obele` ja manji je od zbira kvadrata odstupanja bilo koje vred-
nosti obele` ja od vrednosti ostalih obele` ja.
24
(5) Ako su dva obele` ja vezana linearnom funkcijom, tada su nji-
hove aritmeti~ke sredine vezane linearnom funkcijom.
GEOMETRIJSKA SREDINA
Geometrijska sredina je srednja vrednsot koja izra` ava proporcio-
nalne promene me|u podacima serije koja se posmatra, za razliku od arit-
meti~ke sredine koja izravnava apsolutne razlike izme|u podataka.
Ako sa x1, x2, . . . , xn ozna~imo vrednost obele` ja X, onda geometri-
jsku sredinu izra` avamo obrascem:
G = N x1 ⋅ x2 ⋅ . . . ⋅ xN
Izra~unavanje geometrijske sredine ima smisla samo za ona

obele` ja ~ije su sve vrednosti ve}e od nule. Ako po|emo od ove pret-
postavke logaritmovanjem dobijamo:
N
1
log G = (log x1 + log x2 + . . . + log xN ) = 1 ∑ log xi
N N i =1
Antilogaritmovanjem dobijamo:
G=
N 1 N
∑ log xi
N i =1
Za prostu distributivnu frekvenciju obrazac za geometrijsku sredinu

glasi:
G = N x1f1 ⋅ x2f2 ⋅ x3f3 ⋅ . . . ⋅ xkfk .
Logaritmovanjem se dobija:
1
log G = ( f1 log x1 + f2 log x2 + f3 log x3 + . . . + fk log xk )
N
1 k
log G = ∑ fi log xi ,
N i =1
a antilogaritmovanjem
ponderisana
G=
N 1 N
∑ fi log xi
N i=1
geometrijska
sredina
25
Primer: Odredi geometrijsku sredinu na osnovu podataka iz tabele:
Raspored studenata prema visini mese~nih stipendija
Iznos mese~nih stipendija Broj studenata

u .000 din (x) (f)
5 34
7 3
40 3
Σ 40
1
log G = (34 log 5 + 3 log 7 + 3 log 30) = 0 ,768291
40
G= N0,768291 = 5,86531
U ekonomskim istra` ivanjima rasprostranjena je upotreba geomet-
rijske sredine za izra~unavanje stope rasta na osnovu lan~anih indeksa.
Geometrijska stopa rasta se odbija iz odnosa:
 y 
rg =  N −1 N − 1  ⋅ 100
 y1 
y1 – prva vrednost u vremenskoj seriji, N – broj podataka,

yN – poslednja vrednost u seriji.
HARMONIJSKA SREDINA
Harmonijska sredina (H) je recipro~na vrednost aritmeti~ke sredine
recipro~nih vrednosti obele` ja. Ona ima smisla samo za obele` ja ~ije su
sve vrednosti razli~ite od nule. Njena primena u statistici je ograni~ena.
Harmonijska sredina se matemati~ki izra` ava na slede}i na~in:
— Za prostu seriju podataka:
N N
H= =
1 1 1 N
1
+ + ... +
x1 x2 xN ∑
i =1 xi
26
Primer: U jednom pogonu rade 3 brojno jednake grupe radnika. Oni pro-
izvode odre|eni broj artikala iste vrste. Kolika je prose~na proizvodnja
grupe ako je prva grupa proizvela 200, druga 250 a tre}a 265 artikala?
3 3 3
H= = = = 250
1
+
1
+
1 0 ,005 + 0 ,004 + 0 ,003 0 ,012
200 250 265
Odgovor: Prose~na proizvodnja grupe radnika je 250 proizvoda.
— Za prostu distributivnu seriju podataka
f1 + f2 + . . . + fk N
H= = k .
f1 f2 f
+ + ...+ k
x1 x2 xk ∑fx
i =1
i i
U op{tem slu~aju va` i pravilo gde je:
H≤G≤ X
Primer: U jednom preduze}u 20 radnika izradi proizvod za slede}e vreme:

20, 25, 30, 35, 35, 20, 20, 35, 30, 35 minuta. Izra~unati srednje vreme iz-
rade tog proizvoda.
Vreme izrade Broj radnika

f/x fx
(x) (f)
20 4 0,200 80
25 3 0,120 75
30 8 0,267 240
35 5 0,143 175
Σ 20 0,730 570
570 20
X= = 28,5 H= = 27,397
20 0,730
Odgovor: Prose~no vreme potrebno za izradu ovog proizvoda je 27,357

minuta.
27
POZICIONE SREDNJE VREDNOSTI
Pozicione srednje vrednosti su one vrednosti koje se odre|uju na
bazi mesta koje im pripada. To su medijana i modus.
Medijana je ona vrednost obele` ja koja se nalazi u sredini serije
koja je ure|ena po veli~ini obele` ja.
Medijana se odre|uje:
– za prostu seriju podataka x1 , x2 , x3 , . . . ,xk
ako serija ima neparan broj podataka:
x( N +1)
Me =
2
– za prostu seriju podataka ako serija ima paran broj podataka:
xN / 2 + xN / 2+1
Me =
2
– za prostu distributivnu frekvencu medijana se odre|uje preko

kumulativa „ ispod“ . Naspram broja u kojem je sadr` an broj N/2 nalazi se
vrednost medijane. N je zbir svih apsolutnih frekvencija.
Medijana u okviru intervalne distribucije frekvencije dobija se po
formulama:
N / 2 − ∑ fi < m
Me = ld + ⋅i preko kumulativa „ ispod“ ;
fm
N / 2 − ∑ fi > m
Me = lg − ⋅i preko kumulativa „ iznad“ .
fm
ld – donja granica intervala
lg – gornja granica intervala
Σ fi < m – zbir frekvencija do medijalnog intervala (k ispod)
Σ fi > m – zbir frekvencija do medijalnog intervala (k iznad)
fm – frekvencija medijalnog intervala
i – {irina medijalnog intervala.
Medijana deli seriju podataka na dva jednaka dela. Ako je serija po-
dataka podeljena na ~etiri dela, vrednosti obele` ja koje ih dele zovu se
kvartalima. Ako je serija podeljena na 10 delova, vrednosti obele` ja koja
28
ih dele zovu se decilima, a ako je serija podeljena na 100 delova, vrednost
obele` ja koja ih dele zovu se centilima.
Primer: Dat je raspored radnika perma zaradama:
Zarade Broj radnika Kumulativ

(x) (f) „ ispod“
100–150 45 45
151–200 46 91
201–250 56 147
251–300 30 177
301–350 25 202
351–400 24 226
401–450 20 246
451–500 15 261
501 i vi{e 14 275
Σ 275 —
275
N /2 = = 137,5
2
On je sadr` an u broju 147 u koloni kumulativ „ ispod“ . Medijalni

interval koji odgovara kumulativu „ ispod“ je od 201 do 250.
137,5 − 91
Me = 201 + ⋅ 50 = 242,5
56
Mod (modus) je vrednost obele` ja koje ima najve}u frekvenciju. To

je vrednost oko koje ~lanovi serije te` e da se koncentri{u i zbog toga
ka` emo da je modus najtipi~nija vrednost u seriji.
Ako postoji samo jedna vrednost obele` ja sa najve}om frekvencijom,
onda govorimo o unimodalnoj seriji a ako postoje dve ili vi{e takvih vred-
nosti serija je bimodalna, tj. multimodalna.
Kod proste distributivne frekvencije modus se ~ita u obele` ju za na-
jve}u vrednost frekvencije.
Modus se odre|uje prema obrascu (za intervalnu distributivnu frek-
venciju):
29
f2 – f1
Mo = l + ⋅i
( f2 – f1 ) + ( f2 – f3 )
l – donja granica modalnog intervala

i – {irina intervala
f1 – frekvencija modalnog intervala
f2 – frekvencija predmodalnog intervala
f3 – frekvencija postmodalnog intervala.
Primer: Dat je raspored radnika perma zaradama:
Zarade Broj radnika Kumulativ

(x) (f) „ ispod“
100–150 45 45
151–200 46 91
201–250 56 147
251–300 30 177
301–350 25 202
351–400 24 226
401–450 20 246
451–500 15 261
501 i vi{e 14 275
Σ 275 —
56 − 46
Mo = 201 + ⋅ 50
( 56 − 46 ) + ( 56 − 30 )
10
Mo = 201 + ⋅ 50
10 + 20
500
Mo = 201 +
30
Mo = 201 + 16,6
Mo = 217,6
30
Mere disperzije ili varijacije
P
okazatelji varijacija (disperzije) vrednosti obele` ja nazivaju se mere
varijacije.
Isto kao i srednje vrednosti, mere disperzije mo` emo podeliti na
pozicione i izra~unate.
Pored ove podele poznata je i podela mera varijacije na:
– apsolutne, i
– relativne mere varijacije.
U apsolutne mere varijacije spadaju:
– razmak varijacije,
– srednje apsolutno odstupanje (srednja devijacija),
– varijansa,
– standardna devijacija.
U relativne mere disperzije ubrajaju se:
– relatina varijacija,
– koeficijent varijacije,
– relativna devijacija.
APSOLUTNE MERE DISPERZIJE

Razmak varijacije predstavlja razliku izme|u najve}e i najmanje
vrednosti obele` ja:
R = xmax − xmin
Krajnje vrednosti serije su te koje odre|uju razmak varijacije.

Kao dopunska mera varijacije koristi se interkvartalna razlika koja
se defini{e kao razlika izme|u tre}eg i prvog kvartala ili polukvartalna
razlika kao polovina interkvartalne razlike:
31
Rq = Q3 − Q1
Kako je suma odstupanja vrednosti obele` ja od aritmeti~ke sredine

jednaka nuli ({to smo ve} istakli), to se kao mera varijacije uzima prosek
apsolutnog odstupanja vrednosti obele` ja od aritmeti~ke sredine, tj. sred-
nje apsolutno odstupanje:
1 N
SD = ∑ xi − x
N i=1
(za negrupisane podatke) i
1 N
SD = ∑ fi xi − x
N i=1
(za grupisane podatke).
Zna~ajno mesto u statistici zauzimaju centralni momenti K–tog

reda (K = 1, 2, 3, 4, . . . ), i slu` e za merenje odstupanja vrednosti obele` ja
od aritmeti~ke sredine skupa na odre|eni stepen. Matemati~ki se mogu
izraziti slede}im formulama:
1 N
∑ ( xi − x )
K
MK = (za negrupisane podatke) i
N i=1
1 N
∑ fi ( xi − x )
K
MK = (za grupisane podatke).
N i=1
Drugi centralni momenat naziva se varijansa i izra` ava se matemati~ki:
∑(x − x)
2
i
σ2 = i =1
(za negrupisane podatke) i
N
∑ f (x − x)
2
i i K
σ2 = i =1
(za grupisane podatke, gde je N = ∑ fi ).
N i =1
Za intervalnu seriju koristi se isti raspored kao i za grupisane po-

datke, samo se umesto xi uzima xs , tj. sredina intervala.
Varijansa je minimalno srednje odstupanje koje ima teorijski i prak-
ti~an zna~aj.
Kako se varijansa ra~una preko kvadrata vrednosti obele` ja, to ona
pokazuje ve}i varijabilitet. Da bi se to izbeglo naj~e{}e se kao mera vari-
jacije koristi standardna devijacija, kao korena veli~ina varijanse:
32
1 N x2
∑ ( xi − x ) , tj. radni obrazac σ =
2
σ = − x 2 za negrupisane podatke;
N i=1 N
σ =
1 N
∑ fi ( xi − x ) , tj. radni obrazac σ =
2 ∑ fx 2
− x2 za grupisane
N i=1 N
podatke, gde je N = Σ f.
Primer: Dat je raspored o~eva sa visokom stru~nom spremom prema broju

dece (x):
2
x f xf xf
1 14 14 14
2 40 80 160
3 55 165 495
4 15 60 240
5 6 30 150
6 3 18 108
Σ 133 367 1167
367
x= = 2,76
133
1167
σ2 = − 2,762 = 1,15
133
σ = 1,15 = 1,07
RELATIVNE MERE DISPERZIJE

Da bi se otklonio uticaj jedinice mere varijansa mo` e da se izrazi u
relativnom obliku kao koli~nik izme|u varijanse i kvadrata aritmeti~ke
sredine:
σ2
VX 2 =
x2
33
Koeficijent varijacije izra` ava se koli~nikom izme|u standardne de-
vijacije i aritmeti~ke sredine:
σ
VX =
x
Koeficijent varijacije se naj~e{}e izra` ava u procentima i koristi se

za upore|ivanje varijacija obele` ja ~ije merne jedinice nisu iste, te zbog te
svoje osobine se naj~e{}e primenjuje u praksi.
Koeficijent interkvartalne varijacije slu` i za upore|ivanje varijabili-
teta vi{e serija:
Q3 − Q1
VQ =
Q3 + Q1
, (0 < V
Q < 1)
Koriste}i prethodni primer, izra~una}emo koeficijent varijacije:
1,07
V( X ) = = 0,3877 × 100 = 38,77%
2,76
MERE ASIMETRIJE I SPLJO[TENOSTI

Asimetrija i spljo{tenost rasporeda zavisi od procesa varijacija vred-
nosti obele` ja.
Asimetriju izra` avamo koeficijentom asimetrije koji obele` avamo
sa α3 . Ovaj koeficijent, ina~e, predstavlja odnos izme|u tre}eg centralnog
momenta M3 i tre}eg stepena standardne devijacije.
Matemati~ki se izra` ava formulom:
M3
α3 =
σ3
∑ f (x i i − x )3 k
pri ~emu je M3 = i =1
za prostu distributivnu frekvenciju a N = ∑ fi
N i =1
Za intervalnu distributivnu frekvenciju va` i isti obrazac kao i za

prostu distributivnu frekvenciju, samo umesto xi uzimaju se sredine inter-
vala xsi .
Ako je α3 = 0, raspored je simetri~an, ako je α3 > 0 raspored je
asimetri~an udesno („ pozitivna asimetrija“ ) a ako je α3 < 0 raspored je
asimetri~an ulevo („ negativna asimetrija“ ).
34
Spljo{tenost se meri koeficijentom α4 koji predstavlja odnos izme|u
~etvrtog centralnog momenta i ~etvrtog stepena standardne devijacije:
M4
α4 =
σ4
Za prostu distributivnu frekvenciju:
∑ f (x − x)
4
i i K
M4 = i =1
; N = ∑ fi .
N i =1
Za intervalnu distribuciju frekvencija se koristi isti obrazac, samo

umesto xi uzimaju se sredine intervala xsi .
Ako je α4 = 3 postoji normalna spljo{tenost; α4 > 3 raspored je vi{e
izdu` en i α4 < 3 raspored je vi{e spljo{ten.
Primer: Dat je raspored 100 ~etvoro~lanih porodica prema godi{njoj
potro{nji d` ema. Izra~unati koeficijent asimetri~nosti i spljo{tenosti.
Broj
Potro{nja
doma}instava xs xs f y = xs − x y2 f y2 f y3 f y4
d` ema (x)
(f)
do 2,5 4 2 8 –3 9 36 –144 432
2,51–3,50 10 3 30 –2 4 40 –80 160
3,51–4,50 13 4 52 –1 1 13 –13 13
4,51–5,50 50 5 250 0 0 0 0 0
5,51–6,50 11 6 66 1 1 11 11 11
6,51–7,50 5 7 35 2 4 20 40 80
7,51–8,50 4 8 32 3 9 36 108 324
8,51–9,50 3 9 27 4 16 48 192 768
Σ 100 — 500 — — 204 114 1788
x=
∑ xf x=
500
=5
∑f 100
σ =
∑ fx 2
− (x)
2
σ =
204
= 1,428
∑f 100
35
M3 =
∑ fy 3
M3 =
114
= 1,14
∑f 100
M3 1,14
a3 = = = 0,39
σ 3
1,4283
(blaga pozitivna asimetri~nost rasporeda, tj. „ asimetrija udesno“ )
M4 =
∑ fy 4
M4 =
1788
= 17,88
∑f 100
M4 17,88
α4 = α4 = = 4,296
σ4 1,4284
β = α 4 − 3 = 1,296 > 0
(raspored je vi{e izdu` en, tj. ima manju spljo{tenost od normalnog

rasporeda a ve}u koncentraciju oko aritmeti~ke sredine).
36
Zadaci za ve`bu
1. Sredite slede}i statisti~ki skup u intervalnu seriju koriste}i Strugesovo
pravilo:
37 24 46 10 58 29 5 31 45 8 59 43 15 33 49 18 25 48 13 43 52 30 20 51 39
Re{enje: K = 6, i = 9.
2. Sredite slede}i skup u intervalnu seriju koriste}i Strugesovo pravilo:
18 18,5 19 20,5 21 21,3 21,5 21,6 21,8 21,9 22,1 22,2 22,4 22,5 22,6
22,8 22,9 23 23,2 23,5 23,8 23,9 24 24,2 24,3 24,4 24,5 24,8 25 29
32 35,2 36,5 37 38,5 38,8 38,9 39 39,5 42
Re{enje: K = 6, i = 4.
3. Sredite slede}i skup u intervalnu seriju koriste}i Strugesovo pravilo:
14 15 16 16 18 20 20 22 23 25 27 29 30 31 31 32 33 34 34 36 37 38 40 43 46
48 50 53 55 56
Re{enje: K = 6, i = 7.
4. Izra~unaj prose~an broj stanovnika u op{tinama u Crnoj Gori i stan-
dardnu devijaciju iz slede}ih podataka:
Stanovni{tvo u .000
0–5 5–10 10–15 15–20 20–25 25–30 30–35 53–40 40–45 45–50
Broj op{tina
0 6 2 5 1 1 0 0 0 2
Re{enje: x = 17,79 σ = 12,31
5. Izra~unajte prose~an broj stanovnika u op{tinama na podru~ju Vojvo-

dine i standardnu devijaciju iz podataka:
Stanovni{tvo u .000
0–5 5–10 10–15 15–20 20–25 25–30 30–35 53–40 40–45 45–50
Broj op{tina
0 0 3 11 4 1 6 3 5 1
Re{enje: x = 26,91 σ = 10,63
37
6. Izra~unaj prose~an li~ni dohodak i koeficijent varijacije iz slede}ih po-
dataka:
Li~ni dohodak
4000–5000 5000–6000 6000–7000 7000–8000 8000–9000 9000–10000
Broj radnika
18 48 81 90 51 12
Re{enje: x = 6980 VK = 17,6%
7. Izra~unaj prose~nu satnu zaradu i koeficijent varijacije iz podataka:

Satna zarada: 40 32 20 18 14
Broj radnika : 8 12 28 32 40
Re{enje: x = 20 VK = 36,8%
8. Izra~unaj prose~an procenat ispunjenja norme i koeficijent varijacije iz

podataka:
Procenat ispunjenja norme 90–100 100–110 110–120 120–130
Broj radnika 28 48 20 4
Re{enje: x = 105% VK = 7,62%
9. Izra~unaj prose~an neto produkt trgovinskih preduze}a na teritoriji

Srbije iz slede}ih podataka:
Neto produkt (.000)
0–50 50–150 150–500 500–1500 1500–5000 5000–15000 15000–50000 50000–150000
Broj trgovinskih preduze}a
3 16 77 103 153 179 154 54
Re{enje: G = 5375,27
10. Izra~unaj prose~an broj zaposlenih radnika u industriji na teritoriji

Srbije u 1978. godini:
Broj radnika:
15–30 30–60 60–125 125–250 250–500 500–1000 1000–2000
Broj industrijskih preduze}a:
3 7 35 54 39 20 7
Re{enje: G = 222
11. Pomo}u geometrijske sredine izra~unati srednji tempo rasta broja
zaposlenih i broja korisnika penzija u Srbiji na osnovu slede}ih podataka:
38
Godina: 1957 1967 1977 1987 1997
Broj zaposlenih (.000): 1003 1428 2914 2544 2191
Godina: 1957 1967 1977 1987 1997

Broj korisnika penzija (.000): 173 396 610 971 1238
Re{enje: G = 121,48 ; G = 163,55
12. Izra~unaj prose~no vreme izrade jedinice proizvoda iz slede}ih podataka:

Vreme izrade: 20 18 15 13 12 10
Broj radnika: 5 12 18 10 3 2
Re{enje: H = 14,97
13. Izra~unaj prose~no vreme izrade jedinice proizvoda iz slede}ih podataka:

Vreme izrade: 10 11 12 13 14 15
Broj radnika: 18 16 15 6 2 1
Re{enje: H = 11,22
14. Izra~unaj prose~no vreme izrade jedinice proizvoda iz slede}ih po-

dataka:
Vreme izrade: 35 36 38 40 42 41
Broj radnika: 30 25 12 6 4 3
Re{enje: H = 36,70
15. Na osnovu podataka o godinama starosti supru` nika i broja brakova

odredi Me:
Godine supru` nika
do 15 15–20 20–25 25–30 30–35 35–40 40–45 45–50 50–55 55 i vi{e
Broj brakova
0 372 6329 4299 1557 599 332 186 112 482
Re{enje: Me = 25,50
16. Izra~unaj prose~nu starost stanovni{tva u poljoprivredi u ni{kom regionu:

Godine starosti
do 14 15–24 25–34 35–49 50–64 65 i vi{e
Broj stanovnika
1635 34074 27616 64304 47300 25941
Re{enje: Me = 43,66
39
17. Odredi Me na osnovu podataka o godinama starosti i broju radnika:
Godine starosti
do 19 20–24 25–29 30–34 35–39 40–44 45–49 50–54 55–59 60 i vi{e
Broj radnika (.000)
10 86 161 133 134 136 108 69 28 16
Re{enje: Me = 36,88
18. Na osnovu podataka iz tabele odredi Mo:

Godine starosti
do 14 15–24 25–34 35–49 50–64 65 i vi{e
Broj radnika
476 14769 13407 32119 17544 11783
Re{enje: Mo = 43,43
19. Na osnovu podataka iz tabele odredi Mo:

Godine neveste
do 15 15–20 20–25 25–30 30–35 35–40 40–45 45–50 50–55 55 i vi{e
Broj brakova
59 16019 13190 2659 1418 720 473 334 161 235
Re{enje: Mo = 19,25
20. Dat je raspored radnika prema zaradama. Odredi Mo i Me.

Zarade radnika 100–200 201–300 301–400 401–500 501–600
Broj radnika 91 86 49 35 14
Re{enje: Mo = 194,79 ; Me = 255,1
21. Dat je raspored radnika prema zaradama. Odredi Mo i Me.

Zarade
100–150 151–200 201–250 251–300 301–350 351–400 401–450 451–500 501 i vi{e
Broj radnika
45 46 56 30 25 24 20 15 14
22. Dat je raspored ~etvoro~lanih doma}instava prema potro{nji kafe:

Potro{nja kafe
do 8,5 8,51–9,5 9,51–10,5 10,51–11,5 11,51–12,5 12,51–13,5
40
Broj doma}instava
3 7 17 15 6 2
Ispitaj asimetri~nost i spljo{tenost rasporeda.
Re{enje: α 3 = 0,015 ; ( x = 10,4; σ = 1,166; M3 = 0,0024; M4 = 5,1904 ) ;
α 4 = 2,81
23. Razvedeni brakovi prema starosti ` ena u Crnoj Gori za 1993. godinu:
Godine starosti ` ena
do 20 20–24 25–29 30–34 35–39 40–44 45–49 50–54 55–59 60–64 65 i vi{e
Broj razvedenih brakova
6 73 82 66 47 33 21 13 6 4 3
Odredi asimetri~nost i spljo{tenost rasporeda.
Re{enje: α 3 = 0,978 ; ( x = 33,3; σ = 10,07; M3 = 48073,7; M4 = 2076204,5 ) ;
α 4 = 3,670
24. Dat je raspored doma}instava prema broju aktivnih ~lanova:

Broj aktivnih ~lanova 0 1 2 3 4 5 6 7 8 9
Broj doma}instava 1 4 22 20 10 10 10 5 1 6
Odredi asimetri~nost i spljo{tenost rasporeda.
Re{enje: α 3 = 0,75 ; ( x = 4; σ = 2,174; M3 = 7,54; M4 = 63,08 ) ; α 4 = 2,82
25. Na osnovu podataka iz tabele odredi geometrijsku stopu rasta:

Godina 79 80 81 82 83 84 85 86 87 88
Vrednost investicija 45 55 68 85 103 146 261 505 991 2719
Re{enje: rg = 57,7%
41
Osnove teorije verovatno}e i
modeli teorijskih rasporeda
OSNOVNI POJMOVI TEORIJE VEROVATNO]E I MODELI
TEORIJSKIH RASPOREDA
T
eorija verovatno}e je matemati~ka disciplina koja izu~ava zakonito-
sti slu~ajnih pojava. Pojave kod kojih se ne mo` e tvrditi kada }e
nastati i u kakvim }e me|usobnim odnosima biti nazivaju se sto-
hasti~kim ili statisti~kim pojavama. Deo teorije verovatno}e kojom se
koristi statistika zove se statisti~ka teorija verovatno}e.
Slu~ajan doga|aj je takav doga|aj koji se kao rezultat nekog
eksperimenta ili posmatranja mo` e ali i ne mora da dogodi (dobitak na lu-
triji, pol deteta ...).
Ako su A i B slu~ajni doga|ani, va` i:
1) C = A ∩ B = AB (doga|aj C se realizuje ako i samo ako se reali-
zuju doga|aji A i B istovremeno);
2) C = A ∪ B (doga|aj C se realizuje ako i samo ako se realizuje bar
jedan od doga|aja A i B);
3) A ⊂ B (doga|aj A je podskup skupa B kada se realizacijom
doga|aja A realizuje i doga|aj B);
C
4) Doga|aj A je suprotan doga|aj doga|aju A ako i samo ako se on
realizuje ka se A ne realizuje;
5) Ako je A ∩ B = ∅ , tj. ako se A i B ne mogu istovremeno real-
izovati, ka` emo da se A i B me|usobno isklju~uju.
Uslovna verovatno}a nekog doga|aja A pod uslovom da se doga|aj B
ostvario defini{e se:
P( AB)
P( A B) = ako je P( B) > 0
P( B)
Formula potpune verovatno}e glasi:
n
P( B) = ∑ P( Ai ) ⋅ P( B Ai )
i =1
43
Nezavisnost doga|aja A i B defini{e se:
P( AB) = P( A ) ⋅ P( B) , ili
P( A B) = P( A ) ili P( B A ) = P( B)
TEORIJSKI RASPORED VEROVATNO]E

Ako posmatramo prostu distributivnu frekvenciju:
x : x1 , x2 , x3 ,..., xk
f : f1 , f2 , f3 ,..., fk
tj. zakon verovatno}e
x : x1 , x2 , x3 ,..., xk
p : p1 , p2 , p3 ,..., pk
gde je
fi
Pi =
N
 k

statisti~ka verovatno}a u vidu relativnih vrekvencija  N = ∑ fi  , i
 i =1 
∑p
i =1
i =1
funkcionalna veza pi = f ( xi ) , i = 1,2,3,..., k predstavlja model zako-

na verovatno}e. Zakon verovatno}e se mo` e opisati kao i empirijski
raspored, pomo}u mera centralne tendencije, mera varijacije, asimetrije i
spljo{tenosti.
Modeli prekidnih teorijskih rasporeda

Od prekidnih teorijskih rasporeda najzna~ajniji su Bernulijev, bi-
nomni i Poisonov raspored.
BERNULIJEV RASPORED
Slu~ajna promenljiva X uzima samo dve vrednosti i to 1 i 0 sa
verovatno}ama p i q tako da je p + q = 1.
44
Karakteristi~no je da Bernulijev raspored ima samo jedan pa-
rametar p i koristan je za eksperimente kojima se testira realizacija jed-
nog doga|aja.
Matemati~ki se iskazuje kao:
X = E( X ) = V i σ 2 = p⋅ q
BINOMNI RASPORED
Ovaj raspored predstavlja binomnu ekspanziju izraza ( p + q ) .
n
Binomni raspored se defini{e kao zbir n nezavisno Bernulijevih

promenljivih.
Binomna slu~ajna promenljiva definisana je sa dva parametra: n i p.
Aritmeti~ka sredina binomne slu~ajne promenljive je
E ( X ) = X = np
a disperzija (varijansa) je
σ 2 = npq .
Koeficijent varijacije je:
q
VX =
np
Koeficijent asimetrije:
q− p
α3 =
npq
Koeficijent spljo{tenosti:
1 − 6 pq
α4 = 3 + .
npq
POISONOV RASPORED
Poisonov raspored u potpunosti je odre|en prose~nim brojem javlja-
nja u jedinici vremena, θ, koji je ujedno i njegov jedini parametar. Poisono-
45
va slu~ajna promenljiva uzima beskona~no mnogo celih brojeva 0,1,2,3, . . .
,k, . . . sa verovatno}ama:
θK
PK = e−θ , (K = 0, 1, 2, . . . ; e je konstanta).
K!
Aritmeti~ka sredina, tj. o~ekivana vrednost jednaka je varijansi:
E( X ) = σ 2 = θ
Koeficijent varijacije je:
θ
V( X ) =
θ
Koeficijent asimetrije je:
1
α3 =
θ
Koeficijent spljo{tenosti je:
1
α4 = 3 +
θ
Primer za Poisonov raspored

Verovatno}a realizacije doga|aja A u nekim eksperimentima je
0,001. Ogled se ponavlja 1000 puta.
a) na}i verovatno}u realizacije doga|aja A dva puta,
b) na}i verovatno}u da se doga|aj A realizuje najmanje dva puta.
Kako je p = 0,001 a n = 1000 binomni raspored te` i Poisonovom, pa
se dobija:
1
−
a) p2 = e 2
= 0,1839
b) p ( x ≥ 2 ) = 1 − p0 − p1 = 1 − e−1 − e−1 = 1 − 0,3679 − 0.3679 = 0,2642
Modeli neprekidnih teorijskih rasporeda

Najzna~ajniji modeli neprekidnih teorijskih rasporeda su: normalan
raspored, χ 2 –raspored, Studentov raspored i Fi{erov raspored.
46
NORMALAN RASPORED
Normalan raspored se naj~e{}e koristi u statistici. Posebna primena
ovog rasporeda je u statisti~kom zaklju~ivanju na bazi uzorka. Binomni i
Poisonov raspored te` e normalnom rasporedu ako je:
np ≥ 5 i n (1 − p ) ≥ 5 .
U ovom slu~aju mo` e se koristiti normalan raspored. Normalan

raspored ispoljava se u op{tem i standardizovanom obliku.
Za slu~ajnu veli~inu X sa aritmeti~kom sredinom X i standardnom
devijacijom σ ka` emo da ima op{ti normalni raspored ako uzima vred-
nosti iz intervala ( −∞, +∞ ) sa zakonom verovatno}e:
( x − x )2
1 −
f( X ) = e 2σ 2
σ 2π
Funkcija rasporeda op{teg normalnog rasporeda je:
N ( t − x )2
1
F ( x) = P ( X ≤ x) = ⋅∫e 2σ 2
⋅ dt
σ 2π −∞
i ima sve osobine kao svaka funkcija raspodele.

Standardizovani oblik se dobija iz op{teg oblika normalnog rasporeda
X−x
uvo|enjem smene z = , tj. za svaku vrednost slu~ajne promenljive X
σ
dobija se odgovaraju}a vrednost za slu~ajno promenljivu z koja ima N ( 0,1) .
Standardizovani oblik normalnog rasporeda sa gustinom raspodele
verovatno}e
2
z
1 −
f ( z) = ⋅e 2
2π
i funkcijom raspodele
Z
θ ( z) = P ( Z ≤ z) = ∫ f ( t ) dt
−∞
Primer: Jedna fabrika proizvodi kugli~ne le` ajeve ~iji pre~nik ima
normalnu raspodelu sa prose~nim pre~nikom od 10 cm i standardnom
devijacijom 0,1 cm. Na~in izbora je slu~ajan. Na}i verovatno}u da pre~nik
izabranog le` aja bude:
47
a) manji od 9,8 cm
b) izme|u 9,9 i 10,1 cm
c) ve}i od 10,15 cm
 9,8 − 10 
a) P ( X < 9,8 ) = θ   = θ ( −2 ) = 0,0228
 0,1 
b)
 10,1 − 10   9,9 − 10 
P ( 9,9 < X < 10,1) = θ   −θ   = θ (1) − θ ( −1 ) =
 0,1   0,1 
= 0,8813 − (1 − 0,8813 ) = 0,8813 − 0,1587 = 0,6826
c) P ( X > 10,15 ) > 1 − P ( X < 10,15 ) = 1 − θ (1,5 ) = 1 − 0,9332 = 0,0668
2
X – RASPORED
Slu~ajno promenljive X1 , X 2 ,..., X n su nezavisne i normalno raspore-
|ene sa N ( 0,1) . Zbir njihovih kvadrata je slu~ajna promenljiva neprekid-
nog tipa iz intervala ( 0, +∞ ) i zavisi od parametra n = 1,2,3,...
X n2 = X12 + X 22 + ... + X n2
χ raspored polazi od koordinatnog po~etka i raste od modusa a za-

2
tim ima opadaju}i trend i pri kraju se pribli` ava x osi. Verovatno}a χ2
raspodele pronalazi se iz odgovaraju}ih tablica. Za dati broj stepeni slob-
ode n i za dati broj α ( 0 < α < 1) iz tablica se mo` e na}i broj χ n2,α tako da je:
P ( X n2 ≤ X n2,α ) = α
χ – raspored ima svojstvo aditivnosti, odnosno:

2
X n2 + X m2 = X n2+ m
STUDENTOV RASPORED (t – raspored)

Ako su slu~ajne veli~ine Z : N ( 0,1) i X n2 nezavisne, slu~ajna veli~ina
Z
tn = ( −∞, +∞ )
X n2
n
ima t – raspored sa n stepeni slobode.
48
Za datu verovatno}u α i dati broj stepeni slobode iz tablica t –
rasporeda nalazi se broj tn;1−(α / 2) :
(
P tn ≥ tn;1−(α / 2) = α )
Parametri Studentovog rasporeda su:
E ( t0 ) = 0 , σ 2 = n / ( n − 2) , α3 = 0 , α4 = 3 + 6 / ( n − 4 )
Ako n → +∞ Studentov raspored te` i normalnom rasporedu N ( 0,1) .

Za n > 30 koriste se tablice normalnog rasporeda.
FI[EROV MODEL
Fi{erov F– raspored sa n1 i n2 stepeni slobode ima oblik:
X n21
X n1 ,n2 =
X n22
i uzima vrednost u intervalu ( 0, +∞ ) . X n21 i X n22 su slu~ajne nezav-

isne veli~ine sa χ –rasporedom.
2
Parametri ovog rasporeda su:
n1 2n1 ( n1 + n2 − 2 )
E ( x) = ; ( n2 > 2 ) i σ2 = ; ( n2 > 4 )
n2 − 2 ( n1 − 2 ) ( n2 − 4 )
2
49
Statisti~ko zaklju~ivanje
ako ~esto nije mogu}e prou~avati ceo statisti~ki skup, stratisti~ko
K istra` ivanje se svodi na jedan deo statisti~kog skupa koji se naziva

uzorak. Razlozi zbog kojih se uzorak uzima kao reprezentativni deo
skupa i nad njim se vr{i ispitivanje su finansijske, organizacione, tehni~ke
prirode i sl.
Statisti~ko zaklju~ivanje obuhvata dve oblasti:
• ocene nepoznatih parametara osnovnog skupa (ta~kaste
ocene i interval poverenja);
• testiranje statisti~kih hipoteza o parametrima i raspodelama
statisti~kog skupa.
Izme|u ove dve oblasti postoji razlika. Nepoznata vrednost para-
metara osnovnog skupa ocenjuje se na bazi parametara uzorka i ocenjene
vrednosti se prihvataju sa pouzdano{}u manjom od 100%. Prilikom testi-
ranja hipoteze ispituje se da li polazna pretpostavka prihvatljiva ili ne, tj.
da li izvu~eni uzorak potvr|uje postavljenu tvrdnju ili ne.
Zaklju~ak koji se pri tome donosi, donosi se uz odre|eni rizik da je
u~injena gre{ka prilikom prihvatanja ili odbacivanja odre|ene hipoteze.
Metode koje se koriste pri statisti~kom zaklju~ivanju su parame-
tarske i neparametarske metode. Hipoteze o rasporedima parametara za-
vise od veli~ine uzorka. Uzorci manji od 30 jedinica zasnovani su na t–
rasporedu, a uzorci ve}i od 30 na normalnom rasporedu.
METOD UZORKA – IZBOR I TIPOVI UZORAKA

Slu~ajno izabrane jedinice ili elementi osnovnog skupa, koje repre-
zentuju ceo osnovni skup nazivaju se uzorak. Drugim re~ima, uzorak je
podskup jedinica slu~ajno izabranih iz osnovnog skupa. Na primer, ako
jedno preduze}e zapo{ljava 420 radnika, na slu~ajan na~in izabranih 85
radnika u cilju popisa mese~ne zarade predstavljaju uzorak.
Izbor jedinica u uzorak vr{i se po: metodu „ kvota“ (nameran izbor),
i po metodu slu~ajnosti (slu~ajni izbor).
51
Izbor uzorka po metodu kvota prilago|en je cilju istra` ivanja i
strukturi osnovnog skupa.
Slu~ajan izbor predstavlja mogu}nost nezavisnog biranja jedinica os-
novnog skupa, jedne od druge. Sve jedinice imaju istu {ansu da budu iza-
brane za uzorak, ~ime je zadovoljen kriterijum reprezentativnosti uzorka.
Pouzdanost ocene naj~e{}e zavisi od vrste uzorka. U statisti~koj te-
oriji i praksi naj~e{}e se koriste slede}e vrste uzoraka:
• prost slu~ajan uzorak,
• stratifikovani uzorak,
• sistematski uzorak,
• vi{eetapni uzorak,
• vi{efazni uzorak,
• panel uzorak i
• sekvencijalni uzorak.
Prost slu~ajan uzorak je takav uzorak kod koga izbor bilo koje jedi-
nice iz osnovnog skupa ne zavisi od izbora drugih jedinica. Ova vrsta uzor-
ka ima jednostavna teorijska svojstva i predstavlja osnovu za izu~avanje i
primenu svih drugih vrsta uzoraka. Kod ovog uzorka se praktikuje da se
sve jedinice osnovnog skupa obele` e brojevima od 1 do N, a zatim se pri-
menom odre|enog na~ina izbora za uzorak bira odre|eni broj elemenata.
Postoje dve vrste prostog slu~ajnog uzorka:
1) bez ponavljanja,
2) sa ponavljanjem.
Prost slu~ajan uzorak bez ponavljanja podrazumeva da jednom
izvu~en element iz osnovnog skupa ne mo` e vi{e da bude izvu~en. Broj
svih rali~itih uzoraka bez ponavljanja je:
N N!
n=
  n!( N − n)
Prost slu~ajan uzorak sa ponavljanjem ili sa vra}anjem jednica u

osnovni skup, podrazumeva da se svaka jedinica koja je izabrana vra}a u
osnovni skup. Broj svih razli~itih uzoraka sa ponavljanjem je N n
U praksi se naj~e{}e koristi prost slu~ajan uzorak bez ponavljanja.
Ocena o parametrima osnovnog skupa na bazi prostog slu~ajnog
uzorka zasniva se na:
• verovatno}i da }e jednice koje se biraju iz osnovnog skupa na
bazi slu~ajnosti biti reprezentativne,
52
• da }e se izra~unate vrednosti parametara na bazi slu~ajnog
uzorka razlikovati od vrednosti parametara osnovnog skupa
u domenu slu~ajnog varijabiliteta.
Izbor jedinica iz kona~nih skupova sprovodi se pomo}u tablica
slu~ajnih brojeva (cifre su od 0 do 9). Brojevi su prikazani u 5 redova i 5
kolona. Po~etak biranja brojeva vr{i se proizvoljno, vodoravno i uspravno.
Stratifikovani uzorak je takva vrsta uzorka kod koga se osnovni
skup iz koga se uzimaju uzorci podeli najpre na vi{e grupa koje se zovu
„ stratumi“ pa se na osnovu slu~ajnog izbora iz svakog stratuma uzima
odre|eni broj elemenata u uzorak. Ova vrsta uzorka se primenjuje u
slu~aju kad su varijacije u okviru stratuma velike, a izme|u jedinica u
stratumu su varijacije male.
Najve}i problem pri planiranju stratifikovanog slu~ajnog uzorka je
broj stratuma i na~in stratifikacije. Razlike izme|u stratuma treba da
budu {to ve}e, da bi stratifikacija bila sprovedena.
Sistematski uzorak je takva vrsta uzorka kod koga se jedinice iz os-
novnog skupa biraju na osnovu koraka izbora N : n , pri ~emu je N broj
jedinica osnovnog skupa a n broj jedinica u uzorku.
Prvi element u uzorku se bira na slu~ajan na~in a zatim se pri-
menom koraka izbora bira drugi, tre}i, sve do n–tog elementa.
Vi{eetapni uzorak je takav uzorak kod koga se izbor elemenata u
uzorak vr{i po utvr|enoj hijerarhiji. U praksi se koristi dvoetapni, tro-
etapni, ~etvoroetapni itd. uzorak. Ovaj uzorak smanjuje tro{kove i
olak{ava put prikupljanja podataka.
U posrednom istra` ivanju koristi se tzv. vi{efazni uzorak. On se
primenjuje kad je skupo ispitivanje vi{e obele` ja koja su predmet na{eg
interesovanja. Prema broju faza ovaj uzorak delimo na: dvofazni, trofazni i
vi{efazni uzorak.
Sekvencijalni uzorak se koristi kad ` elimo da ocenimo prihvatljivost
ili neprihvatljivost neke pretpostavke.
Panel uzorak ili panel anketa se koristi za posmatranje promena u
karakteristikama osnovnog skupa tokom vremena. Podaci se dobijaju
putem upitnika od grupe izve{ta~a koji su odabrani po principu slu~aj-
nosti. Pomo}u panel uzorka prati se razvojna tendencija pojava i preduzi-
maju se mere za regulisanje pona{anja tih pojava.
STATISTI^KE GRE[KE
U procesima merenja problemi gre{aka su mnogo vi{e izra` eni u
dru{tvenim nego u prirodnim naukama.
53
Statisti~ke gre{ke su ~esta pojava i stalni su pratilac u statisti~kim
istra` ivanjima.
Statisti~ke gre{ke su raznovrsne i javljaju se u svim fazama sta-
tisti~kog istra` ivanja. Sve gre{ke mo` emo podeliti na: slu~ajne, neslu~ajne
i nezakonite, s jednog aspekta, i uzro~ne i neuzro~ne gre{ke, s drugog
aspekta. U praksi se naj~e{}e javljaju slu~ajne i neslu~ajne gre{ke.
Slu~ajne gre{ke se defini{u kao razlika izme|u empirijske vrednosti
parametra osnovnog skupa i ocenjene vrednosti parametra na bazi uzorka.
Neslu~ajne gre{ke te{ko se kotroli{u jer nastaju iz nepoznatih
razloga. Eventualno se mogu otkriti u kasnijoj analizi. Pri izboru i reali-
zaciji uzorka, najva` nije je izbe}i neslu~ajne gre{ke jer se tako mo` e do}i
do reprezentativnijeg uzorka, a samim tim }e zaklju~ci o osnovnom skupu
biti realniji.
RASPORED ARITMETI^KIH SREDINA UZORAKA

Izra~unavanje srednjih vrednosti, mera varijacije i mera oblika
raporeda vr{i se za osnovni skup i za uzorak. Me|utim, izme|u ovih mera
postoji razlika. Mere za osnovni skup izra~unavaju se za sve jedinice os-
novnog skupa — parametri osnovnog skupa (aritmeti~ka sredina, stan-
dardna devijacija i proporcija P). S obzirom da se ovi parametri izra` avaju
za sve jedinice osnovnog skupa, mera za osnovni skup mo` e biti samo
jedna vrednost za x i σ , i P koja je konstantna.
Ukoliko se ove mere izra~unavaju za uzorak, tada se nazivaju sta-
tistikom uzorka ( x, σ , p) . Izra~unate mere iz uzorka su slu~ajno promen-
ljive. Me|utim, ako je ve} izabran uzorak od n jedinica, onda su izra~unate
mere konstante.
Kod metode uzorka predmet prou~avanja su parametri osnovnog
skupa.
Svaki uzorak od n jedinica ima svoju aritmeti~ku sredinu ( m ) koja
odstupa od aritmeti~ke sredine (X) osnovnog skupa. Ukoliko se izra~u-
nate aritmeti~ke sredine uzorka grupi{u po vrednostima, dobi}e se nu-
meri~ka serija koja se zove raspored aritmeti~kih sredina uzorka.
Prost slu~ajan uzorak,

varijansa osnovnog skupa je poznata
Da bi ocenili aritmeti~ku sredinu osnovnog skupa, moramo znati:
• kakav je raspored osnovnog skupa,
• da li je varijansa osnovnog skupa poznata.
54
Po|imo od pretpostavke da je varijansa osnovnog skupa poznata i
pretpostavimo da je osnovni skup beskona~an i normalno raspore|en.
Tada je aritmeti~ka sredina uzorka:
1
m= ( x1 + x2 + ... + xn )
n
x – slu~ajna promenljiva; n – broj uzoraka, m – aritmeti~ka sredina uzorka.

