KAPITULLI 12: KRITERI I PERPUTHJES DHE PAVARESISE

I. Kriteri i Perputhjes. Popullimi i shperndare ne disa kategori.

k.- nr i kategorive te popullimit

Ho: Struktura mbetet e pandryshuar

Ha: Struktura ndryshon
Ho nqs Χ2 > X2α/k-1

∑(𝑓𝑖−𝑝𝑖)2
X2v= 𝑝𝑖
ku fi- frekuenca
pi – denduria e pritur

II. Kriteri i Perputhjes. Shperndarja e Puassonit.

Ho: Variabli i vrojtuar ka shperndarje Puassoni

Ha: Variabli i vrojtuar nuk ka shperndarje Puassoni
Ho nqs Χ2 > X2α/k-p-1 ku p=1 gjithmone

∑(𝑓𝑖−𝑝𝑖)2
X2v= ku pi – dendurite e pritura
𝑝𝑖
(pi= probabilitet x nr e variablave te vrojtuara)
fi – dendurite e vrojtuara
𝑢𝑘 𝑥 𝑒 −𝑢
P(x=k)= 𝑘!

III. Kriteri i Perputhjes. Shperndarja normale.

Ho: Variabli i vrojtuar ka shperndarje normale

Ha: Variabli i vrojtuar nuk ka shperndarje normale
Ho nqs Χ2 > X2α/k-p-1 ku p=2 gjithmone

2 ∑(𝑓𝑖−𝑝𝑖)2 𝑥−𝜇
X v= Z=
𝑝𝑖 𝜎

IV. Kriteri i pavaresise. Tabela e perputhjes se rastit

 Ho: Variablat jane te pavarura
Ha: Variablat jane te varura
Ho nqs Χ2 > X2α/(m-1)(n-1) m – nr i kategorive te nje variabli
n – nr i kategorive te variablit tjeter

∑(𝑓𝑖𝑗−𝑝𝑖𝑗)2
X2v= ku pij=p x fi
𝑝𝑖𝑗

KAPITULLI 13 : ANALIZA E VARIANCES

I. Ho: µ1= µ2= … = µn

Ha: Jo te gjitha mesataret e popullimeve jane te barabarta
Ho nqs Fv > Fα/k-1/nT - k

k – nr i popullimeve
𝑘𝑎𝑡𝑟𝑜𝑟𝑖 𝑚𝑒𝑠𝑎𝑡𝑎𝑟 𝑚𝑖𝑑𝑖𝑠 𝑧𝑔𝑗𝑒𝑑ℎ𝑗𝑒𝑣𝑒 𝐾𝑀𝑀
Fv =𝑘𝑎𝑡𝑟𝑜𝑟𝑖 𝑚𝑒𝑠𝑎𝑡𝑎𝑟 𝑏𝑟𝑒𝑛𝑑𝑎 𝑧𝑔𝑗𝑒𝑑ℎ𝑗𝑒𝑣𝑒 𝐾𝑀𝐵

𝑆𝐾𝑀 ∑(𝑥 ̿̿̿2 𝑛𝑗

̅ 𝑖 −𝑥)
𝐾𝑀𝑀 𝑘−1 𝑘−1
Fv= 𝐾𝑀𝐵 = 𝑆𝐾𝐵 = ∑(𝑛𝑗−1 )𝑆𝑗2
xj – mesatarja e secilit rast
𝑛𝑇 −𝑘 𝑛𝑇 −𝑘
x – mesatarja e te gjithe vlerave
nj- njesia per secilin rast
Sj2 – varianca per secilin rast

II. Nqs Ho dhe duam te shohim cila prej mesatareve ndryshon , perdorim
krahasimet e shumefishta.

A. Ndryshimi me i vogel i rendesishem i Fisherit NVR

1 2 3
Ho: µ1= µ2 Ho: µ1= µ3 Ho: µ2= µ3
Ho: µ1 ≠ µ2 Ho: µ1 ≠ µ3 Ho: µ2 ≠ µ3
1. Ho nqs | x1 – x2 |> NVR
𝛂 1 1
NVR= t2/nT-k √𝐾𝑀𝐵(𝑛1 + 𝑛2)

2. Ho nqs | x1 – x3 |> NVR

𝛂 1 1
NVR= t2/nT-k √𝐾𝑀𝐵(𝑛1 + 𝑛3)

3. Ho nqs | x2 – x3 |> NVR

𝛂 1 1
NVR= t2/nT-k √𝐾𝑀𝐵(𝑛2 + 𝑛3)

Intervali i besimit per diferencen e mesatares se zgjedhjes.