Razli~iti uzorci veli~ine n istog osnovnog skupa daju razli~ite vred-
nosti za aritmeti~ku sredinu koje obrazuju jedan raspored aritmeti~kih
sredina uzoraka. Taj raspored ima svoju o~ekivanu vrednost i varijansu,
{to se iskazuje empirijskim i matemati~kim izrazom:
1  n  1 n 1 n
E ( m) = E  ∑ xi  = ∑ E ( xi ) = ∑ x = x
n  i=1  n i=1 n i=1
E ( m) = x
x – aritmeti~ka sredina osnovnog skupa

Varijansa slu~ajne promenljive m je:
σ m2 = E ( m − E ( m ) ) = E ( m ) − x −2 = ... = σ 2 / n
2 2
σ m2 pokazuje koliko u proseku aritmeti~ke sredine uzoraka odstu-

paju od x , ili standardna gre{ka ocene m je
σ
σm = .
n
Standardna devijacija aritmeti~ke sredine uzorka jednaka je koli~-

niku standardne devijacije osnovnog skupa i korena veli~ine uzorka.
Standardna gre{ka aritmeti~kih sredina uzoraka bez ponavljanja
manja je od standardne gre{ke aritmeti~kih sredina uzoraka izabranih iz
beskona~nih skupova, pa se stoga dobija u` i interval poverenja aritmeti~-
ke sredine osnovnog skupa.
Iz ovoga sledi da je:
E ( m) = x
i standardna gre{ka je
55
N−n σ
σm = ⋅
N −1 n
N−n
— popravni faktor za kona~ne skupove.
N −1
Ako aritmeti~ku sredinu osnovnog skupa x ocenimo jednim inter-
valom uz pretpostavku da je n < 30 , varijansa osnovnog skupa je poznata i
osnovni skup nije normalno raspore|en, onda tra` ena statistika:
m− x
Z=
σ/ n
ima normalan raspored N ( 0;1) .

Za dati koeficijent poverenja β , gde je β = 1 − α a α je nivo
zna~ajnosti iz uslova P ( Z = z ) = β , vrednost z nalazi se iz tablica normal-
nog rasporeda a interval poverenja za nepoznatu aritmeti~ku sredinu os-
novnog skupa je:
 σ   σ σ 
 m−x ≤ z  = m − z ≤ x ≤ m+ z 
 n  n n
Koeficijent poverenja (pouzdanosti) odre|uje {irinu intervala pover-

enja. Ako koeficijent poverenja raste interval poverenja se pro{iruje, od-
nosno smanjuje se preciznost ocene. Naj~e{}i nivo poverenja koji se u
praksi koristi je 95%.
Prost slu~ajan uzorak,

varijansa osnovnog skupa nije poznata
Ako je
σ
σm =
n
sledi da je ocena statisti~ke gre{ke jednaka
Sn
Sm =
n −1
n
(σ je ozna~eno sa S = Sn jer je S nepristrasna ocena standardne
n −1
devijacije osnovnog skupa). Sn je standardna devijacija uzorka, odnosno:
56
1 K 1 K
∑ fi ( xi − m ) = ∑ fi xi2 − m2
2
Sn =
n i=1 n i=1
gde je K broj modaliteta (vrednosti) ili intervala. Kada je varijansa

osnovnog skupa poznata koristi se statistika:
m− x
Z=
σ/ n
koja ima standardizovan normalan raspored N ( 0,1) .

Kada je varijansa osnovnog skupa nepoznata, konstrui{e se nova
statistika uzorka:
m− x m− x m− x
tn−1 = = = ⋅ n −1
Sm Sn / n − 1 Sn
Interval poverenja za aritmeti~ku sredinu osnovnog skupa ako je

varijansa nepoznata je:
P ( I + I ≤ tn−1,1−α / 2 ) = y, y = 1−α
Interval poverenja formira se iz tablica Studentovog rasporeda za

nepoznatu aritmeti~ku sredinu osnovnog skupa ( x ) :
 Sn   Sn Sn 
 m − x ≤ tn−1,1−α / 2  =  m − tn−1,1−α / 2 ≤ x ≤ m + tn−1,1−α / 2 
 n −1   n −1 n −1 
Pove}anjem uzorka ( n > 30 ) t – raspored te` i normalnom raspore-

du, te je dozvoljeno kori{}enje rasporeda Z : N ( 0,1) , tj. tablice normalnog
standardizovanog rasporeda umesto tablica Studentovog rasporeda za dati
koeficijent poverenja β .
Stratifikovani uzorak
Za ocenjivanje nepoznate aritmeti~ke sredine osnovnog skupa koris-
timo stratifikovani uzorak umesto prostog slu~ajnog uzorka. Ovaj uzorak
ima osobinu da smanjuje gre{ku ocene, ako je osnovni skup vrlo raznovr-
stan. Stratifikovani uzorak je skup prostih slu~ajnih uzoraka, od kojih je
svaki izabran iz stratuma. Na~in stratifikacije treba da omogu}i obezbe|i-
vanje najmanje standardne gre{ke ocene. Stratifikovani uzorak elimini{e
varijabilnost izme|u stratuma kao izvora veli~ine standardne gre{ke.
Aritmeti~ka sredina stratifikovanog uzorka predstavlja ponderisanu
aritmeti~ku sredinu prostih slu~ajnih uzoraka. Ako je
57
ni N i n
= =r, r= i, i = 1,2,3,..., s (s – broj stratuma)
n N N
n1 m1 + n2 m2 + ... + ns ms
m=
n
n = n1 + n2 + n3 + ... + ns — veli~ina stratifikovanog uzorka.

Ocena standardne gre{ke je:
S
ni
S
n 2
S 2 ∑ (n − 1) Si2
∑n
i =1
Sm = ⋅ =
i i i
i =1
2
ni − 1 n
ni
∼ 1 , pa je
ni − 1
n2 S2
S ∑n S i
2
i
Sm = ∑ i2 ⋅ i = i =1
i =1 n ni − 1 n
Interval poverenja za aritmeti~ku sredinu osnovnog skupa na bazi

stratifikovanog uzorka je:
( m − ZSm , m + ZSm )
Z je vrednost iz tablica normalnog rasporeda za dati koeficijent

poverenja β = 1 − α .
RASPORED PROPORCIJA UZORKA — INTERVAL

POVERENJA ZA PROPORCIJU OSNOVNOG SKUPA
Prost slu~ajan uzorak

Posmatramo beskona~an skup. Interesuje nas realizacija doga|aja
A, kod svakog elementa osnovnog skupa.
P ( A) = p
I A = 1 (indikator doga|aja A), ako se doga|aj A realizuje
58
I A = 0 , ako se doga|aj A ne realizuje ( AC )
1, sa verovatno}om p
I A=
0, sa verovatno}om 1 - p
Dobijamo relaciju:
E ( I A ) = 1 P ( A ) + 0 P ( AC ) = p
sa standardnom devijacijom:
p (1 − p )
Aritmeti~ka sredina i varijansa, tj. standardna devijacija slu~ajne

promenljive x je:
E ( X ) = np i σ = np (1 − p)
Standardizovana slu~ajna promenljiva je:
x − np
z= , N ( 0;1)
np (1 − p)
Proporcija uzorka P ima pribli` no normalan raspored:
 p (1 − p ) 
N ( p, σ p ) = N  p, 
 n
 
tj. z = ( P − p) / σ p ima normalan raspored N ( 0,1) .
Donja i gornja granica intervala poverenja za p je:
p (1 − p ) p (1 − p )
p− z ≤ p≤ p+ z
n n
Interval poverenja za proporciju osnovnog skupa (p) mo` e da se is-

koristi za ocenjivanje agregata (ukupan broj jedinica osnovnog skupa sa
odre|enom osobinom).
59
Stratifikovan slu~ajan uzorak
Ako se koristi proporcionalna alokacija za izbor prostih slu~ajnih
uzoraka, tj.
ni
r= ( i = 1,2,3,..., s ) — s je broj stratuma
Ni
n1 p1 + n2 p2 + ... + ns Ps
P= ; n je veli~ina stratifikovanog uzorka.
n
Ocena standardne gre{ke je:
s
ni2 s
ni2 pi (1 − pi )
Sp = ∑
i =1 n 2
⋅ spi2 = ∑
i =1 n ( ni − 1 )
2
ni
ako se pretpostavi: ≈1
ni − 1
∑ n p (1 − p )
i i i
Sp = i =1
n
Interval poverenja na bazi stratifikovanog uzorka sa proporcijom

osnovnog skupa p je:
( P − zS , P + zS )
p p
z – vrednost iz tablica normalnog rasporeda za β (1 − α )
β (1 − α ) – koeficijent poverenja.
Raspored varijansi uzorka

Ocena i interval poverenja varijanse osnovnog skupa
Varijansa uzorka je:
n n
∑ ( xi − m ) ∑x
2 2
i
Sn2 = i =1
= i =1
− m2
n n
Varijansa uzorka Sn2 nije nepristrasna ocena varijanse σ 2 osnovnog

skupa, pa je:
60
n −1 2 n −1 2
E ( Sn2 ) = E ( X 2 ) − E( X2 ) −
1
E (X) = σ
n n n
Tako mo` emo uvesti popravljenu varijansu uzorka:
∑(x − m)
2
i
n
S2 = Sn2−1 = Sn2 = i =1
n −1 n −1
Ona je nepristrasna ocena varijanse osnovnog skupa.

Statistika koja se koristi je:
nSn2
xn2−1 =
σ2
i ima χ 2 raspodelu sa ( n − 1) stepeni slobode.
Dvostrani interval poverenja za σ 2 je:
nSn2 / X n2−1;(1+ β ) / 2 ≤ σ 2 ≤ nSn2 / X n2−1;(1+ β ) / 2
ako je obim uzorka n > 30 koristi se ~injenica da statistika 2Vn2−1

ima pribli` no normalnu raspodelu N ( )
2n − 3;1 te za dati β je:
( ) ( )
2 2
nSn2 / 2n − 3 + z ≤ σ 2 ≤ nSn2 / 2n − 3 − z
TESTIRANJE STATISTI^KIH HIPOTEZA

Osnovni skup koji se posmatra ima brojne parametre: aritmeti~ku
sredinu, varijansu, standardnu devijaciju, proporciju, koje treba oceniti na
bazi statistike uzorka. Drugi zadatak je da se izvr{i provera ispravnosti
neke hipoteze (pretpostavke) koja se unapred formuli{e o parametrima os-
novnog skupa. Posle formiranja hipoteze pristupa se testiranju (proveri)
hipoteze. Postupak kojim se proverama formulisana hipoteza zove se testi-
ranje statisti~kih hipoteza.
Statisti~ki testovi se naj~e{}e dele na:
• parametarske i
• neparametarske.
Testiranje hipoteze odvija se u vi{e etapa:
• definisanje (formulisanje) hipoteze,
61
• izbor teorijskog modela rasporeda, izbor statistike testa,
• izbor verovatno}e (1 − α ) , tj. rizika gre{ke α ,
• upore|ivanje kriterijuma za prihvatanje ili odbacivanje hipo-

teza,
• odre|ivanje veli~ine i tipa uzorka,
• izra~unavanje statistike uzorka,
• izra~unavanje slu~ajne promenljive,
• upore|uju se izra~unate sa tabli~nim vrednostima,
• donosi se kona~na odluka o prihvatanju ili odbacivanju pos-
tavljene hipoteze.
Kod testiranja statisti~kih hipoteza uvek se polazi od dve me|usob-
no isklju~ive hipoteze o parametrima osnovnog skupa. To su nulta hipote-
za ( H0 ) i alternativna hipoteza ( H1 ) .
Nulta hipoteza ( H0 ) je o~ekivana vrednost parametara osnovnog

skupa koji se ` eli testirati, tj. ona predstavlja tvr|enje o vrednosti tog pa-
rametra koji se ` eli osporiti.
Alternativna hipoteza sadr` i sve ostale vrednosti parametara os-
novnog skupa koje nisu obuhva}ene nultom hipotezom ( H0 ) . Ona je, po
pravilu, slo` ena hipoteza.
Nulta i alternativna hipoteza se javljaju u tri varijante:
1. H0 ( t = t0 ) protiv H1 ( t ≠ t0 )
2. H0 ( t ≥ t0 ) protiv H1 ( t < t0 )
3. H0 ( t ≤ t0 ) protiv H1 ( t > t0 )
Prva varijanta podrazumeva dvosmerni (dvostrani) test, dok druge

dve mogu}nosti podrazumevaju jednosmerne testove.
Prilikom dono{enja odluka o prihvatanju ili odbacivanju hipoteze
H0 mogu}e su slede}e gre{ke:
1. Gre{ka prvog tipa je verovatno}a da se odbaci pretpostavka H0
kad je ona stvarno ta~na. Ozna~imo je sa α . To je verovatno}a gre{ke pr-
vog tipa i naziva se nivo (prag) zna~ajnosti:
α = P ( H0 odbacujemo / H0 je ta~na )
2. Gre{ka drugog tipa je verovatno}a da se prihvati hipoteza H0 kad

je stvarno ta~na hipoteza H1 , i ozna~imo je sa β .
62
β = P ( H0 se prihvata / H0 je neta~na )
Baza na osnovu koje se vr{i testiranje hipoteza zove se statistika

(uzorka) testa.
ocena parametra – hipoteti~ka vrednost

statistika testa =
standardna gre{ka ocene
Testiranje hipoteze o vrednosti aritmeti~ke sredine

kada je varijansa osnovnog skupa poznata
Pravilo 1. Testira se hipoteza H0 ( x = x0 ) protiv alternativne hipo-
teze H1 ( x ≠ x0 ) za dati nivo zna~ajnosti α . Osnovni skup ima normalan
raspored, ili raspored osnovnog skupa nije poznat, a veli~ina uzorka je
n ≥ 30 .
m− x
Statistika Z = ima normalan raspored N ( 0,1) pod uslovom
σ/ n
da je H0 ( x = x0 ) ta~na.
Za dati nivo zna~ajnosti α dobija se kriti~na vrednost Z1−α / 2 iz

tablica normalnog rasporeda i kriti~na oblast je:
K = ( −∞ − z1−α / 2 ) ∪ ( z1−α / 2 , +∞ )
Test je dvosmernog karaktera.
63
Pravilo 2. Testira se hipoteza H0 ( x ≥ x0 ) protiv alternativne hipo-
teze H0 ( x < x0 ) za dati nivo zna~ajnosti α . Varijansa osnovnog skupa je
poznata. Osnovni skup ima normalan raspored, uzorak je proizvoljne
veli~ine ili raspored osnovnog skupa nije poznat, a veli~ina uzorka n ≥ 30 .
m− x
Statistika koja se koristi je Z = ima normalan raspored
σ/ n
N ( 0,1) pod uslovom da je hipoteza H0 ( x ≥ x0 ) ta~na.
Za dati nivo zna~ajnosti α dobija se kriti~na vrednost iz tablica

normalnog rasporeda, a kriti~na oblast je:
K = ( −∞, − z1−α )
Pravilo 3. Testira se hipoteza H0 ( x ≤ x0 ) protiv alternativne hipo-

teze H1 ( x > x0 ) za dati nivo zna~ajnosti α . Varijansa osnovnog skupa je
poznata. Osnovni skup ima normalan raspored, uzorak je proizvoljne
veli~ine ili raspored osnovnog skupa nije poznat, a veli~ina uzorka je
n ≥ 30 .
m− x
Koristi se statistika Z= koja ima normalan raspored
σ/ n
N ( 0,1) , pod uslovom da je H0 ( x ≤ x0 ) ta~na.

normalnog rasporeda, na osnovu koje se odre|uje kriti~na oblast:
K = ( z1− a , +∞ )
64
Ovo je jednosmeran test.
Testiranje hipoteze o vrednosti aritmeti~ke sredine

kada je varijansa osnovnog skupa nepoznata
Testira se hipoteza H0 ( x = x0 ) protiv hipoteze H1 ( x ≠ x0 ) za dati

nivo zna~ajnosti α . Osnovni skup ima normalan raspored, uzorak je pro-
izvoljne veli~ine ili, pak, raspored osnovnog skupa je simetri~an i unimo-
dalan, a veli~ina uzorka nije manja od 8.
Koristi se statistika uzorka:
m−x
tn−1 = ⋅ n −1
Sn
koja ima Studentov raspored sa ( n − 1) stepeni slobode, gde je Sn stan-

dardna devijacija uzorka, pod uslovom da je hipoteza H0 ( x = x0 ) ta~na.
Za dati nivo zna~ajnosti α iz uslova P ( tn−1 ≥ tn−1;1−α / 2 ) = α dobija se

kriti~na oblast:
K = ( −∞, −tn−1,1−α / 2 ) ∪ ( tn−1,1−α / 2 , +∞ )
na bazi kriti~ne vrednosti tn−1,1−α / 2 iz tablica Studentovog rasporeda.
Na sli~an na~in se formiraju pravila 2. i 3.
65
Testiranje hipoteze o proporciji osnovnog skupa
Pravilo 1. Testira se hipoteza H0 ( p = p0 ) protiv alternativne hipoteze
H1 ( p ≠ p0 ) za dati nivo zna~ajnosti α , uz uslove np0 ≥ 5 , n (1 − p0 ) ≥ 5 i
n ≥ 30 .
P− p
Z=
p (1 − p )
n
ima normalan raspored N ( 0,1) pod uslovom da je H0 ( p = p0 ) ta~na.
Za dati nivo zna~ajnosti α iz tablica normalnog rasporeda dobija se

kriti~na oblast:
K = ( −∞, z1−α / 2 ) ∪ ( z1−α / 2 , +∞ )
Primenom statistike P1 tako|e mo` emo obaviti testiranje. Iz rela-

cije nivoa zna~ajnosti α = P ( z ≥ z1−α / 2 ) mogu se dobiti donja kriti~na vred-
nost i gornja kriti~na oblast:
p0 (1 − p0 ) p0 (1 − p0 )
pd = p0 − z1−α / 2 , pg = p0 + z1−α / 2
n n
Ako se statistika P nalazi izme|u donje i gornje kriti~ne vrednosti,

( pd ≤ P ≤ pg ) , prihvata se po~etna hipoteza H0 i obrnuto.
66
Pravilo 2. Testira se hipoteza H0 ( p ≥ p0 ) protiv alternativne hipoteze
H1 ( p < p0 ) za dati nivo zna~ajnosti α . Uslovi su isti kao i kod pravila 1.
P− p
Statistika Z = ima normalan raspored N ( 0,1) pod us-
p (1 − p ) n
lovom da je H0 ( p ≤ p0 ) ta~na.
Uz dati nivo zna~ajnosti α ( P ( z ≤ zα ) = α ) dobija se kriti~na vred-

nost iz tablica normalnog rasporeda, a na osnovu nje i kriti~na oblast:
K = ( −∞, − zα ) .
Pravilo 3. Testira se hipoteza H0 ( p ≤ p0 ) protiv alternativne hipo-

teze H1 ( p > p0 ) za dati nivo zna~ajnosti α . Uslovi koji moraju biti ispun-
P− p
jeni su isti kao kod pravila 1. Koristi se statistika Z = sa nor-
p (1 − p ) n
malnim rasporedom N ( 0,1) uz uslov da je H0 ( p ≤ p0 ) ta~na.
Za dati nivo zna~ajnosti α ( P ( z ≥ z1−α ) ) dobija se kriti~na vrednost

iz tablica normalnog rasporeda, a na osnovu te vrednosti dobija se i kriti~-
na oblast:
K = ( z1− a ; +∞ ) .
Test je jednosmeran.
Testiranje hipoteze o razlici aritmeti~kih sredina dva

osnovna skupa, varijanse osnovnih skupova su poznate
Pravilo 1. Testira se hipoteza H0 ( x1 = x2 ) protiv alternativne hipo-
teze H1 ( x1 ≠ x2 ) za dati nivo zna~ajnosti α .
Koristi se postavka da je statistika
Z=
( m1 − m2 − ( x1 − x2 ) )
σ m1 −m2
gde je standardna gre{ka:
σ 12 σ 22
σ m1 −m2 = +
n1 n2
67
Statistika uzorka ima normalan raspored N ( 0,1) pod uslovom da je
hipoteza H0 ( x1 = x2 ) ta~na.
normalnog rasporeda i kriti~na oblast:
K = ( −∞, − z1−α / 2 ) ∪ ( z1−α / 2 , +∞ )
Statistiku ZV izra~unavamo iz realizovanog uzorka. Ako ZV ∈ K hi-

poteza H0 ( x1 = x2 ) se odbacuje. U protivnom se hipoteza H0 ne odbacuje.
Testiranje hipoteze o razlici aritmeti~kih sredina dva os-

novna skupa, varijanse osnovnih skupova su nepoznate
Osnovni skupovi su normalno raspore|eni sa rasporedom N ( x1 , σ 1 )
i N ( x2 , σ 2 ) i njihove nepoznate varijanse su me|usobno jednake i iznose
σ 2 . Uzorci su proizvoljne veli~ine, n1 i n2. Izvla~enja slu~ajnih uzoraka su
nezavisna. Koriste se varijanse uzorka S12 i S22 za ocenu nepoznatih vari-
jansi osnovnih skupova.
Jedinstvena ocena za σ 2 je:
n1 S12 + n2 S22
S2 = .
n1 + n2 − 2
Ovo je, u stvari, ponderisana ocena varijanse osnovnog skupa σ 2 .

Pravilo 1. Testira se hipoteza H0 ( x1 = x2 ) protiv alternativne hipo-
teze H1 ( x1 ≠ x2 ) za dati nivo zna~ajnosti α .
Koristi se ~injenica da statistika:
m1 − m2 − ( x1 − x2 )
tn1 + n2 −2 =
σ m1 − m2
a ocena standardne σ m1 − m2 je:
1 1
Sm1 − m2 = S +
n1 n2
Statistika uzorka t ima Studentov raspored sa ( n1 + n2 − 2 ) stepena

slobode uz uslov da je hipoteza H0 ( x1 = x2 ) ta~na.
68
(
Za dati nivo zna~ajnosti α iz uslova P tn1 + n2 −2 ≥ tn+1;1−α / 2 = α dobija )
se kriti~na vrednost iz tablica Studentovog rasporeda i kriti~na oblast je:
( ) (
K −∞, −tn1 + n2 −2;1−α / 2 ∪ tn1 + n2 −2;1−α / 2 , +∞ )
Ako je apsolutna vrednost statistike testa TV ∈ K hipoteza H0 ( x1 = x2 )
se odbacuje. U protivnom se hipoteza H0 prihvata (izvu~eni uzorak nije u su-
protnosti sa postavljenom hipotezom H0 ).
Testiranje hipoteze o jednakosti

proporcija dva osnovna skupa
Pravilo 1. Testira se hipoteza H0 ( p1 = p2 ) protiv alternativne hipo
teze H1 ( p1 ≠ p2 ) za dati nivo zna~ajnosti α uz uslov ni pi ≥ 5 , ni (1 − pi ) ≥ 5
i veli~ine uzorka n ≥ 30 , i = 1,2 . Slu~ajni uzorci su me|usobno nezavisni.
Statistika testa je:
Z=
( P1 − P2 − ( p1 − p2 ) )
σ p1 − p2
a ocena standardne gre{ke
P1 (1 − P1 ) P2 (1 − P2 )
σ p1 − p2 = +
n1 n2
Statistika uzorka ima normalan raspored N ( 0,1) pod uslovom da je

hipoteza H0 ( p1 = p2 ) ta~na.
Za dati nivo zna~ajnosti α , α = P ( Z ≥ z1−α / 2 ) i kriti~ne vrednosti iz

tablica normalnog rasporeda dobija se kriti~na oblast:
K = ( −∞, − z1−α / 2 ) ∪ ( z1−α / 2 , +∞ ) .
χ 2
– test
χ 2 – test je teorijski raspored kojim je mogu}e testirati odre|ene hi-
poteze. χ 2 – testovi koriste χ 2 – raspored. Ovi testovi su jednosmernog
karaktera. Njegova vrednost je uvek pozitivna veli~ina jer predstavlja
sumu kvadrata. Najmanja vrednost χ 2 – testa je nula. Kao {to smo ve} u
69
prethodnom izlaganju napomenuli, χ 2 – statistika ima svojstvo aditivnosti.
Aritmeti~ka sredina χ 2 – rasporeda jednaka je broju stepeni slobode, a
varijansa dvostrukom broju stepeni slobode. Kako broj stepeni slobode
raste, tako χ 2 – raspored te` i normalnom rasporedu.
Testiranje oblika rasporeda

U statisti~koj analizi statistiku χ 2 – oblika prvi je uveo Karl Pirson
1890. godine.
Statistika testa glasi:
χ r2− s−1 = ∑
K
( fi − fi′)
i =1 fi′
fi – empirijska frekvenca
fi′ – o~ekivana frekvenca
r – broj modaliteta posmatrane slu~ajne veli~ine
s – broj nepoznatih ocenjenih parametara na bazi uzorka
Za statistiku χ r2− s−1 , χ 2 – rasporeda sa r– s– 1 stepeni slobode, testira
se hipoteza H0 (obele` je X osnovnog skupa ima odre|enu raspodelu) protiv
alternativne hipoteze H1 (X ima nazna~enu raspodelu) uz odre|eni rizik α.
( )
Za dati nivo zna~ajnosti α , α = PH0 ( χ r2− s−1 ≥ χ r2− s−1;1−α ) uz nala` enje
kriti~ne vrednosti dobija se kriti~na oblast:
K = ( χ r2− s−1;1−α , +∞ ) .
Test je jednosmeran.
70
χ 2 – test se zasniva na apsolutnim frekvencijama a zbir empirijskih
i o~ekivanih frekvencija je jednak.
Ukoliko su empirijske frekvencije male (manje od 5) treba pre-
grupisati podatke, mada neki autori sa tim nisu saglasni, naro~ito ako se
radi o velikim uzorcima.
Test nezavisnosti
χ 2 – testom mo` e se izvr{iti testiranje hipteze H0 (x i y kao nezav-
isna obele` ja jednog skupa) protiv alternativne hipoteze H1 (x i y nisu
nezavisna obele` ja skupa) uz odre|eni rizik α. Nije obavezno da su
obele` ja x i y kvantitativna.
x1 , x2 , x3 ,..., xr su realizovane vrednosti modaliteta x,
y1 , y2 , y3 ,..., yr su realizovane vrednosti modaliteta y,
Izvu~en je uzrak n sa fij apsolutnim frekvencijama, onda su o~eki-
vane frekvencije:
fi ⋅ f j
fij =
n
a statistika uzorka koji se koristi je:
(f − fij′ )
2
r s
χ = ∑∑
2 ij
( r −1)( s−1)
i =1 j =1 fij′
Ova statistika ima ( r − 1)( s − 1) stepeni slobode. Za dati nivo zna~ajnosti

α , dobijena kriti~na oblast je:
(
K = χ (2r −1)( s−1);1−α , +∞ )
Testiranjem hipoteze o nezavisnosti obele` ja kori{}enjem χ (2r −1)( s−1)
statistike, donosi se osluka o prihvatanju ili odbacivanju hipoteze H0 . Od-
bacivanjem hipoteze H0 ne dobija se informacija o me|uzavisnosti obele` ja
x i y koja su nezavisna. Podatak o me|uzavisnosti ovih pojava dobija se uz
pomo} koeficijenta kontingencije.
Ja~ina me|uzavisnosti pojava utvr|uje se preko koeficijenta kon-
tingencije preko dobijene vrednosti statistike
χ (2r −1)( s−1)V

χ 2
( r −1)( s−1)V ⋅C =
n + χ (2r −1)( s−1)V
71
Vrednost ovog koeficijenta je pozitivna i kre}e se u granicama od 0
do 1. Ako je koeficijent kontigencije jednak 1, me|uzavisnost je potpuna.
r −1
Najve}a vrednost koeficijenta kontingencije je Cmax = , ako je r = s
r
(isti je broj modaliteta za x i y).
72
Zadaci za ve`bu
1. Statisti~ki skup je sastavljen od pet vrednosti: 2,3,6,8,11. Napravi sve
mogu}e uzorke od po dva elementa sa ponavljanjem. Odredi:
a) aritmeti~ku sredinu statisti~kog skupa i standardnu devijaciju,
b) sredinu uzro~nih sredina i standardnu gre{ku sredine,
c) ponoviti isti postupak za uzorke bez ponavljanja.
Re{enje:
a) x = 6; σ = 3,29 .
150
b) E( m) = = 6,0; σ ( m) = 2,32 .
25
c) E( m) = 6,0; σ m = 2,01 .
2. Izvu~en je uzorak od 100 elemenata. Standradna devijacija osnovnog

skupa je 10, a aritmeti~ka sredina uzorka je 160. Odredi 99% interval
poverenja za aritmeti~ku sredinu osnovnog skupa.
1 + 0,99
Re{enje: θ( Z ) = = 0,995 .
2
Iz tablica normalnog rasporeda N ( 0;1) ⇒ Z = 2,58 .
99% interval poverenja je:
 σ σ   10 10 
m − z ;m + z  =  160 − 2,58 ;160 + 2,58  = (157,42;162,58 )
 n n  100 100 
3. Izvu~en je uzorak obima n = 81 iz osnovnog skupa sa rasporedom

N ( x,9 ) . Aritmeti~ka sredina uzorka je 6. Na}i verovatno}u P ( 5 < x < 7 ) .
 
5−6 x −m 7−6 
Re{enje: P ( 5 < x < 7 ) = P  < < = P ( −1 < z < 1) = 0,6823 .
 9 σ 9 
 81 n 81 
4. Odredi obim uzorka n tako da je P ( 2 < x < 4 ) =0,95 ako je osnovni skup
normalno raspore|en N ( x,4 ) . Aritmeti~ka sredina uzorka je 3.
73
Re{enje:
 
 2−3 x −m 4−3   n n
P (2 < x < 4) = p < < = P < z<  ≥ 0,95
 4 σ 4   4 4 
 n n n
n
tj. 4 = 1,96; n = 7,84; n ≥ 61,4656 ili n ≥ 61.
5. Iz normalno raspore|enog osnovnog skupa N ( x, σ ) izvu~en je uzorak

obima n = 30 i dobijeno je da je suma vrednosti 30, a suma kvadrata vred-
nosti 39,3. Na}i 90% interval poverenja parametra.
30
Re{enje: Aritmeti~ka sredina uzorka je = 1 , a varijansa uzorka je
30
39,3
− 1 = 0,31 . Standardna devijacija uzorka Sn je 0,31 = 0,56 . Za
30
β = 0,90 iz tablica Studentovog rasporeda nalazi se broj t25;0,95 = 1,699 pa
90% interval poverenja je ( 0,896;1,104 ) .
6. Stratifikovani uzorak je formiran proporcionalnim slu~ajnim izborom pri

~emu veli~ina slu~ajnog uzorka iznosi 3% veli~ine stratuma. Na osnovu
prometa trgovinskih organizacija, dobijenu su slede}i podaci. Neka je koefi-
cijent poverenja 0,97. Za β = 0,97 iz tablica normalnog rasporeda dobija se
faktor poverenja z0,985 = 2,17 .
Stratumi Veli~ina Prose~an Standardna

trgovinskih uzorka promet devijacija
organizacija uzorka
T.O. na veliko 52 48 4
T.O. na malo 37 60 6
Spoljna trgovina 16 42 3
a) sa koeficijentom poverenja od 0,97 oceniti prose~an promet svih
trgovinskih organizacija,
b) oceniti ukupan promet trgovinskih organizacija sa koeficijentom
poverenja 0,97.
Re{enje: m = 51,31; Sm = 0,464 .
ni
Ako je N i = 3% N1 = 1733,33, N2 = 1233,33, N3 = 533,33
N = N1 + N2 + N3 = 3500 .
Prose~an promet trgovinskih organizacija nalazi se u intervalu
51,31 − 2,17 ⋅ 0,464 ≤ x ≤ 51,31 + 2,17 ⋅ 0,464
50.303 ≤ x ≤ 52.317
74
a ukupan promet u intervalu
3500 ⋅ 50.303 ≤ N x ≤ 52.317 ⋅ 3500
176060.500 ≤ N x ≤ 183109.500
7. Sto komponenata je testirano i na|eno je da 90 od njih ima vek trajanja

ve}i od 300 ~asova. Na|i 95% interval poverenja za p = P (komponenta radi
vi{e od 300 ~asova).
Proporcija uzorka je P = 0,90 ; faktor poverenja z = 1,96 .
95% interval poverenja za proporciju p osnovnog skupa je
( 0,8411;0,9588 )
8. U jednom preduze}u formiran je stratifikovan uzorak radnika prema
{kolskoj spremi sa slede}im podacima:
Stratifikovana Veli~ina % {karta u Varijansa
{kolska sprema uzorka proizvodnji uzorka
KV 40 0,05 0,00122
PKV 30 0,03 0,00103
NKV 5 0,09 0,02047
a) na nivou zna~ajnosti od 0,05 oceni prose~an procenat {karta u
dnevnoj proizvodnji;
b) odredi ukupan broj radnika po stratumima i oceni ukupan {kart
preduze}a ako je uzorak formiran sa procentualnom stopom iz-
bora od 2%.
3,35 1,92675
a) P = = 0,04 ; Sp = = 0,01851
75 75
za β = 0,95 i t = 1,96 (iz tablica normalnog rasporeda) prose~an pro-
cenat {karta u dnevnoj proizvodnji nalazi se u intervalu
0,04 − 1,96 ⋅ 0,01851 ≤ p ≤ 0,04 + 1,96 ⋅ 0,01851
0,00372 ≤ p ≤ 0,07628
ni
b) = 0,02 ⇒ N1 = 2000, N 2 = 1500, N3 = 250 ⇒ N = 3750
Ni
3750 ⋅ 0,00372 ≤ N p ≤ 3750 ⋅ 0,07628 ⇒ 13 ≤ N p ≤ 286 .
9. Neka je σ 2 varijansa slu~ajnog uzorka obima n iz osnovnog skupa sa

rasporedom N ( x; σ ) . Ako je n = 10 kolika je verovatno}a da slu~ajan inter-
 S2 S2 
val  n 1,9 ; n 0,27  sadr` i σ 2 ? Kolika je o~ekivana vrednost du` ine datog
 
intervala?
75
Odgovor: Verovatno}a da dati slu~ajni interval sadr` i σ 2 je 0,955.
Sn2
[irina intervala je 1,63 0,513 i o~ekivana vrednost je 2,86 za varijansu
osnovnog skupa σ 2 .
10. Na}i 95% dvostrani interval poverenja za nepoznatu varijansu osnov-

nog skupa iz koga je izvu~en uzorak:
x 1 2 3 4 5 6
f 1 5 7 8 5 2
Odgovor: aritmeti~ka sredina uzorka je 3,61 i varijansa uzorka je 10,9999 a

standardna devijacija je 3,32. Iz tablice χ 2 – rasporeda za dato β = 0,95 do-
bijamo χ 27;0,975
2
= 43,2 i χ 27;0,975
2
= 14,6 pa 95% dvostrani interval poverenja
za varijansu osnovnog skupa je:
 10,9999 10,9999 
 28 ⋅ 43,2 ;28 ⋅ 14,6  = ( 7,13;21,096 ) .
 