1. | x1 – x2 |± NVR
2. | x1 – x3 |± NVR Ho nqs 0 nuk ben pjese ne ] [
3. | x2 – x3 |± NVR

B. Korrigjimi Bonferoni NRB

αe – Koeficenti i llojit te pare te eksperimentin

𝛂
αe=𝐶 𝑘
𝑛
1. Ho nqs | x1 – x2 |> NRB
𝛂𝐞 1 1
NRB= t 2 /nT-k √𝐾𝑀𝐵(𝑛1 + 𝑛2)

2. Ho nqs | x1 – x3 |> NRB

𝛂𝐞 1 1
NRB= t 2 /nT-k √𝐾𝑀𝐵(𝑛1 + 𝑛3)

3. Ho nqs | x2 – x3 |> NRB

𝛂𝐞 1 1
NRB= t /nT-k √𝐾𝑀𝐵( + )
2 𝑛2 𝑛3
C. Procedura Tuckey
Kjo metode perdoret vetem ne rastet kur n1=n2=n3
𝛂e
𝐾𝑀𝐵
NRT = q√ q=( 𝑘 )
𝑛
𝑛𝑇 − 𝑘
1. Ho nqs | x1 – x2 |> NRT
2. Ho nqs |x1 – x3 |> NRT
3. Ho nqs | x2 – x3 |> NRT

Interval i besimit
1. | x1 – x2 |± NRT
2. | x1 – x3 |± NRT Ho nqs 0 nuk ben pjese ne ] [
3. | x2 – x3 |± NRT

Tabela ANOVA

Burimi i Shuma e Shkallet e Katrori Fisheri i

variacionit katroreve lirise mesatar vrojtuar
𝑆𝐾𝑀 𝐾𝑀𝑀
Midis SKM k-1 KMM= Fv=
𝑘−1 𝐾𝑀𝐵
zgjedhjeve
Brenda SKB nT- k 𝑆𝐾𝐵
KMN=𝑛
𝑇 −𝑘
zgjedhjeve
Totali SKT nT- 1

III. Modeli i eksperimentit

Ho: µ1= µ2= … = µn
Ha: Jo te gjitha mesataret e popullimeve jane te barabarta
Ho nqs Fv > Fα/k-1/nT - k

𝑉𝑙𝑒𝑟𝑒𝑠𝑖𝑚𝑖 𝑖 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠 𝑚𝑖𝑑𝑖𝑠 𝑡𝑟𝑎𝑗𝑡𝑖𝑚𝑒𝑣𝑒 𝐾𝑀𝑇𝑅

Fv=𝑉𝑙𝑒𝑟𝑒𝑠𝑖𝑚𝑖 𝑖 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒𝑠 𝑏𝑟𝑒𝑛𝑑𝑎 𝑡𝑟𝑎𝑗𝑡𝑖𝑚𝑒𝑣𝑒 𝐾𝑀𝐺

̿̿̿2 𝑛𝑗
𝑆𝐾𝑇𝑅 ∑(𝑥̅ 𝑖 −𝑥)
KMTR= =
𝑘−1 𝑘−1
 𝑆𝐾𝐺 ∑(𝑛𝑗−1 )𝑆𝑗 2
KMG= = 𝑛 −𝑘
𝑛𝑇 −𝑘 𝑇

𝑆𝐾𝑇𝑅 ∑(𝑥 ̿̿̿2 𝑛𝑗

̅ 𝑖 −𝑥)
𝐾𝑀𝑇𝑅 𝑘−1 𝑘−1
Fv= 𝐾𝑀𝐺 = 𝑆𝐾𝐺 = ∑(𝑛𝑗−1 )𝑆𝑗2
𝑛𝑇 −𝑘 𝑛𝑇 −𝑘

Tabela Anova
Burimi i Shuma e Shkallet e Katrori Fisheri i
variacionit katroreve lirise mesatar vrojtuar
𝑆𝐾𝑇𝑅 𝐾𝑀𝑇𝑅
Trajtimet SKTR k-1 KMTR= 𝑘−1 Fv= 𝐾𝑀𝐺
Gabimi SKG nT- k 𝑆𝐾𝐺
KMG=𝑛
𝑇 −𝑘
Totali SKT nT- 1