11. Iz normalno raspore|enog osnovnog skupa N ( x,6 ) je izvu~en uzorak

dobima n = 144 sa aritmeti~kom sredinom 18. Formirati pravilo testiranja
hipoteze H0 ( x = 17 ) protiv alternativne hipoteze H1 ( x ≠ 17 ) . Ako je
stvarna vrednost parametra m = 20 , izra~unaj verovatno}u gre{ke drugog
tipa.
18 − 17
Re{enje: z0 = =2
6
144
( )
Iz uslova P ( z ≥ 2 ) = 2 1 − θ( 2) = 0,0456 ⇒ α = 0,0456
x − 17
Iz uslova = 2 x − 17 < 2 ⇒ 16 < x < 18 .
6
144
Pravilo glasi 1) ako je 16 < x < 18 prihvata se hipoteza H0 , u suprot-

nim slu~ajevima se hipoteza odbacuje sa rizikom α = 0,0456 .
Za α = 0,05 kriti~na oblast testa je

K ( −∞, −1,96 ) ∪ (1,96, +∞ ) , ZV = z ∈ K odbacuje se po~etna hipoteza
H0 .
76
a)
b)
12. Neka je vodeni talog na odre|enim lokacijama slu~ajna promenljiva sa

normalnim rasporedom. U periodu od 9 godina registrovane su slede}e
vrednosti vodenog taloga:
34,1 33,7 27,4 31,1 30,9 35,2 28,4 32,1 30,1
Testirati hipotezu H0 ( m = 32 ) protiv
P : X = 31,44 , Sn = 2,52
t8 = 0,623
za α = 0,05 iz tablica Studentovog rasporeda za 8 stepeni slobode

nalazi se kriti~na vrednost tn−1;1−α / 2 = t8;0,975 = 2,306 i kriti~na oblast
K = ( −∞, −2,306 ) ∪ ( 2,306, +∞ ) .
77
13. Iz osnovnog skupa sa rasporedom N ( m1 ,10 ) izvu~en je uzorak obima
n1 = 100 sa aritmeti~kom sredinom od 45 cm, a iz osnovnog skupa sa
rasporedom N ( m2 ,9 ) izvu~en je uzorak obima n2 = 81 sa aritmeti~kom
sredinom od 43 cm. Da li postoji bitna razlika izme|u proseka posmatranih
osnovnih skupova. Uzeti rizik od 0,01.
Odgovor: Testira se hipoteza H0 ( m1 = m2 ) protiv H1 ( m1 ≠ m2 ) sa rizikom
od 0,01. ZV = 1,414 . Iz tablica normalnog rasporeda za verovatno}u od
0,995 kriti~na vrednost testa je 2,58 a kriti~na oblast je
K = ( −∞; −2,58 ) ∪ ( 2,58; +∞ ) . ZV = 1,414 ∉ K , prihvata se po~etna
hipoteza H0 ( m1 = m2 ) sa rizikom od 0,01.
Za rizik od 0,05 dobija se kriti~na vrednost testa 1,69 i kriti~na oblast
je {ira, K = ( −∞; −1,96 ) ∪ (1,96; +∞ ) . Prihvata se hipoteza
H0 ( m1 = m2 ) .
14. U junu 1992. godine izvu~en je uzorak od 1350 proizvoda, me|u kojima
je na|eno 146 neispravnih. U avgustu iste godine je izvu~en uzorak od 1300
proizvoda me|u kojima je na|eno 113 defektnih. Testirati hipotezu
H0 ( p1 = p2 ) protiv alternativne hipoteze H0 ( p1 ≠ p2 ) uz nivo zna~ajnosti
0,05.
Ocena nepoznatog parametra je:
146 + 113 259
P′ = = = 0,098 , sa standardnom gre{kom
1350 + 1300 2650
Sp1 − p2 = 0,098 (1 − 0,098 ) ⋅ 

1 1 
+  = 0,0116 .
 1350 1300 
ZV = 1,81 , za α = 0,05 , K = ( −∞, −1,96 ) ∪ (1,96, +∞ ) i kako
ZV = 1,81 ∉ K hipoteza H0 se prihvata.
78
Za α = 0,01 , K = ( −∞, −2,58 ) ∪ ( 2,58, +∞ ) , H0 je ve}a, a kriti~na
oblast manja nego za α = 0,05 , te se hipoteza H0 prihvata.
15. Ostvarena proizvodnja ko{ulja u komadima i planirana proizvodnja u

% jedne fabrike po pogonima data je u slede}oj tabeli. Ispitaj da li su
zna~ajna odstupanja ostvarene proizvodnje od planirane sa rizikom od 0,05.
Ostvarena Planirana O~ekivana

( fi − fi′)
2
Pogoni proizvodnja proizvodnja proizvodnja

( fi ) ( fi′) fi′
u%
A 80 30 90 1,11
B 60 20 60 0,00
C 50 20 60 1,67
D 55 20 60 0,42
E 35 5 15 26,67
F 20 5 15 1,67
Σ 300 100 300 31,54
Vrednost statistike χ 2 je χ S2V = 31,54 , r = 6 , S = 0 i broj stepeni slo-

bode r − S −1 = 5 . Za α = 0,05 , χ r2− s−1;1−α = χ 5;0,95
2
= 11,07 a
K = (11,07, +∞ ) .
χ S2V = 31,54 ∈ K , odbacuje se po~etna hipoteza H0 tj. postoje

zna~ajne razlike izme|u ostvarene i planirane proizvodnje.
16. Testirati hipotezu H0 (marka automobila y je nezavisna od pola vlas-

nika x) pri nivou zna~ajnosti α = 0,05 na bazi uzorka 350 vlasnika automo-
bila.
x
„ Jugo“ „ Audi“ „ Reno“ fi
y
@enski 40 80 30 150
Mu{ki 30 120 50 200
fi 70 200 80 350
Formira se radna tabela:
79
fij 40 80 30 30 120 50
fij′ 30 85,71 34,29 40 114,29 45,71
(f − fij′ )
2
ij 100 32,60 18,40 100 32,60 18,40
(f − fij′ )
2
ij
3,33 0,38 0,54 2,5 0,29 0,40
fij′
Vrednost statistike je χ (22−1)( S−1)V = χ 22V = 7,44 . Za α = 0,05 iz tablica

χ 2 rasporeda dobija se kriti~na vrednost testa χ 2;0,95
2
= 5,99 i
K = ( 5,99, +∞ ) . Kako je 7,44 ∈ K odbacuje se hipoteza H0 i zaklju~u-
je se da izbor marke automobila zavisi od pola kupaca sa rizikom od
5%.
80
Regresija i korelacija
ovom poglavlju }emo akcenat staviti na metode kojima se ispituju
U me|usobne veze i relacije izme|u dve ili vi{e pojava. Ispitivanje

mo` emo sprovesti na bazi osnovnog skupa i na bazi uzorka.
DETERMINISTI^KA I STOHASTI^KA VEZA

Veza izme|u pojava mo` e biti dvojaka: deterministi~ka i stohas-
ti~ka. Deterministi~ka veza (funkcionalna ili egzaktna) podrazumeva da
jednoj vrednosti nezavisno promenljive x odgovara samo jedna vrednost
zavisno promenljive y.
Stohasti~ke veze su slabije izra` ene od deterministi~kih. Kod ove
veze, jednoj vrednosti nezavisno promenljive odgovara vi{e zavisno pro-
menljivih. Drugim re~ima, kod stohasti~ke veze individualne vrednosti
zavisno promenljive y pokazuju znana odstupanja od proseka. Pravilnost
se utv|uje ispitivanjem velikog broja slu~ajeva.
Vrednosti porasta (opadnanja) vrednosti nezavisne promenljive x,
istovremeno odgovara porast (opadanje) zavisno promenljive y. To su dire-
ktne veze. Ako porastu jedne promenljive odgovara opadanje druge radi se
o inverznim vezama.
CILJEVI REGRESIONE I KORELACIONE ANALIZE

Da bi se utvrdili ciljevi regresione i korelacione analize, potrebno je
odrediti koja pojava }e imati karakter zavisno promenljive a koja karakter
nezavisno promenljive.
Cilj regresije je da se odredi priroda veze, tj. utvrdi odnos zavisnosti
izme|u datih pojava. Taj cilj se posti` e uz pomo} regresionog modela. Ovaj
model kroz sistem matemati~kih formula i niza pretpostavki, na najkva-
litetniji na~in opisuje kvantitativnu zavisnost izme|u varijacija posmat-
ranih pojava u stvarnosti. Regresioni model pokazuje prose~no slaganje
varijacija ispitivanih pojava.
81
Korelaciona analiza ispituje mogu}nost postojanja slaganja izme|u
varijacija posmatranih pojava, i u kom stepenu.
Veze izme|u promeljivih utvr|uju se uz pomo} metode proste (lin-
earne i krivolinijske) regresione i korelacione analize, i metode vi{estruke
(linearne i nelinearne) regresije i korelacije, u slu~aju posmatranja vi{e
promenljivih.
PROSTA LINEARNA REGRESIJA

Prosta linearna regresija se koristi onda kada izme|u dve posma-
trane pojave postoji linearna (pravolinijska) povezanost.
Dijagram raspr{enosti
Analizom zavisnosti dve pojave, najpre se empirijske serije podata-
ka prikazuju grafi~ki. Grafi~ki prikaz se konstrui{e u pravouglom koordi-
natnom sistemu. Na apscisu se nanose nezavisne promenljive x, a na ordi-
natu jedinice zavisno promenljive y. Ucrtavanjem svih empirijskih pojava
podataka dobija se slika o eventualnoj vezi me|u pojavama. Takav grafi~ki
prikaz naziva se dijagram raspr{enosti.
Tabela 7.
Dohodak i potro{nja povr}a po ~lanu doma}instva
Dohodak po Potro{nja povr}a

Doma}instvo
~lanu 10 d. po ~lanu 10 kg
A 2 4
B 3 3
C 3 5
D 4 6
E 5 7
F 5 8
G 6 9
H 7 12
I 8 10
J 10 14
82
potro{nja
y
14
12
10
x
0 1 2 3 4 5 6 7 8 9 10 dohodak
Dijagram raspr{enosti za podatke iz tabele 7.
Dijagram raspr{enosti pokazuje da izme|u varijacija posmatranih

pojava postoji kvantitativno slaganje.
Na osnovu svega re~enog, mo` emo zaklju~iti da, grafi~kim pri-

kazivanjem varijacija dve pojave preko dijagrama raspr{enosti sagleda-
vamo:
– da li me|u pojavama postoji kvalitativno slaganje,
– koji je oblik kvantitativnog slaganja (linijski ili krivolinijski),
– koji je smer slaganja (direktni ili inverzni).
Prost linearni regresioni model
Funkcija proste linearne regresije ima oblik y = b0 + b1 x , pri ~emu je b1

koeficijent regresije (pravac nagiba), a b0 je slobodan ~lan regresione prave.
Ako je b1 = 0 izme|u varijacija posmatranih pojava ne postoji lin-

earna veza.
83
Ako je b1 > 0 funkcija proste linearne regresije pokazuje direktno
(rastu}e) slaganje varijacija vrednosti zavisno i nezavisno promenljive.
Ako je b1 < 0 funkcija proste linearne regresije pokazuje inverzno

(opadaju}e) slaganje varijacija vrednosti zavisno i nezavisno promenljive.
Rezidualna varijansa (varijansa funkcije regresije), tj. slu~ajne pro-

menljive e je:
∑ ( y − y′) ∑ ( y − y′)
2 2
σ 2
e = ⇒ σe =
N N
y – empirijska vrednost obele` ja
y’ – funkcija regresije
Kondiciona varijansa:
∑ ( y′ − y )
2
σ 2
y′ =
N
Varijansa ukupnog varijabiliteta obele` ja y je
∑( y − y)
2
σ 2
y =
N
σ y2 = σ y′ + σ e2 .
Ocenjivanje: metod najmanjih kvadrata
Na osnovu dijagrama raspr{enosti biramo tip krive koji najvi{e

odgovara empirijskim podacima. Cilj je da se na osnovu uzorka do|e do
najadekvatnijih ocena b 0 i b1 i postavi linija regresije u uzorku:
yi = B0 + B1 X .
Linije regresije u skupu i uzorku razlikuju se, jer se ocenjene vred-

nosti B0 i B1 razlikuju od stvarnih vrednosti parametara b0 i b1 .
84
potro{nja
y
14 y = b0 + b1x
12
10 yi = B0 + B1X
x
0 1 2 3 4 5 6 7 8 9 10 dohodak
Metod najmanjih kvadrata zasniva se na minimiziranju kvadrada

odstupanja svih empirijskih ta~aka od regresione linije.
min ∑ ei2 = ∑ Ei2 , B0 → b0 , B1 → b1 , Ei → ei
min ∑ ei = min ∑ ( y − B0 − B1 X ) = ∑ Ei2

2
n n
B0 n + B1 ∑ xi = ∑ yi
i =1 i =1
n n n
B0 ∑ xi + B1 ∑ xi2 = ∑ xi yi
i =1 i =1 i =1
Ako se re{i sistem po B0 i B1 dobijamo:
n n n
n∑ xi yi − ∑ xi ⋅ ∑ yi
B1 = i =1 i =1 i =1
2
n
  n
n∑ xi2 −  ∑ xi 
i =1  i=1 
85
n n n n
∑ xi2 ∑ yi − ∑ xi ∑ xi yi
B0 = i =1 i =1 i =1 i =1
2
n
  n
n∑ x −  ∑ xi 
2
i
i =1  i=1 
ili B0 = y − B1 x .
Ocenama B0 i B1 parametara b0 i b1 ocenjuje se i funkcija

y′ = F ( x ) funkcije yC . Funkcija yC predstavlja ocenu prose~nih vrednosti
obele` ja y za date vrednosti obele` ja X tj. funkcije y′ .
Mere reprezentativnosti linije regresije
Pre nego se utvrde mere reprezentativnosti linije regresije moramo

najpre da odredimo komponente ukupnog varijabiliteta. Ukupan vari-
jabilitet zavisno promenljive javlja se delimi~no zbog regresionog modela a
delimi~no zbog delovanja slu~ajne gre{ke E i .
Ukupna suma kvadrata je:
USS = ∑ ( y − y )
2
rezidualna suma kvadrata je:
RSS = ∑ ( y − yC )
2
Ukupna suma kvadrata sadr` i i tzv. kondicionu regresionu sumu

kvadrata
KSS = ∑ ( yC − y )
2
Iz svih relacija sledi da je ukupna suma kvadrata
USS = RSS + KSS
86
y
neobja{njeno odstupanje
( yi − yc )
ukupno odstupanje
( yi − y )
obja{njeno odstupanje
y
( yc − y )
Ukupan, obja{njen i neobja{njen varijabilitet
Relativna mera prilago|enosti regresione linije empirijskim po-

dacima dobija se iz relacije
RSS KSS
1= + , tj.
USS USS
KSS RSS
=1− .
USS USS
Leva strana jednakosti pokazuje koliko je u~e{}e obja{njenog vari-

jabiliteta u ukupnom varijabilitetu i naziva se koeficijent determinacije
( R2 ) .
Tako prethodnu formulu mo` emo iskazati slede}om relacijom:
R2 = B12
∑X 2
− nX 2
∑Y 2
− nY 2
Koeficijent determinacije je relativna mera reprezentativnosti re-

gresione linije. Koeficijent indeterminacije (1 − R2 ) pokazuje koliko je
u~e{}e neobja{njenog varijabiliteta u ukupnom varijabilitetu.
87
Koeficijent determinacije uzima vrednost od 0 do 1:
0 ≤ R2 ≤ 1
Ocenjivanje i predvi|anje vrednosti zavisno

promenljive na bazi regresionog modela
Standardna gre{ka ocene prose~ne vrednosti zavisno promenljive je
( xp − x )
2
1
Sysp = SE +
n ∑ x 2 − nx 2
Faktori koji uti~u na Sysp :
– sa pove}anjem standardne gre{ke regresije SE , tj. sa ve}im

odstupanjem empirijskih ta~aka od vrednosti regresione linije
pove}ava se i Sysp ,
– Sysp se smanjuje sa pove}anjem uzorka,
– ako je xp veoma daleko od proseka promenljive x, tada se Sysp

pove}ava i {iri se interval pouzdanosti,
– sa pove}anjem varijanse nezavisno promenljive x smanjuje se
veli~ina Sysp .
Interval ocene prose~ne vrednosti zavisno promenljive sa rizikom α

je
ycp − tn−2;1−α / 2 Sycp ≤ E( y ) ≤ ycp + tn−2;1−α / 2 Sycp

p
Standardna gre{ka predvi|anja individualne vrednosti zavisno

promenljive je:
( xp − x )
2
1
Syp = SE 1 + +
n ∑ X 2 − nX 2
a interval predvi|anja individualne vrednosti zavisno promenljive y

sa riziko α je
ycp − tn−2;1−α / 2 Syp ≤ y p ≤ ycp + tn−2;1−α / 2 Syp
Ako su B0 i B1 ocene sa minimalnim varijansama, posmatramo ih

kao slu~ajne promenljive veli~ine sa odre|enom raspodelom. Ako je
E( B0 ) = b0 , E( B1) = b1 :
88
SB0 = SE ∑X 2
n ( ∑ X − nX )
2 2
SE
SB1 =
∑X 2
− nX 2
SB0 i SB1 su standardne gre{ke ocene
Na sli~an na~in mo` e da se odredi interval poverenja za parametar

b0 , uz rizik α :
b0 − tn−2;1−α / 2 SB0 ≤ b0 ≤ b0 + tn−2;1−α / 2 SB0
Koeficijent proste linearne korelacije

Izme|u korelacione i regresione analize postoji odgovaraju}a veza.
Primena regresionog modela je u ocenjivanju i proceni i mogu}nosti pred-
vi|anja individualne vrednosti zavisno proemenljive y za odre|ene vred-
nosti nezavisno promenljive x. Kod proste linearne korelacije postoje dve
vrste veza: linearna i krivolinijska veza. Kod ispitivanja proste linearne
korelacije koristi se koeficijent proste linearne korelacije a za ispitivanje
krivolinijske korelacije koristi se indeks korelacije.
Korelaciona analiza ima za cilj da ustanovi da li me|u varijacijama
posmatranih obele` ja postoji kvantitativno slaganje, u kom stepenu i sme-
ru. Koeficijent korelacije u statistiku je uveo Pirson. Pirsonov koeficijent
linearne korelacije je relativna mera korelacije i defini{e se kao koli~nik
kovarijanse i proizvoda standardnih devijacija posmatranih obele` ja.
Mere proste linearne korelacije osnovnog skupa

Posmatra}emo vrednost dva obele` ja x i y osnovnog skupa. Na os-
novu njih definisa}emo Pirsonov koeficijent linearne korelacije:
σ xy
r=
σ x ⋅σ y
σ xy =
∑ ( X − X )( Y − X ) ,
x y
kao kovarijansa
N
89
∑( X − X ) ∑ (Y − X )
2 2
x y
σ x2 = i σ y2 = kao varijanse.
N N
Nakon odgovaraju}ih zamena vrednosti iz datih relacija u gornju

jedna~inu, dobijamo:
N ∑ XY − ∑ X ⋅ ∑ Y
r=
N ∑ X 2 − (∑ X ) N ∑ Y 2 − (∑ Y )
2 2
Osobine koficijenta proste linearne korelacije su:
– ne pravi se razlika izme|u zavisne i nezavisne promenljive

veli~ine, r = rx = ry ,
– mogu}e vrednosti koeficijenta su −1 ≤ r ≤ 1 ,
– koeficijentom se izra` ava relativna mera korelacije,
– linearna veza izne|u pojava ne postoji ako je r = 0 ,
– ako je r < 0 veza je inverzna (negativna),
– ako je r > 0 veza je direktna (pozitivna),
– ako je 0 < r < 0,2 niska direktna korelacija,
– ako je 0,2 < r < 0,5 , neznatna direktna korelacija,
– ako je 0,5 < r < 0,7 , znatna direktna korelacija,
– ako je 0,7 < r < 0,9 , visoka direktna korelacija,
– ako je 0,9 < r < 1 , vrlo visoka direktna korelacija.
Ako figurira znak „ –“ govorimo o inverznoj korelaciji.
– ako je r = 1 potpuna direktna korelacija,
– ako je r = −1 potpuna inverzna korelacija,
– ako je y′ = b0 + b1 x i x′ = b0′ + b1′ y tada je r = b1 ⋅ b1′
– ako je r = 0 korelacija ne postoji.
90
y xc
14
12
10
8 yc
x
0 1 2 3 4 5 6 7 8 9 10
r > 0 – pozitivna (direktna) korelacija
14
12
10
xc
8
2 yc
x
0 1 2 3 4 5 6 7 8 9 10
r < 0 – inverzna (negativna) korelacija
Koeficijent determinacije obele` ja y u odnosu na x osnovnog skupa je
σ e2
ry2 = 1 −
σ y2
91
Ako se veli~ina sa desne strane stavi pod koren, dobija se koeficijent
korelacije koji se zove indeks korelacije:
σ e2
ry = 1 − 2
σy
Indeks korelacije je uvek pozitivna veli~ina i ako se ra~una za re-

gresionu pravu, pripada mu vrednost parametra b1 . Indeks korelacije za-
visi od regresionog modela i uzima vrednosti od 0 do 1.
Mere proste linearne korelacije na bazi uzorka

Posmatramo vrednosti dva obele` ja x i y na bazi uzorka. Pirsonov
koeficijent proste linearne korelacije na bazi uzorka veli~ine n dobija oblik:
Sxy
R=
Sx Sy
Sxy =
∑ ( X − X )( Y − Y ) je kovarijansa
n −1
∑( X − X )
2
Sx =
n −1
su standardne devijacije
∑ (Y − Y )
2
Sy =
n −1
Nakon sre|ivanja koeficijent proste linearne korelacije dobija oblik:
n∑ XY −∑ Y ∑ Y
R=
n∑ X 2 − ( ∑ X ) n∑ Y 2 − ( ∑ Y )
2 2
1) Test linearne nezavisnosti slu~ajnih veli~ina X i Y

osnovnog skupa
Postavimo nultu hipotezu H0 ( r = 0 ) protiv alternativne hipoteze
H1 ( r ≠ 0 ) , uz uslov da slu~ajne promenljive x i y imaju zajedni~ki norma-
lan rasored.
92
Statistika uzorka koji se koristi je:
R R
tn−2 = = ⋅ n−2
SR 1 − R2
i ima Studentov raspored sa n − 2 stepeni slobode.

Standardna gre{ka ocene proste linearne korelacije je:
1 − R2
SR =
n−2
Kriti~na oblast testa je:
R = ( −∞, − tn−2;1−α / 2 ) ∪ ( tn−2;1−α / 2 , +∞ )
Ako tv ∈ K odbacuje se po~etna hipoteza H0 ( r = 0 ) uz rizik α . U os-

novnom skupu postoji linearna veza tv (apsolutna vrednosti statistike uzorka).
2) Test hipoteze o vrednosti koeficijenta linearne

korelacije slu~ajnih veli~ina x i y osnovnog skupa
Postavimo po~etnu hipotezu H0 ( r = r0 ) protiv alternativne hipoteze
H1 ( r ≠ r0 ) uz rizik α i uslov da x i y imaju zajedni~ki normalan raspored.
Statistika uzorka koja se koristi je:
1 1+ R
RP = ln .
2 1− R
Ona te` i normalnom rasporedu sa parametrima
1 1+ r
RP = ln
2 1−r
i standardnom gre{kom
1
SRP =
n−3
Statistika testa
RP − RP
Z=
SRP
ima normalan N ( 0,1) raspored.
93
Kriti~na oblast testa je
K = ( −∞, − z1−α / 2 ) ∪ ( z1−α / 2 , +∞ )
Ako zv ∈ K , odbacuje se po~etna hipoteza H0 uz rizik α . zv je aspo-

lutna vrednost statistike.
Mere proste linearne korelacije zasnovane

na rangiranim podacima
Naro~it zna~aj mera korelacije ranga, koja je neparametarska me-

toda korelacije, ogleda se u tome {to se primenjuju u analizi pojava koje
nije mogu}e numeri~ki iskazati, jer zavise od vi{e faktora.
Posmatramo dva obele` ja iz osnovnog skupa, x i y. Kako je suma N
N (1 + N )
prvih prirodnih brojeva jednaka , aritmeti~ke sredine su
2
1+ N N2 −1
x=y= . Standardne devijacije su σ x = σ y = a kovarijansa
2 12
N2 −1 1
σ xy =
12
−
2N
∑ di2 . . . di = xi − yi , tj. di je razlika izme|u redosleda
nekih parova rangova.
Iz definicije proste linearne korelacije i zamene odgovaraju}ih pa-

rametara, dobijamo Spermanov koeficijent korelacije ranga:
N
6∑ di2
rs = 1 − i =1
N ( N 2 − 1)
Ovaj koeficijent ima karakter relativne mere kvantitativnog

slaganja rangova dve slu~ajne veli~ine. Njegovo zna~enje je {ire od koefici-
jenata proste linearna korelacije. Spermanov koeficijent ukazuje na posto-
janje monotone veze izme|u dve slu~ajne veli~ine: rastu}a ako je rs > 0
(direktna veza rangova), opadaju}a rs < 0 (inverzna veza izme|u rangova).
Mogu}e vrednosti koeficijenata su –1 i 1. [to su vrednosti bli` e limitira-
nim vrednostima ( −1 ∨ 1) , ja~a je veza izme|u obele` ja x i y.
94
PROSTA KRIVOLINIJSKA REGRESIJA I KORELACIJA
Kad je nelinearna me|uzavisnost u pitanju, nju karakteri{e tenden-
cija nejednakog prirasta vrednosti zavisno promenljive veli~ine. Kod lin-
earne me|uzavisnosti se radi o tendenciji jednakog prirasta vrednosti zav-
isne u odnosu na nezavisnu promenljivu.
Primenom izbora oblika nelinearne me|uzavisnosti, koristi se dija-
gram disperzije ili kompjuterski izbor preko minimalne rezidualne gre{ke.
Nelinearna veza mo` e biti: kvadratna, stepena, logaritamska,
eksponencijalna, hiperboli~na itd.
Standardna gre{ka krivolinijske regresije ima oblik:
∑( y − y )
2
SE = C
n−k
n – veli~ina uzorka
k – broj ocenjenih parametara regresionog modela.
PROSTA KVADRATNA (PARABOLI~NA)

REGRESIJA I KORELACIJA
a) Posmatramo osnovni skup veli~ine N, tj. obele` ja x i y.
Funkcija kvadratne regresije ima oblik:
y′ = F ( x ) = b0 + b1 x − b2 x 2
Iz uslova metode najmanjih kvadrata:
∑ ( y − F ( x )) = ∑ ( y − b − b1 x − b2 x 2 ) = min
2 2
0
Kad na|emo parcijalne izvode po b0 , b1 , b2 i izjedna~imo ih sa 0, dobi-

jamo slede}i sistem normalnih jedna~ina:
b0 N + b1 ∑ x + b2 ∑ x 2 = ∑ y
b0 ∑ x + b1 ∑ x 2 + b2 ∑ x3 = ∑ xy
b0 ∑ x2 + b1 ∑ x3 + b2 ∑ x4 = ∑ x 2 y
Rezidualna varijansa je:
95
∑( y − b − b1 x − b2 x 2 ) ∑y − b0 ∑ y − b1 ∑ xy − b2 ∑ x2 y
2
2
σe = =
0
N N
Kondiciona varijansa je:
∑ ( y′ − y )
2
σ 2
y′ =
N
Varijansa ukupnog varijabiliteta obele` ja y je:
∑( y − y)
2
σ 2
y =
N
σ y2 = σ y′ + σ e2
Indeks korelacije osnovnog skupa je:
σ e2
ry = 1 −
σ y2
b) Posmatramo prost slu~ajan uzorak, slu~ajne promenljive x i y.

Ako je n < 30 (uzorak je mali), funkcija kvadratne regresije osnov-
nog skupa y′ , ocenjuje se
yC = B0 + B1 X + B2 X 2
Statistike B0 , B1 , B2 su ocene parametara b0 , b1 , b2 . One se odre|uju

metodom najmanjih kvadrata iz sistema jedna~ina:
B0 n + B1 ∑ X + B2 ∑ X 2 = ∑ Y
B0 ∑ X + B1 ∑ X 2 + B2 ∑ X 3 = ∑ XY
B0 ∑ X 2 + B1 ∑ X 3 + B2 ∑ X 4 = ∑ X 2Y
Standardna gre{ka regresije uzorka je:
∑( y − y )
2
SE = C
n−3
Indeks korelacije uzorka je:
96
SE2
Ry = 1 −
Sy2
0 ≤ Ry ≤ 1 i Ry ≠ Rx ,
( y − y )2
Sy2 = ∑ ocena varijanse osnovnog skupa σ y2 .
n −1
Za izra~unavanje indeksa korelacije kvadratne regresije koristimo i
obrazac:
n n n
B0 ∑ yi +B1 ∑ xi yi + B2 ∑ xi2 yi − ny 2
Ry = i =1 i =1
n
i =1
∑y
i =1
2
i − ny 2
Na osnovu svega re~enog, odre|ujemo intervale poverenja uz dati

rizik α:
1. za parametar b0 :
B0 − tn−3;1−α / 2 SB0 ≤ b0 ≤ B0 + tn−3;1−α / 2 SB0
B1 − tn−3;1−α / 2 SB1 ≤ b1 ≤ B1 + tn−3;1−α / 2 SB1
B2 − tn−3;1−α / 2 SB2 ≤ b2 ≤ B2 + tn−3;1−α / 2 SB2
4. interval ocene prose~ne vrednosti zavisno promenljive je:

yC p − tn−3;1−α / 2 SyC p ≤ E ( y p ) ≤ yC p + tn−3;1−α / 2 SyC p
5. interval ocene individualne vrednosti zavisno promenljive je:

yC p − tn−3;1−α / 2 Sy p ≤ y p ≤ yC p + tn−3;1−α / 2 Sy p
Na gotovo isti na~in formiramo testove za nepoznate parametre

b0 , b1 , b2 .
1. Polazimo od hipoteze H0 ( b1 = 0 ) protiv alternativne hipoteze

H0 ( b1 ≠ 0 ) .
Statistika testa t =
( B1 − 0 ) ima t – raspored sa n – 3 stepena slobode.
SB1
97
2. Po~etna hipoteza H0 ( b1 = b1v ) protiv alternativne hipoteze
H0 ( b1 ≠ b1v ) .
Statistika testa t =
( B1 − b1v) ima t – raspored sa n – 3 stepena slo-
SB1
bode. Test je dvosmeran.
PROSTA EKSPONENCIJALNA REGRESIJA I KORELACIJA

a) funkcija eksponencijalne regresije osnovnog skupa ima oblik
y′ = b0 b1x , b0 > 0, b1 > 0
b0 i b1 su linearni parametri a nezavisno promenljiva x izra` ava

nelinearnost.
b) funkcija eksponencijalne regresije uzorka je:
yC = B0 B1x , B0 > 0, B1 > 0
Ako izvr{imo logaritmovanje leve i desne strane, dobija se:
log y′ = log b0 + x log b1

log yC = log B0 + X log B1
LyC = log yC , LB0 = log B0 , LB1 = log B1
LyC = LB0 + LB1 X
PROSTA LOGARITAMSKA REGRESIJA I KORELACIJA

Posmatra}emo dve funkcije logaritamske regresije i to:
– funkcija logaritamske regresije osnovnog skupa:
y′ = b0 + b1 log ( x ) , x > 0, b0 i b1 su linearni parametri
– funkcija logaritamske regresije uzorka:
yC = B0 + B1 log ( X )
Funkciju logaritamske regresije mo` emo svesti na prosti linearni

model ako se uzme smena z = log ( x ) .
98
LINEARNA VI[ESTRUKA REGRESIJA I KORELACIJA
Linearna vi{estruka regresija i korelacija je samo pro{irenje lin-
earne regresije. Ono se ogleda u dve ili vi{e nezavisno promenljivih. Iz tog
razloga pretpostavke koje su date za prost linearni regresioni model
pro{iruju se sa jo{ dve pretpostavke:
– broj podataka u uzorku mora da bude ve}i od broja nepoznatih
parametara koji se ocenjuju,
– izme|u nezavisno promenljivih, koje posmatramo, ne postoji
savr{ena korelacija.
Op{ti model vi{estruke regresije osnovnog skupa je:
y = f ( x1 , x2 , x3 ,..., xn ) + e
za n = 2 , y = f ( x1 , x2 ) + e
x1 i x2 su nezavisno promenljive veli~ine.
y = b0 + b1 x1 + b2 x2 + e = y′ + e
je oblik linearne trodimenzionalne vi{estruke regresije osnovnog skupa.

Ako se iskoristi metod najmanjih kvadrata, dobija se sistem
jedna~ina:
b0 N + b1 ∑ x1 + b2 ∑ x2 = ∑ y
b0 ∑ x1 + b1 ∑ x12 + b2 ∑ x1 x2 = ∑ x1 y
b0 ∑ x2 + b1 ∑ x1 x2 + b2 ∑ x22 = ∑ x2 y
Koeficijente b1 i b2 mo` emo da izra~unamo preko koeficijenta

proste linearne korelacije i standardnih devijacija i to:
ryx1 − ryx2 ⋅ rx1 x2 σ y

b1 = ⋅
1 − rx1 x22 σ x1
ryx2 − ryx1 ⋅ rx1 x2 σ y

b2 = ⋅
1 − rx1 x22 σ x2
b0 = y − b1 x1 − b2 x2
99
Rezidualna varijansa ima oblik:
∑ ( y − y′)
2
σ 2
e =
N
Kondiciona varijansa je:
∑ ( y′ − y )
2
σ 2
y′ =
N
Varijansa ukupnog varijabiliteta obele` ja y je:
∑( y − y)
2
σ 2
y′ = , σ y2 = σ y2′ + σ e2
N
Koeficijent linearne vi{estruke korelacije obele` ja y u odnosu na x1 i

x2 osnovnog skupa je
σ e2
ry( x1x2 ) = 1− 2 , 0 ≤ ry( x1x2 ) ≤ 1
σy
Koeficijent ry( x1x2 ) mo` emo izra~unati po obrascu (koristimo koefici-

jent proste linearne korelacije):
r 2 yx1 + r 2 yx2 − 2ryx1 ⋅ ryx2 ⋅ rx1 x2

ry( x1x2 ) =
1 − r 2 x1 x2
Standardna gre{ka regresije osnovnog skupa je:
r 2 yx1 + r 2 yx2 − 2ryx1 ⋅ ryx2 ⋅ rx1 x2

σe = σ y
1 − r 2 x1 x2
a linearna trodimenzionalna vi{estruka regresija uzorka je:
yC = B0 + B1 X1 + B2 X 2 .
Kori{}enjem metode najmanjih kvadrata, dobija se sistem jedna-

~ina, sli~an prethodnim jedna~inama, samo se umesto N koristi n kao
veli~ina uzorka, a sistem se re{ava po koeficijentima B0 , B1 , B2 .
100
Parcijalna linearna korelacija
ili delimi~na linearna korelacija
U ovom slu~aju, posmatramo model normalne korelacije trodimen-
zionalnog osnovnog skupa. Ukoliko je osnovni skup manji od 30, on se po-
smatra kao uzorak.
Delimi~na linearna korelacija nam omogu}ava istra` ivanje me|uza-
visnosti dve od tri promenljive pri fiksnom uticaju tre}e promenljive. Koe-
ficijent parcijalne linearne regresije uzima vrednost od –1 do 1.
Op{ti obrazac za izra~unavanje parcijalnog koeficijenta korelacije,
preko koeficijenta proste linearne korelacije osnovnog skupa je:
ryxi − ryx j rxi x j
ryxix j = , i, j = 1 i 2
(1 − ryx ) (1 − rx x )
2
j i
2
j
Matemati~kim putem mo` emo utvrditi da je:

Ry2( x1x2 ) ≥ R12
2
i Ry2( x1x2 ) ≥ R123
2
Ako se vrednost parcijalnog koeficijenta determinacije oduzme od

jedinice, dobija se koeficijent nedeterminacije (koeficijent alinacije).
101
Zadaci za ve`bu
1. Dati su podaci o povr{ini zasejanih parcela p{enice (x) i prinosa po par-
celama (y).
a) odredi regresionu pravu obele` ja y u odnosu na x,
b) izra~unaj standardnu gre{ku modela,
c) oceni prose~nu vrednost y obele` ja i predvidi individualnu vred-
nost za xp = 10.
Parcele A B C D E F G H
Povr{ina parcele 2 4 6 8 10 12 14 16
Prinos p{enice 3 5 6 9 13 14 22 21
Re{enje:
a)
x =9
y = 11,63
93 72
8 B0 + 72 B1 = 93 B0 = Y − B1 X = − 1,42 ⋅ = −1,18
8 8
72 B0 + 816 B1 = 1076 yC = −1,18 + 1,42 x
B1 = 1,42
B0 = −1,18
b)
1441 + 1,18 ⋅ 93 − 1,42 ⋅ 1076
SE = = 1,95
6
c)
za xp = 10 ⇒ ycp = −1,18 + 1,42 ⋅ 10 = 13,02
1
+ (10 − 9 )
2
Sycp = 1,95 8
816 − 8 ⋅ 92
Sycp = 1,95 0,125 = 0,6894
103
11,33097 ≤ E( y ) ≤ 14,7090
p
Sy p = 1,95 1,125 = 1,95 ⋅ 1,0607 = 2,0684
7,9524 ≤ y p ≤ 18,0876
2. Izvu~en je uzorak od 9 elemenata i zabele` ene su vrednosti za obele` ja

x i y.
x 6 1 8 23 7 9 4 1 0
y 9 1 14 21 13 22 6 1 0
Ispitati stepen zavisnosti izme|u datih obele` ja.
Re{enje:
x = 8,625 Sx2 = 57,734 ⇒ Sx = 7,598
y = 10,875 Sy2 = 57,864 ⇒ Sy = 7,607
Sxy = 54, 203
R = 0,9378
Koeficijent je vrlo blizu 1, pa govorimo o veoma visokom stepenu di-
rektnog kvantitativnog slaganja varijacija posmatranog obele` ja.
3. Date su prose~ne cene na malo za suvo svinjsko meso (x) i svinjsku
slaninu (y) po gradovima za 1992. godinu. Odredi Spermanov koeficijent
korelacije ranga.
d2 = ( x − y )
2
Gradovi x y Rang (x) Rang (y)
Beograd 37 20 5 7 4
Novi Sad 34 15 4 7 4
Ni{ 33 14 3 1 4
[abac 43 19 9 6 9
Leskovac 42 16 8 3 25
Loznica 38 21 6 8 4
Kikinda 32 18 2 5 9
Bar 31 23 1 9 64
Smederevo 40 17 7 4 9
∑ – – – – 132
6 ⋅ 132
RS = 1 − = −0,1
9 ( 92 − 1)
Postoji slaba inverzna korelacija.
104
4. Date su vrednosti obele` ja x i y. Odredi paraboli~ni regresioni model.
2
x y x x3 x4 xy x2y y2 yC
1 2 1 1 1 2 2 4 1,96
2 6 4 8 16 12 24 36 5,45
3 8 9 27 81 24 72 64 8,26
4 9 16 64 256 36 144 81 8,88
5 8 25 125 625 40 200 64 7,84
6 5 36 216 1296 30 180 25 5,11
21 38 91 441 2275 144 622 274 38
6 B0 + 21 B1 + 91 B2 = 38 yC = −3,7 + 6,5 x − 0,84 x 2

21 B0 + 91 B1 + 441 B2 = 144 x = 3,5; y = 6,33; Sy = 6,6667
91 B0 + 441 B1 + 2275 B2 = 622 SE = 0,2012
D = 3920 DB1 = 25494 SB0 = 0,0821
DB0 = −14504 DB2 = −3290 SB1 = 0,0483
B0 = −14504 / 3920 = −3,7
SB2 = 0,0067
B1 = 25494 / 3920 = 6,5
B2 = −3290 / 3920 = −0,84
5. Odredi eksponencijalnu regresionu krivu, standardnu gre{ku regresije i

indeks korelacije.
x 1 2 3 4 5
y 43,9 73,2 106,8 149,1 198,5
Re{enje:
5 log B0 + 15 log B1 = 10,00678
15 log B0 + 55 log B1 = 31,63991
D = 50; D ( log B0 ) = 75,77425; D ( log B1 ) = 8,09785
log B0 = 1,515485; log B1 = 0,161957
B0 = 32,77; B1 = 1, 452
yC = 32,77 ⋅ 1,452 x
Sy2 = 3000,46; SE = 9,19; Ry = 0,986
Indeks korelacije pokazuje visoki stepen slaganja varijacija posma-

tranih obele` ja.
105
6. Dati su podaci o obele` ju x i y kao zavisnoj promenljivoj, obele` jima x1 i
x2 kao nezavisnim promenljivim, za deset preduze}a jedne op{tine za 1998.
godinu.
Preduze}e y x1 x2 y2 x12 x22 yx1 yx2 x1x2 yC
A 88 68 50 7744 4624 2500 5984 4400 3400 66,3
B 22,6 24 24 511 576 576 542 542 576 19,2
C 25 32 20 625 1024 400 800 500 640 25,9
D 72,6 60 96 5271 3600 9216 4356 6970 5760 68,4
E 17,7 39 8 313 1521 64 690 142 312 30,0
F 13,7 15 24 188 225 576 206 329 360 10,6
G 34,5 34 38 1190 1156 144 1173 1311 1292 31,6
H 14,4 23 25 207 529 625 331 360 575 18,4
I 43,2 63 69 1866 3969 4767 2721 2981 4347 65,5
J 6,9 12 – 48 144 – 83 – – 2,7
∑ 338,6 370 354 17963 17368 20162 16886 17535 17262 338,6
Odredi linearni trodimenzionalni regresioni model i prate}e parametre

modela.
10 B0 + 370 B1 + 354 B2 = 338,6
370 B0 + 17368 B1 + 17262 B2 = 16886
354 B0 + 17262 B1 + 20162 B2 = 17535
B0 = −8,622; B1 = 0,947; B2 = 0,210
yC = −8,622 + 0,947 x1 + 0,210 x2
SE = 13,114
SB0 = 4,147; SB1 = 0,216; SB2 = 0,150
Rx1x2 = 0,786; Ryx1 = 0,891; Ryx1 = 0,788
Parcijalni koeficijenti elasti~nosti su:

Ke1 = B1 ( x1 / y ) = 0,947 ( 37 / 33,86 ) = 1,035
Ke2 = B2 ( x2 / y ) = 0,210 ( 35,4 / 33,86 ) = 0,220
7. Odredi dinamiku dru{tvenog proizvoda trgovine na malo u Bosni u pe-

riodu 1966–75 na osnovu slede}e serije (u milionima dinara):
Godina 1996 1967 1968 1969 1970 1971 1972 1973 1974
Dru{tveni proizvod 1,41 1,66 1,85 2,15 2,69 3,33 6,96 8,18 10,76
106
Re{enje:
yt = 2,93 + 1,14 x1 + 0,21 x2 ; S = 0,49
8. Odredi funkciju korelacije izme|u amortizacije kao nezavisno promenl-

jive i investicije kao zavisno promenljive veli~ine u proizvodnim pre-
duze}ima na{e zemlje (u milionima dinara):
Amortizacija 0,58 0,65 0,74 0,95 1,19 1,51 1,89
Investicije 1,27 1,70 1,26 1,46 1,91 2,70 3,89
Re{enje:
yC = 0,09 + 1,81 x1 ; r = 0,95
9. Dati su podaci o izdacima za kulturu i mese~nim primanjima po

doma}instvu:
Izdaci za
1 2 3 4 5 6 7 8 9 10
kulturu
Mese~na
10 20 25 35 40 45 55 60 70 90
primanja
Odredi:
a) model regresije i standardnu gre{ku modela,
b) utvrdi stepen kvantitativnog slaganja varijacija ovih pojava.
Re{enje:
a) B1 = 7,9394; B0 = 1,3333
yC = 1,333 + 7,9394 x; SE = 4,33
b) R = 0,9859; R2 = 0,972
(procenat neobja{njenog varijabiliteta je 2,8%)
10. Koriste}i podatke iz jednog preduze}a:
Tra` nja 18 17 17 10 2
Cena 15 18 20 23 25
Ponuda 20 27 32 35 40
a) oceni max tra` nju, grani~nu cenu ponude i ravnote` nu cenu
b) sa verovatno}om od 0,95 predvidi nivo tra` nje za cenu od 40 din.
i cenu od 22 din.
Re{enje:
a) parametri funkcije tra` nje:
107
B1 = −1,54; B0 = 43,94
y1C = 43,94 − 1,54 x; SE = 3,54
Ako je cena 0, max tra` nja je 43,94.
Parametri funkcije ponude:
B1 = 1,914; B0 = −7,86
y1C = −7,86 + 1,914 x; SE = 1,26
Ravnote` na cena:
43,94 − 1,54 x = −7,86 + 1,914 x
x = 51,8 / 3,454 = 14,997105
b) Syp = 3,54 1 + 1 / 5 + ( 22 − 20,2 ) / ( 2103 − 5 ⋅ 20,2 )

2 2
Syp = 3,87892
x = 22, β = 0,95 , interval predvi|anja tra` nje je:

10,06 − 3,2 ⋅ 3,879 < y p < 10,06 + 3,2 ⋅ 3,879
−2,3528 < y p < 22,4728
0 < y p < 22
11. Koriste}i podatke iz jednog preduze}a

Radnik a b c d e f
Rng po produkt. 1 2 3 4 5 6
Radni sta` 10 12 9 9 7 6
Broj neistr. proizv. 10 10 12 14 16 16
a) odredi odgovaraju}i regresioni model i standardnu gre{ku modela,
b) odredi koeficijent proste linearne korelacije.
Re{enje:
a)
B1 = −1,31731; B0 = 24,81731
yC = 24,81731 − 1,31731 x; SE = 1,254
b)
7,7700 − 59,96
R( xy) = = −0,932
7,527 − 592 ⋅ 7 ⋅ 1376 − 962
Koeficijent determinacije je
R(2xy) = 0,86765
tj. procenat obja{njenog varijabiliteta je 86,765%
108
Indeksni brojevi
D
inami~kom analizom u statistici se posmatraju i ispituju masovne
pojave u vremenskom kretanju. Polazna osnova dinami~ke analize
je vremenska serija. Ona hronolo{ki grupi{e statisti~ke podatke u
odre|enom vremenskom intervalu.
Ako sa y ozna~imo vrednost posmatrane pojave tokom vremena, pri
~emu je y = y1 , y2 , y3 ,..., yn a sa x ozna~imo vreme, pri ~emu je
x = x1 , x2 , x3 ,..., xn , onda se y izra` ava kao funkcija vremena:
y = f ( x)
gde je y zavisna promenljiva a x nezavisna promenljiva.

Dinami~ka analiza u statisti~koj teoriji i praksi se ~esto naziva i
analiza vremenskih statisti~kih serija. Za analizu se koristi vi{e metoda:
vremenski indeksi, srednji tempo rasta, trend, sezonski indeksi itd.
VREMENSKI INDEKSI
Relativni brojevi kojima se upore|uje obim ili nivo dve ili vi{e is-
torodnih pojava, nazivaju se indeksi. Oni se izra` avaju u procentima. Na-
jvi{e se koriste u analizi vremenskih serija, tako {to se podatak iz jednog
vremenskog perioda uzima kao baza (bazna vrednost), i sa tom vredno{}u
upore|uje podatak iz teku}eg perioda. Tako dobijena vrednost mno` i se sa
100 i dobija se vremenski indeks u procentima:
yi
Ii = , i = 1,2,3,..., n
y0
Problem koji se ovde name}e jeste izbor baze. Treba voditi ra~una o
tome da se za bazu bira relativno normalan period (stabilni uslovi proiz-
vodnje, niska inflacija i sl.).
109
U zavisnosti od toga za koliko se vremenskih serija izra~unavaju
vremenski indeksi, razlikuju se individualni i grupni indeksi. Ukoliko se
izra~unavanje vr{i na osnovu jedne vremenske serije, govori se o individu-
alnim vremenskim indeksima koji mogu biti bazni i lan~ani. Ako se
izra~unavanje vremenskih indeksa vr{i na osnovu dve ili vi{e vremenskih
serija, govori se o grupnim indeksima. Grupni indeksi se dele na indekse
sa ponderima iz baznog perioda i indekse sa ponderima iz teku}eg perioda.
Ponderisanje grupnih indeksa vr{i se zbog toga da se svim vremenskim
serijama da isti zna~aj. U zavisnosti od vrste indeksa ponderi mogu biti:
cena, koli~ina, vrednost i to iz baznog i teku}eg perioda.
Grupni indeksi se izra` avaju primenom dve metode: metod srednjih

vrednosti i metod agregata. Ako su u vremenskim serijama poznate
koli~ine i cene, za izra~unavanje grupnih indeksa koristi se metod agre-
gata, a ako su poznate vrednosti koristi se metod srednjih vrednosti.
U statisti~koj praksi se od grupnih indeksa naj~e{}e koriste: indeksi

koli~ina (fizi~kog obima), indeksi produktivnosti rada, indeks vrednosti i
indeks tro{kova ` ivota.
BAZNI INDEKSI
Ako se pojedina~ne vrednosti posmatrane pojave u nekoj vremen-
skoj seriji obele` e sa y1 , y2 , y3 ,..., yn a za baznu vrednost uzme bilo koja
vrednost iz skupova podataka yi , ( i = 1,2,3,..., n ) i ozna~i se sa y0 onda se
bazni indeksi ozna~avaju sa
yi
Ii = , i = 1,2,3,..., n
y0
gde je n broj podataka vremenske serije, yi pojava u teku}em periodu a

y0 pojava u baznom periodu.
Primer: Proizvodnja nose}ih ~eli~nih konstrukcija u 103t u periodu od

1989. do 1994. godine je:
Godina (x) 1989 1990 1991 1992 1993 1994

Proizvodnja (y) 1250 1340 1500 1440 1520 1676
110
Izra~unaj bazne indekse sa bazom 1989. godina (1980 = 100%).
Godina Redni Proizvodnja Bazni indeksi u %

(x) broj (y) (1989 = 100%)
y1 1250
1989 1 1250 I1 = = = 100
y1 1250
1340
1990 2 1340 I2 = ⋅ 100 = 107,2
1250
1500
1991 3 1500 I3 = ⋅ 100 = 120
1250
1440
1992 4 1440 I4 = ⋅ 100 = 115,2
1250
1520
1993 5 1520 I5 = ⋅ 100 = 121,6
1250
1676
1994 6 1676 I6 = ⋅ 100 = 134,08
1250
Odgovor: Proizvodnja ~eli~nih konstrukcija ve}a je u 1990. godini u odnosu

na 1989. za 7,2%; u 1991. za 20%; u 1992. za 15,2%; u 1993. za 21,6%; i u
1994. za 34,08% u odnosu na baznu godinu.
U statisti~koj praksi se postavlja zadatak da se ve} jednom

izra~unati bazni indeksi sa jednom bazom prera~unaju na bazne indekse
sa nekom drugom bazom. To se ~ini na osnovu slede}e formule:
Ii
Ii′ = ⋅ 100, i = 1,2,3,..., n
I0
Ii′ – bazni indeks sa novom nepromenljivom bazom,
Ii – ve} izra~unati indeks sa stalnom bazom,
I0 – indeks novouvedene baze.
Primer: na osnovu prethodnih podataka, uz kori{}enje nove baze

(1992 = 100%) prera~unati indekse.
111
Godina Redni Bazni indeksi sa Prera~unati bazni indeksi sa
(x) broj bazom 1989 bazom u 1992. (1992 = 100%)
100
1989 1 I1 = 100 I1′ = ⋅ 100 = 86,81
115,2
107,2
1990 2 I2 = 107,2 I2′ = ⋅ 100 = 93,06
115,2
120
1991 3 I3 = 120 I3′ = ⋅ 100 = 104,17
115,2
115,2
1992 4 I4 = 115,2 I4′ = ⋅ 100 = 100
115,2
121,6
1993 5 I5 = 121,6 I5′ = ⋅ 100 = 105,56
115,2
134,08
1994 6 I6 = 134,08 I6′ = ⋅ 100 = 116,39
115,2
Odgovor: proizvodnja ~eli~nih konstrukcija u odnosu na 1992.

godinu bila je za 13,19% manja u 1990. godini u odnosu na 1992. godinu,
za 6,94% manja u 1991. godini u odnosu na 1992. godinu, ve}a za 4,17% u
1993. godini u odnosu na 1992. godinu, ve}a za 5,56%, i u 1994. u odnosu
na 1992. ve}a za 16,39%.
LANÂNI INDEKSI
Ukoliko se za vrednost baze uvek uzima podatak iz prethodnog pe-
rioda, onda govorimo o izra~unavanju lan~anih (veri` nih) indeksa:
yi
Vi = ⋅ 100, i = 1,2,3,..., n
yi−1
Primer: Na osnovu prethodnog primera o proizvodnji ~eli~nih kon-

strukcija izra~unaj lan~ane (veri` ne) indekse.
112
Godina Redni Proizvodnja Bazni indeksi u %
(x) broj (y) (1989 = 100%)
1989 1 1250 V1 = nema indeks
y2 1340
1990 2 1340 V2 = = ⋅ 100 = 107,2
y1 1250
y3 1500
1991 3 1500 V3 = = ⋅ 100 = 111,94
y2 1340
y4 1440
1992 4 1440 V4 = = ⋅ 100 = 96,00
y3 1500
y5 1520
1993 5 1520 V5 = = ⋅ 100 = 105,56
y4 1440
y6 1676
1994 6 1676 V6 = = ⋅ 100 = 110,26
y5 1520
Odgovor: Proizvodnja u 1990. ve}a je za 7,2% u odnosu na 1989.

godinu; 1991. ve}a za 11,94% u odnosu na 1990.; 1992. manja za 4% u od-
nosu na 1991; 1993. ve}a za 5,56% u odnosu na 1992; 1994. ve}a za 10,26%
u odnosu na 1993.
Prera~unavanje baznih i lan~anih indeksa

êst slu~aj u statisti~koj analizi je prera~unavanje lan~anih u bazne
indekse za ma koju bazu. Za godine koje slede posle godine koja se uzima
za bazu lan~ani indeksi se prera~unavaju na bazne na osnovu izraza:
Ii−1 ⋅ Vi
Ii = , i = 1,2,3,..., n ,
100
a za godine koje prethode bazi~noj godini koristi se izraz:
Ii
Ii−1 = ⋅ 100, i = 1,2,3,..., n .
Vi
Primer: na osnovu ve} navedenog primera o proizvodnji ~eli~nih

konstrukcija, lan~ane indekse prera~unati na bazne indekse sa bazom iz
1992. godine (1992 = 100%).
113
Lan~ani
Godina Redni Prera~unati veri`ni u bazne indekse
indeksi V
(x) broj sa bazom iz 1992.
(L)
I2′ 93,06
1989 1 V1 = I1′ = = ⋅ 100 = 86,81
V2 107,20
I3′ 104,17
1990 2 V2 = 107,2 I2′ = = ⋅ 100 = 104,17
V3 111,94
I3′ 100,00
1991 3 V3 = 111,94 I3′ = = ⋅ 100 = 104,17
V3 96,00
1992 4 V4 = 96,00 I4′ = 100

I4′ ⋅ V5 100 ⋅ 105,66
1993 5 V5 = 105,56 I5′ = = ⋅ 100 = 105,56
100 100
I5′ ⋅ V6 105,66 ⋅ 110,26
1994 6 V6 = 110,26 I6′ = = ⋅ 100 = 116,39
100 100
INDEKSI KOLIÎNA
Indeksima koli~ina izra` avaju se relativne promene koli~inskog
(naturalnog) izraza pojava u teku}em u odnosu na bazni period. Druga~ije
se ovi indeksi nazivaju indeksima fizi~kog obima. Postoje dve vrste
indeksa fizi~kog obima: individualni i grupni.
Individualni indeksi koli~ina

Individualnim indeksima koli~ina izra` avaju se promene koli~in-
skog izraza samo jednog proizvoda.
qi
Iq = , i = 1,2,3,..., n
q0
qi – koli~ina u teku}em periodu,

q0 – koli~ina u baznom periodu,
Iq – indeks fizi~kog obima.
Primer: Proizvodnja jednog preduze}a u 1991. i 1993. godini, u tonama, po

vrstama proizvoda:
114
Proizvodnja Cena u milionima
Proizvod 1991 1993 1991 1993
q0 qi p0 p1
A 100 150 5 7
B 130 143 6 9
C 200 240 8 8
150
IqA = ⋅ 100 = 150%
100
143
IqB = ⋅ 100 = 110%
130
240
IqC = ⋅ 100 = 120%
200
Odgovor: Indeksi pokazuju rast fizi~kog obima proizvodnje sva tri perioda.
Grupni indeksi koli~ine

Grupni indeksi koli~ine izra` avaju relativne promene koli~inskog
izraza za vi{e proizvoda u teku}em u odnosu na bazni period. Izra` ava se
uz pomo} dve metode: metod agregata i metod srednjih vrednosti sa pon-
derom iz baznog i teku}eg perioda.
Po metodi agregata sa ponderom iz baznog perioda izra` ava se for-
mulom (Laspejersov metod):
Iq =
∑q p
i 0
, i = 1,2,3,..., n
∑q p
o
0 0
Ukoliko se radi o ponderima iz teku}eg perioda (Pa{eov metod):
Iq =
∑q p ,
i i
i = 1,2,3,..., n
∑q p
i
0 i
o Iq – grupni indeks koli~ine sa ponderom iz baznog perioda,
i Iq – grupni indeks koli~ine sa ponderom iz teku}eg perioda,
q0 – koli~ina iz baznog perioda,
115
qi – koli~ina iz teku}eg perioda,
p0 – cena iz baznog perioda,
p1 – cena iz teku}eg perioda.
Kod grupnog indeksa koli~ina ponderi su cene iz baznog ili teku}eg
perioda.
Po metodi srednjih vrednosti (prose~nih odnosa) sa ponderima iz
baznog perioda:
qi
∑q q p 0 0
o Iq = 0
∑q p 0 0
sa ponderima iz teku}eg perioda
Iq =
∑q p i i
i
q
∑q qp 0
i i
i
Cena u
Proizvodnja
Proizvod
milionima
qi p0 q0 p0 qi pi q0 pi
1991 1993 1991 1993
q0 qi p0 p1
A 100 150 5 7 750 500 1050 700
B 130 143 6 9 858 780 1287 1170
C 200 240 8 8 1920 1600 1920 1600
∑ – – – – 3528 2880 4257 3470
Sa ponderima iz baznog perioda:
Iq =
∑q p
i 0
=
3528
= 1,225 tj. 122,5%
∑q p
o
0 0 2880
Sa ponderima iz baznog perioda:
Iq =
∑q p
i i
=
4257
= 1,227 tj. 122,7%
∑q p
i
0 i 3470
116
Odgovor: Vrednost dobijenih indeksa pokazuje da u ovom preduze}u dolazi
do porasta fizi~kog obima proizvodnje od 22%.
Ako se grupni indeksi koli~ina izra~unavaju sa ponderima iz baznog
perioda ili sa ponderima iz teku}eg perioda, naj~e{}e oni nisu jednaki. Da
bi se razlike ubla` ile koristi se takozvani Fi{erov idealni indeks koli~ine:
f Iq = o Iq ⋅i Iq , i = 1,2,3,..., n
U na{em primeru:
f Iq = 100 1,225 ⋅ 1,227 = 122,59
INDEKSI CENA
Indeksi cena pokazuju promene cena u teku}em u odnosu na bazni
period. Indeksi cena se izra` avaju kao: individualni i grupni.
Individualni indeksi cena

Ovi indeksi pokazuju relativne promene cena jednog proizvoda u
teku}em, u odnosu na bazni period.
pi
Ip = , i = 1,2,3,..., n
p0
Koriste}i podatke iz tabele sa primerom koji smo naveli, a odnose se

na proizvodnju preduze}a u periodu 1993. do 1995. godine u tonama:
7
I pA = ⋅ 100 = 140%
5
9
I pB = ⋅ 100 = 150%
6
8
I pC = ⋅ 100 = 100%
8
Grupni indeksi cena

Ovim indeksima se izra` avaju relativne promene cena za vi{e pro-
izvoda u teku}em u odnosu na bazni period. Izra~unavaju se na dva
na~ina: preko metode agregata i preko metode srednjih vrednosti sa pon-
derima iz baznog i teku}eg perioda.
117
Izra~unavanje grupnih indeksa cena po metodu agregata sa pon-
derom iz baznog perioda:
Ip =
∑ pq i 0
∑pq
v
0 0
Sa ponderom iz teku}eg perioda:
Ip =
∑q p 0 i
∑q p
i
0 i
Kod izra~unavanja grupnih indeksa cena ponder je uvek koli~ina iz

baznog i teku}eg perioda.
Grupni indeks cena po metodi srednjih vrednosti (prose~nih odnosa)
sa ponderom iz baznog perioda:
pi
∑p qp 0 0
o Ip = 0
∑q p 0 0
Sa ponderom iz teku}eg perioda:
Ip =
∑q p i i
i
p
∑p qp 0
i i
i
Grupne indekse cena (preko metode agregata) sa ponderom iz baz-

nog i teku}eg perioda (zbog neslaganja) mo` emo izraziti Fi{erovim ideal-
nim indeksom cene. Ovaj metod se u praksi retko koristi zbog kompliko-
vanosti izra~unavanja:
f Ip = o I p ⋅i I p
Na osnovu tabele iz prethodnog primera izra~unavanje grupnog

indeksa cena metodom agregata:
3470
v Ip = ⋅ 100 = 120,4%
2880
4257
i Ip = ⋅ 100 = 120,57%
3528
f I p = 1,204 ⋅ 1,207 = 120,57%
118
Grupni indeks cena metodom srednjih vrednosti mo` emo izra~unati
koriste}i date formule, a na osnovu prethodnog primera:
7 9 8
⋅ 500 + ⋅ 780 + ⋅ 1600
5 6 8
v Ip = = 1,204
500 + 780 + 1600
1050 + 1287 + 1920
i Ip = = 1,207
5 6 8
⋅ 1500 + ⋅ 1287 + ⋅ 1920
7 9 8
v I p = 1,204 ⋅ 100 = 120,4%

i I p = 1,207 ⋅ 100 = 120,7%
Odgovor: do{lo je do pove}anja cena za 20%.
INDEKS VREDNOSTI
Indeksom vrednosti se izra` avaju relativne promene vrednosnog iz-
raza pojave u teku}em u odnosu na bazni period.
Individualni indeks vrednosti za posebne proizvode se izra` ava
formulom:
pi qi
Iqp =
p0 q0
Grupni indeksi vrednosti za grupu proizvoda ili ukupne proizvode

izra` avaju se formulom:
Iqp =
∑ pqi i
∑pq 0 0
Na osnovu tabele o proizvodnji preduze}a od 1993–1995 godine, sa

podacima koje imamo:
11050
A I qp = ⋅ 100 = 210%
500
1287
B I qp = ⋅ 100 = 166%
780
1920
C I qp = ⋅ 100 = 120%
1600
4257
Iqp = ⋅ 100 = 147,8%
2880
119
INDEKS TRO[KOVA @IVOTA
Indeks tro{kova ` ivota je poseban vid indeksa cena na malo, jer po-
kazuje relativne promene cena samo odre|ene grupe proizvoda i usluga
koje slu` i za podmirenje osnovnih ` ivotnih potreba. Pri izra` avanju in-
deksa tro{kova ` ivota, mora se utvrditi najpre tipski bud` et. On se mo` e
odrediti po metodama: porodi~nih bud` eta i teorijskih bud` eta.
Koli~ine sadr` ane u tipskom bud` etu koriste se kao ponderi pri
izra~unavanju indeksa tro{kova ` ivota.
Statisti~ka praksa u nas koristi tipski bud` et koji sadr` i osam
grupa tro{kova: ishrana, duvan i pi}e, ode}a i obu}a, ogrev i osvetljenje,
poku}anstvo, usluge i kulturne potrebe.
Indeks tro{kova ` ivota izra` avamo formulom:
Ip =
∑ pq i
∑pq 0
pi – cena u teku}em periodu,

p0 – cena u baznom periodu,
q – ponderi,
Ip – indeks tro{kova ` ivota.
INDEKSI PLATA (ZARADA)

Indeksima zarada izra` avaju se relativne promene zarada u teku-
}em periodu u odnosu na bazni period. Indekse zarada delimo na: indi-
vidualne indekse zarada i grupne indekse zarada.
Individualni indeksi zarada (plata)

Ovi indeksi pokazuju relativne promene zarada za pojedine kate-
gorije radnika u teku}em u odnosu na bazni period.
xi
I pe( z) = , i = 1,2,3,..., n
x0
i – teku}i period;
0 – bazni period;
120
xi – prose~na plata za jednu kategoriju radnika u teku}em periodu
x
(izra~unava se po formuli xi = i , gde je xi plata u posmatra-
Ri
nom periodu a Ri broj radnika u posmatranom periodu);
x0 – prose~na plata za jednu kategoriju radnika u baznom periodu
x
(izra~unava se po formuli x0 = 0 , gde je x0 plata u baznom pe-
R0
riodu a R0 broj radnika u baznom periodu).
Primer:
Plate i broj zaposlenih u fabrici testenina:
Ukupan iznos
Broj radnika po
Stru~na mese~nih plata u Prose~na plata
godinama
sprema 103 din.
radnika x0 xi
1993 (R0) 1994 (Ri) 1993 (x0) 1994 (xi) x0 = xi =
R0 Ri
Visoka 8 10 3,20 5,00 0,40 0,50
Vi{a 15 12 5,25 4,80 0,35 0,40
Srednja 77 103 23,10 36,05 0,30 0,35
∑ 100 125 31,55 45,85 – –
0,50
Za visoku spremu: I pe = = 1,25 tj. 125%
0,40
0,40
Za vi{u spremu: I pe = = 1,1429 tj. 114,29%
0,35
0,35
Za srednju spremu: I pe = = 1,1666 tj. 116,66%
0,30
Odgovor: plata je porasla kod visoke spreme u 1994. u odnosu na
1993. godinu za 25%, kod vi{e spreme porast plate u istom periodu iznosio
je 14,29% a kod srednje 16,66%.
Grupni indeksi plata

Ovi indeksi pokazuju relativne promene plata za vi{e kategorija rad-
nika u teku}em periodu u odnosu na bazni period. Grupni indeksi plata mogu
biti: grupni indeksi plata promenljivog sastava proizvodnje i grupni indeksi
plata nepromenljivog sastava proizvodnje (postojanog sastava proizvodnje).
121
Grupni indeksi plata promenljivog sastava proizvodnje
Ovaj indeks se izra~unava formulom:
X pl( z) =
∑x i
∑L
i
i
∑x
( ) =
0
X pl z
∑L
o
0
x
I pe( z) = zi
xz0
Grupni indeks promenljivog sastava proizvodnje predstavlja relati-

van odnos prose~ne zarade po jednom zaposlenom u teku}em periodu,
prema prose~noj zaradi po zaposlenom u baznom periodu, na nivou pre-
duze}a.
Primer: Data je tabela broja radnika odre|ene kvalifikacione strukture,
prema iznosima plata:
Broj radnika Suma zarada Prose~na zarada

Kvalifikacija Januar Decembar Januar Decembar Januar Decembar IZ IZLi
L0 Li x0 xi xz0 xzi
VKV 20 22 10000 13200 500 600 1,2 26,4
KV 70 90 31000 45000 450 500 1,11 99,9
PKV 30 40 10500 15200 350 380 1,09 43,6
NKV 10 8 2500 2400 250 300 1,2 9,6
∑ 130 160 54500 75800 419,2 437,7 1,13 179,5
437,7
Iz = = 1,13 tj. 113%
419,2
Vrednost ovog indeksa pokazuje da je do{lo do ukupne promene

zarade svih zaposlenih u posmatranom preduze}u za 13%.
Grupni indeks zarada nepromenjenog sastava zaposlenih

Grupni indeks plata nepromenjenog sastava zaposlenih izra~unava
se metodom agregata sa ponderom iz baznog i teku}eg perioda. On se do-
bija na taj na~in {to se vr{i ponderisanje individualnih indeksa zarada
radnika odre|ene kvalifikacije brojem zaposlenih radnika odre|ene kvali-
122
fikacije u posmatranom periodu. Potom se suma tih ponderisanih vred-
nosti individualnih indeksa zarada upore|uje sa sumom pondera i tako se
dobija tra` eni grupni indeks.
I ′pe( z) =
∑I ( ) ⋅L
pl z i
∑L i
U na{em primeru taj indeks }e biti:
179,5
I ′pe( z) = = 1,12 tj. 112%
160
Ako se vr{i upore|enje izme|u grupnog indeksa zarada promenl-

jivog sastava zaposlenih i grupnog indeksa zarada nepromenljivog sastava
zaposlenih dobija se mera uticaja promena u strukturi zaposlenih radnika
na pove}anje op{teg proseka zarada po jednom zaposlenom radniku.
I pe( z) : I ′pe( z) = 113 : 112 = 1,009 tj. 100,9%
Promene u strukturi zaposlenih uticale su na pove}anje nivoa zara-

da za 0,9%.
Indeks realne zarade predstavlja koli~nik izme|u indeksa nominal-
nih zarada I pl( z) i indeksa tro{kova ` ivota. Ovaj indeks se, ina~e, ne mo` e
izra~unati ako nije poznat indeks tro{kova ` ivota.
INDEKS PRODUKTIVNOSTI RADA

Produktivnost rada se naj~e{}e defini{e kao prose~an radni u~inak.
Kvantitativno se produktivnost izra` ava preko pravih i recipro~nih poka-
zatelja.
Pravi pokazatelji produktivnosti izra` avaju se prose~nom ostvare-
nom proizvodnjom u jedinici vremena, tj. prose~nom ostvarenom proiz-
vodnjom po jednom radniku.
q
Pr =
T
q – koli~ina ostvarene proizvodnje,

T – utro{eno vreme za tu proizvodnju.
123
Recipro~ni pokazatelj produktivnosti rada, izraàva se prose~no utro-
{enim vremenom po jedinici ostvarene proizvodnje. Ako produktivnost raste,
smanjuje se prose~an utro{ak rada po jedinici ostvarene proizvodnje i obrnuto:
T 1
Pr′ = =
q Pr
Najpoznatija mera za izra` avanje produktivnosti rada je ~asovna

produktivnost rada.
Indeksi produktivnosti rada (indeksi dinamike produktivnosti ra-
da), pokazuju relativne promene produktivnosti rada u teku}em periodu u
odnosu na bazni period. Ovi indeksi mogu biti individualni i grupni
indeksi dinamike produktivnosti rada.
Individualni indeksi produktivnosti rada

Individualni indeksi produktivnosti rada (indeksi dinamike produk-
tivnosti rada) pokazuju relativne promene produktivnosti rada u teku}em
u odnosu na bazni period.
qi q0
I I pr = : , i = 1,2,3,..., n
Ti T0
odnosno:
Ti T0
II I ′pr = : , i = 1,2,3,..., n
qi q0
Uprvom slu~aju (I) ako je I pr > 100 (100%), produktivnost rada je u

porastu i obrnuto.
U drugom slu~aju (II) ako je I ′pr > 100 produktivnost rada je u padu
i obrnuto.
Individualne indekse produktivnosti rada moèmo izra~unati na primeru:
Proizvodnja i utro{eni rad jednog preduze}a u 1994. i 1995. godini
Stalne
Proizvodnja u Utro{eni efektivni
Vrsta cene u
komadima ~asovi
proizvoda .000 din
1994 (q0) 1994 (qi) 1994 (T0) 1994 (Ti) p0
A 10 15 50 60 5
B 20 25 50 80 6
C 20 25 80 75 10
∑ – – 180 215 –
124
15 10
I pr( A) = : = 1,25 tj. 125%
60 50
25 20
I pr( B) = : = 0,78 tj. 78%
80 50
25 20
I pr( C ) = : = 1,33 tj. 133%
75 80
60 50
I ′pr( A) = : = 0,80 tj. 80%
15 10
80 50
I ′pr( B) = : = 1,28 tj. 128%
25 20
75 80
I ′pr( C ) = : = 0,75 tj. 75%
25 20
Grupni indeksi produktivnosti rada

Grupni indeksi produktivnosti rada pokazuju relativne promene pro-
duktivnosti rada u teku}em, u odnosu na bazni period za vi{e proizvoda. Ovi
indeksi mogu biti: indeksi produktivnosti rada promenljivog sastava proiz-
vodnje i indeksi produktivnosti rada nepromenljivog sastava proizvodnje.
Grupni indeksi produktivnosti rada promenljivog sastava

proizvodnje
Ovaj indeks uklju~uje, pored promene prose~nog utro{ka rada po je-
dinici ostvarene proizvodnje kao osnovnog elementa produktivnosti rada, i
promene u strukturi proizvodnje. Grupni indeksi produktivnosti rada pro-
menljivog sastava proizvodnje izra~unavaju se na osnovu slede}ih formula:
I pr =
∑T : ∑T
i 0
∑q ∑q
i 0
odnosno,
I ′pr =
∑T : ∑ q
i i
∑T ∑ q
0 0
Ovi obrasci se mogu primeniti ako se radi o istoj vrsti proizvoda.
125
Grupni indeksi produktivnosti rada nepromenljivog sastava
proizvodnje
Grupni indeksi produktivnosti rada nepromenljivog sastava proiz-
vodnje pokazuju relativne promene prose~ne produktivnosti rada kod po-
jedinih proizvoda ili u pojedinim pogonima. Promene u strukturi proizvod-
nje na ovaj indeks nemaju nikakav uticaj. Ovaj indeks se izra` ava po me-
todu agregata sa ponderom iz baznog perioda ili sa ponderom iz teku}eg
perioda.
Po metodi agregata ovaj indeks predstavlja odnos ponderisane su-
marne produktivnosti rada posmatrano u odnosu na bazni period.
Produktivnost rada kao svodni pokazatelj za razli~ite proizvode, is-
kazujemo ili potrebnim vremenom za proizvodnju jedinice proizvoda ili
nov~anim izrazom proizvodnje u jedinici vremena.
Ako je utro{eno vreme za jedinicu proizvoda t ( t = T / q ) formule za
izra~unavanje grupnog indeksa produktivnosti rada su:
– za ponder iz baznog perioda
I pr =
∑q t0 i
=
∑q t 0 i
∑q t0 0 ∑T 0
– za ponder iz teku}eg perioda
I ′pr =
∑q ti i
=
∑T i
∑q ti 0 ∑q t i 0
Po metodi srednjih vrednosti, grupni indeks produktivnosti rada

nepromenljivog sastava proizvodnje iz baznog perioda je:
ti
¦ t T 0
0
I pr
¦T 0
a sa ponderom iz teku}eg perioda:
ti
•T i
t0
I pr =
Ti
126
Zadaci za ve`bu
1. Izra~unaj individualne indekse na osnovu podataka iz tabele (1965=100%).
Godina 1963 64 65 66 67 68 69 70 71 72
Tranzit 653 806 955 1174 1200 1037 801 780 764 1273
Re{enje: Indeksi: 68%, 84%, 100%, 123%, 126%, 109%, 84%, 82%, 80%,
133%.
2. Izra~unaj individualne indekse na osnovu podataka iz tabele (1965=100%).
Godina 1963 64 65 66 67 68 69 70 71 72
Rude 469 441 417 512 448 646 653 783 855 1209
Re{enje: Indeksi: 112%, 106%, 100%, 123%, 107%, 155%, 157%, 188%,
205%, 290%.
3. Izra~unaj lan~ane indekse pove}anja broja prevezenih putnika iz slede-
}ih podataka:
Godina 1963 64 65 66 67 68 69 70 71 72
Putnici 147 182 218 295 373 418 478 543 608 684
Re{enje: Indeksi: — , 124%, 120%, 135%, 126%, 112%, 114%, 114%, 112%,
113%.
4. Izra~unaj lan~ane indekse na osnovu podataka iz tabele:
Godina 1963 64 65 66 67 68 69 70 71 72
Promet 616 1017 1186 1492 2122 2674 3535 4433 4854 4958
Re{enje: Indeksi: — , 165%, 117%, 126%, 142%, 126%, 132%, 125%, 110%,
101%.
5. Proizvodnja mu{kih ko{ulja u periodu od 1989. do 1997. godine iznosila
je (u 000 komada):
Godina (x) 1989 90 91 92 93 94 95 96 97
Proizvodnja (y) 625 532 600 730 728 723 738 767 818
127
a) izra~unaj lan~ane indekse
b) dobijene lan~ane indekse prera~unaj na indekse sa bazom u
1989. godini u 1993.
Re{enje: a) L1 = — , L2 = 85,12%, L3 = 112,75%, L4 = 121,67%, L5 =
99,73%, L6 = 99,31%, L7 = 102,07%, L8 = 103,93%, L9 = 106,65%.
b) I1 = 100% , I2 = 85,12%, I3 = 96%, I4 = 116,80%, I5 = 116,48%, I6 =
115,68%, I7 = 118,08%, I8 = 122,72%, I9 = 130,88% (za 1989. godinu)
I1 = 85,85% , I2 = 73,08%, I3 = 82,42%, I4 = 100,27%, I5 = 100%, I6 =
99,31%, I7 = 101,37%, I8 = 105,36%, I9 = 112,36% (za 1993. godinu)
6. Proizvodnja piva u hl data je u slede}oj tabeli:
Godina (x) 1992 1993 1994 1995 1996 1997
Proizvodnja (yi) 500 590 537 766 585 867
a) izra~unaj lan~ane indekse
b) dobijene lan~ane indekse prera~unaj na indekse sa bazom u
1992. i u 1994.
Re{enje: : a) L1 = — , L2 = 118%, L3 = 91,02%, L4 = 142,64%, L5 =
76,37%, L6 = 148,20%
b) I1 = 100% , I2 = 118%, I3 = 107,4%, I4 = 153,2%, I5 = 117%, I6 =
173,4% (za 1992. godinu)
I1 = 93,11% , I2 = 109,8%, I3 = 100%, I4 = 142,64%, I5 = 108,94%, I6 =
161,45% (za 1994. godinu)
7. Izra~unaj grupne indekse fizi~kog obima prometa metodom agregata, na
osnovu podataka iz tabele (1970=100%).
A B C
Artikli
q p q p q p
1969 912 132 273 15 432 68
1970 912 135 308 15 455 70
1971 959 136 342 18 563 72
1972 984 136 357 19 172 75
Re{enje:
1969 1970 1971 1972
98,66% 100% 109,10% 111,91%
128
8. Izra~unaj grupne indekse fizi~kog obima prometa na osnovu podataka
iz tabele (1969=100%) — koristiti metod agregata
A B C
Artikli
q p q p q p
1968 118 22 56 123 765 162
1969 125 20 85 123 870 160
1970 278 23 93 125 896 165
1971 305 23 102 125 917 168
1972 312 25 114 126 981 170
Re{enje:
1968 1969 1970 1971 1972
86,55% 100% 105,6% 108,87% 116,82%
9. Na osnovu datih podataka iz tabele

Radio aparati Fri` ideri Televizori
Godina
koli~ina cena koli~ina cena koli~ina cena
1995 4500 8 2700 15 2100 25
1996 6000 10 2800 25 2200 30
1997 11000 13 5000 50 4000 70
a) izra~unaj individualne indekse prodaje (1997=100%),
b) izra~unaj grupne indekse prodaje sa ponderima iz baznog pe-
rioda (metod agregata i srednje vrednosti),
c) izra~unaj grupne indekse sa ponderima iz teku}eg perioda (me-
tod agregata i srednje vrednosti)
Re{enje:
a)
1) 1 Iq = 75%, 2 Iq = 96,43%, 3 Iq = 95,45%
2) 1 Iq = 183,33%, 2 Iq = 178,57%, 3 Iq = 181,82%
b) o Iq = 88,88%
c) i Iq = 86,33%
129
10. Na osnovu podataka iz tabele izra~unaj (baza=oktobar):
Jogurt Kiselo mleko Kefir
Mesec
cena l cena l cena l
Oktobar 58 2000 73 400 32 330
Novembar 62,5 1200 88 600 37 400
Decembar 75 1300 10,8 3600 40 460
a) indivudualne indekse cena
b) grupne indekse cena mle~nih proizvoda, koriste}i ponder iz baz-
nog perioda,
c) grupne indekse cena mle~nih proizvoda, koriste}i ponder iz teku-
}eg perioda (metodom agregata i metodom srednjih vrednosti).
Re{enje:
a) J I p = 107,76%; I = 120,55%;
K .M. p K I p = 115,625%
J I p = 129,31%; I = 147,94%;
K .M. p K I p = 125%
b) o I p = 110,69%
c) o I p = 112,99%
11. U poljoprivrednom preduze}u ostvarena je proizvodnja:

Koli~ina Prose~na cena
Proizvod
1996 (q0) 1997 (qi) 1996 (p0) 1997 (pi)
Soja 1100 1500 2 4
Suncokret 800 1010 7 9
Gra{ak 1200 1600 6 8
Izra~unaj:
a) individualne indekse cena,
b) grupne indekse cena sa ponderom iz baznog perioda (koriste}i obe
metode),
c) grupne indekse cena sa ponderom iz teku}eg perioda.
Re{enje:
a) S I p = 200%; Su I p = 128,57%; G I p = 133,33%
b) o I p = 141,33%
c) o I p = 141,79%
130
12. Na osnovu podataka iz tabele odredi indeks vrednosti (1996=100%).
Proizvodnja (kg) Prose~na cena (din.)
ôkolada
1996 1997 1996 1997
Mle~na 80 100 90 84
Sa pirin~em 25 20 72 78
Sa kokosom 40 50 168 180
Re{enje: Iw = 120,6%
13. Ako su tro{kovi ishrane za ~etvoro~lanu porodicu u I mesecu 1998.

godine iznosili 3200 din., u II 4500 din, izra~unaj indeks tro{kova ` ivota.
Re{enje: It ` = 140,625%
14. U hemijskoj industriji u 1996. i 1997. godini broj zaposlenih i zarade

iznosili su:
Stru~na Broj radnika Plate radnika
sprema 1996 (L0) 1997 (L1) 1996 (x0) 1997 (x1)
VKV 80 120 1600 3120
KV 120 232 1920 4640
NKV 200 448 2000 6272
Izra~unaj:
a) individualne indekse plata za svaku kategoriju radnika,
b) grupne indekse nominalnih plata promenljivog sastava proizvodnje,
c) grupne indekse nominalnih plata nepromenljivog sastava proiz-
vodnje sa ponderom iz baznog perioda
Re{enje:
a) VKV I pl = 130%; KV I pl = 125%; NKV I pl = 140%
b) I pl = 127,10%
c) o I pl = 131,88%
15. U datom preduze}u broj zaposlenih i visina plate kretala se prema po-
dacima iz tabele:
Broj radnika Plate radnika
Kvalifikacija
Mart April Mart April
Visoka 100 160 6600 14784
Vi{a 250 350 12750 26775
Srednja 150 130 5400 7930
131
Izra~unaj (mart=100%):
a) individualne indekse nominalnih plata za sve kategorije radnika,
b) grupne indekse plata nepromenljivog sastava zaposlenih sa pon-
derom iz baznog perioda,
c) grupne indekse plata promenljivog sastava.
Re{enje:
a) V I pl = 140%; V{ I pl = 150%; S I pl = 169,44%
b) o I pl = 151,58%
c) I pl = 156,22%
16. Proizvodnja i utro{eni rad u fabrici za proizvodnju limova iznosili su:

Proizvodnja u 000 t Prose~an broj zaposlenih
Proizvod
1996 1997 1996 1997
Lim 0,5 mm 180 250 180 280
Lim 2,0 mm 85 125 75 120
Lim 2,5 mm 130 160 82 80
Izra~unaj (baza=1996):
a) individualne indekse produktivnosti rada ako je produktivnost
izra` ena utro{kom rada za jedinicu proizvoda,
b) grupni indeks produktivnosti rada nepromenljivog sastava proiz-
vodnje sa ponderom iz teku}eg perioda,
c) grupne indekse produktivnosti rada promenljivog sastava proiz-
vodnje ako je produktivnost iskazana proizvodnjom po jedinici
vremena.
Re{enje:
a) 1 I pr = 112%; 2 I pr = 108,8%; 3 I pr = 79,27%
b) I pr = 104,07%
c) I pr = 95,86%
17. Proizvodnja i utro{eni rad u livnici u 1996. i 1997. godini iznosili su:
Proizvodnja u 000 t. Stalna Utro{eno radnih ~asova
Pogon
1996 1997 cena 1996 1997
Sivi lim 200 240 4000 250 360
êli~ni lim 300 350 1200 150 140
132
Izra~unaj (baza=1996):
a) individualne indekse produktivnosti rada, po pogonima
b) grupne indekse produktivnosti rada promenljivog sastava proiz-
vodnje.
Re{enje:
a) 1 I pr = 83,3%; 2 prI = 125%
b) I pr = 95,17%
18. Proizvodnja i utro{eni rad u tri pogona za proizvodnju ~eli~nih kon-

strukcija iznosili su:
Proizvodnja u t Prose~an broj zaposlenih
Pogon
1995 1996 1997 1995 1996 1997
I 500 600 800 100 125 160
II 400 490 1000 64 70 140
III 100 100 80 40 40 35
Izra~unaj:
a) individualni indeks produktivnosti rada po pogonima,
b) grupne indekse produktivnosti rada promenljivog sastava proiz-
vodnje,
c) grupne indekse produktivnosti rada nepromenljivog sastava pro-
izvodnje sa ponedrima iz baznog perioda.
Re{enje:
a)
za 1996. godinu: 1 I pr = 96%; 2 I pr = 112%; I
3 pr = 100%
za 1997. godinu: 1 I pr = 100%; 2 I pr = 114,29%; 3 I pr = 91,43%
b)
za 1996. godinu: I pr = 103,3%
za 1997. godinu: I pr = 114,48%
c)
t
za 1996. godinu: o I pr = 98,6%; o
q
I pr = 101,42%;
za 1997. godinu: o
t
I pr = 97,9%; o
q
I pr = 102,15%;
19. Proizvodnja gro` |a na jednoj planta` i u periodu od 1992. do 1997.

godine (u tonama) iznosila je:
133
Godina (x) 1992 1993 1994 1995 1996 1997
Proizvodnja (yi) 4150 3340 3310 3130 2990 1870
Na osnovu podataka izra~unaj srednji tempo rasta pojave:
Re{enje: r = 84,99%
20. Proizvodnja odela u jednoj konfekciji iznosila je od 1993. do 1997. go-

dine (000. komada):
Godina (x) 1993 1994 1995 1996 1997
Proizvodnja (yi) 420 480 540 490 440
Izra~unaj srednji tempo rasta pojave.
Re{enje: r = 1,17%
21. Tempo razvitka proizvodnje u rudniku sa jamskim kopom iznosili su:

Godina (x) 1991 1992 1993 1994 1995 1996 1997
Tempo razvitka 1,0962 0,965 1,242 0,863 0,9432 1,042 0,8142
Izra~unaj srednji tempo rasta pojave.
Re{enje: r = −1,38%
134
Analiza vremenskih serija
ao {to smo ve} naglasili, dinami~ke pojave prikazujemo vremen-
K skim serijama, kako momentnim tako i intervalnim. Kako ove po-

jave pokazuju velike promene u vremenu, potrebno je ispitati nji-
hove varijacije kao funkcije vremena. Vreme je u ovom slu~aju aktivni
~inilac promena.
U analizi vremenskih serija, statistika polazi od ~etiri komponente
pod pretpostavkom da one izazivaju varijacije vremenskih serija:
– dugoro~na razvojna tendencija – trend ili sekularna tendencija;
– sezonske varijacije, koje nastaju u razmacima koji su kra}i od
godinu dana i ponavljaju se u du` em nizu godina;
– cikli~na kolebanja koja se javljaju u razmacima od nekoliko
godina i
– rezidualne varijacije koje nastaju kao slu~ajne.
Matemati~kom formulom ove komponente mo` emo prikazati slede-
}om formulom:
y = T ⋅ S⋅C ⋅ R
y – podaci serije,
T – trend komponenta,
S – sezonska varijacija,
C – cili~no kolebanje,
R – rezidualna varijacija.
TREND KOMPONENTA
Metodom trenda pratimo dinamiku pojave nastale pod dejstvom
razli~itih postojanih, tj. stalnih faktora. U istra` ivanju trenda na du` i
vremenski rok polazi se od pretpostavke da na njen razvoj, jedni faktori
deluju stalno u jednom pravcu, dok drugi privremeno skre}u tok pojave
135
navi{e ili nani` e. Zadatak analize vremenskih serija sastoji se u tome da
ove druge faktore izoluje, kako ne bi remetili uticaj onih faktora koji de-
luju sistematski.
Teorijski se trend mo` e definisati kao zami{ljena linija varijacija
pojave na du` i rok, koja predstavlja prose~no kretanje pojave. Originalni
podaci koji variraju oko posmatrane pojave mogu biti: regularni i neregu-
larni. U regularne varijacije spadaju: sezonske i cikli~ne varijacije a u
neregularne spadaju slu~ajne, rezidualne.
Trend se mo` e prikazati grafi~ki i uz pomo} matemati~ke funkcije.
Za prikazivanje oblika trenda naj~e{}e se koristi metod pokretnih
sredina. Ovaj metod otklanja teku}a kolebanja dinami~kih pojava. Pok-
retne sredine su ve{ta~ka konstrukcija vremenskih serija.
Linearni trend
Ukoliko su varijacije u jednoj vremenskoj seriji takve, da se pro-
mena posmatrane pojave mo` e predstaviti stalnim porastom ili opadanjem
tokom vremena, onda se ovoj vremenskoj seriji prilago|ava linearni (pra-
volinijski) trend.
Linearni trend se mo` e izraziti grafi~kom i matemati~kom metodom.
Matemati~ki se naj~e{}e iskazuje metodom najmanjih kvadrata.
Sredina vremenske serije sa neparnim brojem podataka ozna~ava se sa
nulom (0), periodi koji prethode sa –1, –2, –3, ..., a periodi koji slede sa +1,
+2, +3, ...
Ako su u pitanju serije sa parnim brojem podataka, izdvajaju se dva
sredi{nja ~lana, koji se obele` avaju sa –0,5 i +0,5, pa se svakom prethod-
nom doda po 1 (–1,5; –2,5; –3,5 ...) a svakom narednom tako|e po 1 (+1,5;
+2,5; +3,5 ...).
Op{ti oblik linearne funkcije trenda je:
yt = b0 + b1 x
yt – prose~na vrednost posmatrane pojave,

b0 i b1 – nepoznati parametri koje treba odrediti,
x – vreme (nezavisno promenljiva veli~ina).
Parametre b0 i b1 odredi}emo uz pomo} metode najmanjih kvadrata
sistemom jedna~ina:
b0 N + b1 ∑ x = ∑ y
b0 ∑ x + b1 ∑ x 2 = ∑ xy
136
∑x =0 pa b1 ∑ x te` i nuli, a u drugoj jedna~ini b0 ∑ x te` i nuli pa sistem
prethodnih jedna~ina dobija oblik:
∑ y = ∑ Nb 0 i ∑ xy = b ∑ x
1
2
odakle sledi:
b0 =
∑y i b1 =
∑ xy .
N ∑x 2
Tabela 8. Podaci za izraàvanje parametara a i b jedna~ine lin-

earnog trenda proizvodnje proizvoda „A“
Godina Proizvod „ A“ Oznake godina 2

xy x
(x) (y) (x)
1984 46 –5 –230 25
1985 50 –4 –200 16
1986 61 –3 –183 9
1987 62 –2 –124 4
1988 68 –1 –68 1
1989 66 0 0 0
1990 71 1 71 1
1991 73 2 146 4
1992 80 3 240 9
1993 79 4 316 16
1994 81 5 405 25
— 737 — 373 110
yt = b0 + b1 x, b0 =
∑ y, b1 =
∑ xy
N ∑x 2
737
b0 = = 67
11
373
b1 = 3,3909
110
yt = 67 + 3,909 x
137
Grafi~ki, primer mo` emo prikazati na slede}i na~in:
x
,909
3
+
85 67
=
y t
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11
Ukoliko umesto x stavimo vrednosti iz tabele za nezavisno promenl-

jivu, dobi}emo pojedina~ne vrednosti za trend:
y1984 = 67 + 3,9090 ⋅ ( −5 ) = 50,04545

y1985 = 67 + 3,9090 ⋅ ( −4 ) = 53,4363
y1986 = 67 + 3,9090 ⋅ ( −3 ) = 56,8272
138
Prilagodljivost trenda originalnim podacima serije mo` e se oceniti:
grafi~kim pore|enjem linije ternda sa originalnim podacima, pore|enjem
vrednosti y sa sa yt ili izra~unavanjem standardne gre{ke trenda, tj.
∑( y − y )
2
Sy = t
Metod trenda nam omogu}ava procenu budu}eg razvoja pojave i taj

se postupak naziva ekstrapolacijom trenda.
Paraboli~ni trend
Zbog toga {to se linearnim trendom najpreciznije ne iskazuje
dugoro~no kretanje pojave koristi se drugi model. Ukoliko u proseku apso-
lutni prirast serije nije jednak, ve} iz godine u godinu pokazuje tendenciju
porasta ili opadanja, tada se koristi paraboli~ni trend:
yt = b0 + b1 x + b2 x2
Jedna~ine uz pomo} kojih se dolazi do jedna~ine paraboli~nog tren-

da glase:
b0 N + b1 ∑ x + b2 ∑ x 2 = ∑ y
b0 ∑ x + b1 ∑ x 2 + b2 ∑ x3 = ∑ xy
b0 ∑ x2 + b1 ∑ x3 + b2 ∑ x4 = ∑ x 2 y
Po{to smo videli da je ∑ x = 0 , sledi:

Nb0 + b2 x 2 = ∑ y
b1 ∑ x2 = ∑ xy
b0 ∑ x2 + b2 ∑ x 4 = ∑ x 2 y
b0 =
∑y−b ∑x 2
2
b1 =
∑ xy
∑x 2
N ∑ x 2 y − ∑ y∑ x 2
b2 =
N ∑ x4 − ( ∑ x2 )
2
139
Primer: Ukupne investicije u osnovna sredstva od 1968. do 1991. godine su:
2
Godina Investicije x x xy x2y x4 yt
1968 231,4 -11,5 132,25 -2.661,10 30.602,65 17.490,06 185,944

1969 245,0 -10,5 110,25 -2.572,50 27.011,25 12.155,06 217,824
1970 265,2 -9,5 90,25 -2.519,40 23.934,30 8.145,06 246,879
1971 269,1 -8,5 72,25 -2.287,35 19.442,48 5.220,06 273,108
1972 217,3 -7,5 56,25 -1.629,75 12.223,13 3.164,06 296,512
1973 257,3 -6,5 42,25 -1.672,45 10.870,93 1.785,06 317,091
1974 281,4 -5,5 30,25 -1.547,70 8.512,35 915,06 334,845
1975 307,3 -4,5 20,25 -1.382,85 6.222,83 410,06 349,773
1976 356,7 -3,5 12,25 -1.248,45 4.369,58 150,06 361,877
1977 397,0 -2,5 6,25 -992,50 2.481,25 39,06 371,155
1978 440,5 -1,5 2,25 -660,75 991,13 5,06 377,608
1979 468,7 -0,5 0,25 -234,35 117,18 0,06 381,236
1980 436,5 0,5 0,25 218,25 109,13 0,06 382,038
1981 396,1 1,5 2,25 594,15 891,23 5,06 380,015
1982 378,6 2,5 6,25 946,50 2.366,25 39,06 375,168
1983 342,8 3,5 12,25 1.199,80 4.199,30 150,06 367,495
1984 322,0 4,5 20,25 1.449,00 6.520,50 410,06 356,996
1985 308,0 5,5 30,25 1.694,00 9.317,00 915,06 343,673
1986 310,0 6,5 42,25 2.015,00 13.097,50 1.785,06 327,524
1987 314,1 7,5 56,25 2.355,75 17.668,13 3.164,06 308,55
1988 267,8 8,5 72,25 2.276,30 19.348,55 5.220,06 286,751
1989 290,5 9,5 90,25 2.759,75 26.217,63 8.145,06 262,127
1990 236,4 10,5 110,25 2.482,20 26.063,10 12.155,06 234,678
1991 203,6 11,5 132,25 2.341,40 26.926,10 17.490,06 204,403
∑ 7.543,30 – 1.150,00 922,95 299.503,43 98.957,50 7543,27
yt = 381,99 + 0,80256 x − 1,4126 x2
140
500
450
400
350
300
250
200
150
100
50
1968 1970 1972 1974 1978 1980 1982 1984 1986 1988 1990 1992
Empirijski podaci i paraboli~ni trend ukupnih investicija osnovnih sred-

stava Srbije od 1968. do 1991. godine
Na osnovu date funkcije paraboli~nog trenda i zamenom vrednosti

za x dobija se paraboli~ni trend po godinama.
Prilagodljivost paraboli~nog trenda skupu originalnih, empirijskih
podataka proveravaju se pomo}u standadrne gre{ke koja se odre|uje na
isti na~in kao kod linearnog trenda.
Eksponencijalni trend
Eksponencijalna funkcija koristi se onda kad ` elimo da iska` emo
kretanje dinami~ke pojave koja u sukcesivnim vremenskim intervalima
pokazuje pribli` no isti tempo rasta ili opadanja.
Op{ti oblik eksponencijalne funkcije je:
yt = b0 ⋅ b1x
Logaritmovanjem obe strane dobijamo:
log yt = log b0 + x log b1
Iz sistema jedna~ina:
141
log b0 N + log b1 ∑ x = ∑ log y
log b0 ∑ x + log b1 ∑ x 2 = ∑ x log y
ako je ∑ x = 0 dobija se:
log b0 =
∑ log y i log b1 =
∑ x log y
N ∑x 2
Antilogaritmovanjem dobijaju se vrednosti za b0 i b1.

Primer: Investicije u osnovna sredstva preduze}a „ Rad“ za period
1984–1993:
Godina y x log y x log y x2 log yt yt
1984 2 -4,5 0,3010 -1,3546 20,25 0,3327 2,1515
1985 3 -3,5 0,4771 -1,6699 12,25 0,4466 2,7965
1986 4 -2,5 0,6021 -1,5051 6,25 0,5605 3,6349
1987 5 -1,5 0,6990 -1,0485 2,25 0,6744 4,7247
1988 6 -0,5 0,7782 -0,3891 0,25 0,7883 6,1411
1989 7 0,5 0,8451 0,4225 0,25 0,9022 7,9822
1990 10 1,5 1,0000 1,5000 2,25 1,0161 10,3753
1991 13 2,5 1,1139 2,7849 6,25 1,1300 13,4858
1992 16 3,5 1,2041 4,2144 12,25 1,2439 17,5288
1993 27 4,5 1,4314 6,4411 20,25 1,3578 22,7840
∑ 93 8,4519 9,3957 82,5 8,4520 91,6047
log yt = 0,8452 + 0,1139 x
yt = 7,0014 ⋅ 1,2998 x
Grafi~ki prikaz podataka:
142
2,0
1,8
1,6
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0
1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994
Eksponencijalni trend investicija u osnovna sredstva preduze}a

„ Rad“ od 1984. do 1995. godine
Antilogaritmovanjem vrednosti log b0 i log b1 dobijaju se koeficijenti

eksponencijalnog trenda:
b0 = 100,8452 = 7,0014 i b1 = 100,1139 = 1,2998
yt = 7,0014 ⋅ 1,2998 x
Prilagodljivost eksponencijalnog trenda skupu empirijskih podataka
testira se uz pomo} standardne gre{ke, koja se odre|uje na isti na~in kao i
kod linearnog i paraboli~nog trenda.
SEZONSKA KOMPONENTA
Sezonske varijacije su takve varijacija koje se ispoljavaju u isto
vreme, i na pribli` no isti na~in i pokazuju velike promene tokom godine.
Neke pojave intenzivnije reaguju na sezonske varijacije, a neke ne.
Postoje odre|ene privredne grane na koje sezonska komponenta ima pre-
sudan zna~aj: poljoprivreda, gra|evinarstvo, turizam i sl.
143
Svaka pojava u toku godine ima svoju ` ivu i mrtvu sezonu i
odre|eni sezonski ritam tokom godine. Kod nekih pojava je uticaj sezone
izra` eniji, a kod drugih manje izra` en. Za svaku pojavu valja posebno
ispitati tip i meru sezonskih kolebanja. Za ova kolebanja karakteristi~no je
da se javljaju periodi~no i u odre|enom ritmu. Za merenje sezonskih vari-
jacija pojava izgra|eni su posebni modeli koji se izra` avaju vremenskim
serijama po mese~nim i kvartalnim intervalima.
Sezonske indekse mo` emo izra~unati na vi{e na~ina, vode}i ra~una
o stabilnosti sezonskog ritma.
Naj~e{}e kori{}eni metod je metod odnosa prema pokretnim sredi-
nama, a pored njega koristi se i: metod odnosa prema trendu, metod od-
nosa prema op{tem mese~nom proseku i metod odnosa prema lan~anim
indeksima.
Pojava sa stabilnim sezonskim ritmom

Kao {to smo ve} naglasili, tipi~nim sezonskim indeksima meri se se-
zonski varijabilitet, na du` i rok, u uslovima stabilnog sezonskog tr` i{ta.
Kori{}enjem metode odnosa prema pokretnim sredinama, najefi-
kasnije izdvajamo sezonske varijacije od drugih komponenti.
Ovaj metod polazi od umno` enog modela kompozicije vermenskih
serija y = T ⋅ S ⋅ C ⋅ R i poku{ava da trend i cikli~nu komponentu oceni
odgovaraju}im pokretnim sredinama (mese~nim ili kvartalnim).
Ovom metodom se najpre izoluje trend i cikli~na komponenta, a
izdvaja se sezonska sa rezidualnom komponentom.
TSCR
SK =
TC
Na osnovu izra~unatih proseka ovih odnosa dobijamo sezonske

indekse, a kao poslednja se izdvaja i rezidualna komponenta.
Sezonski indeksi se izra~unavaju na osnovu formule:
IS =
∑ SR .
n
Pojava sa nestabilnim sezonskim ritmom

Zbog postojanja dejstva faktora koji izazivaju odre|ene promene
(nagle i postepene) kod pojava sa izra` enim sezonskim ritmom, tipi~ni se-
zonski indeksi gube reprezentativnost. Zato umesto njih izra~unavamo
144
pokazatelje koji }e sadr` ati i promene nastale u okviru samog sezonskog
ritma tokom vremena.
Najpogodniji metod za merenje sezonskih varijacija ovakvih pojava
je metod pokretnih sredina koji omogu}ava izra~unavanje specifi~nih se-
zonskih indeksa.
Ako u du` em vremenskom intervalu ispolje sistematsku tendenciju
porasta ili opadanja, svrstavaju se u serije. Na taj na~in se za svaki mesec
(kvartal) dobije po jedna serija specifi~nih indeksa od n posmatranih
godina. Zatim se za svaku od njih izra~unava trend linija.
Specifi~ni sezonski indeksi ukazuju na tendenciju promene sezon-
skog ritma. Tipi~ni sezonski indeksi kao proseci izravnavaju varijacije spe-
cifi~nih indeksa po godinama.
Predvi|anje sezonskih varijacija

Da bismo planirali pojave sa izrazitim sezonskim karakterom,
veoma je va` no poznavanje sezonskih indeksa. Poznato je da metod ek-
strapolacije trenda omogu}ava procenu prose~nih vrednosti za razli~ite
vremenske intervale koje mo` emo o~ekivati u budu}nosti. Posmatraju}i
vremenske serije, mo` emo primetiti da se njihovo kretanje ne odvija
strogo po liniji trenda. Odstupanja od ove linije javljaju se naro~ito u
kra}im vremenskih intervalima, a uslovljena su dejstvom sezonskih fak-
tora. Zbog toga se uz pomo} sezonskih indeksa mo` e izvr{iti ispravka
mese~nih (kvartalnih) ekstrapolisanih vrednosti trenda. Na taj na~in }e se
u kasnijem periodu oceniti razvoj ovakvih pojava.
Ako sezonski ritam pojave nije stabilan, tj. ako se tokom vremena
javlja ve}e ili manje pomeranje sezonskih fluktuacija u odre|enom smeru,
tada se njegove promene iskazuju korigovanim sezonskim indeksima, tj.
mese~nim (kvartalnim) trendovima. Njihove ekstrapolisane vrednosti
koriste se za predvi|anje stabilnog sezonskog ritma. Tako se ekstrapoli-
sane vrednosti trenda koriguju ekstrapolisanim trend vrednostima sezon-
skih indeksa.
CIKLI^NA KOMPONENTA
Posmatranjem pojava u vremenu, zapa` amo i faze ekspanzije i kon-
trakcije pojave u du` em vremenskom intervalu. To su takozvana cikli~na
kolebanja koja nisu periodi~na. Zbog toga se ne javljaju u pravilnim vre-
menskim intervalima. Nekad se manifestuju u periodu od 2 do 3 godine, a
nekad u periodu od 8 do 10 godina. Zbog neujedna~enosti ritma cikli~nih
varijacija njihovo ocenjivanje se vr{i indirektno, i nije mogu}e odabrati
jedan prose~an ciklus.
145
Kod serija godi{njih podataka lako se izdvaja cikli~na fluktuacija jer
kod ovih serija dolaze do izra` aja samo trend i cikli~na varijacija.
Sezonska komponenta se o definiciji ne ispoljava u godi{njim po-
dacima, a zbog te` nje rezidualne komponente, pozitivne i negativne, koje
te` e da se izjedna~e, njihova pojava se zanemaruje. Trend se javlja kao
normalan tok koji bi pojava imala ako ne bi bilo cikli~nih varijacija. Ove
varijacije mo` emo gledati u svetlu odstupanja od linije trenda. Njihovo
izdvajanje se svodi na eliminisanje trenda iz vremenske serije. Prema
multiplikovanom modelu vremenske serije, cili~nu komponentu dobijamo
upore|ivanjem empirijskih podataka sa vrednostima trenda.
146
Zadaci za ve`bu
1. Odredi dinamiku zaposlenog osoblja u trgovini na malo u Crnoj Gori od
1966–1974 godine na osnovu slede}ih podataka:
Godina 1966 1967 1968 1969 1970 1971 1972 1973 1974
Broj zapolenih 3462 4098 4123 4267 4961 5651 6066 6117 6385
Re{enje: yt = 3096,19 + 383,65 x
2. Na osnovu podataka iz tabele, odredi funkciju linearnog trenda:

Godina 1966 1967 1968 1969 1970 1971 1972 1973 1974
Broj zapolenih 45 48 52 53 56 61 66 68 70
Re{enje: yt = 41,32 + 3,27 x
3. Proizvodnja bicikala po godinama iznosila je:

Godina (x) 1991 1992 1993 1994 1995 1996 1997
Proizvodnja (yi) 168 182 126 112 126 182 196
Izra~unaj jedna~inu linearnog trenda.
Re{enje: yt = 156 + 3 x
4. Potro{nja lo` ulja u jednoj kotlarnici u 103 l po godinama iznosila je:

Godina (x) 1989 1990 1991 1992 1993 1994 1995 1996 1997
Potro{nja (yi ) 140 180 280 338 224 284 168 148 128
Re{enje: yt = 210 − 7,033 x
5. Odredi dinamiku dru{tvenog proizvoda od 1966. do 1974. godine na os-

novu slede}ih podataka.
Godina 1966 1967 1968 1969 1970 1971 1972 1973 1974
DP 5 5 5 6 7 10 12 15 22
Re{enje: yt = 7,14 + 1,93 x + 0,38 x 2
147
6. Na osnovu podataka iz tabele odredi funkciju paraboli~nog trenda:
Godina 1986 1987 1988 1989 1990 1991 1992 1993 1994
Proizvodnja 35 35 40 45 55 73 89 112 158
Re{enje: yt = 54,79 + 14,15 x + 2,48 x2
7. Na bazi podataka iz tabele odredi funkciju paraboli~nog trenda:

Godina 1990 1991 1992 1993 1994 1995 1996 1997 1998
Broj zapolenih 101 127 149 188 243 291 396 432 572
Re{enje: yt = 238,72 + 56,60 x + 5,84 x2
8. Uvoz jednog artikla bio je:

Godina 1988 1989 1990 1991 1992 1993 1994
Artikal 29 38 47 70 88 118 195
Odredi funkciju eksponencijalnog trenda.
Re{enje: yt = 68,86 ⋅ 1,36 x
9. Na osnovu podataka iz tabele, odredi funkciju eksponencijalnog trenda:

Godina 1991 1992 1993 1994 1995
Profit 21 33 86 157 273
Odredi funkciju eksponencijalnog trenda.
Re{enje: yt = 76,113 ⋅ 1,957 x
10. Na osnovu podataka o ostvarenom prometu po godinama odredi funk-

ciju eksponencijalnog trenda:
Godina 1992 1993 1994 1995 1996 1997 1998 1999
Promet 3,8 5,0 6,0 7,4 9,4 14,0 21,9 31,9
Re{enje: yt = 9,658 ⋅ 1,347 x
148
Statistika
poslovanja preduze}a
poslovanju preduze}a javljaju se mnoge ekonomske pojave koje
U su, zbog masovnosti i izrazite varijabilnosti predmet prou~avanja

statistike.
Statistika prou~ava ekonomske pojave na nivou nacionalnih privre-

da (makro–pristup), i na nivou preduze}a (mikro–pristup). Statistika koja
izu~ava ekonomske pojave na nivou preduze}a smatra se poslovnom sta-
tistikom zbog: metoda koji se koriste u pra}enju poslovanja preduze}a,
re{avanju poslovnih problema, dono{enja odluka za pravilno odlu~ivanje i
vo|enje poslovne politike preduze}a uop{te.
Statistika poslovanja preduze}a prou~ava pojave kao {to su: kapaci-

teti, osnovna sredstva, materijali i sirovine, radna snaga, zarade i sli~no.
Zahvaljuju}i evidenciji koju vodi preduze}e, statistika je i stanju da

prati ove pojave.
STATISTIKA PRIVREDNIH KAPACITETA

Proizvodna sposobnost neke proizvodne jedinice (ma{ina, pogon,
preduze}e, delatnost, cela privreda) naziva se kapacitet.
Ovako definisan pojam privrednog kapaciteta ukazuje na to da ka-

pacitet mo` emo da posmatramo sa dva aspekta – makro (na nivou cele
privrede) i mikro (na nivou preduze}a, tj. osnovnih privrednih subjekata).
U prvom slu~aju govorimo o {irem, a u drugom slu~aju o u` em shvatanju
pojma kapacite.
Statisti~ki pristup pri obuhvatanju kapaciteta je razli~it po grana-

ma i vrstama delatnosti. Kako su osnovna sredstva najva` niji deo kapa-
citeta, poseban akcenat }emo, u toku izlaganja, staviti na njih.
149
OSNOVNA SREDSTVA
Osnovna sredstva koja su uklju~ena u proces rada ne tro{e svoju
vrednost u potpunosti u toku tog proizvodnog ciklusa. Ona tro{e samo deo
svoje vrednosti koju prenose na novi proizvod. Vremenom se osnovna sred-
stva u potpunosti amortizuju i bivaju zamenjena novim sredstvima. O os-
novnim sredstvima se u preduze}u vodi precizna evidencija, {to sa aspekta
statistike zna~i njihovo lak{e pra}enje.
Osnovni zadatak statistike osnovnih sredstava je utvr|ivanje:
obima i strukture, kapaciteta i stepena njegovog iskori{}enja osnovnih
sredstava.
Statistika to ~ini zahvaljuju}i vrednosnom i naturalnom izrazu os-
novnih sredstava.
Vrednosni izraz osnovnih sredstava

Vrednosno izra` avanje osnovnih sredstava potrebno je radi toga {to se
osnovna sredstva sastoje od velikog broja predmeta, te njihov ukupan obim
nije mogu}e druga~ije izraziti. Osnovni izvor podataka za utvr|ivanje ukup-
nog obima osnovnih sredstava je ra~unovodstvo koje preduze}e vodi. Drugi
izvor je popis ovih sredstava. Vrednost osnovnih sredstava utvr|uje se po
jednoobraznom kriterijumu, da bi istovrsni delovi osnovnih sredstava kod
razli~itih privrednih subjekata imali istu vrednost. Ovde se otvaraju dve
mogu}nosti. Prva mogu}nost je da se procena vrednosti vr{i po nabavnoj ceni,
a druga, koja se naj~e{}e koristi, je metoda po ceni reprodukcije. S obzirom na
specifi~nost tro{enja osnovnih sredstava, ra~unovodstvo vr{i revalorizaciju
vrednosti osnovnih sredstava, koja sa amortizacijom ima za cilj o~uvanje
vrednosti osnovnih sredstava, tj. obezbe|enje njihove reprodukcije.
Kao {to smo ve} naglasili, osnovna sredstva se amortizuju i poste-
peno gube svoju prvobitnu vrednost. Zato ra~unovodstvo svake godine ot-
pisuje vrednost amortizacije, i za odgovaraju}i iznos smanjuje vrednost
sredstva.
Za sva ova sredstva procenjuju se dve vrednosti: osnovna (bruto) i
stvarna (neto) vrednost. Osnovna vrednost je vrednost novog sredstva, a
neto vrednost je sada{nja vrednost sredstva (osnovna vrednost umanjena
za amortizovani deo).
Putem osnovne vrednosti dobija se informacija o kapacitetima (na
indirektan na~in), a preko neto vrednosti informacija o preostaloj vred-
nosti raspolo` ivih sredstava posle odre|enog vremena njihovog kori{}enja.
Osnovnu vrednost sredstava dobijamo prilikom izvo|enja valori-
zacije osnovnih sredstava na osnovu tro{kova zamene tih sredstava,
mno` enjem fizi~kog obima predmeta i njegove cene. Sada{nja vrednost je,
u stvari, osnovna vrednost umanjena za amortizovani deo.
150
Ekonomsku amortizaciju dobijamo iz formule:
N
A=
T
A – ekonomska amortizacija,
N – osnovna vrednost sredstva,
T – vek trajanja osnovnog sredstva.
Ako se ima u vidu ~injenica da se vrednost osnovnih sredstava
pove}ava za vrednost ve}ih opravki (R), modernizacijom sredstava (M),
uzimaju}i u obzir ostatak vrednosti (O), tada je godi{nja amortizacija:
N + R+ M −O
A=
T
Stopa amortizacije (Sa):
N + R+ M −O A
Sa = ⋅ 100 ⇒ Sa = ⋅ 100
NT N
Na osnovu bruto vrednosti (N), neto vrednosti (S) i amortizacionog

dela mogu}e je odrediti:
– koeficijent prose~ne istro{enosti (Ki),
– koeficijent prose~ne o~uvanosti (Ko),
– prose~ni vek trajanja osnovnog sredstva (T).
Koeficijent prose~ne istro{enosti (Ki) predstavlja odnos izme|u
amortizovanog dela osnovnog sredstva i njegove osnovne vrednosti:
Ad
Ki =
N
Stopa prose~ne istro{enosti predstavlja procentualno izra` en amor-

tizovani deo osnovnog sredstva.
Koeficijent prose~ne o~uvanosti (Ko) predstavlja koli~nik izme-
|u sada{nje vrednosti osnovnog sredstva i osnovne vrednosti osnovnog
sredstva:
S
Ko =
N
Stopa prose~ne o~uvanosti je procentualno izra` en neamortizovani

deo osnovnog sredstva.
151
Kako je osnovna vrednost zbit sada{nje vrednosti i amortizovanog
dela ( N = S + Ad ) , to je zbir K i + K o = 1 (100% ) .
Prose~an vek trajanja osnovnog sredstva (T) je odnos izme|u

osnovne vrednosti osnovnog sredstva i iznosa godi{nje amortizacije tog os-
novnog sredstva:
N
T= .
A
Struktura osnovnih sredstava i

pokazatelji njihovog kori{}enja
[iroku primenu u statistici nalazi podela osnovnih sredstava na:
gra|evinske objekte, opremu i ostalo.
Za utvr|ivanje proizvodnih kapaciteta u privredi zna~ajna je podela
osnovnih sredstava na proizvodna i neproizvodna osnovna sredstva, kako
na mikro, tako i na makro planu.
Statistiku interesuje i udeo novih u ukupnim osnovnim sredstvima.
Njihov udeo se utvr|uje na bazi odnosa vrednosti novih prema vrednosti
ukupnih osnovnih sredstava.
Statistika osnovnih sredstava ima zadatak da utvrdi iskori{}enje
osnovnih sredstava, {to ona ~ini na osnovu vrednosnog izraza. Upore|i-
vanjem vrednosti na bazi dva pokazatelja (koeficijent efikasnosti – Ke , i
kapitalni koeficijent – Kk ) sti~e se slika o uspe{nosti poslovanja privred-
nog subjekta i kori{}enju kapaciteta.
Koeficijent efikasnosti (Ke) predstavlja odnos izme|u dru{tvenog
proizvoda (D) i osnovne vrednosti osnovnog sredstva (N):
D
Ke = .
N
On predstavlja vrednost dru{tvenog proizvoda po jedinici osnovnog

sredstva, i smatra se merom efikasnosti osnovnog sredstva. Ako je u pre-
duze}u organski sastav kapitala ve}i, ovaj koeficijent ima ni` u vrednost.
Kapitalni koeficijent predstavlja koli~nik izme|u osnovne vrednosti
osnovnog sredstva (N) i dru{tvenog proizvoda (D):
N
Kk =
D
On pokazuje koliko jedinica osnovnog sredstva dolazi na jedinicu pro-

izvoda. Ovaj koeficijent se koristi u planiranju kao ekonomski normativ.
152
Naturalni izraz osnovnih sredstava
Najva` niji deo osnovnih sredstava je oprema. Ona se deli u dve gru-
pe: pogonsko–energetske ma{ine (ure|aji) i proizvodna oprema, tj. ma{ine
radilice.
Energetska oprema
Energetski ure|aji obuhvataju sistem pogonskih ma{ina i motora za
proizvodnju energije koja pokre}e proizvodnu opremu. Ovu opremu sta-
tistika grupi{e u dve kategorije: prema izvoru energije na primarne i se-
kundarne, i prema na~inu kori{}enja na ure|aje koji se neposredno koriste
u radu i posredno kori{}enjeu radu preko elektroenergetskog sistema.
Proizvodna oprema
Deo osnovnih sredstava kojima se u procesu rada direktno deluje na
predmete rada nazivamo proizvodnom opremom.
S obzirom na to da ona odre|uje na neposredan na~in proizvodni ka-
pacitet i produktivnost rada, valja stalno pratiti i ocenjivati njeno stanje.
Proizvodna oprema se deli na: ispravnu opremu, nekompletnu opre-
mu, opremu za generalnu opravku i neupotrebljivu opremu. Dobit, na-
ravno, stvara isklju~ivo ispravna oprema.
Merenje kapaciteta proizvodne opreme
Zadatak statistike u pogledu kapaciteta svodi se na utvr|ivanje nje-
gove veli~ne i merenje stope njegovog iskori{}enja. Naj~e{}e se kapacitet
meri koli~inom proizvodnje. Pored toga, kapacitet se mo` e iskazati: koli-
~inom utro{ene energije, prera|enih sirovina, ~asovima rada ma{ina i sl.
Razlikujemo nekoliko vrsta kapaciteta.
Teorijski kapacitet (ugra|eni, idealni, instalirani) pokazuje spo-
sobnost proizvodne opreme koja je odre|ena njenim mehani~kim svojstvi-
ma. Mo` e se ra~unati za ~as, dan, mesec i godinu. Obra~un kapaciteta vr{i
se na bazi tehni~ke dokumentacije.
Kod proizvodne opreme teorijski kapacitet je odre|en brzinom pok-
reta koju mo` e da razvije deo od koga zavisi njena proizvodna sposobnost.
Radni kapacitet (tehni~ki ili realni) je realno mogu}e iskori{}enje
teorijskog kapaciteta. On predstavlja teorijski kapacitet umanjen za zasto-
je u radu ma{ine. U obzir se uzimaju i dani mirovanja ma{ina zbog prazni-
ka, pa se ovaj kapacitet za mesec odre|uje 20 dana a za godinu 300 dana.
Proizvodni kapacitet je proizvodna sposobnost ma{ine pod uslo-
vom njenog optimalnog iskori{}enja. Optimalno iskori{}enje kapaciteta je
153
ono koje se dobija uz minimalne tro{kove po jedinici kapaciteta. Proizvodni
kapacitet mo` e biti ve}i od radnog, ili da se kre}e u granicama teorijskog i
radnog kapaciteta.
Za planiranje proizvodnje i statisti~ko istra` ivanje kapaciteta
naj~e{}e se koristi proizvodni kapacitet. Pri prakti~nom merenju ka-
paciteta mo` emo kao merilo uzeti: proizvodnu opremu, radnu snagu iil
prera|enu sirovinu.
Primer 1. Ma{ina za proizvodnju asfaltne mase ima sposobnost da
3
za 1 ~as proizvede 5 m asfaltne mase. Ako radi u tri smene, po sedam
~asova, 210 dana u godini, mogu}i godi{nji kapacitet bi}e:
5 ⋅ ( 3 ⋅ 7 ⋅ 210 ) = 22.050 m3
Primer 2. Godi{nji kapacitet jednog rudnika uglja predstavlja}e pro-

izvod broja radnih mesta, dnevne produktivnosti po radnom mestu i
godi{njeg fonda radnog vremena. Ako ima 220 radnih mesta, ako je
dnevna produktivnost po radniku 2,5 t uglja, ako se radi u 3 smene, 300
radnih dana u godini, onda je mogu}i godi{nji kapacitet rudnika:
220 ⋅ 2,5 ⋅ 3 ⋅ 300 = 486.000 t uglja.
Merenje iskori{}enja kapaciteta proizvodne opreme

Kako smo ve} naglasili, u praksi se ne koristi kapacitet u potpu-
nosti. Zadatak statisike je da preko odgovaraju}ih koeficijenata utvrdi ste-
pen iskori{}enja kapaciteta.
Koeficijent ekstenzivnog iskori{}enja kapaciteta (Kek) meri
stepen iskori{}enja kapaciteta sa aspekta vremena. Izra` ava se odnos
izme|u ostvarenog vremena rada i mogu}eg vremena rada:
Ostvareno vreme rada

K ek =
Mogu}e vreme rada
U na{em primeru ako je na{a ma{ina za izradu asfalta od 210 dana

radila 190 dana, koeficijent ekstenzivnog iskori{}enja kapaciteta }e biti:
190
K ek = = 0,9 , tj. 90%.
210
Zbog nedovoljnog kori{}enja radnog vremena do{lo je do gubitka

kapaciteta u iznosu od 10%.
Koeficijent intenzivnog iskori{}enja kapaciteta (Kik) predstav-
lja odnos izme|u ostvarene proizvodnje po jedinici kapaciteta i mogu}e
proizvodnje po jedinici kapaciteta:
154
Ostvarena proizvodnja po jedinici kapaciteta
K ik =
Mogu}a proizvodnja po jedinici kapaciteta
U na{em primeru, ako se na ma{ini za proizvodnju asfaltne mase

3
ostvari godi{nja proizvodnja od 18.000 m asfalta, onda je proizvodnja po
jedinici kapaciteta:
18000
= 4,5
190 ⋅ 3 ⋅ 7
4,5
K ik = ⋅ 100 = 0,90 ⋅ 100 = 90%
5
Zbog nedovoljno intenzivnog kori{}enja ma{ine ostvaruje se gubitak

kapaciteta od 10%.
Koeficijent integralnog iskori{}enja kapaciteta (Kiik) pred-
stavlja odnos izme|u ostvarene godi{nje proizvodnje i mogu}eg godi{njeg
kapaciteta:
Ostvarena godi{nja proizvodnja

K iik =
Mogu}i godi{nji kapacitet
U na{em primeru mogu}a godi{nja proizvodnja bila je 20.000 m3 as-

3
falta, a ostvarena godi{nja proizvodnja 18.000 m asfaltne mase:
18000
K iik = = 0,9 , tj. 90%
20000
STATISTIKA MATERIJALA I SIROVINA

Sve materijale delimo na: osnovne, pomo}ne i potro{ne materijale.
Osnovni materijali ~ine su{tinu proizvoda, pomo}ni ulaze u struk-
turu proizvoda ali ne ~ine su{tinu proizvoda, a potro{ni materijal slu` i za
odr` avanje ma{ina i prostorija.
Evidencija nabavki materijala vodi se u materijalnom knjigovod-
stvu, a evidencija potro{nje materijala u pogonskom knjigovodstvu.
Nabavke materijala i sirovina obi~no se vr{e po razli~itim cenama,
( )
pa se utvr|uje prose~na nabavna cena C . Ona se dobija kao ponderisana
aritmeti~ka sredina svih pojedina~nih nabavki:
C1Q1 + C2Q2 + ... + CnQn

C=
Q1 + Q2 + ... + Qn
155
C – prose~na nabavna cena,
Q1 , Q2 ,..., Qn – nabavljene koli~ine,
C1 , C2 ,..., Cn – cena nabavljenih materijala.
Zbor razli~itosti izlaznih cena proizvoda u statistici se koriste plan-
ske ili standardne cene.
Prose~ne zalihe (Z) utvr|uju se, naj~e{}e, metodom ponderisane
aritmeti~ke sredine, na osnovu podataka o vrednosti zaliha, i njihovom
trajanju (u danima):
Z=
∑ Vt
∑t
∑ Vt – ukupna vrednost zaliha,
∑ t – ukupan broj dana u toku izve{tajnog perioda,
Z – prose~ne zalihe.
Koeficijent obrta zaliha ( β o ) dobija se kao odnos izme|u vredno-
sti ulaza i prose~ne vrednosti zaliha:
Vku
βo = ,
Z
β o – broj obrtaja zaliha,

Vku – vrednost kumuliranog ulaza,
Z – prose~ne zalihe.
Ovaj koeficijent se mo` e izraziti kako za posebne zalihe, tako i za
zalihe u celini. On pokazuje koliko se puta u toku izve{tajnog perioda ok-
rene prose~na vrednost zaliha.
Vreme obrta zaliha ( Vo ) proizlazi iz koeficijenta obrta zaliha i iz-
ra` ava se odnosom broja dana u izve{tajnom periodu i samog broja obrta:
Bd
Vo =
βo
Vo – vreme obrta zaliha u danima,

Bd – broj dana u izve{tajnom periodu,
β o – koeficijent obrta zaliha.
156
Sa aspekta vo|enja ekonomske politike preduze}a veoma je va` na
iskori{}enost sirovina. Zato je neophodno utvrditi koeficijent iskori{}enosti
sirovina. On je koli~nik razlike vrednosti izme|u ukupnih normiranih i
ukupnih stvarnih tro{kova materijala, i ukupne vrednosti normiranih
utro{aka. Pomno` en sa 100 ozna~ava procentualni iznos u{tede ili pre-
kora~enja utro{aka materijala:
Razlika (normirani – stvarni utro{ak)

K is =
Ukupni normirani utro{ak
STATISTIKA RADNE SNAGE

Od svih input veli~ina u procesu proizvodnje (radna snaga, sredstva
za rad i predmeti rada) najzna~ajniju ulogu ima radna snaga. Uspeh
poslovanja preduze}a u najve}em broju slu~ajeva zavisi od efikasnosti
iskori{}enja radne snage i njenog anga` ovanja. Zadatak statistike je da
obezbedi podatke o: broju, strukturi, zaposlenosti radnika, radnom vre-
menu i stepenu njegovog iskori{}enja.
Brojno stanje zaposlenih radnika

Brojno stanje zaposlenih radnika utvr|uje se na bazi platnog spiska
zaposlenih. Brojno stanje zaposlenih se menja stalno, pa se kao pokazatelj
brojnog stanja uzima prose~an broj zaposlenih radnika. Utvr|uje se na
razli~ite na~ine, a najprecizniji je o dnevnom stanju zaposlenih radnika,
primenom metode ponderisane aritmeti~ke sredine.
Struktura zaposlenih radnika

Struktura zaposlenih radnika u preduze}u prati se kroz: radni sta` ,
pol, kvalifikacije i sli~no. Podaci o strukturi radnika preuzimaju se iz evi-
dencije preduze}a.
Primenom ponderisane aritmeti~ke sredine utvr|uje se prose~na
kvalifikacija radnika, na osnovu podataka o {kolskoj spremi svih zaposle-
nih radnika preduze}a. [to je kvalifikaciona struktura zaposlenih na
vi{em nivou povoljnije su mogu}nosti preduze}a. Otuda stalna te` nja priv-
rednih subjekata za pobolj{anjem kvalifikacione strukture zaposlenih.
Struktura zaposlenih prema radnom sta` u i starosti je, tako|e, od
velike va` nosti za preduze}e.
Po pravilu, stariji radnici su kao iskusniji predodre|eni da posti` u
kvalitetnije rezultate. To je mogu}e do odre|ene starosne granice, kad je
potrebno podmladiti kadar preduze}a.
157
Osnovni parametri za utvr|ivanje kadrovske politike preduze}a su
prose~na starost i prose~an radni sta` zaposlenih. Oni se odre|uju zahval-
juju}i metodama ponderisanih aritmeti~kih sredina. Ukoliko su ovi para-
metri previsoki nu` no je fundamentalno podmla|ivanje kolektiva radi
o~uvanja poslovnih rezultata preduze}a.
Promet zaposlenih radnika

Promet zaposlenih radnika podrazumeva promenu broja zaposlenih
radnika u toku odre|enog vremenskog perioda. Ovaj promet uslovljen je
otpu{tanjem radnika, s jedne, i prijemom novih radnika sa druge strane.
Nekada je on neminovnost koja se ogleda kroz: odlazak radnika u penziju,
otpu{tanje radnika, uvo|enje savremene tehnologije, pobolj{anje kvalifi-
kacione strukture radnika, a nekada je neopravdan kad radnici odlaze u
druga preduze}a zbog boljih uslova rada i sli~no.
U svakom slu~aju, neopravdana, ~esta i prevelika fluktuacija rad-
nika u preduze}u mo` e da izazove velike organizacione probleme. Zato je
neophodno utvrditi mere kadrovske politike u svakom preduze}u.
Naj~e{}i pokazatelj merenja prometa zaposlenih radnika u pre-
duze}u je koeficijent, odnosno stopa fluktuacije.
Koeficijent fluktuacije (Kf ) predstavlja odnos izme|u broja zamen-
jenih radnika i ukupnog broja radnika:
Broj zamenjenih radnika

Kf =
Ukupan broj radnika
Primer: Ako je broj zamenjenih radnika u preduze}u u toku jednog

meseca bio 40, a ukupan broj radnika na kraju meseca 450, koeficijent
fluktuacije je:
40
Kf = = 0,088 , ili 8,8%
450
Stopa fluktuacije eksplicitno izra` ava promet zaposlenih radnika,
odnosno pokazuje procenat zamenjenih u ukupnom broju radnika.
Radno vreme i pokazatelji iskori{}enja radnog vremena

Statisti~ki se radno vreme obuhvata u vidu fonda radnog vremena i
pokazatelja njegovog iskori{}enja.
Fond radnog vremena odre|uje se na bazi radnog dana i radnog ~a-
sa kao zakonski odre|ene jedinice. Pomo}u njih meri se raspolo` ivo radno
vreme preduze}a.
158
Iskori{}eno (efektivno) radno vreme radnika iskazuje se radnik–
danom i radnik–~asom. Radnik–dan je takva jedinica koja se utvr|uje na
bazi dolaska radnika na posao, bez obzira koliko je efektivno radio u toku
dana.
Preciznija jedinica je radnik–~as koja predstavlja efektivan rad
radnika u trajanju od 60 minuta.
Mogu}i fond radnog vremena je zakonski predvi|eno vreme koje
svako preduze}e mora da odradi u posmatranom periodu. Dobija se kao
proizvod broja zaposlenih radnika i broja radnih dana, tj. radnik ~asova u
toku meseca.
Mogu}i fond radnog vremena je za jedno preduze}e stvarno raspo-
lo` ivo radno vreme u periodu za koji se posmatra, odnosno potencijalno
radno vreme. Ovo se vreme u praksi gotovo nikada ne koristi u potpunosti.
Razlozi su razli~iti: izostanci s posla (opravdani ili ne), planirani i ne-
planirani zastoji u radu i sli~no.
Mogu}i fond radnog vremena se, u praksi, naj~e{}e deli na: odra|e-
no radno vreme i neodra|eno – izgubljeno radno vreme. Stepen iskori{}e-
nja radnog vremena izra` ava se na bazi podataka o broju zaposlenih rad-
nika, stvarno odra|enom vremenu i mogu}em fondu radnog vremena pre-
duze}a. Upore|ivanjem ovih veli~ina dobijamo: koeficijent iskori{}enja
radne snage, koeficijent iskori{}enja radnog dana i koeficijent integralnog
iskori{}enja radnog vremena.
Koeficijent iskori{}enja radne snage (Kirs ) predstavlja odnos iz-
me|u prose~nog broja zaposlenih radnika (PBZR) i ukupnog broja zaposle-
nih radnika (UBZR):
PBZR
K irs =
UBZR
Ovaj koeficijent pokazuje procenat iskori{}enja radnog vremena sa

stanovi{ta dolaska radnika na posao. Kao pokazatelj nije mnogo pouzdan
jer neki radnici koji do|u na posao, iz ovog ili onog razloga, odu s posla
ranije.
Primer: Ako je u jednom preduze}u zaposleno 980 radnika, u toku
marta meseca 1998. godine koji je imao 25 radnih dana u trajanju od 7
~asova ostvareno je 22500 radnik–dana i 145000 radnik–~asova. Tada su
koeficijenti iskori{}enja radnog vremena:
22500
PBZR = = 900
25
900
K irs = = 0,918 tj. 91,8%.
980
159
100 − 91,8 = 8,2%
8,2% radnog vremena je izgubljeno zbog izostajanja radnika sa posla.
Koeficijent iskori{}enja radnog dana (Kird ) predstavlja odnos
izme|u prose~nog trajanja radnog dana (PTRD) i zakonske du` ine radnog
dana.
PTRD
K ird =
7 (8)
Prose~no trajanje radnog dana je odnos izme|u ostvarenog radnog

vremena u radnik–~asovima i ostvarenog radnog vremena u radnik–
danima u odre|enom mesecu. On meri efikasnost kori{}enja radnog dana
radnika koji su do{li na posao, pa stoga ni on nije naro~ito pouzdan:
145000
PTRD = = 6,6
22500
6,6
K ird = = 0,942 tj. 94,2%
7
100 − 94,2 = 5,8%
Zbog nedovoljne efikasnosti kori{}enja radnog vremena do{lo je do

gubitka radnog vremena u iznosu od 5,8%.
Najprecizniji od svih koeficijenata je koeficijent integralnog
iskori{}enja radnog vremena (Kiirv ) koji predstavlja odnos izme|u ost-
varenih, efektivnih ~asova rada radnika (O^RR) i mogu}eg fonda ~asova
rada u posmatranom periodu (MF^R):
O^RR
K iirv =
MF^R
Ovaj je pokazatelj kompleksan i u potpunosti meri iskori{}enost

radnog vremena, gledano sa dva aspekta: dolaska radnika na posao i
aspekta efikasnosti iskori{}enja radnog dana.
U na{em primeru:
MF^R = 980 ⋅ 25 ⋅ 7 = 171500
145000
K irv = = 0,847 tj. 84,7%
171500
160
Izra~unati koeficijent pokazuje da je posmatrano preduze}e u martu
mesecu svoj radni potencijal koristilo sa 84,7%, tj. da je od ukupnog fonda
radnog vremena izgubilo 15,3%.
161
Klizna skala
OBLICI KLIZNE SKALE
D
ejstvo klizne skale u kupoprodajnom ugovoru uslovljeno je postoja-
njem odre|enih elemenata. Bez njih dejstvo klizne skale ne bi bilo
mogu}e. Ti preduslovi vezani su za karakter okolnosti koji nala` u
uno{enje klauzule o reviziji cene koja je predmet kupoprodajnog ugovora.
Oni uti~u na vid klizne skale, koji }e u konkretnim uslovima biti primen-
jen kao najsvrsishodniji. Oblik klizne skale, koji }e biti prihva}en, vezan je
za okolnosti u kojima se sklapaju kupoprodajni ugovori. U najpovoljnijim
okolnostima pri zaklju~ivanju ugovora ide se na to da se ugovorom pred-
vidi primena najpreciznijeg oblika klizne skale, koja }e garantovati na-
jve}u ta~nost odra` avanja promena okolnosi, njihovog uticaja na kona~nu
(fakturnu) cenu robe.
U konkretnoj praksi, kupoprodajni ugoviri se razlikuju jedan od
drugog u mnogim elementima (rok isporuke robe, vrednost robe ili usluge,
mogu}nost pla}anja od strane kupca itd.).
U praksi postoji prava lepeza kliznih skala, u zavisnosti od preov-
ladavaju}uh elemenata koji ~ine su{tinu ugovora izme|u zainteresovanih
strana. Koji }e oblik klizne skale biti primenjen, zavisi od uslova pod kojim
se ugovor zaklju~uje i primene klauzula o reviziji cene.
Praksa poznaje slede}e oblike klizne skale:
– tr` i{na cena na dan isporuke,
– pla}anje unapred iil ve}i avans,
– kombinovana primena klizne skale kod delimi~nih isporuka na
du` e vreme,
– integralni oblik klizne skale (najsavr{eniji vid primene metoda
klizne skale).
KLAUZULA SA FORMULOM
Ako pri zaklju~ivanju kupoprodajnog ugovora ne postoji mogu}nost
detaljnije analize tro{kova proizvodnje, u vezi sa karakteristikama robe
koja je predmet kupoprodajnog ugovora, onda se koristi posebno re{enje
163
problema revizije cene, koja daje pribli` no adekvatne rezultate. Ugovara
se klauzula, prema kojoj }e se po~etna cena menjati srazmerno prome-
nama cena najva` nijih sirovina i nadnica, koje su neophodne pri izradi
naru~ene robe.
Op{ti oblik formule za reviziju cene, u ovom slu~aju je:
 M S
 M + S 
P = P0  0 0

 2 
 
P – kona~na, revidirana cena za fakturisanje robe,

P0 – ugovorena cena robe,
M – indeks ili cena materijala u proseku po jedinici mere na
dan isporuke,
M0 – indeks ili cena materijala u proseku po jedinici mere na dan
zaklju~enja ugovora,
S – indeks ili stvarni iznos nadnica po jedinici vremena u proseku
na dan isporuke robe,
S0 – indeks ili stvarni iznos nadnice po jedinici vremena u proseku
na dan zaklju~enja ugovora.
Rezultati obra~una nastalih promena ugovorene cene po ovakvoj
formuli, odra` avaju u potpunosti njene nedostatke.
Variranje rezultata, i zbog skoka i zbog pada cena, nastaje i zbog
toga {to se kod ovog oblika formule dozvoljava kolebanje cele ugovorene
vrednosti, jer ne postoje faktori fiksnog dela tro{kova proizvodnje.
Primer: Na dan 1.1.1973. godine zaklju~en je ugovor o kupoprodaji
raznih pumpi za vodu sa jednom austrijskom firmom. Ugovorena cena
robe franko (jugoslovensko–austrijska) granica je OA $ 65300. Tro{kovi
transporta i osiguranja od fabrike do granice iznosa OA $ 900. Rok is-
poruke robe do kraja meseca septembra 1973. Delimi~ne isporuke nisu
predvi|ene. Ugovoreno je pla}anje avansa pri zaklju~enju ugovora o is-
poruci u visini od 25%. Ostatak se pla}a akreditivom iz dokumenata o
izvr{enoj otpremi robe. U slu~aju da u toku trajanja roka isporuke u zemlji
prodavca do|e do promene cene materijala i nadnica, revizija ugovorene
cene izvr{i}e se po formuli:
 M S
 M + S 
P = P0  0 0

 2 
 
164
P – kona~na (fakturna) cena,
P0 – ugovorena cena (franko fabrika OA $ 64400,
M – aritmeti~ka sredina svih mese~nih notiranja indeksa za ~eli~ni
liv u toku prve 2/3 ugovorenog roka isporuke,
M0 – indeks cene ~eli~nog liva za 1 t va` e}i na dan zaklju~enja
ugovora (1.1.1973) = 164.
S – aritmeti~ka sredina pojedinih mese~nih notiranja indeksa
S0 – indeks minimalnih dnevnih zarada stru~nog radnika u
ma{inskoj industriji va` e}i na dan zaklju~enja ugovora
(1.1.1973) = 128.
Klizna skala se ne primenjuje ako nastale promene u kona~noj ceni
budu manje od ∓2,5% . Obra~un avansa }e se izvr{iti po postupku peri-
odi~ne revizije.
Po zvani~nim podacima indeksi cene za ~eli~ni liv i nadnice su se
kretali:
M S
Bazni 164 128
1. mesec 165 129
2. mesec 172 131
3. mesec 176 133
4. mesec 178 132
5. mesec 180 130
6. mesec 180 134
7. mesec 181 133
8. mesec 181 134
9. mesec 182 136
165 + 172 + 176 + 178 + 180 + 180 1051

M= = = 175,6
6 6
129 + 131 + 133 + 132 + 130 + 134 + 133 + 134 + 136 1192
S= = = 132,44
9 9
M = M0 i S = S0
avans ( A ) = OA $ 16100
Obra~un ostatka:
165
P0 = 65300 − 900 = 64400
64400 − 16100 = 48300

 175,6 + 132,44 
 128  = 48300  1,068 + 1,03468  =
P = 48300  164   
 2   2 
 
= 48300 
2,10268 
 = 48300 ⋅ 1,05134 = 50779,72
 2 
ili, ako ` elimo ~isto povi{enje:
50779,72 − 48300 = 2479,72
Rekapitulacija obra~una:
Ugovorena cena frako fabrika OA $ 64.400,00
Transport i osiguranje do granice 900,00
Povi{enje cene 2.479,72
Kupac treba da plati OA $ 67.779,72
RAZVIJENI OBLIK MATEMATI~KE FORMULE KLIZNE SKALE

Ovaj oblik klizne skale se koristi u poslovima kupoprodaje na na-
jve}e ugovorene vrednosti predmeta kupoprodaje, sa najdu` im mogu}im
rokovina isporuke – na vi{e godina trajanja i u uslovima nestabilnosti
tr` i{ta u zemlji prodavca.
Da bi se primenio ovaj oblik klizne skale, neophodno je da u zemlji
prodavca postoji:
– uredna evidencija i objavljivanje podataka o kretanju nivoa
zarada ili indeksa nivoa zarada radnika zaposlenih u neposred-
noj proizvodnji predmeta kupoprodaje, koji je uzet za bazu
obra~una;
– uredna evidencija i objavljivanje podataka o kretanju cena ili
indeksa materijala za izradu koji se uzima za bazu obra~una;
– poznavanje detaljne strukture prodajne cene predmeta kupopro-
daje, da bi se na toj osnovi mogao utvrditi indeks u~e{}a svake
pojedine grupe tro{kova.
Razvijeni oblik matemati~ke formule ima vi{e nijansi, koji se me|u-
sobno razlikuju po formi. Ina~e, ovaj oblik klizne skale je najsavr{eniji i
ima {iroku primenu. Ova postavka klizne skale predstavlja bitnu stranu
166
problema revizije cena, jer odra` ava sve nastale promene u tro{kovima
proizvodnje koje proizvo|a~ ima, s ciljem da se obe strane za{tite od even-
tualnih iznena|enja.
Ako u toku ugovorenog roka isporuke u zemlji prodavca do|e do
promene u ceni materijala za izradu i zarada radnika koji rade u nepos-
rednoj proizvodnji predmeta kupoprodaje, koji su uzeti za bazu, kona~na
cena po primeni klizne skale ima}e oblik:
P0  M S
P= a+ b +c 
100  M0 S0 
ili oblik koji se u praksi vrlo ~esto primenjuje:
 a  b M   c S 
P = P0  + ⋅ + ⋅ 
 100  100 M 0   100 S0  
P = kona~na, revidirana cena na osnovu koje }e kupcu biti fak-

turisana roba,
P0 = ugovorena cena sa va` no{}u na dan zaklju~enja ugovora,
M0 = cena ili indeks cena po jedinici mere materijala za izradu uzetog
na bazi obra~una, va` e}i na dan zaklju~enja kupoprodajnog ugo-
vora,
M = ponderisana aritmenti~ka sredina ili aritmeti~ka sredina noti-
ranih cena ili indeksa cena po jedinici mere materijala uzetog za
bazu u toku odre|enog dela ugovorenog roka isporuke,
S0 = minimalna satna zarada stru~nog radnika,
S = ponderisana aritmeti~ka sredina ili aritmeti~ka sredina noti-
ranih iznosa satnica ili indeksa iznosa satnica za radnika kvali-
fikacije uzete za bazu, u toku odre|enog dela ugovorenog roka
isporuke,
a = udeo fiksnih, op{tih tro{kova proizvodnje, koji ne mogu biti
predmet nikakve promene u vezi sa promenjenim okolnostima
na tr` i{tu,
b = udeo tro{kova materijala (sirovine) za izradu u ukupnim
tro{kovima proizvodnje,
c = udeo zarade proizvodnih radnika u ukupnim tro{kovima proiz-
vodnje uklju~uju}i i davanja za socijalno osiguranje.
Kao {to smo ve} naglasili, ukupni tro{kovi proizvodnje (fiksni +
varijabilni) sadr` ani su u strukturnim indeksima u~e{}a (a, b, c). Zato je:
167
a b c
a + b + c = 100 tj. + + =1
100 100 100
Na primer, u~e{}e ove tri grupe tro{kova u ukupnim tro{kovima je:

a = 12%, b = 42%, c = 46%
12 + 42 + 46 = 100 :100
0,12 + 0,42 + 0,46 = 1
Svako pomeranje u odnosima ova tri indeksa ima dvojake posledice:
– smanjenje ili pove}anje bilo koga od navedenih indeksa odra` ava
se u istoj meri na jednom ili na oba ostala indeksa, u suprotnom
smislu;
– pomeranje u odnosima indeksa u~e{}a mo` e da vr{i i odre|eni
uticaj na kona~nu cenu predmeta kupoprodaje.
Tolerancija u dejstvu klizne skale se ugovara obi~no na nivou ±2 do
5%. Klizna skala se ne}e primenjivati ako promene ugovorene cene robe ili
usluge ne budu ve}e od, na pr. ±3 %.
Ograni~enje u dejstvu formule klizne skale primenjuje se kod
izuzetno velikih i naglih promena u tro{kovima proizvodnje predmeta ku-
poprodaje.
Na~in i vreme obra~una nastalih promena se mo` e vr{iti po zavr{et-
ku cele isporuke, po pojedinim delimi~nim isporukama kod obimnijih ugo-
vora ili u proteklim vremenskim intervalima.
Na~in i rok pla}anja nastale razlike u ugovorenoj ceni predmeta ku-
poprodaje zbog primene klizne skale tako|e je predmet ugovaranja, i to
naj~e{}e doznakom u roku do mesec dana.
RAZIJEN OBLIK MATEMATI^KE FORMULE KLIZNE

SKALE SA VARIRANJEM ODRE\ENOG DELA OP[TIH
TRO[KOVA PROIZVODNJE
Kod obimnijih i dugoro~nijih poslova me|unarodne kupoprodaje u
savremenim uslovima rada, dozvoljeno je variranje odre|enog dela op{tih
tro{kova proizvodnje, kroz odgovaraju}u formulu klizne skale u primeni.
Pod uslovom da su ugovorne strane saglasne da se omogu}i
kolebanje u toku celog trajanja ugovorenog roka isporuke slede}ih stavki
iz op{tih tro{kova proizvodnje:
– re` ijski materijal (Rm),
– re` ijske zarade (Rs),
168
– transportne tarife (Tt),
– fiskalna davanja (Ft),
op{ti oblik klizne skale, koja omogu}ava i variranje dela op{tih
tro{kova proizvodnje, ima izgled:
P0  Rm Rs Tf Ft M′ M ′′ M ′′′ S 
P=
a − ( d + e + f
100 
+ g + ... + n ) + d +e +f + g + b1
M 0′
+ b2
M0′′
+ b3
M 0′′′
+c

Rm 0 Rs 0 T0 Ft 0 S0 
Ako putem analize strukture tro{kova proizvodnje predmeta kupo-

prodaje dobijemo indekse njihovog u~e{}a u prodajnoj ceni:
a = 15%, d = 3%, e = 5%, f = 2,5%, g = 1,8%, b = 40%,
b1 = 6%, b2 = 24%, b3 = 10%, c = 45% , sledi:
P0  R R Tf F M′ M′′ M′′′ S
P= 15 + ( 3 + 5 + 2,5 + 1,8 ) + 3 m + 5 s + 2,5 + 1,8 t + 6 + 24 + 10 + 45 
100  Rm0 Rs0 T0 Ft 0 M0′ M0′′ M0′′′ S0 
d = indeks u~e{}a tro{kova re` ijskog materijala uzetog za bazu u

ukupnim tro{kovima proizvodnje po jedinici mere predmeta ku-
poprodaje,
e = indeks u~e{}a tro{kova re` ijskih zarada radnika uzetog za bazu
u ukupnim tro{kovima proizvodnje po jedinici mere predmeta
kupoprodaje,
f = indeks u~e{}a tro{kova podvoza materijala za izradu i drugih
potreba po jedinic mere proizvoda koji je predmet kupoprodaje,
g = indeks u~e{}a fiksnih davanja i taksi u ukupnim tro{kovima pro-
izvodnje jedinice mere predmeta kupoprodaje.
Kao {to smo videli, zbir d + e + f + g ne daje vrednost a. Razlika je
jednaka zaradi proizvo|a~a–prodavca koju nije mogu}e staviti pod re` im
varijabilnog dela tro{kova proizvodnje.
Rm0 = cena ili indeks cene re` ijskog materijala po jedinici mere
va` e}i na dan zaklju~ivanja kupoprodajnog ugovora,
Rm = ponderisana aritmeti~ka sredina notiranih ili dokumen-
tovanih cena ili indeksa cena po jedinici mere materijala uze-
tog za bazu u toku trajanja celog ugovorenog roka isporuke,
Rs0 = indeks ili iznos indeksa zarada re` ijskog radnika po jednom
efektivnom ~asu rada va` e}i na dan zaklju~ivanja kupopro-
dajnog ugovora,
169
Rs = ponderisana aritmeti~ka sredina notiranih ili dokumentova-
nih iznosa ili indeksa iznosa satnice re` ijskog radnika uzetog
za bazu u toku trajanja celog ugovorenog roka isporuke,
Tt0 = nivo transportnih tarifa, va` e}ih na dan zaklju~ivanja kupo-
prodajnog ugovora,
Tt = ponderisana aritmeti~ka sredina notiranih ili dokumento-
vanih, na ugovoreni na~in nastalih promena transportne ta-
rife za materijal za izradu uzet za bazu u toku celog trajanja
ugovorenog roka isporuke,
Ft0 = fiksna davanja iil takse po jedinici mere proizvoda ili usluga
na dan zaklju~enja ugovora,
Ft = ponderisana aritmeti~ka sredina notiranih ili dokumento-
vanih, po ugovoru nastalih promena visine fiksnih davanja i
taksi u toku trajanja celokupnog ugovora,
b1 , b2 ,b3 = indeksi u~e{}a tri kategorije materijala za izradu u tro{kovi-
ma proizvodnje jedne jedinice mere predmeta kupoprodaje.
Pri tome je svodni indeks b ( b = b1 + b2 + b3 ) ,
M ′, M ′′, M ′′′ = oznaka vrste tri reprezentativne kategorije materijala za izradu sa
cenom ili ponderom cene vaè}om na dan zaklju~enja ugovora,
c = indeks u~e{}a zarade radnika u prodajnoj ceni predmeta ku-
poprodaje, pri ~emu je c = c1 + c2 + c3 , pri ~emu ovaj deo klizne
skale (odnosi se na zarade radnika), ima oblik
KV VKV DI
... + c1 + c2 + c3
KV0 VKV0 DI0
SKRA]ENI OBLIK (OPISNI OBLIK) KLIZNE SKALE

Ovaj oblik se druga~ije naziva opisni oblik, jer se kod njega dejstvo
promenljivih okolnosti na ugovorenu cenu kupoprodaje, zasniva na opisa-
nim uslovima obra~una.
Kod ovog oblika klizne skale, koriste se slede}i elementi:
Ugovorena cena robe izra~unava se na bazi indeksa cene jedne tone
lima od 182 na dan zaklju~enja ugovora i indeksa prose~ne nadnice kvali-
fikovanog radnika 118 na dan zaklju~enja ugovora. U slu~aju prose~nog
poskupljenja ili pojeftinjenja ozna~enog materijala u toku 1/3 ugovorenog
roka isporuke za 1 procenat (1%) pove}a}e se ili smanjiti ugovorna cena za
0,4% ( ±1% M = 0,4 × P0 ) . Prose~no pove}anje ili smanjenje nadnica radnika
pomenutih kvalifikacija i grane delatnosti u toku poslednje 2/3 ugovorenog
170
roka isporuke, pove}a}e se ili smanjiti ugovorena cena robe za 0,45%
( ±1%S = 0,45 × P0 ) .
Po zvani~nim podacima kretanja indeksa cena materijala i nadnica
u ugovorenom roku isporuke bilo je slede}e:
M S
Bazni 182 118
1. mesec 180 118
2. mesec 178 118
3. mesec 160 122
4. mesec 152 122
5. mesec 150 126
6. mesec 138 126
7. mesec 138 126
8. mesec 137 126
9. mesec 135 131
10. mesec 130 132
11. mesec 132 132
12. mesec 130 132
180 + 178 + 160 + 152 670

M= = = 167,5
4 4
126 + 126 + 126 + 126 + 131 + 132 + 132 + 132 1031
S= = = 128,87
8 8
P0 = 340.260 $
Date indekse u~e{}a pojedinih faktora u ovom slu~aju mo` emo ra-
~unski izraziti:
 S
+ 0,45  = 340260  0,15 + 0,4
M 167,5 128,87 
P = P0  0,15 + 0,4 + 0,45 =
 M0 S0   182 118 
= 340260 ( 0,15 + 0,368 + 0,4914 ) = 343492,47
ili samo pove}anje 343492,47 − 340260 = 3232,47$
171
Zbog suprotnosti u promenama cena materijala i nadnica do{lo je do
razlike u ceni za 0,95%, te ako bi bio slu~aj da je ugovorena uobi~ajena tol-
erancija od ∓2% , onda bi klizna skala, uop{te uzev, ostala bez dejstva.
172
Literatura
• Bajakovi}, Lj.: Mogu}nosti revizije ugovora i kori{}enje klizne skale,
Ekonomika preduze}a, god. I, br. 5, Beograd, 1953.
• Balaban, V.: Metodi statisti~ke analize, Beograd, 1963.
• Greenwald, W. I.: Statistics for Economics, New York, 1979.
• Had` i–Vukovi} S.: Statisti~ki metodi, Poljoprivredni fakultet, Novi
Sad, 1991.
• Hays, W.: Statistics, New York, 1981.
• Hochstädter, P.: Statistische methodenlerre, Verlas Harri, Deutsch,
Frankfurt am Main, Thum, 1991.
• Ivanovi}, B.: Teorijska statistika, Nau~na knjiga, Beograd, 1979.
• Ivkovi}, Z.: Matemati~ka statistika, Nau~na knjiga, Beograd, 1980.
• Jarret, I.: Business Forecasting, Basel Blackwell, Oxford, Cam-
bridge, 1991.
• Jovi~i}, M: Ekonometrijski metodi, Ekonomski fakultet u Beogradu,
1989.
• Kane, E.: Economic Statistics and Econometrics, Statistika, Moskva,
1977.
• Kenneth, J. E.: A Theory of Price Control, Harvard University
Press, Cambridge, 1952.
• Laki}, N.; Maketi}, P.: Zbirka zadataka iz statistike, Nau~na knjiga,
Beograd, 1990.
• Levin, K.: Statistics for Management, Prentice–Hall, Inc., Engle-
wood Cliffs, New Jersey, 1987.
• Mari}, N.: Analiza vremenskih serija, SZS, Beograd, 1982.
• Markovi}, M.: Statisti~ka kontrola kvaliteta, Beograd, 1991.
• Markovi}, M.; Petkovi}, S.: Poslovna statistika, VP[, 1999.
• Nikoli}, M.: Industrijska statistika, Beograd, 1974.
173
• Njegi}, P.: Statistika i evidencija u preduze}u, Rad, Beograd, 1962.
• Njgegi}, P. i dr.: Osnovi statisti~ke analize, Savremena adminis-
tracija, Beograd, 1989.
• Noel Paul E.; Jessen, Raymond I.: Basic Statistics for Business and
Economics, John Willey & Sons Inc., New York, Brisbane, Toronto,
Singapore, 1991.
• Pavli}, I.: Statisti~ka teorija i praksa, Pandama, Zagreb, 1965.
• Petz, B.: Osnovne statisti~ke metode za nematemati~are, Zagreb,
1981.
• Piesch, W.: Statistik– Formelsammlung, Wida, Stuttgart, 1989.
• Slavkovi}, M.: Statistika, VEK[, Novi Sad, 1985.
• Slazar, S.: Matemati~ka statistika, Sarajevo, 1968.
• Snedecor, W. Q.; Cochran, E. W.: Statistics for Management and
Economics, Boston, 1984.
• Snidikor, D` .; Kohren V.: Statisti~ki metodi, Vuk Karad` i}, Beo-
grad, 1971.
• Solevi}, V.: Poslovna statistika, Beograd, 1983.
• Stojkovi}, M.: Statistika za menad` ere, Ekonomski fakultet,
Subotica, 1995.
• [o{i}, I.: Uvod u statistiku, [kolska knjiga, Zagreb, 1985.
• [olak, B. Nj.: Statistika za poslovno odlu~ivanje, Nau~na knjiga,
Beograd, 1990.
• Te{i}, M.: Klizna skala, VI izdanje, Savremena administracija, Beo-
grad, 1987.
• Todi}, R.; Radi}, A.: Poslovna statistika, Savremena administracija,
Beograd, 1972.
• Vukadinovi}, S.: Elementi teorije verovatno}e i matemati~ke sta-
tistike, Privredni pregled, Beograd, 1978.
• Wonnacott, T.; Wonnacott, R.: Introductory Statistics, New York,
1977.
• Ze~evi} T. i dr.: Teorija uzoraka i planiranje eksperimenata, Beo-
grad, 1991.
• @i` i}, M. i dr.: Metodi statisti~ke analize, Ekonomski fakultet, Beo-
grad, 1994.
• @i` i}, M. i dr: Metodi statisti~ke analize, Ekonomski fakultet, Beo-
grad, 2000.
174
TABLICE
Tabela T1.
BINOMNI KOEFICIJENTI
 n n!  n  n 
  =   =  
 v  v ! ( n − v) ! v
   n − v 
 n  n  n  n  n  n  n  n  n  n  n
n                      
0  1  2  3  4  5  6  7  8  9   10 
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
8 1 8 28 56 70 56 28 8 1
9 1 9 36 84 126 126 84 36 9 1
10 1 10 45 120 210 252 210 120 45 10 1
11 1 11 55 165 330 462 462 330 165 55 11
12 1 12 66 220 495 792 924 792 495 220 66
13 1 13 78 286 715 1.287 1.716 1.716 1.287 715 286
14 1 14 91 364 1.001 2.002 3.003 3.432 3.003 2.002 1.001
15 1 15 105 455 1.365 3.003 5.005 6.435 6.435 5.005 3.003
16 1 16 120 560 1.820 4.368 8.008 11.440 12.870 11.440 8.008
17 1 17 136 680 2.380 6.188 12.376 19.448 24.310 24.310 19.448
18 1 18 153 816 3.060 8.568 18.564 31.824 43.758 48.620 43.758
19 1 19 171 969 3.876 11.628 27.132 50.388 75.582 92.378 92.378
20 1 20 190 1.140 4.845 15.504 38.760 77.520 125.970 167.960 184.756
177
Tabela T2.
NORMALAN RASPORED
(zakon verovatnoće)
2
1 − x2
f ( x) = e
2π
X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0,0 39894 39892 39886 39876 39862 39844 39822 39797 39767 39733
0,1 39695 39654 39608 39559 39505 39448 39387 39322 39253 39181
0,2 39104 39024 38940 38853 38762 38677 38568 38466 38361 38251
0,3 38139 38023 37903 37780 37654 37524 37391 37255 37115 36973
0,4 36827 36678 36526 36371 36213 36053 35889 35723 35553 35381
0,5 35207 35029 34849 34667 34482 34294 34105 33912 33718 33521
0,6 33322 33121 32918 32713 32506 32297 32086 31874 31659 31443
0,7 31225 31006 30785 30563 30339 30114 29887 29659 29431 29200
0,8 28969 28737 28504 28269 28034 27798 27562 27324 27086 26868
0,9 26609 26369 26129 25888 25647 25406 25164 24923 24681 24439
1,0 24197 23955 23713 23471 23230 22988 22747 22506 22625 22025
1,1 21785 21546 21307 21069 20831 20594 20357 20121 19886 19652
1,2 19419 19186 18954 18724 18494 18265 18037 17810 17585 17360
1,3 17137 16915 16694 16474 16256 16038 15822 15608 15395 15183
1,4 14973 14764 14556 14350 14146 13943 13742 13542 13344 13147
1,5 12952 12758 12566 12376 12188 12001 11816 11632 11450 11270
1,6 11092 10915 10741 10567 10396 10226 10059 09893 09728 09566
1,7 09405 09246 09089 08933 08780 08628 08478 08329 08183 08038
1,8 07895 07754 07614 07477 07341 07206 07074 06943 06814 06687
1,9 06562 06438 06316 06195 06077 05959 05844 05730 05618 05508
2,0 05399 05292 05186 05082 04980 04879 04780 04682 04586 04491
2,1 04398 04307 04217 04128 04041 03955 03871 03788 03706 03626
2,2 03547 03470 03394 03319 03246 03174 03103 03034 02965 02898
2,3 02833 02768 02705 02643 02582 02522 02463 02406 02349 02294
2,4 02239 02186 02134 02083 02033 01984 01936 01888 01842 01797
2,5 01753 01709 01667 01625 01585 01545 01506 01468 01431 01394
2,6 01358 01323 01289 01256 01223 01191 01160 01130 01100 01071
2,0 01042 01014 00987 00961 0,616 00909 00885 00861 00837 00814
2,8 00792 00770 00748 00727 00707 00687 00668 00649 00631 00613
2,9 00595 00578 00562 00545 00530 00514 00499 00485 00470 00457
3,0 00443 00430 00417 00405 00393 00381 00370 00358 00348 00337
3,1 00327 00317 00307 00298 00288 00279 00271 00262 00254 00246
3,2 00238 00231 00224 00216 00210 00203 00196 00190 00184 00178
3,3 00172 00167 00161 00156 00151 00146 00141 00136 00132 00127
3,4 00123 00119 00115 00111 00107 00104 00100 00097 00094 00090
3,5 00087 00084 00081 00079 00076 00073 00071 00068 00066 00063
3,6 00061 00059 00057 00055 00053 00051 00049 00047 00046 00044
3,7 00042 00041 00039 00038 00037 00035 00034 00033 00031 00030
3,8 00029 00028 00027 00026 00025 00024 00023 00022 00021 00021
3,9 00020 00019 00018 00018 00017 00016 00016 00015 00014 00014
4,0 00013 00013 00012 00012 00011 00011 00011 00010 00010 00009
178
Tabela T3.
NORMALAN RASPORED
(funkcija rasporeda)
x t2
1 −
Θ( x ) = ∫e 2 dt
2π −∞
X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0,0 5000 5040 5080 5120 5160 5199 5239 5279 5319 5359
0,1 5398 5438 5478 5517 5557 5596 5636 5675 5714 5753
0,2 5793 5832 5871 5910 5948 5987 6026 6064 6103 6141
0,3 6179 6217 6255 6293 6331 6368 6406 6443 6480 6517
0,4 6554 6591 6628 6664 6700 6736 6772 6808 6844 6879
0,5 6915 6950 6985 7019 7054 7088 7123 7157 7190 7224
0,6 7257 7291 7324 7357 7389 7422 7454 7486 7517 7549
0,7 7580 7611 7642 7673 7704 7734 7764 7794 7823 7852
0,8 7881 7910 7939 7967 7995 8023 8051 8078 8106 8133
0,9 8159 8186 8212 8238 8264 8289 8315 8340 8365 8389
1,0 8413 8438 8461 8485 8508 8531 8554 8577 8599 8621
1,1 8643 8665 8686 8708 8729 8749 8770 8790 8810 8830
1,2 8849 8869 8888 8907 8925 8944 8962 8990 8997 9015
1,3 9032 9049 9066 9082 9099 9115 9131 9147 9162 9177
1,4 9192 9207 9222 9236 9251 9265 9279 9292 9306 9319
1,5 9332 9345 9357 9370 9382 9394 9406 9418 9429 9441
1,6 9452 9463 9474 9484 9495 9505 9515 9525 9535 9545
1,7 9554 9564 9573 9582 9591 9599 9608 9616 9625 9633
1,8 9641 9649 9656 9664 9671 9678 9686 9693 9699 9706
1,9 9713 9719 9726 9732 9738 9744 9750 9756 9761 9767
2,0 9772 9778 9783 9788 9793 9798 9803 9808 9812 9817
2,1 9821 9826 9830 9834 9838 9842 9846 9850 9854 9857
2,2 9861 9864 9868 9871 9875 9878 9881 9884 9887 9890
2,3 9893 9896 9898 9901 9904 9906 9909 9911 9913 9916
2,4 9918 9920 9922 9925 9927 9929 9931 9932 9934 9936
2,5 9938 9940 9941 9943 9945 9946 9948 9949 9951 9952
2,6 9953 9955 9956 9957 9959 9960 9961 9962 9963 9964
2,7 9965 9966 9967 9968 9969 9970 9971 9972 9973 9974
2,8 9974 9975 9976 9977 9977 9978 9979 9979 9980 9981
2,9 9981 9982 9982 9983 9984 9984 9985 9985 9986 9986
3,0 9987 9987 9987 9988 9989 9989 9989 9989 9990 9990
3,1 9990 9991 9991 9991 9992 9992 9992 9992 9993 9993
3,2 9993 9993 9994 9994 9994 9994 9994 9995 9995 9995
3,3 9995 9995 9995 9996 9996 9996 9996 9996 9996 9997
3,4 9997 9997 9997 9997 9997 9997 9997 9997 9997 9998
179
Tabela T4.
χ 2 – RASPORED
x2
v −1
f (χ )= (χ ) d(χ 2 )
2 1 2
2
e 2
0 v
2 Γ 
2
v
2
v
1 2 3 4 5 6 7 8 9 10
χ 02
0,001 0,005
0,01 0,08 0,005
0,05 0,18 0,02
0,1 0,25 0,05 0,01

0,2 0,35 0,10 0,02 0,005
0,3 0,42 0,14 0,04 0,01
0,4 0,47 0,18 0,06 0,02 0,005
0,5 0,52 0,22 0,08 0,03 0,01
0,6 0,56 0,26 0,10 0,04 0,01
0,7 0,60 0,30 0,13 0,05 0,02 0,005
0,8 0,63 0,33 0,15 0,06 0,02 0,01
0,9 0,66 0,36 0,17 0,08 0,03 0,01
1 0,68 0,39 0,20 0,09 0,04 0,01 0,005

2 0,84 0,63 0,43 0,26 0,15 0,08 0,04 0,02 0,01 0,005
3 0,92 0,78 0,61 0,44 0,30 0,19 0,11 0,07 0,04 0,02
4 0,95 0,86 0,74 0,59 0,45 0,32 0,22 0,14 0,09 0,07
5 0,97 0,92 0,83 0,71 0,58 0,46 0,34 0,24 0,17 0,11
6 0,99 0,95 0,89 0,80 0,69 0,58 0,46 0,35 0,26 0,18
7 0,99 0,97 0,93 0,86 0,78 0,70 0,57 0,46 0,36 0,27
8 0,995 0,98 0,95 0,91 0,84 0,76 0,67 0,57 0,47 0,37
9 0,995 0,99 0,97 0,94 0,89 0,83 0,75 0,66 0,56 0,47
10 0,995 0,98 0,96 0,92 0,88 0,81 0,73 0,65 0,56

11 0,995 0,99 0,97 0,95 0,91 0,86 0,80 0,72 0,64
12 0,995 0,98 0,97 0,94 0,90 0 83 0,79 0,71
13 0,995 0,99 0,98 0,96 0,93 0 89 0 83 0,78
14 0,995 0,995 0,98 0,97 0,95 0,92 0,88 0,83
15 0,995 0,99 0,98 0,96 0,94 0,91 0,87
16 0,995 1,00 0,99 0,97 0,96 0,93 0,90
17 0,995 0,99 0,98 0,97 0,95 0,93
18 0,995 0,995 0,99 0,98 0,96 0,95
19 0,995 0,99 0,99 0,97 0,96
20 0,995 0,995 0,99 0,99 0,97

21 0,995 0,995 0,99 0,98
22 0,995 0,995 0,995 0,98
23 0,995 0,995 0,99
24 0,995 0,99
25 0,995
26 0,995
27 0,995
180
Tabela T4.
χ 2 – RASPORED
(nastavak)
v
11 12 13 14 15 16 17 18 19 20
χ 02
2
3 0,01 0,005
4 0,03 0,02 0,01 0,005
5 0,07 0,04 0,02 0,01 0,01 0,005
6 0,13 0,09 0,06 0,03 0,02 0,01 0,005 0,005
7 0,20 0,14 0,10 0,07 0,04 0,03 0,02 0,01 0,005 0,005
8 0,29 0,21 0,16 0,11 0,08 0,05 0,03 0,02 0,01 0,01
9 0,38 0,30 0,23 0,17 0,12 0,09 0,06 0,04 0,03 0,02
10 0,47 0,38 0,31 0,24 0,18 0,13 0,10 0,07 0,05 0,03
11 0,56 0,47 0,39 0,31 0,25 0,19 0,14 0,11 0,08 0,05
12 0,64 0,55 0,47 0,39 0,32 0,26 0,20 0,15 0,11 0,08
13 0,71 0,63 0,55 0,47 0,40 0,33 0,26 0,21 0,16 0,12
14 0,77 0,70 0,63 0,55 0,47 0,40 0,33 0,27 0,22 0,17
15 0,82 0,76 0,69 0,62 0,55 0,48 0,40 0,34 0,28 0,22
16 0,86 0,81 0,75 0,69 0,62 0,55 0,48 0,41 0,34 0,28
17 0,89 0,85 0,80 0,74 0,68 0,61 0,55 0,48 0,41 0,137
18 0,92 0,88 0,84 0,79 0,74 0,68 0,61 0,54 0,48 0,41
19 0,94 0,91 0,88 0,83 0,79 0,73 0,67 0,61 0,54 0,48
20 0,96 0,93 0,90 0,87 0,83 0,78 0,73 0,68 0,61 0,54
21 0,97 0,95 0,93 0,90 0,86 0,82 0,77 0,72 0,66 0,60
22 0,98 0,96 0,94 0,92 0,89 0,86 0,82 0,77 0,72 0,66
23 0,98 0,97 0,96 0,94 0,92 0,89 0,85 0,81 0,76 0,71
24 0,99 0,98 0,97 0,95 0,93 0,91 0,88 0,84 0,80 0,76
25 0,99 0,99 0,98 0,97 0,95 0,93 0,91 0,88 0,84 0,80
26 0,995 0,99 0,98 0,97 0,96 0,95 0,93 0,90 0,87 0,83
27 0,995 0,99 0,99 0,98 0,97 O,96 0,94 0,92 0,90 0,86
28 0,995 0,995 0,99 0,99 0,98 0,97 0,96 0,94 0,92 0,90
29 0,995 0,995 0,99 0,98 0,98 0,97 0,95 0,93 0,91
30 0,995 0,995 0,99 0,99 0,98 0,97 0,96 0,95 0,93
35 0,995 0,995 0,99 0,99 0,98
40 0,995 0,995
181
Tabela T4.
χ 2 – RASPORED
(nastavak)
v
21 22 23 24 25 26 27 28 29 30
χ 2
0
8 0,005
9 0,01 0,005 0,005
10 0,02 0,01 0,01 0,005 0,005

11 0,04 0,03 0,02 0,01 0,01 0,005
12 0,06 0,04 0,03 0,02 0,01 0,01 0,005 0,005
13 0,09 0,07 0,05 0,03 0,02 0,02 0,01 0,01 0,005
14 0,13 0,10 0,07 0,05 0,04 0,03 0,02 0,01 0,01 0,005
15 0,18 0,14 0,11 0,08 0,06 0,04 0,03 0,02 0,01 0,01
16 0,23 0,18 0,14 0,11 0,09 0,06 0,05 0,03 0,02 0,02
17 0,29 0,24 0,19 0,15 0,11 0,09 0,07 0,05 0,04 0,03
18 0,35 0,29 0,24 0,20 0,16 0,12 0,10 0,07 0,06 0,04
19 0,41 0,35 0,30 0,25 0,20 0,16 0,13 0,10 0,08 0,06
20 0,48 0,42 0,36 0,30 0,25 0,21 0,17 0,14 0,11 0,08
21 0,54 0,48 0,42 0,36 0,31 0,26 0,21 0,17 0,14 0,11
22 0,60 0,54 0,48 0,42 0,36 0,31 0,26 0,22 0,18 0,15
23 0,66 0,60 0,54 0,48 0,42 0,37 0,31 0,27 0,22 0,18
24 0,71 0,65 0,60 0,54 0,48 0,42 0,37 0,32 0,27 0,23
25 0,75 0,70 0,65 0,59 0,54 0,48 0,43 0,37 0,32 0,27
26 0,79 0,75 0,70 0,65 0,59 0,54 0,48 0,43 0,37 0,32
27 0,83 0,79 0,74 0,70 0,64 0,59 0,54 0,48 0,43 0,38
28 0,86 0,81 0,78 0,74 0,69 0,64 0,59 0,54 0,48 0,43
29 0,89 0,86 0,82 0,78 0,74 0,69 0,64 0,59 0,53 0,48
30 0,91 0,88 0,85 0,82 0,78 0,73 0,69 0,64 0,59 0,53
35 0,98 0,96 0,94 0,93 0,90 0,89 0,86 0,83 0,79 0,76
40 0,995 0,99 0,98 0,98 0,97 0,96 0,95 0,93 0,92 0,90
45 0,995 0,995 0,995 0,99 0,99 0,98 0,98 0,97 0,96
50 0,995 0,995 0,995 0,99 0,98
182
Tabela T4A.
Kritične vrednosti χ – rasporeda

2
v 0,995 0,975 0,95 0,10 0,05 0,025 0,01 0,005

α
1 0,00004 0,00098 0,00393 2,706 3,841 5,024 6,635 7,879
2 0,0100 0,0506 0,103 4,605 5,991 7,378 9,210 10,597
3 0,0717 0,216 0,352 6,251 7,815 9,348 11,345 12,838
4 0,207 0,484 0,711 7,779 9,488 11,143 13,277 14,860
5 0,412 0,831 1,145 9,236 11,070 12,832 15,086 16,750
6 0,676 1,237 1,635 10,645 12,592 14,449 16,812 18,548

7 0,989 1,690 2,167 12,017 14,067 16,013 18,475 20,278
8 1,344 2,180 2,733 13,362 15,507 17,535 20,090 21,955
9 1,735 2,700 3,325 14,684 16,919 19,023 21,666 23,589
10 2,156 3,247 3,940 15,987 18,307 20,483 23,209 25,188
11 2,603 3,816 4,575 17,275 19,675 21,92 24,725 26,757

12 3,074 4,404 5,226 18,549 21,026 23,336 26,217 28,300
13 3,565 5,009 5,892 19,812 22,362 24,736 27,688 29,819
14 4,075 5,629 6,571 21,064 23,685 26,119 29,141 31,319
15 4,601 6,262 7,261 22,307 24,996 27,488 30,578 32,801
16 5,142 6,908 7,962 23,542 26,296 28,845 32,000 34,267

17 5,697 7,564 8,672 24,769 27,587 30,191 33,409 35,718
18 6,265 8,231 9,390 25,989 28,869 31,526 34,805 37,156
19 6,844 8,907 10,117 27,204 30,144 32,852 36,191 38,582
20 7,434 9,591 10,851 28,412 31,410 34,17 37,566 39,997
21 8,034 10,283 11,591 29,615 32,671 35,479 38,932 41,401

22 8,643 10,982 12,338 30,813 33,924 36,781 40,289 42,796
23 9,260 11,688 13,091 32,007 35,172 38,076 41,638 44,181
24 9,886 12,401 13,848 33,196 36,145 39,364 42,980 45,558
25 10,520 13,120 14,611 34,382 37,652 40,646 44,314 46,928
26 11,160 13,844 15,379 35,563 38,885 41,923 45,642 48,290

27 11,808 14,573 16,151 36,741 40,113 43,194 46,963 49,645
28 12,461 15,308 16,928 37,916 41,337 44,461 48,278 50,993
29 13,121 16,047 17,708 39,087 42,557 45,722 49,588 52,336
30 13,787 16,791 18,493 40,256 43,773 46,979 50,892 53,672
35 17,192 20,569 22,465 46,059 49,802 53,203 57,342 60,275

40 20,707 24,433 26,509 51,805 55,758 59,342 63,691 66,766
45 24,311 28,366 30,612 57,505 61,656 65,410 69,957 73,166
50 27,991 32,357 34,764 63,167 67,505 71.420 76,154 79,490
60 35,535 40,482 43,188 74,397 79,082 83,298 88,379 91,952
70 43,275 48,758 51,739 85,527 90,531 95,023 100,425 104,215

80 51,172 57,153 60,391 96,578 101,879 106,629 112,329 116,321
90 59,196 65,647 69,126 107,565 113,145 118,136 124,116 128,299
100 67,328 74,222 77,929 118,498 124,342 129,561 135,807 140,169
183
Tabela T5.
Studentov raspored
n +1
Γ  t0 
n +1
2

S(t0 ) =    1 +  2 dt
2 t
n ∫ n 
nπ   − ∞
2
n 1 2 3 4 5 6 7 8 9 10
t0
0 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500
0,1 0,532 0,535 0,537 0,537 0,538 0,538 0,538 0,539 0,539 0,539
0,2 0,563 0,570 0,573 0,574 0,575 0,576 0,576 0,577 0,577 0,577
0,3 0,593 0,604 0,608 0,610 0,612 0,613 0,614 0,614 0,614 0,615
0,4 0,621 0,636 0,642 0,645 0,647 0,648 0,649 0,650 0,651 0,651
0,5 0,648 0,667 0,674 0,678 0,681 0,683 0,684 0,685 0,685 0,686
0,6 0,672 0,695 0,705 0,710 0,713 0,715 0,716 0,717 0,718 0,719
0,7 0,694 0,722 0,733 0,739 0,742 0,745 0,747 0,748 0,749 0,750
0,8 0,715 0,746 0,759 0,766 0,770 0,773 0,775 0,777 0,778 0,779
0,9 0,733 0,768 0,783 0,790 0,795 0,799 0,801 0,803 0,804 0,805
1,0 0,750 0,789 0,804 0,813 0,818 0,822 0,825 0,827 0,828 0,830
1,1 0,765 0,807 0,824 0,833 0,839 0,843 0,846 0,848 0,850 0,851
1,2 0,779 0,823 0,842 0,852 0,858 0,862 0,865 0,868 0,870 0,871
1,3 0,791 0,838 0,858 0,868 0,875 0,879 0,883 0,885 0,887 0,889
1,4 0,803 0,852 0,872 0,883 0,890 0,894 0,898 0,900 0,902 0,904
1,5 0,813 0,864 0,885 0,896 0,903 0,908 0,911 0,914 0,916 0,918
1,6 0,822 0,875 0,896 0,908 0,915 0,920 0,923 0,926 0,928 0,930
1,7 0,831 0,884 0,906 0,918 0,925 0,930 0,933 0,936 0,938 0,940
1,8 0,839 0,893 0,915 0,927 0,934 0,939 0,943 0,945 0,947 0,949
1,9 0,846 0,901 0,923 0,935 0,942 0,947 0,950 0,953 0,955 0,957
2,0 0,852 0,908 0,930 0,942 0,949 0,954 0,957 0,960 0,962 0,963
2,1 0,858 0,915 0,937 0,948 0,955 0,960 0,963 0,963 0,967 0,969
2,2 0,864 0,921 0,942 0,954 0,960 0,965 0,968 0,970 0,972 0,974
2,3 0,869 0,926 0,947 0,958 0,965 0,969 0,972 0,975 0,976 0,978
2,4 0,874 0,931 0,952 0,963 0,969 0,973 0,976 0,978 0,980 0,981
2,5 0,879 0,935 0,956 0,967 0,973 0,977 0,979 0,981 0,983 0,984
2,6 0,883 0,939 0,960 0,970 0,976 0,980 0,982 0,984 0,986 0,987
2,8 0,891 0,946 0,966 0,976 0,981 0,984 0,987 0,988 0,990 0,991
2,9 0,894 0,949 0,969 0,978 0,983 0,986 0,988 0,990 0,991 0,992
3,0 0,898 0,952 0,971 0,980 0,985 0,988 0,990 0,991 0,992 0,993
3,1 0,901 0,955 0,973 0,982 0,987 0,989 0,991 0,993 0,994 0,994
3,2 0,904 0,957 0,975 0,983 0,988 0,991 0,992 0,994 0,995 0,995
3,3 0,906 0,960 0,977 0,985 0,989 0,992 0,993 0,995 0,995 0,996
3,4 0,909 0,962 0,979 0,986 0,990 0,993 0,994 0,995 0,996 0,997
3,5 0,911 0,964 0,980 0,988 0,991 0,994 0,995 0,996 0,997 0,997
3,6 0,914 0,965 0,982 0,989 0,992 0,994 0,996 0,996 0,997 0,998
3,7 0,916 0,967 0,983 0,990 0,993 0,995 0,996 0,997 0,997 0,998
3,8 0,918 0,969 0,984 0,990 0,994 0,995 0,997 0,997 0,998 0,998
3,9 0,920 0,970 0,985 0,991 0,994 0,996 0,997 0,998 0,998 0,998
4,0 0,922 0,971 0,986 0,992 0,995 0,996 0,997 0,998 0,998 0,999
184
n 1 2 3 4 5 6 7 8 9 10
t0
4,1 0,924 0,973 0,987 0,993 0,995 0,997 0,998 0,998 0,999 0,999
4,2 0,926 0,974 0,988 0,993 0,996 0,997 0,998 0,998 0,999 0,999
4,3 0,927 0,975 0,988 0,994 0,996 0,997 0,998 0,999 0,999 0,999
4,4 0,929 0,976 0,989 0,994 0,996 0,998 0,998 0,999 0,999 0,999
4,5 0,930 0,977 0,990 0,995 0,997 0,998 0,999 0,999 0,999 0,999
4,6 0,932 0,978 0,990 0,995 0,997 0,998 0,999 0,999 0,999 0,999
4,7 0,933 0,979 0,991 0,995 0,997 0,998 0,999 0,999 0,999 1,000
4,8 0,935 0,980 0,991 0,996 0,998 0,998 0,999 0,999 0,999
4,9 0,936 0,980 0,992 0,996 0,998 0,999 0,999 0,999 1,000
5,0 0,937 0,981 0,992 0,996 0,998 0,999 0,999 0,999
5,1 0,938 0,982 0,993 0,996 0,998 0,999 0,999 0,999

5,2 0,939 0,982 0,993 0,997 0,998 0,999 0,999 1,000
5,3 0,941 0,983 0,993 0,997 0,998 0,999 0,999
5,4 0,942 0,984 0,994 0,997 0,998 0,999 0,999
5,5 0,943 0,984 0,994 0,997 0,999 0,999 0,999
5,6 0,944 0,985 0,994 0,997 0,999 0,999 1,000
5,7 0,945 0,985 0,995 0,998 0,999 0,999
5,8 0,946 0,986 0,995 0,998 0,999 0,999
5,9 0,947 0,986 0,995 0,998 0,999 0,999
6,0 0,947 0,987 0,995 0,998 0,999 0,999
n 11 12 13 14 15 16 17 18 18 20
t0
0 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500 0,500
0,1 0,539 0,539 0,539 0,539 0,539 0,539 0,539 0,539 0,539 0,539
0,2 0,577 0,578 0,578 0,578 0,578 0,578 0,578 0,578 0,578 0,578
0,3 0,615 0,615 0,615 0,616 0,616 0,616 0,616 0,616 0,616 0,616
0,4 0,652 0,652 0,652 0,653 0,653 0,653 0,653 0,653 0,653 0,653
0,5 0,686 0,686 0,687 0,688 0,688 0,688 0,688 0,688 0,689 0,689
0,6 0,720 0,720 0,721 0,721 0,721 0,721 0,722 0,722 0,722 0,722
0,7 0,751 0,751 0,752 0,752 0,753 0,753 0,753 0,754 0,754 0,754
0,8 0,780 0,780 0,781 0,781 0,782 0,782 0,783 0,783 0,783 0,783
0,9 0,806 0,807 0,808 0,808 0,809 0,809 0,810 0,810 0,811 0,811
1,0 0,831 0,831 0,832 0,833 0,833 0,834 0,834 0,835 0,835 0,835
1,1 0,853 0,853 0,854 0,855 0,856 0,856 0,857 0,857 0,857 0,858
1,2 0,872 0,873 0,874 0,875 0,876 0,876 0,877 0,877 0,877 0,878
1,3 0,890 0,891 0,892 0,893 0,893 0,894 0,894 0,895 0,895 0,896
1,4 0,905 0,907 0,907 0,908 0,909 0,910 0,910 0,911 0,911 0,912
1,5 0,919 0,920 0,921 0,922 0,923 0,923 0,924 0,924 0,925 0,925
1,6 0,931 0,932 0,933 0,934 0,935 0,935 0,936 0,936 0,937 0,937
1,7 0,941 0,943 0,943 0,944 0,945 0,946 0,946 0,947 0,947 0,948
1,8 0,950 0,951 0,952 0,953 0,954 0,955 0,955 0,956 0,956 0,956
1,9 0,958 0,959 0,960 0,961 0,962 0,962 0,963 0,963 0,964 0,9964
2,0 0,965 0,966 0,967 0,967 0,968 0,969 0,969 0,970 0,970 0,970
185
n 11 12 13 14 15 16 17 18 18 20
t0
2,1 0,970 0,971 0,972 0,973 0,973 0,974 0,974 0,975 0,975 0,976
2,2 0,975 0,976 0,977 0,977 0,978 0,979 0,979 0,979 0,980 0,980
2,3 0,979 0,980 0,981 0,981 0,982 0,982 0,983 0,983 0,983 0,984
2,4 0,982 0,983 0,984 0,985 0,985 0,985 0,986 0,986 0,987 0,987
2,5 0,985 0,986 0,987 0,987 0,988 0,988 0,988 0,989 0,989 0,989
2,6 0,988 0,988 0,989 0,989 0,990 0,990 0,991 0,991 0,991 0,991
2,7 0,990 0,990 0,991 0,991 0,992 0,992 0,992 0,993 0,993 0,993
2,8 0,991 0,992 0,992 0,993 0,993 0,994 0,994 0,994 0,994 0,994
2,9 0,993 0,993 0,994 0,994 0,994 0,994 0,995 0,995 0,995 0,996
3,0 0,994 0,994 0,995 0,995 0,995 0,996 0,996 0,996 0,996 0,996
3,1 0,995 0,995 0,996 0,996 0,996 0,997 0,997 0,997 0,997 0,997
3,2 0,996 0,996 0,996 0,997 0,997 0,997 0,997 0,997 0,998 0,998
3,3 0,996 0,997 0,997 0,997 0,998 0,998 0,998 0,998 0,998 0,998
3,4 0,997 0,997 0,998 0,998 0,998 0,998 0,998 0,998 0,998 0,999
3,5 0,997 0,998 0,998 0,998 0,998 0,998 0,999 0,999 0,999 0,999
3,6 0,998 0,998 0,998 0,999 0,999 0,999 0,999 0,999 0,999 0,999
3,7 0,998 0,998 0,989 0,999 0,999 0,999 0,999 0,999 0,999 0,999
3,8 0,998 0,999 0,999 0,999 0,999 0,999 0,999 0,999 0,999 0,999
3,9 0,999 0,999 0,999 0,999 0,999 0,999 0,999 0,999 0,999 1,000
4,0 0,999 0,999 0,999 0,999 0,999 0,999 0,999 1,000 1,000
4,1 0,999 0,999 0,999 0,999 0,999 1,000 1,000
4,2 0,999 0,999 0,999 1,000 1,000
4,3 0,999 0,999 1,000
4,4 0,999 1,000
4,5 0,999
4,6 1,000
186
Tabela T5A.
Kritične vrednosti Studentovog rasporeda
v 0,1 0,05 0,025 0,01 0,005

α
1 3,078 6,3138 2,706 31,821 63,657
2 1,886 2,9200 4,3027 6,965 9,9248
3 1,638 2,3534 3,1825 4,541 5,8409
4 1,533 2,1318 2,7764 3,747 4,6041
5 1,476 2,0150 2,5706 3,365 4,0321
6 1,440 1,9432 2,4469 3,143 3,7074

7 1,415 1,8946 2,3646 2,998 3,4995
8 1,397 1,8595 2,3060 2,896 3,3554
9 1,383 1,8331 2,2622 2,821 3,2498
10 1,372 1,8125 2,2281 2,764 3,1693
11 1,363 1,7959 2,2010 2,718 3,1058

12 1,356 1,7823 2,1788 2,681 3,0545
13 1,350 1,7709 2,1604 2,650 3,0123
14 1,345 1,7613 2,1448 2,624 2,9768
15 1,341 1,7531 2,1315 2,602 2,9467
16 1,337 1,7459 2,1199 2,583 2,9208

17 1,333 1,7396 2,1098 2,567 2,8982
18 1,330 1,7341 2,1009 2,552 2,8784
19 1,328 1,7291 2,0930 2,539 2,8609
21 1,323 1,7207 2,0796 2,518 2,8314

22 1,321 1,7171 2,0739 2,508 2,8188
23 1,319 1,7139 2,0687 2,500 2,8073
24 1,318 1,7109 2,0639 2,492 2,7969
25 1,316 1,7081 2,0595 2,485 2,7874
26 1,315 1,7056 2,0555 2,479 2,7787

27 1,314 1,7033 2,0518 2,473 2,7707
28 1,313 1,7011 2,0484 2,467 2,7633
29 1,311 1,6991 2,0452 2,462 2,7564
30 1,310 1,6973 2,0423 2,457 2,7500
140 1,288 1,6558 1,9771 2,353 2,6114
160 1,287 1,6545 1,9749 2,350 2,6070
180 1,286 1,6534 1,9733 2,347 2,6035
200 1,286 1,6525 1,9719 2,345 2,6006
∞ 1,282 1,6450 1,96 2,326 2,576
187
Tabela T6.
Kritične vrednosti Fišerovog F–rasporeda
( )
P F ≤ Fn1 ; n2 ;1 −α = 1 − α = β
n1
α n2
1 2 3 4 5 6 7 8 9 10 11
0,95 1 161 200 216 225 230 234 237 239 241 242 243
0,99 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6082
0,95 2 18,51 19,00 19,16 19,25 19,30 19,33 19,36 19,37 19,38 19,39 19,40
0,99 98,50 99,00 99,17 99,25 99,30 99,33 99,34 99,36 99,38 99,40 99,41
0,95 3 10,13 9,55 9,28 9,12 9,01 8,94 8,88 8,84 8,81 8,78 8,76
0,99 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,13
0,95 4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,93
0,99 21,20 18,00 16,70 15,98 15,52 15,21 14,98 14,80 14,66 14,54 14,45
0,95 5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,78 4,74 4,70
0,99 16,26 13,27 12,06 11,40 10,97 10,67 10,45 10,27 10,15 10,05 9,96
0,95 6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03
0,99 13,74 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79
0,95 7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,63 3,60
0,99 12,25 9,55 8,45 7,85 7,46 7,19 7,00 6,84 6,71 6,62 6,54
0,95 8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,34 3,31
0,99 11,26 8,65 7,59 7,01 6,63 6,37 6,19 6,03 5,91 5,82 5,74
0,95 9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,13 3,10
0,99 10,56 8,02 6,99 6,42 6,06 5,80 5,62 5,47 5,35 5,26 5,18
0,95 10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,97 2,94
0,99 10,04 7,56 6,55 5,99 5,64 5,39 5,21 5,06 4,95 4,85 4,78
0,95 11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,86 2,82
0,99 9,65 7,20 6,22 5,67 5,32 5,07 4,88 4,74 6,63 4,54 4,46
0,95 12 4,75 3,89 3,49 3,26 3,11 3,00 2,92 2,85 2,80 2,76 2,72
0,99 9,33 6,93 5,95 5,41 5,06 4,82 4,65 4,50 4,39 4,30 4,22
0,95 13 4,67 3,81 3,41 3,18 3,02 2,92 2,84 2,77 2,72 2,67 2,63
0,99 9,07 6,70 5,74 5,20 4,86 4,62 4,44 4,30 4,19 4,10 4,02
0,95 14 4,60 3,74 3,34 3,11 2,96 2,85 2,77 2,70 2,65 2,60 2,56
0,99 8,86 6,51 5,56 5,03 4,69 4,46 4,28 4,14 4,03 3,94 3,86
0,95 15 4,54 3,68 3,29 3,06 2,90 2,79 2,70 2,64 2,59 2,55 2,51
0,99 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73
0,95 16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,45
0,99 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,61
188
Tabela T7.
Binomni raspored verovatnoće
 n
P( X − x ) =   p x (1 − p)n − x
x
p
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
1 0 0,9500000 0,9000000 0,8500000 0,8000000 0,7500000 0,7000000 0,6500000 0,6000000 0,5500000 0,5000000
1 0,0500000 0,1000000 0,1500000 0,2000000 0,2500000 0,3000000 0,3500000 0,4000000 0,4500000 0,5000000
2 0 0,9025000 0,8100000 0,7225000 0,6400000 0,5625000 0,4900000 0,4225000 0,3600000 0,3025000 0,2500000
1 0,0950000 0,1800000 0,2550000 0,3200000 0,3750000 0,4200000 0,4550000 0,4800000 0,4950000 0,5000000
2 0,0025000 0,0100000 0,0225000 0,0400000 0,0625000 0,0900000 0,1225000 0,1600000 0,2025000 0,2500000
3 0 0,8573750 0,7290000 0,6141250 0,5120000 0,4218750 0,3430000 0,2746250 0,2160000 0,1663750 0,1250000
1 0,1353750 0,2430000 0,3251250 0,3840000 0,4218750 0,4410000 0,4436250 0,4320000 0,4083750 0,3750000
2 0,0071250 0,0270000 0,0573750 0,0960000 0,1406250 0,1890000 0,2388750 0,2880000 0,3341250 0,3750000
3 0,0001250 0,0010000 0,0033750 0,0080000 0,0156250 0,0270000 0,0428750 0,0640000 0,0911250 0,1250000
4 0 0,8145063 0,6561000 0,5220063 0,4096000 0,3164063 0,2401000 0,1785063 0,1296000 0,0915063 0,0625000
1 0,1714750 0,2916000 0,3684750 0,4096000 0,4218750 0,4116000 0,3844750 0,3456000 0,2994750 0,2500000
2 0,0135375 0,0486000 0,0975375 0,1536000 0,2109375 0,2646000 0,3105375 0,3456000 0,3675375 0,3750000
3 0,0004750 0,0036000 0,0114750 0,0256000 0,0468750 0,0756000 0,1114750 0,1536000 0,2004750 0,2500000
4 0,0000063 0,0001000 0,0005063 0,0016000 0,0039063 0,0081000 0,0150063 0,0256000 0,0410063 0,0625000
5 0 0,7737809 0,5904900 0,4437053 0,3276800 0,2373047 0,1680700 0,1160291 0,0777600 0,0503284 0,0312500
1 0,2036266 0,3280500 0,3915047 0,4096000 0,3955078 0,3601500 0,3123859 0,2592000 0,2058891 0,1562500
2 0,0214344 0,0729000 0,1381781 0,2048000 0,2636719 0,3087000 0,3364156 0,3456000 0,3369094 0,3125000
3 0,0011281 0,0081000 0,0243844 0,0512000 0,0878906 0,1323000 0,1811469 0,2304000 0,2756531 0,3125000
4 0,0000297 0,0004500 0,0021516 0,0064000 0,0146484 0,0283500 0,0487703 0,0768000 0,1127672 0,1562500
5 0,0000003 0,0000100 0,0000759 0,0003200 0,0009766 0,0024300 0,0052522 0,0102400 0,0184528 0,0312500
6 0 0,7350919 0,5314410 0,3771495 0,2621440 0,1779785 0,1176490 0,0754189 0,0466560 0,0276806 0,0156250
1 0,2321343 0,3542940 0,3993348 0,3932160 0,3559570 0,3025260 0,2436610 0,1866240 0,1358868 0,0937500
2 0,0305440 0,0984150 0,1761771 0,2457600 0,2966309 0,3241350 0,3280052 0,3110400 0,2779502 0,2343750
3 0,0021434 0,0145800 0,0414534 0,0819200 0,1318359 0,1852200 0,2354909 0,2764800 0,3032184 0,3125000
4 0,0000846 0,0012150 0,0054865 0,0153600 0,0329590 0,0595350 0,0951021 0,1382400 0,1860659 0,2343750
5 0,0000018 0,0000540 0,0003873 0,0015360 0,0043945 0,0102060 0,0204835 0,0368640 0,0608943 0,0937500
6 0,0000000 0,0000010 0,0000114 0,0000640 0,0002441 0,0007290 0,0018383 0,0040960 0,0083038 0,0156250
7 0 0,6983373 0,4782969 0,3205771 0,2097152 0,1334839 0,0823543 0,0490223 0,0279936 0,0152244 0,0078125
1 0,2572822 0,3720087 0,3960070 0,3670016 0,3114624 0,2470629 0,1847763 0,1306368 0,0871940 0,0546875
2 0,0406235 0,1240029 0,2096508 0,2752512 0,3114624 0,3176523 0,2984848 0,2612736 0,2140217 0,1640625
3 0,0035635 0,0229635 0,0616620 0,1146880 0,1730347 0,2268945 0,2678709 0,2903040 0,2918477 0,2734375
4 0,0001876 0,0025515 0,0108815 0,0286720 0,0576782 0,0972405 0,1442382 0,1935360 0,2387845 0,2734375
5 0,0000059 0,0001701 0,0011522 0,0043008 0,0115356 0,0250047 0,0466000 0,0774144 0,1172215 0,1640625
6 0,0000001 0,0000063 0,0000678 0,0003584 0,0012817 0,0035721 0,0083641 0,0172032 0,0319695 0,0546875
7 0,0000000 0,0000001 0,0000017 0,0000128 0,0000610 0,0002187 0,0006434 0,0016384 0,0037367 0,0078125
189
8 0 0,6634204 0,4304672 0,2724905 0,1677722 0,1001129 0,0576480 0,0318645 0,0167962 0,0083734 0,0039063
1 0,2793349 0,3826375 0,3846925 0,3355443 0,2669678 0,1976503 0,1372624 0,0895795 0,0548077 0,0312500
2 0,0514564 0,1488035 0,2376042 0,2936013 0,3114624 0,2964755 0,2586868 0,2090189 0,1569492 0,1093750
3 0,0054165 0,0330674 0,0838603 0,1468006 0,2076416 0,2541218 0,2785858 0,2786918 0,2568260 0,2187500
4 0,0003563 0,0045927 0,0184986 0,0458752 0,0865173 0,1361367 0,1875097 0,2322432 0,2626630 0,2734375
5 0,0000150 0,0004082 0,0026116 0,0091750 0,0230713 0,0466754 0,0807734 0,1238630 0,1719249 0,2187500
6 0,0000004 0,0000227 0,0002304 0,0011469 0,0038452 0,0100019 0,0217467 0,0412877 0,0703329 0,1093750
7 0,0000000 0,0000007 0,0000116 0,0000819 0,0003662 0,0012247 0,0033456 0,0078643 0,0164415 0,0312500
8 0,0000000 0,0000000 0,0000003 0,0000026 0,0000153 0,0000656 0,0002252 0,0006554 0,0016815 0,0039063
9 0 0,6302494 0,3874205 0,2316169 0,1342177 0,0750847 0,0403536 0,0207119 0,0100777 0,0046054 0,0019531
1 0,2985392 0,3874205 0,3678622 0,3019899 0,2252541 0,1556496 0,1003731 0,0604662 0,0339122 0,0175781
2 0,0628504 0,1721869 0,2596674 0,3019899 0,3003387 0,2668279 0,2161882 0,1612431 0,1109855 0,0703125
3 0,0077185 0,0446410 0,1069219 0,1761608 0,2335968 0,2668279 0,2716211 0,2508227 0,2118815 0,1640625
4 0,0006094 0,0074402 0,0283029 0,0660603 0,1167984 0,1715322 0,2193863 0,2508227 0,2600363 0,2460938
5 0,0000321 0,0008267 0,0049946 0,0165151 0,0389328 0,0735138 0,1181311 0,1672151 0,2127570 0,2460938
6 0,0000011 0,0000612 0,0005876 0,0027525 0,0086517 0,0210039 0,0424060 0,0743178 0,1160493 0,1640625
7 0,0000000 0,0000029 0,0000444 0,0002949 0,0012360 0,0038579 0,0097860 0,0212337 0,0406926 0,0703125
8 0,0000000 0,0000001 0,0000020 0,0000184 0,0001030 0,0004133 0,0013173 0,0035389 0,0083235 0,0175781
9 0,0000000 0,0000000 0,0000000 0,0000005 0,0000038 0,0000197 0,0000788 0,0002621 0,0007567 0,0019531
10 0 0,5987369 0,3486784 0,1968744 0,1073742 0,0563135 0,0282475 0,0134627 0,0060466 0,0025330 0,0009766
1 0,3151247 0,3874205 0,3474254 0,2684355 0,1877117 0,1210608 0,0724917 0,0403108 0,0207241 0,0097656
2 0,0746348 0,1937102 0,2758967 0,3019899 0,2815676 0,2334744 0,1756530 0,1209324 0,0763026 0,0439453
3 0,0104751 0,0573956 0,1298337 0,2013266 0,2502823 0,2668279 0,2522196 0,2149908 0,1664783 0,1171875
4 0,0009648 0,0111603 0,0400957 0,0880804 0,1459980 0,2001209 0,2376685 0,2508227 0,2383666 0,2050781
5 0,0000609 0,0014880 0,0084909 0,0264241 0,0583992 0,1029193 0,1535704 0,2006581 0,2340327 0,2460938
6 0,0000027 0,0001378 0,0012487 0,0055050 0,0162220 0,0367569 0,0689098 0,1114767 0,1595678 0,2050781
7 0,0000001 0,0000087 0,0001259 0,0007864 0,0030899 0,0090017 0,0212030 0,0424673 0,0746031 0,1171875
8 0,0000000 0,0000004 0,0000083 0,0000737 0,0003862 0,0014467 0,0042814 0,0106168 0,0228896 0,0439453
9 0,0000000 0,0000000 0,0000003 0,0000041 0,0000286 0,0001378 0,0005123 0,0015729 0,0041617 0,0097656
10 0,0000000 0,0000000 0,0000000 0,0000001 0,0000010 0,0000059 0,0000276 0,0001049 0,0003405 0,0009766
11 0 0,5688001 0,3138106 0,1673432 0,0858993 0,0422351 0,0197733 0,0087508 0,0036280 0,0013931 0,0004883
1 0,3293053 0,3835463 0,3248428 0,2362232 0,1548622 0,0932168 0,0518316 0,0266051 0,0125381 0,0053711
2 0,0866593 0,2130813 0,2866260 0,2952790 0,2581036 0,1997504 0,1395465 0,0886837 0,0512923 0,0268555
3 0,0136830 0,0710271 0,1517432 0,2214593 0,2581036 0,2568219 0,2254213 0,1773674 0,1258992 0,0805664
4 0,0014403 0,0157838 0,0535564 0,1107296 0,1720691 0,2201330 0,2427614 0,2364899 0,2060169 0,1611328
5 0,0001061 0,0024553 0,0132316 0,0387554 0,0802989 0,1320798 0,1830047 0,2207239 0,2359830 0,2255859
6 0,0000056 0,0002728 0,0023350 0,0096888 0,0267663 0,0566056 0,0985410 0,1471493 0,1930770 0,2255859
7 0,0000002 0,0000217 0,0002943 0,0017302 0,0063729 0,0173283 0,0379004 0,0700711 0,1128372 0,1611328
8 0,0000000 0,0000012 0,0000260 0,0002163 0,0010622 0,0037132 0,0102040 0,0233570 0,0461607 0,0805664
9 0,0000000 0,0000000 0,0000015 0,0000180 0,0001180 0,0005305 0,0018315 0,0051905 0,0125893 0,0268555
10 0,0000000 0,0000000 0,0000001 0,0000009 0,0000079 0,0000455 0,0001972 0,0006921 0,0020601 0,0053711
11 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000018 0,0000097 0,0000419 0,0001532 0,0004883
12 0 0,5403601 0,2824295 0,1422418 0,0687195 0,0316764 0,0138413 0,0056880 0,0021768 0,0007662 0,0002441
1 0,3412801 0,3765727 0,3012178 0,2061584 0,1267054 0,0711838 0,0367533 0,0174143 0,0075229 0,0029297
2 0,0987916 0,2301278 0,2923585 0,2834678 0,2322932 0,1677903 0,1088463 0,0638523 0,0338529 0,0161133
3 0,0173319 0,0852325 0,1719756 0,2362232 0,2581036 0,2397004 0,1953651 0,1418940 0,0923261 0,0537109
4 0,0020525 0,0213081 0,0682844 0,1328756 0,1935777 0,2311397 0,2366924 0,2128409 0,1699639 0,1208496
5 0,0001728 0,0037881 0,0192803 0,0531502 0,1032414 0,1584958 0,2039196 0,2270303 0,2224982 0,1933594
6 0,0000106 0,0004911 0,0039695 0,0155021 0,0401495 0,0792479 0,1281033 0,1765791 0,2123847 0,2255859
7 0,0000005 0,0000468 0,0006004 0,0033219 0,0114713 0,0291115 0,0591246 0,1009024 0,1489451 0,1933594
8 0,0000000 0,0000032 0,0000662 0,0005190 0,0023898 0,0077977 0,0198977 0,0420427 0,0761651 0,1208496
9 0,0000000 0,0000002 0,0000052 0,0000577 0,0003541 0,0014853 0,0047618 0,0124571 0,0276964 0,0537109
10 0,0000000 0,0000000 0,0000003 0,0000043 0,0000354 0,0001910 0,0007692 0,0024914 0,0067982 0,0161133
11 0,0000000 0,0000000 0,0000000 0,0000002 0,0000021 0,0000149 0,0000753 0,0003020 0,0010113 0,0029297
12 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000005 0,0000034 0,0000168 0,0000690 0,0002441
190
13 0 0,5133421 0,2541866 0,1209055 0,0549756 0,0237573 0,0096889 0,0036972 0,0013061 0,0004214 0,0001221
1 0,3512341 0,3671584 0,2773714 0,1786706 0,1029481 0,0539810 0,0258804 0,0113193 0,0044824 0,0015869
2 0,1109160 0,2447723 0,2936874 0,2680060 0,2058963 0,1388083 0,0836137 0,0452771 0,0220044 0,0095215
3 0,0214048 0,0997220 0,1900330 0,2456721 0,2516510 0,2181274 0,1650835 0,1106773 0,0660132 0,0349121
4 0,0028164 0,0277006 0,0838381 0,1535451 0,2097092 0,2337079 0,2222278 0,1844621 0,1350269 0,0872803
5 0,0002668 0,0055401 0,0266309 0,0690953 0,1258255 0,1802890 0,2153900 0,2213546 0,1988578 0,1571045
6 0,0000187 0,0008208 0,0062661 0,0230318 0,0559224 0,1030223 0,1546390 0,1967596 0,2169358 0,2094727
7 0,0000010 0,0000912 0,0011058 0,0057579 0,0186408 0,0441524 0,0832672 0,1311731 0,1774929 0,2094727
8 0,0000000 0,0000076 0,0001464 0,0010796 0,0046602 0,0141918 0,0336271 0,0655865 0,1089161 0,1571045
9 0,0000000 0,0000005 0,0000143 0,0001499 0,0008630 0,0033790 0,0100594 0,0242913 0,0495073 0,0872803
10 0,0000000 0,0000000 0,0000010 0,0000150 0,0001151 0,0005793 0,0021666 0,0064777 0,0162024 0,0349121
11 0,0000000 0,0000000 0,0000000 0,0000010 0,0000105 0,0000677 0,0003182 0,0011778 0,0036154 0,0095215
12 0,0000000 0,0000000 0,0000000 0,0000000 0,0000006 0,0000048 0,0000286 0,0001309 0,0004930 0,0015869
13 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000012 0,0000067 0,0000310 0,0001221
14 0 0,4876750 0,2287679 0,1027697 0,0439805 0,0178179 0,0067822 0,0024032 0,0007836 0,0002318 0,0000610
1 0,3593395 0,3558612 0,2539015 0,1539316 0,0831504 0,0406934 0,0181163 0,0073140 0,0026549 0,0008545
2 0,1229319 0,2570109 0,2912400 0,2501389 0,1801593 0,1133601 0,0634071 0,0316940 0,0141195 0,0055542
3 0,0258804 0,1142271 0,2055812 0,2501389 0,2402123 0,1943317 0,1365691 0,0845172 0,0462092 0,0222168
4 0,0037458 0,0349027 0,0997673 0,1719705 0,2201946 0,2290338 0,2022273 0,1549482 0,1039707 0,0610962
5 0,0003943 0,0077562 0,0352120 0,0859852 0,1467964 0,1963146 0,2177833 0,2065976 0,1701339 0,1221924
6 0,0000311 0,0012927 0,0093208 0,0322445 0,0733982 0,1262023 0,1759019 0,2065976 0,2088007 0,1832886
7 0,0000019 0,0001642 0,0018798 0,0092127 0,0279612 0,0618134 0,1082473 0,1574077 0,1952422 0,2094727
8 0,0000001 0,0000160 0,0002903 0,0020153 0,0081554 0,0231800 0,0510011 0,0918212 0,1397757 0,1832886
9 0,0000000 0,0000012 0,0000341 0,0003359 0,0018123 0,0066229 0,0183081 0,0408094 0,0762413 0,1221924
10 0,0000000 0,0000001 0,0000030 0,0000420 0,0003021 0,0014192 0,0049291 0,0136031 0,0311896 0,0610962
11 0,0000000 0,0000000 0,0000002 0,0000038 0,0000366 0,0002212 0,0009651 0,0032977 0,0092796 0,0222168
12 0,0000000 0,0000000 0,0000000 0,0000002 0,0000031 0,0000237 0,0001299 0,0005496 0,0018981 0,0055542
13 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000016 0,0000108 0,0000564 0,0002389 0,0008545
14 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000004 0,0000027 0,0000140 0,0000610
15 0 0,4632912 0,2058911 0,0873542 0,0351844 0,0133635 0,0047476 0,0015621 0,0004702 0,0001275 0,0000305
1 0,3657562 0,3431519 0,2312318 0,1319414 0,0668173 0,0305200 0,0126167 0,0047018 0,0015645 0,0004578
2 0,1347523 0,2668959 0,2856392 0,2308974 0,1559070 0,0915601 0,0475553 0,0219420 0,0089604 0,0032043
3 0,0307330 0,1285054 0,2184300 0,2501389 0,2251991 0,1700402 0,1109624 0,0633879 0,0317688 0,0138855
4 0,0048526 0,0428351 0,1156394 0,1876042 0,2251991 0,2186231 0,1792469 0,1267758 0,0779780 0,0416565
5 0,0005619 0,0104708 0,0448953 0,1031823 0,1651460 0,2061304 0,2123387 0,1859378 0,1403605 0,0916443
6 0,0000493 0,0019390 0,0132045 0,0429926 0,0917478 0,1472360 0,1905604 0,2065976 0,1914006 0,1527405
7 0,0000033 0,0002770 0,0029960 0,0138191 0,0393205 0,0811300 0,1319264 0,1770837 0,2013435 0,1963806
8 0,0000002 0,0000308 0,0005287 0,0034548 0,0131068 0,0347700 0,0710373 0,1180558 0,1647356 0,1963806
9 0,0000000 0,0000027 0,0000726 0,0006718 0,0033981 0,0115900 0,0297507 0,0612141 0,1048318 0,1527405
10 0,0000000 0,0000002 0,0000077 0,0001008 0,0006796 0,0029803 0,0096118 0,0244856 0,0514629 0,0916443
11 0,0000000 0,0000000 0,0000006 0,0000115 0,0001030 0,0005806 0,0023525 0,0074199 0,0191391 0,0416565
12 0,0000000 0,0000000 0,0000000 0,0000010 0,0000114 0,0000829 0,0004222 0,0016489 0,0052197 0,0138855
13 0,0000000 0,0000000 0,0000000 0,0000001 0,0000009 0,0000082 0,0000525 0,0002537 0,0009855 0,0032043
14 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000005 0,0000040 0,0000242 0,0001152 0,0004578
15 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000011 0,0000063 0,0000305
16 0 0,4401267 0,1853020 0,0742511 0,0281475 0,0100226 0,0033233 0,0010153 0,0002821 0,0000701 0,0000153
1 0,3706330 0,3294258 0,2096501 0,1125900 0,0534538 0,0227883 0,0087476 0,0030092 0,0009179 0,0002441
2 0,1463025 0,2745215 0,2774781 0,2111062 0,1336346 0,0732481 0,0353268 0,0150459 0,0056323 0,0018311
3 0,0359339 0,1423445 0,2285114 0,2462906 0,2078761 0,1464962 0,0887699 0,0468095 0,0215051 0,0085449
4 0,0061466 0,0514022 0,1310580 0,2001111 0,2251991 0,2040483 0,1553473 0,1014206 0,0571839 0,0277710
5 0,0007764 0,0137072 0,0555069 0,1200667 0,1801593 0,2098782 0,2007566 0,1622730 0,1122884 0,0666504
6 0,0000749 0,0027922 0,0179581 0,0550306 0,1100973 0,1649043 0,1981828 0,1983337 0,1684326 0,1221924
7 0,0000056 0,0004432 0,0045273 0,0196538 0,0524273 0,1009618 0,1524483 0,1888892 0,1968692 0,1745605
8 0,0000003 0,0000554 0,0008988 0,0055276 0,0196602 0,0486780 0,0923485 0,1416669 0,1812092 0,1963806
9 0,0000000 0,0000055 0,0001410 0,0012284 0,0058253 0,0185440 0,0442010 0,0839508 0,1317885 0,1745605
10 0,0000000 0,0000004 0,0000174 0,0002150 0,0013592 0,0055632 0,0166604 0,0391770 0,0754789 0,1221924
11 0,0000000 0,0000000 0,0000017 0,0000293 0,0002471 0,0013005 0,0048933 0,0142462 0,0336848 0,0666504
12 0,0000000 0,0000000 0,0000001 0,0000031 0,0000343 0,0002322 0,0010978 0,0039573 0,0114834 0,0277710
13 0,0000000 0,0000000 0,0000000 0,0000002 0,0000035 0,0000306 0,0001819 0,0008117 0,0028909 0,0085449
14 0,0000000 0,0000000 0,0000000 0,0000000 0,0000003 0,0000028 0,0000210 0,0001160 0,0005069 0,0018311
15 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000015 0,0000103 0,0000553 0,0002441
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000004 0,0000028 0,0000153
191
17 0 0,4181203 0,1667718 0,0631134 0,0225180 0,0075169 0,0023263 0,0006600 0,0001693 0,0000386 0,0000076
1 0,3741077 0,3150134 0,1893403 0,0957015 0,0425960 0,0169488 0,0060413 0,0019184 0,0005364 0,0001297
2 0,1575190 0,2800119 0,2673039 0,1914030 0,1135894 0,0581102 0,0260241 0,0102312 0,0035108 0,0010376
3 0,0414524 0,1555622 0,2358564 0,2392537 0,1893157 0,1245218 0,0700648 0,0341041 0,0143623 0,0051880
4 0,0076360 0,0604964 0,1456760 0,2093470 0,2208683 0,1867826 0,1320452 0,0795762 0,0411284 0,0181580
5 0,0010449 0,0174767 0,0668396 0,1360756 0,1914192 0,2081292 0,1848633 0,1379321 0,0874914 0,0472107
6 0,0001100 0,0038837 0,0235904 0,0680378 0,1276128 0,1783965 0,1990836 0,1839094 0,1431677 0,0944214
7 0,0000091 0,0006781 0,0065419 0,0267291 0,0668448 0,1201446 0,1684554 0,1926670 0,1840727 0,1483765
8 0,0000006 0,0000942 0,0014431 0,0083529 0,0278520 0,0643632 0,1133834 0,1605559 0,1882562 0,1854706
9 0,0000000 0,0000105 0,0002547 0,0020882 0,0092840 0,0275842 0,0610526 0,1070372 0,1540278 0,1854706
10 0,0000000 0,0000009 0,0000360 0,0004176 0,0024757 0,0094574 0,0262996 0,0570865 0,1008182 0,1483765
11 0,0000000 0,0000001 0,0000040 0,0000664 0,0005252 0,0025793 0,0090117 0,0242185 0,0524921 0,0944214
12 0,0000000 0,0000000 0,0000004 0,0000083 0,0000875 0,0005527 0,0024262 0,0080728 0,0214740 0,0472107
13 0,0000000 0,0000000 0,0000000 0,0000008 0,0000112 0,0000911 0,0005025 0,0020700 0,0067576 0,0181580
14 0,0000000 0,0000000 0,0000000 0,0000001 0,0000011 0,0000112 0,0000773 0,0003943 0,0015797 0,0051880
15 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000010 0,0000083 0,0000526 0,0002585 0,0010376
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000006 0,0000044 0,0000264 0,0001297
17 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000013 0,0000076
18 0 0,3972143 0,1500946 0,0536464 0,0180144 0,0056377 0,0016284 0,0004290 0,0001016 0,0000212 0,0000038
1 0,3763083 0,3001893 0,1704062 0,0810648 0,0338263 0,0125620 0,0041578 0,0012187 0,0003124 0,0000687
2 0,1683485 0,2835121 0,2556094 0,1722627 0,0958411 0,0457617 0,0190301 0,0069061 0,0021723 0,0005836
3 0,0472557 0,1680072 0,2405735 0,2296836 0,1703841 0,1045983 0,0546506 0,0245549 0,0094791 0,0031128
4 0,0093268 0,0700030 0,1592031 0,2153284 0,2129802 0,1681044 0,1103521 0,0613874 0,0290837 0,0116730
5 0,0013745 0,0217787 0,0786650 0,1507299 0,1987815 0,2017252 0,1663770 0,1145897 0,0666280 0,0326843
6 0,0001567 0,0052430 0,0300778 0,0816453 0,1435644 0,1873163 0,1941065 0,1655185 0,1181133 0,0708160
7 0,0000141 0,0009987 0,0090992 0,0349909 0,0820368 0,1376201 0,1791752 0,1891640 0,1656655 0,1213989
8 0,0000010 0,0001526 0,0022079 0,0120281 0,0376002 0,0810976 0,1326586 0,1734003 0,1863736 0,1669235
9 0,0000001 0,0000188 0,0004329 0,0033411 0,0139260 0,0386179 0,0793684 0,1284447 0,1694306 0,1854706
10 0,0000000 0,0000019 0,0000688 0,0007518 0,0041778 0,0148955 0,0384631 0,0770668 0,1247625 0,1669235
11 0,0000000 0,0000002 0,0000088 0,0001367 0,0010128 0,0046427 0,0150625 0,0373657 0,0742389 0,1213989
12 0,0000000 0,0000000 0,0000009 0,0000199 0,0001969 0,0011607 0,0047312 0,0145311 0,0354322 0,0708160
13 0,0000000 0,0000000 0,0000001 0,0000023 0,0000303 0,0002296 0,0011758 0,0044711 0,0133800 0,0326843
14 0,0000000 0,0000000 0,0000000 0,0000002 0,0000036 0,0000351 0,0002261 0,0010646 0,0039097 0,0116730
15 0,0000000 0,0000000 0,0000000 0,0000000 0,0000003 0,0000040 0,0000325 0,0001893 0,0008530 0,0031128
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000003 0,0000033 0,0000237 0,0001309 0,0005836
17 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000019 0,0000126 0,0000687
18 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000006 0,0000038
19 0 0,3773536 0,1350852 0,0455994 0,0144115 0,0042283 0,0011399 0,0002788 0,0000609 0,0000117 0,0000019
1 0,3773536 0,2851798 0,1528923 0,0684547 0,0267791 0,0092820 0,0028527 0,0007719 0,0001813 0,0000362
2 0,1787464 0,2851798 0,2428289 0,1540231 0,0803374 0,0358018 0,0138248 0,0046311 0,0013353 0,0003262
3 0,0533103 0,1795577 0,2428289 0,2181994 0,1517484 0,0869473 0,0421834 0,0174954 0,0061911 0,0018482
4 0,0112232 0,0798034 0,1714086 0,2181994 0,2023312 0,1490525 0,0908566 0,0466544 0,0202616 0,0073929
5 0,0017721 0,0266011 0,0907457 0,1636496 0,2023312 0,1916390 0,1467683 0,0933088 0,0497331 0,0221786
6 0,0002176 0,0068966 0,0373659 0,0954622 0,1573687 0,1916390 0,1844012 0,1451470 0,0949449 0,0517502
7 0,0000213 0,0014231 0,0122460 0,0443218 0,0974187 0,1525290 0,1844012 0,1797058 0,1442670 0,0961075
8 0,0000017 0,0002372 0,0032416 0,0166207 0,0487094 0,0980543 0,1489394 0,1797058 0,1770550 0,1441612
9 0,0000001 0,0000322 0,0006992 0,0050785 0,0198446 0,0513618 0,0980200 0,1464269 0,1770550 0,1761971
10 0,0000000 0,0000036 0,0001234 0,0012696 0,0066149 0,0220122 0,0527800 0,0976180 0,1448631 0,1761971
11 0,0000000 0,0000003 0,0000178 0,0002597 0,0018041 0,0077186 0,0232527 0,0532462 0,0969745 0,1441612
12 0,0000000 0,0000000 0,0000021 0,0000433 0,0004009 0,0022053 0,0083471 0,0236650 0,0528952 0,0961075
13 0,0000000 0,0000000 0,0000002 0,0000058 0,0000720 0,0005089 0,0024202 0,0084951 0,0233035 0,0517502
14 0,0000000 0,0000000 0,0000000 0,0000006 0,0000103 0,0000935 0,0005585 0,0024272 0,0081713 0,0221786
15 0,0000000 0,0000000 0,0000000 0,0000001 0,0000011 0,0000134 0,0001002 0,0005394 0,0022285 0,0073929
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000014 0,0000135 0,0000899 0,0004558 0,0018482
17 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000013 0,0000106 0,0000658 0,0003262
18 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000008 0,0000060 0,0000362
19 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000003 0,0000019
192
20 0 0,3584859 0,1215767 0,0387595 0,0115292 0,0031712 0,0007979 0,0001812 0,0000366 0,0000064 0,0000010
1 0,3773536 0,2701703 0,1367983 0,0576461 0,0211414 0,0068393 0,0019519 0,0004875 0,0001050 0,0000191
2 0,1886768 0,2851798 0,2293384 0,1369094 0,0669478 0,0278459 0,0099846 0,0030874 0,0008160 0,0001812
3 0,0595821 0,1901199 0,2428289 0,2053641 0,1338956 0,0716037 0,0322579 0,0123497 0,0040060 0,0010872
4 0,0133276 0,0897788 0,1821217 0,2181994 0,1896855 0,1304210 0,0738210 0,0349908 0,0139299 0,0046206
5 0,0022446 0,0319214 0,1028452 0,1745595 0,2023312 0,1788631 0,1271992 0,0746470 0,0364709 0,0147858
6 0,0002953 0,0088670 0,0453729 0,1090997 0,1686093 0,1916390 0,1712297 0,1244117 0,0745996 0,0369644
7 0,0000311 0,0019705 0,0160140 0,0545499 0,1124062 0,1642620 0,1844012 0,1658823 0,1220721 0,0739288
8 0,0000027 0,0003558 0,0045922 0,0221609 0,0608867 0,1143967 0,1613510 0,1797058 0,1623004 0,1201344
9 0,0000002 0,0000527 0,0010805 0,0073870 0,0270608 0,0653696 0,1158418 0,1597385 0,1770550 0,1601791
10 0,0000000 0,0000064 0,0002097 0,0020314 0,0099223 0,0308171 0,0686140 0,1171416 0,1593495 0,1761971
11 0,0000000 0,0000007 0,0000336 0,0004617 0,0030068 0,0120067 0,0335873 0,0709949 0,1185244 0,1601791
12 0,0000000 0,0000001 0,0000045 0,0000866 0,0007517 0,0038593 0,0135641 0,0354974 0,0727309 0,1201344
13 0,0000000 0,0000000 0,0000005 0,0000133 0,0001542 0,0010178 0,0044946 0,0145631 0,0366197 0,0739288
14 0,0000000 0,0000000 0,0000000 0,0000017 0,0000257 0,0002181 0,0012101 0,0048544 0,0149808 0,0369644
15 0,0000000 0,0000000 0,0000000 0,0000002 0,0000034 0,0000374 0,0002606 0,0012945 0,0049028 0,0147858
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000004 0,0000050 0,0000439 0,0002697 0,0012536 0,0046206
17 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000005 0,0000056 0,0000423 0,0002413 0,0010872
18 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000005 0,0000047 0,0000329 0,0001812
19 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000003 0,0000028 0,0000191
20 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000010
21 0 0,3405616 0,1094190 0,0329456 0,0092234 0,0023784 0,0005585 0,0001178 0,0000219 0,0000035 0,0000005
1 0,3764102 0,2553110 0,1220925 0,0484227 0,0166489 0,0050269 0,0013322 0,0003071 0,0000606 0,0000100
2 0,1981106 0,2836789 0,2154574 0,1210568 0,0554962 0,0215439 0,0071731 0,0020474 0,0004961 0,0001001
3 0,0660369 0,1996259 0,2408053 0,1916732 0,1171587 0,0584763 0,0244622 0,0086448 0,0025705 0,0006342
4 0,0156403 0,0998129 0,1912278 0,2156324 0,1757380 0,1127758 0,0592739 0,0259344 0,0094641 0,0028539
5 0,0027988 0,0377071 0,1147367 0,1832875 0,1991697 0,1643304 0,1085168 0,0587845 0,0263274 0,0097032
6 0,0003928 0,0111725 0,0539937 0,1221917 0,1770398 0,1878062 0,1558190 0,1045058 0,0574417 0,0258751
7 0,0000443 0,0026601 0,0204178 0,0654598 0,1264570 0,1724751 0,1797912 0,1492940 0,1007095 0,0554466
8 0,0000041 0,0005172 0,0063055 0,0286387 0,0737666 0,1293563 0,1694186 0,1741764 0,1441976 0,0970316
9 0,0000003 0,0000830 0,0016073 0,0103417 0,0355172 0,0800777 0,1317700 0,1677254 0,1704154 0,1401567
10 0,0000000 0,0000111 0,0003404 0,0031025 0,0142069 0,0411828 0,0851437 0,1341803 0,1673169 0,1681881
11 0,0000000 0,0000012 0,0000601 0,0007756 0,0047356 0,0176498 0,0458466 0,0894535 0,1368957 0,1681881
12 0,0000000 0,0000001 0,0000088 0,0001616 0,0013155 0,0063035 0,0205722 0,0496964 0,0933380 0,1401567
13 0,0000000 0,0000000 0,0000011 0,0000280 0,0003036 0,0018703 0,0076689 0,0229368 0,0528698 0,0970316
14 0,0000000 0,0000000 0,0000001 0,0000040 0,0000578 0,0004580 0,0023597 0,0087378 0,0247183 0,0554466
15 0,0000000 0,0000000 0,0000000 0,0000005 0,0000090 0,0000916 0,0005929 0,0027184 0,0094379 0,0258751
16 0,0000000 0,0000000 0,0000000 0,0000000 0,0000011 0,0000147 0,0001197 0,0006796 0,0028957 0,0097032
17 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000019 0,0000190 0,0001333 0,0006968 0,0028539
18 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000023 0,0000197 0,0001267 0,0006342
19 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000002 0,0000021 0,0000164 0,0001001
20 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000013 0,0000100
21 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000000 0,0000001 0,0000005
193
Tabela T8.
Poisson-ov raspored verovatnoće
e − λ λx
P( X = x ) =
x!
λ
x 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00
0 0,9048374 0,8187308 0,7408182 0,6703200 0,6065307 0,5488116 0,4965853 0,4493290 0,4065697 0,3678794
1 0,0904837 0,1637462 0,2222455 0,2681280 0,3032653 0,3292870 0,3476097 0,3594632 0,3659127 0,3678794
2 0,0045242 0,0163746 0,0333368 0,0536256 0,0758163 0,0987861 0,1216634 0,1437853 0,1646607 0,1839397
3 0,0001508 0,0010916 0,0033337 0,0071501 0,0126361 0,0197572 0,0283881 0,0383427 0,0493982 0,0613132
4 0,0000038 0,0000546 0,0002500 0,0007150 0,0015795 0,0029636 0,0049679 0,0076685 0,0111146 0,0153283
5 0,0000001 0,0000022 0,0000150 0,0000572 0,0001580 0,0003556 0,0006955 0,0012270 0,0020006 0,0030657
6 0,0000000 0,0000001 0,0000008 0,0000038 0,0000132 0,0000356 0,0000811 0,0001636 0,0003001 0,0005109
7 0,0000000 0,0000000 0,0000000 0,0000002 0,0000009 0,0000030 0,0000081 0,0000187 0,0000386 0,0000730
λ
x 1,10 1,20 1,30 1,40 1.50 1,60 1,70 1,80 1,90 2,00
0 0,3328711 0,3011942 0,2725318 0,2465970 0,2231302 0,2018965 0,1826835 0,1652989 0,1495686 0,1353353
1 0,3661582 0,3614331 0,3542913 0,3452357 0,3346952 0,3230344 0,3105620 0,2975380 0,2841804 0,2706706
2 0,2013870 0,2168598 0,2302894 0,2416650 0,2510214 0,2584275 0,2639777 0,2677842 0,2699714 0,2706706
3 0,0738419 0,0867439 0,0997921 0,1127770 0,1255107 0,1378280 0,1495874 0,1606705 0,1709819 0,1804470
4 0,0203065 0,0260232 0,0324324 0,0394720 0,0470665 0,0551312 0,0635746 0,0723017 0,0812164 0,0902235
5 0,0044674 0,0062456 0,0084324 0,0110521 0,0141200 0,0176420 0,0216154 0,0260286 0,0308622 0,0360894
6 0,0008190 0,0012491 0,0018270 0,0025788 0,0035300 0,0047045 0,0061244 0,0078086 0,0097730 0,0120298
7 0,0001287 0,0002141 0,0003393 0,0005158 0,0007564 0,0010753 0,0014873 0,0020079 0,0026527 0,0034371
8 0,0000177 0,0000321 0,0000551 0,0000903 0,0001418 0,0002151 0,0003161 0,0004518 0,0006300 0,0008593
9 0,0000022 0,0000043 0,0000080 0,0000140 0,0000236 0,0000382 0,0000597 0,0000904 0,0001330 0,0001909
λ
x 2,10 2,20 2,30 2,40 2,50 2,60 2,70 2,80 2,90 3,00
0 0,1224564 0,1108032 0,1002588 0,0907180 0,0820850 0,0742736 0,0672055 0,0608101 0,0550232 0,0497871
1 0,2571585 0,2437669 0,2305953 0,2177231 0,2052125 0,1931113 0,1814549 0,1702682 0,1595673 0,1493612
2 0,2700164 0,2681436 0,2651846 0,2612677 0,2565156 0,2510447 0,2449641 0,2383754 0,2313726 0,2240418
3 0,1890115 0,1966387 0,2033082 0,2090142 0,2137630 0,2175721 0,2204677 0,2224837 0,2236602 0,2240418
4 0,0992310 0,1081513 0,1169022 0,1254085 0,1336019 0,1414218 0,1488157 0,1557386 0,1621537 0,1680314
5 0,0416770 0,0475866 0,0537750 0,0601961 0,0668009 0,0735394 0,0803605 0,0872136 0,0940491 0,1008188
6 0,0145870 0,0174484 0,0206138 0,0240784 0,0278337 0,0318671 0,0361622 0,0406997 0,0454571 0,0504094
7 0,0043761 0,0054838 0,0067731 0,0082555 0,0099406 0,0118363 0,0139483 0,0162799 0,0188322 0,0216040
8 0,0011487 0,0015080 0,0019473 0,0024766 0,0031064 0,0038468 0,0047075 0,0056980 0,0068267 0,0081015
9 0,0002680 0,0003686 0,0004976 0,0006604 0,0008629 0,0011113 0,0014123 0,0017727 0,0021997 0,0027005
10 0,0000563 0,0000811 0,0001145 0,0001585 0,0002157 0,0002889 0,0003813 0,0004964 0,0006379 0,0008102
11 0,0000107 0,0000162 0,0000239 0,0000346 0,0000490 0,0000683 0,0000936 0,0001263 0,0001682 0,0002210
12 0,0000019 0,0000030 0,0000046 0,0000069 0,0000102 0,0000148 0,0000211 0,0000295 0,0000406 0,0000552
194
λ
x 3,10 3,20 3,30 3,40 3,50 3,60 3,70 3,80 3,90 4,00
0 0,0450492 0,0407622 0,0368832 0,0333733 0,0301974 0,0273237 0,0247235 0,0223708 0,0202419 0,0183156
1 0,4396525 0,1304391 0,1217145 0,1134691 0,1056908 0,0983654 0,0914770 0,0850089 0,0789435 0,0732626
2 0,2164614 0,2087025 0,2008288 0,1928975 0,1849590 0,1770577 0,1692325 0,1615170 0,1539397 0,1465251
3 0,2236768 0,2226160 0,2209117 0,2186172 0,2157855 0,2124693 0,2087201 0,2045882 0,2001217 0,1953668
4 0,1733495 0,1780928 0,1822522 0,1858246 0,1888123 0,1912223 0,1930661 0,1943588 0,1951186 0,1953668
5 0,1074767 0,1139794 0,1202864 0,1263607 0,1321686 0,1376801 0,1428689 0,1477127 0,1521925 0,1562935
6 0,0555296 0,0607890 0,0661575 0,0716044 0,0770983 0,0826081 0,0881025 0,0935513 0,0989251 0,1041956
7 0,0245917 0,0277893 0,0311886 0,0347793 0,0385492 0,0424841 0,0465685 0,0507850 0,0551154 0,0595404
8 0,0095293 0,0111157 0,0128653 0,0147812 0,0168653 0,0191179 0,0215379 0,0241229 0,0268688 0,0297702
9 0,0032823 0,0039523 0,0047173 0,0055840 0,0065587 0,0076471 0,0088545 0,0101852 0,0116431 0,0132312
10 0,0010175 0,0012647 0,0015567 0,0018986 0,0022955 0,0027530 0,0032762 0,0038704 0,0045408 0,0052925
11 0,0002868 0,0003679 0,0004670 0,0005868 0,0007304 0,0009010 0,0011020 0,0013370 0,0016099 0,0019245
12 0,0000741 0,0000981 0,0001284 0,0001663 0,0002130 0,0002703 0,0003398 0,0004234 0,0005232 0,0006415
13 0,0000177 0,0000242 0,0000326 0,0000435 0,0000574 0,0000749 0,0000967 0,0001238 0,0001570 0,0001974
14 0,0000039 0,0000055 0,0000077 0,0000106 0,0000143 0,0000192 0,0000256 0,0000336 0,0000437 0,0000564
λ
x 4,10 4,20 4,30 4,40 4,50 4,60 4,70 4,80 4,90 5,00
0 0,0165727 0,0149956 0,0135686 0,0122773 0,0111090 0,0100518 0,0090953 0,0082297 0,0074466 0,0067379
1 0,0679480 0,0629814 0,0583448 0,0540203 0,0499905 0,0462384 0,0427478 0,0395028 0,0364883 0,0336897
2 0,1392933 0,1322610 0,1254413 0,1188447 0,1124786 0,1063484 0,1004573 0,0948067 0,0893962 0,0842243
3 0,1903676 0,1851654 0,1797992 0,1743055 0,1687179 0,1630676 0,1573832 0,1516907 0,1460138 0,1403739
4 0,1951267 0,1944237 0,1932842 0,1917360 0,1898076 0,1875277 0,1849252 0,1820288 0,1788670 0,1754674
5 0,1600039 0,1633159 0,1662244 0,1687277 0,1708269 0,1725255 0,1738297 0,1747477 0,1752896 0,1754674
6 0,1093360 0,1143211 0,1191275 0,1237337 0,1281201 0,1322696 0,1361666 0,1397981 0,1431532 0,1462228
7 0,0640397 0,0685927 0,0731783 0,0777754 0,0823629 0,0869200 0,0914261 0,0958616 0,1002072 0,1044449
8 0,0328203 0,0360111 0,0393333 0,0427765 0,0463292 0,0499790 0,0537129 0,0575170 0,0613769 0,0652780
9 0,0149515 0,0168052 0,0187926 0,0209130 0,0231646 0,0255448 0,0280500 0,0306757 0,0334163 0,0362656
10 0,0061301 0,0070582 0,0080808 0,0092017 0,0104241 0,0117506 0,0131835 0,0147243 0,0163740 0,0181328
11 0,0022849 0,0026949 0,0031589 0,0036807 0,0042644 0,0049139 0,0056330 0,0064252 0,0072939 0,0082422
12 0,0007807 0,0009432 0,0011319 0,0013496 0,0015991 0,0018837 0,0022062 0,0025701 0,0029783 0,0034342
13 0,0002462 0,0003047 0,0003744 0,0004568 0,0005536 0,0006665 0,0007976 0,0009489 0,0011226 0,0013209
14 0,0000721 0,0000914 0,0001150 0,0001436 0,0001779 0,0002190 0,0002678 0,0003254 0,0003929 0,0004717
15 0,0000197 0,0000256 0,0000330 0,0000421 0,0000534 0,0000672 0,0000839 0,0001041 0,0001284 0,0001572
λ
x 5,10 5,20 5,30 5,40 5,50 5,60 5,70 5,80 5,90 6,00
0 0,0060967 0,0055166 0,0049916 0,0045166 0,0040868 0,0036979 0,0033460 0,0030276 0,0027394 0,0024788
1 0,0310934 0,0286861 0,0264554 0,0243895 0,0224772 0,0207080 0,0190720 0,0175598 0,0161627 0,0148725
2 0,0792882 0,0745840 0,0701069 0,0658518 0,0618124 0,0579825 0,0543552 0,0509235 0,0476800 0,0446175
3 0,1347899 0,1292788 0,1238556 0,1185332 0,1133228 0,1082340 0,1032749 0,0984520 0,0937707 0,0892351
4 0,1718571 0,1680625 0,1641087 0,1600198 0,1558188 0,1515276 0,1471667 0,1427555 0,1383118 0,1338526
5 0,1752943 0,1747850 0,1739552 0,1728213 0,1714007 0,1697109 0,1677701 0,1655963 0,1632080 0,1606231
6 0,1490001 0,1514803 0,1536604 0,1555392 0,1571173 0,1583969 0,1593816 0,1600765 0,1604878 0,1606231
7 0,1085573 0,1125282 0,1163429 0,1199874 0,1234493 0,1267175 0,1297821 0,1326348 0,1352683 0,1376770
8 0,0692052 0,0731434 0,0770772 0,0809915 0,0848714 0,0887022 0,0924698 0,0961602 0,0997604 0,1032577
9 0,0392163 0,0422606 0,0453899 0,0485949 0,0518659 0,0551925 0,0585642 0,0619699 0,0653985 0,0688385
10 0,0200003 0,0219755 0,0240566 0,0262412 0,0285262 0,0309078 0,0333816 0,0359426 0,0385851 0,0413031
11 0,0092729 0,0103884 0,0115909 0,0128821 0,0142631 0,0157349 0,0172977 0,0189515 0,0206956 0,0225290
12 0,0039410 0,0045017 0,0051193 0,0057969 0,0065373 0,0073429 0,0082164 0,0091599 0,0101754 0,0112645
13 0,0015461 0,0018007 0,0020871 0,0024080 0,0027658 0,0031631 0,0036026 0,0040867 0,0046180 0,0051990
14 0,0005632 0,0006688 0,0007901 0,0009288 0,0010865 0,0012652 0,0014668 0,0016931 0,0019462 0,0022281
15 0,0001915 0,0002319 0,0002792 0,0003344 0,0003984 0,0004724 0,0005574 0,0006547 0,0007655 0,0008913
16 0,0000610 0,0000754 0,0000925 0,0001128 0,0001370 0,0001653 0,0001986 0,0002373 0,0002823 0,0003342
17 0,0000183 0,0000230 0,0000288 0,0000358 0,0000443 0,0000545 0,0000666 0,0000810 0,0000980 0,0001180
195
λ
x 6,10 6,20 6,30 6,40 6,50 6,60 6,70 6,80 6,90 7,00
0 0,0022429 0,0020294 0,0018363 0,0016616 0,0015034 0,0013604 0,0012309 0,0011138 0,0010078 0,0009119
1 0,0136815 0,0125825 0,0115687 0,0106340 0,0097724 0,0089784 0,0082471 0,0075737 0,0069537 0,0063832
2 0,0417286 0,0390057 0,0364415 0,0340287 0,0317602 0,0296288 0,0276278 0,0257505 0,0239903 0,0223411
3 0,0848481 0,0806117 0,0765271 0,0725945 0,0688137 0,0651834 0,0617021 0,0583678 0,0551778 0,0521293
4 0,1293933 0,1249481 0,1205302 0,1161513 0,1118222 0,1075526 0,1033511 0,0992252 0,0951816 0,0912262
5 0,1578598 0,1549357 0,1518680 0,1486736 0,1453689 0,1419694 0,1384904 0,1349463 0,1313507 0,1277167
6 0,1604908 0,1601002 0,1594614 0,1585852 0,1574829 0,1561664 0,1546476 0,1529391 0,1510533 0,1490028
7 0,1398563 0,1418030 0,1435153 0,1449922 0,1462342 0,1472426 0,1480199 0,1485694 0,1488954 0,1490028
8 0,1066404 0,1098973 0,1130183 0,1159937 0,1188153 0,1214751 0,1239667 0,1262840 0,1284223 0,1303774
9 0,0722785 0,0757071 0,0791128 0,0824844 0,0858110 0,0890818 0,0922863 0,0954146 0,0984571 0,1014047
10 0,0440899 0,0469384 0,0498411 0,0527900 0,0557772 0,0587940 0,0618318 0,0648819 0,0679354 0,0709833
11 0,0244498 0,0264562 0,0285453 0,0307142 0,0329592 0,0352764 0,0376612 0,0401088 0,0426140 0,0451712
12 0,0124287 0,0136690 0,0149863 0,0163809 0,0178529 0,0194020 0,0210275 0,0227283 0,0245031 0,0263498
13 0,0058319 0,0065191 0,0072626 0,0080644 0,0089265 0,0098503 0,0108372 0,0118887 0,0130055 0,0141884
14 0,0025410 0,0028870 0,0032682 0,0036866 0,0041444 0,0046437 0,0051864 0,0057745 0,0064098 0,0070942
15 0,0010334 0,0011933 0,0013726 0,0015730 0,0017959 0,0020432 0,0023166 0,0026178 0,0029485 0,0033106
16 0,0003940 0,0004624 0,0005405 0,0006292 0,0007296 0,0008428 0,0009701 0,0011126 0,0012716 0,0014484
17 0,0001414 0,0001686 0,0002003 0,0002369 0,0002790 0,0003272 0,0003823 0,0004450 0,0005161 0,0005964
18 0,0000479 0,0000581 0,0000701 0,0000842 0,0001007 0,0001200 0,0001423 0,0001681 0,0001978 0,0002319
19 0,0000154 0,0000190 0,0000232 0,0000284 0,0000345 0,0000417 0,0000502 0,0000602 0,0000718 0,0000854
λ
x 7,10 7,20 7,30 7,40 7,50 7,60 7,70 7,80 7,90 8,00
0 0,0008251 0,0007466 0,0006755 0,0006113 0,0005531 0,0005005 0,0004528 0,0004097 0,0003707 0,0003355
1 0,0058582 0,0053754 0,0049314 0,0045233 0,0041481 0,0038034 0,0034868 0,0031959 0,0029289 0,0026837
2 0,0207968 0,0193515 0,0179997 0,0167361 0,0155555 0,0144530 0,0134241 0,0124641 0,0115691 0,0107348
3 0,0492190 0,0464436 0,0437993 0,0412824 0,0388887 0,0366144 0,0344551 0,0324068 0,0304652 0,0286261
4 0,0873638 0,0835985 0,0799338 0,0763724 0,0729164 0,0695673 0,0663261 0,0631932 0,0601687 0,0572523
5 0,1240565 0,1203818 0,1167034 0,1130312 0,1093746 0,1057423 0,1021421 0,0985814 0,0950666 0,0916037
6 0,1468002 0,1444582 0,1419891 0,1394051 0,1367182 0,1339402 0,1310824 0,1281558 0,1251710 0,1221382
7 0,1488974 0,1485856 0,1480743 0,1473711 0,1464838 0,1454208 0,1441906 0,1428021 0,1412644 0,1395865
8 0,1321464 0,1337270 0,1351178 0,1363183 0,1373286 0,1381498 0,1387835 0,1392321 0,1394986 0,1395865
9 0,1042489 0,1069816 0,1095956 0,1120839 0,1144405 0,1166598 0,1187370 0,1206678 0,1224488 0,1240769
10 0,0740167 0,0770268 0,0800048 0,0829421 0,0858304 0,0886614 0,0914275 0,0941209 0,0967345 0,0992615
11 0,0477744 0,0504175 0,0530941 0,0557974 0,0585207 0,0612570 0,0639992 0,0667403 0,0694730 0,0721902
12 0,0282665 0,0302505 0,0322989 0,0344084 0,0365754 0,0387961 0,0410662 0,0433812 0,0457364 0,0481268
13 0,0154379 0,0167541 0,0181371 0,0195863 0,0211012 0,0226808 0,0243238 0,0260287 0,0277936 0,0296165
14 0,0078292 0,0086164 0,0094572 0,0103528 0,0113042 0,0123124 0,0133781 0,0145017 0,0156836 0,0169237
15 0,0037058 0,0041359 0,0046025 0,0051074 0,0056521 0,0062383 0,0068674 0,0075409 0,0082600 0,0090260
16 0,0016445 0,0018611 0,0020999 0,0023622 0,0026494 0,0029632 0,0033049 0,0036762 0,0040784 0,0045130
17 0,0006868 0,0007882 0,0009017 0,0010282 0,0011689 0,0013247 0,0014969 0,0016867 0,0018952 0,0021238
18 0,0002709 0,0003153 0,0003657 0,0004227 0,0004870 0,0005593 0,0006404 0,0007309 0,0008318 0,0009439
19 0,0001012 0,0001195 0,0001405 0,0001646 0,0001922 0,0002237 0,0002595 0,0003001 0,0003459 0,0003974
20 0,0000359 0,0000430 0,0000513 0,0000609 0,0000721 0,0000850 0,0000999 0,0001170 0,0001366 0,0001590
21 0,0000122 0,0000147 0,0000178 0,0000215 0,0000257 0,0000308 0,0000366 0,0000435 0,0000514 0,0000606
196
λ
x 8,10 8,20 8,30 8,40 8,50 8,60 8,70 8,80 8,90 9,00
0 0,0003035 0,0002747 0,0002485 0,0002249 0,0002035 0,0001841 0,0001666 0,0001507 0,0001364 0,0001234
1 0,0024587 0,0022522 0,0020627 0,0018889 0,0017295 0,0015833 0,0014493 0,0013265 0,0012139 0,0011107
2 0,0099576 0,0092339 0,0085602 0,0079333 0,0073503 0,0068082 0,0063044 0,0058364 0,0054017 0,0049981
3 0,0268855 0,0252392 0,0236831 0,0222133 0,0208258 0,0195169 0,0182829 0,0171201 0,0160250 0,0149943
4 0,0544432 0,0517404 0,0491425 0,0466479 0,0442549 0,0419614 0,0397653 0,0376641 0,0356556 0,0337372
5 0,0881980 0,0848542 0,0815765 0,0783685 0,0752333 0,0721736 0,0691915 0,0662889 0,0634670 0,0607269
6 0,1190672 0,1159674 0,1128475 0,1097159 0,1065806 0,1034488 0,1003277 0,0972237 0,0941427 0,0910903
7 0,1377778 0,1358475 0,1338049 0,1316591 0,1294192 0,1270943 0,1246930 0,1222241 0,1196957 0,1171161
8 0,1395000 0,1392437 0,1388225 0,1382420 0,1375079 0,1366264 0,1356037 0,1344465 0,1331615 0,1317556
9 0,1255500 0,1268665 0,1280252 0,1290259 0,1298686 0,1305541 0,1310836 0,1314588 0,1316819 0,1317556
10 0,1016955 0,1040305 0,1062609 0,1083818 0,1103883 0,1122765 0,1140427 0,1156837 0,1171969 0,1185801
11 0,0748849 0,0775500 0,0801787 0,0827642 0,0853001 0,0877798 0,0901974 0,0925470 0,0948230 0,0970201
12 0,0505473 0,0529925 0,0554569 0,0579350 0,0604209 0,0629089 0,0653931 0,0678678 0,0703270 0,0727650
13 0,0314949 0,0334260 0,0354071 0,0374349 0,0395060 0,0416166 0,0437631 0,0459413 0,0481470 0,0503758
14 0,0182220 0,0195781 0,0209914 0,0224609 0,0239858 0,0255645 0,0271956 0,0288774 0,0306077 0,0323844
15 0,0098399 0,0107027 0,0116152 0,0125781 0,0135919 0,0146570 0,0157735 0,0169414 0,0181606 0,0194307
16 0,0049814 0,0054851 0,0060254 0,0066035 0,0072207 0,0078781 0,0085768 0,0093178 0,0101018 0,0109297
17 0,0023735 0,0026458 0,0029418 0,0032629 0,0036104 0,0039854 0,0043893 0,0048233 0,0052886 0,0057863
18 0,0010681 0,0012053 0,0013565 0,0015227 0,0017049 0,0019041 0,0021215 0,0023581 0,0026149 0,0028932
19 0,0004553 0,0005202 0,0005926 0,0006732 0,0007627 0,0008619 0,0009714 0,0010922 0,0012249 0,0013704
20 0,0001844 0,0002133 0,0002459 0,0002827 0,0003242 0,0003706 0,0004226 0,0004805 0,0005451 0,0006167
21 0,0000711 0,0000833 0,0000972 0,0001131 0,0001312 0,0001518 0,0001751 0,0002014 0,0002310 0,0002643
22 0,0000262 0,0000310 0,0000367 0,0000432 0,0000507 0,0000593 0,0000692 0,0000805 0,0000935 0,0001081
λ
x 9,10 9,20 9,30 9,40 9,50 9,60 9,70 9,80 9,90 10,00
0 0,0001117 0,0001010 0,0000914 0,0000827 0,0000749 0,0000677 0,0000613 0,0000555 0,0000502 0,0000454
1 0,0010162 0,0009296 0,0008502 0,0007776 0,0007111 0,0006502 0,0005944 0,0005434 0,0004967 0,0004540
2 0,0046235 0,0042760 0,0039536 0,0036547 0,0033777 0,0031209 0,0028831 0,0026628 0,0024588 0,0022700
3 0,0140247 0,0131130 0,0122563 0,0114515 0,0106960 0,0099870 0,0093220 0,0086984 0,0081141 0,0075667
4 0,0319062 0,0301600 0,0284959 0,0269111 0,0254030 0,0239688 0,0226058 0,0213112 0,0200823 0,0189166
5 0,0580692 0,0554943 0,0530023 0,0505929 0,0482658 0,0460201 0,0438552 0,0417699 0,0397630 0,0378333
6 0,0880716 0,0850913 0,0821536 0,0792623 0,0764208 0,0736322 0,0708992 0,0682241 0,0656090 0,0630555
7 0,1144931 0,1118343 0,1091469 0,1064379 0,1037139 0,1009813 0,0982461 0,0955138 0,0927898 0,0900792
8 0,1302359 0,1286094 0,1268833 0,1250645 0,1231603 0,1211776 0,1191233 0,1170044 0,1148274 0,1125990
9 0,1316830 0,1314674 0,1311127 0,1306230 0,1300025 0,1292561 0,1283885 0,1274048 0,1263102 0,1251100
10 0,1198315 0,1209500 0,1219348 0,1227856 0,1235024 0,1240859 0,1245368 0,1248567 0,1250471 0,1251100
11 0,0991334 0,1011582 0,1030904 0,1049259 0,1066612 0,1082931 0,1098188 0,1112360 0,1125424 0,1137364
12 0,0751761 0,0775546 0,0798950 0,0821919 0,0844401 0,0866345 0,0887702 0,0908427 0,0928475 0,0947803
13 0,0526233 0,0548848 0,0571557 0,0594311 0,0617062 0,0639762 0,0662363 0,0684814 0,0707069 0,0729079
14 0,0342051 0,0360672 0,0379677 0,0399037 0,0418721 0,0438694 0,0458923 0,0479370 0,0499999 0,0520771
15 0,0207511 0,0221212 0,0235400 0,0250063 0,0265190 0,0280764 0,0296770 0,0313188 0,0329999 0,0347181
16 0,0118022 0,0127197 0,0136826 0,0146912 0,0157456 0,0168459 0,0179917 0,0191828 0,0204187 0,0216988
17 0,0063176 0,0068836 0,0074852 0,0081234 0,0087990 0,0095130 0,0102658 0,0110583 0,0118909 0,0127640
18 0,0031939 0,0035183 0,0038673 0,0042422 0,0046439 0,0050736 0,0055321 0,0060206 0,0065400 0,0070911
19 0,0015297 0,0017036 0,0018930 0,0020988 0,0023220 0,0025635 0,0028243 0,0031054 0,0034077 0,0037322
20 0,0006960 0,0007837 0,0008802 0,0009864 0,0011029 0,0012305 0,0013698 0,0015216 0,0016868 0,0018661
21 0,0003016 0,0003433 0,0003898 0,0004415 0,0004989 0,0005625 0,0006327 0,0007101 0,0007952 0,0008886
22 0,0001248 0,0001436 0,0001648 0,0001887 0,0002155 0,0002455 0,0002790 0,0003163 0,0003578 0,0004039
23 0,0000494 0,0000574 0,0000666 0,0000771 0,0000890 0,0001025 0,0001177 0,0001348 0,0001540 0,0001756
24 0,0000187 0,0000220 0,0000258 0,0000302 0,0000352 0,0000410 0,0000476 0,0000550 0,0000635 0,0000732
197

Poslovna Statistika

Uploaded by

Copyright:

Available Formats

You might also like

Poslovna Statistika

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

Poslovna Statistika

Uploaded by

Copyright:

Available Formats

Mr Milena Marjanovi}

MERE DISPERZIJE I VARIJACIJE

OSNOVI TEORIJE VEROVATNO}E I MODELI

TESTIRANJE OBLIKA RASPOREDA....................................................................... 70

ANALIZA VREMENSKIH SERIJA

STATISTIKA POSLOVANJA PREDUZE]A

• varijabilnosti masovne pojave;

• me|uzavisnosti pojava koje prou~avamo;

• kvalitativnog pristupa, tj. da se svi dobijeni rezultati moraju

Na osnovu svega re~enog, mo` emo definisati statistiku kao nau~ni

ETAPE U STATISTI^KOM ISTRA@IVANJU

• statisti~ko posmatranje – prikupljanje podataka

• kontrola, sre|ivanje, grupisanje i prikazivanje podataka

• analiza i tuma~enje podataka.

Pre nego {to se pristupi statisti~kom istra` ivanju, valja izvr{iti

Cilj istra` ivanja mo` e biti jasan, konkretan, precizan i realan da bi

Predmet istra` ivanja direktno zavisi od cilja istra` ivanja, i on nije

Prikupljanje podataka obavlja se iz: primarnih izvora (neposredno

Osnovno sredstvo za prikupljanje podataka, na osnovu kratkih i

STATISTIKA JEDINICA I OBELE@JA

METODE STATISTI^KOG POSMATRANJA ILI

Serije strukture prikazuju raspored statisti~kih jedinica po vrednos-

Modaliteti atributivnih obele` ja izra` avaju se opisno i razvrstavaju

Serija strukture po numeri~kim obele` jima nazivaju se rasporedi

Prosta distributivna frekvenca predstavlja raspored statisti~kih jed-

Tabela 1. Prose~na godi{nja temperatura u °C u Leskovcu

Godina Prose~na temperatura

Inetrvalna distributivna frekvenca predstavlja raspored statisti~kih

Broj kompjutera Broj preduze}a

U praksi se koristi i otvoreni grupni interval (prikazan primerom u

Tabela 3. Grupisanje preduze}a prema kompjuterima

Broj kompjutera Broj preduze}a

Razlika izme|u gornje i donje granice intervala zove se {irina inter-

gde je: K broj intervala, N broj prikupljenih statisti~kih podataka

xmax je najve}a, a xmin najmanja vrednost numeri~kog obele` ja u skupu

Primer 1: U preduze}u za proizvodnju strujomera 50 radnika su u toku

Na osnovu prikupljenih podataka grupisati iste u obliku intervalne

K = 1 + 3,3 log 50 = 6,6405804 ≈ 7

Odgovor: Prikupljene podatke o proizvodnji strujomera treba grupisati u

Odgovor: [irina grupnih intervala mora biti 5 strujomera.

Broj strujomera Broj radnika

Statisti~ki podaci svrstavaju se u statisti~ke serije i prikazuju se ta-

Tabelarno prikazivanje podataka

Posebno mesto u statistici zauzimaju tzv. korelacione tabele i tabele

Po nameni statisti~ke tabele delimo na obradne tabele koje se prave

Grafi~ko prikazivanje statisti~kih podataka

Koja }e vrsta grafikona biti izabrana zavisi od prirode podataka i od

Dijagramima se podaci iskazuju u vidu ta~aka (stigmagrami), linija

Atributivne serije mogu se prikazati na slede}e na~ine:

Za prikazivanje rasporeda frekvencija koristi se histogram i poligon

0 125 175 225 275 325 375

0 100 200 300 400 500 600

1984 1985 1986 1987 1988 1989

1984 1986 1988 1990 1992 1994

Za prikazivanje podataka serije sa sezonskim ritmom (potro{nja

U vencija izra` avamo kroz:

• srednje vrednosti (mere centralne tendencije)

MERE SREDNJIH VREDNOSTI (MERE CENTRALNE TENDENCIJE)