IV. Modelet e blloqeve te rastit

Ho: µA= µB= µC

Ha: Jo te gjitha mesataret e popullimeve jane te barabarta
Ho nqs Fv > Fα/k-1/(k-1)(b-1)
𝑆𝐾𝑇𝑅 𝑏 ∑(𝑥 ̿̿̿2
̅ 𝑖 −𝑥)
𝐾𝑀𝑇𝑅 𝑘−1 𝑘−1
Fv= 𝐾𝑀𝐺 = 𝑆𝐾𝐺 = 𝑆𝐾𝐺
(𝑘−1)(𝑏−1) (𝑘−1)(𝑏−1)

b – blloqet
Xi – mesataret per metodat
SKG = SKT – SKTR – SKBL
SKT = ∑(𝑥̅𝑖 − ̿̿̿
𝑥)2
SKBL =K ∑(𝑥̅𝑖 − ̿̿̿
𝑥)2
Xj – mesataret per blloqet
K – nr i kategorive
 Tabela ANOVA

Burimi i Shuma e Shkallet e Katrori Fisheri i

variacionit katroreve lirise mesatar vrojtuar
𝐾𝑀𝑇𝑅
Trajtimet SKTR k-1 KMTR Fv= 𝐾𝑀𝐺
Blloqet SKBL b–1 KMBL
Gabimi SKG (k-1)(b-1) KMG
Totali SKT

V. Eksperimentet me disa faktore

A. Faktori A
Ho: µ1= µ2= µ3 ( Faktori A i parendesishem )
Ha: Jo te gjitha mesataret jane te barabarta ( Faktori A i rendesishem )
Ho nqs FA > Fα/a-1/a b(r-1)
𝑆𝐾𝐴 𝑏 𝑟 ∑(𝑥 ̿̿̿2
̅ 𝑖𝐴 −𝑥)
𝐾𝑀𝐴 𝑎−1 𝑎−1
FA=𝐾𝑀𝐺= 𝑆𝐾𝐺 = 𝑆𝐾𝐺
𝑎𝑏(𝑟−1) 𝑎𝑏(𝑟−1)

r- nr i faktoreve
SKT = SKA + SKB + SKG + SKAB
SKG= SKT – ( SKA + SKB + SKAB )
SKT=∑(𝑥̅𝑖𝑗 − ̿̿̿
𝑥)2
SKB=a r ∑(𝑥̅𝑖𝐵 − ̿̿̿
𝑥)2
SKAB= r ∑(𝑥̅𝑖𝑗 − xiA − xiB + ̿̿̿
𝑥)2

B. Faktori B
Ho: µ1= µ2= µ3 ( Faktori B i parendesishem )
Ha: Jo te gjitha mesataret jane te barabarta ( Faktori B i rendesishem )
Ho nqs FB > Fα/b-1/a b(r-1)
𝑆𝐾𝐴 𝑎 𝑟 ∑(𝑥 ̿̿̿2
̅ 𝑖𝐴 −𝑥)
𝐾𝑀𝐴 𝑏−1 𝑏−1
FB=𝐾𝑀𝐺= 𝑆𝐾𝐺 = 𝑆𝐾𝐺
𝑎𝑏(𝑟−1) 𝑎𝑏(𝑟−1)
 C. Bashkeveprimi AB
Ho: Faktori AB i parendesishem
Ha: Faktori AB i rendesishem
Ho nqs FAB > Fα/(a-1)(b-1)/a b(r-1)
𝐾𝑀𝐴𝐵 𝑆𝐾𝐴𝐵 𝑟 ̿̿̿2
∑(𝑥̅ 𝑖𝑗 −xiA−xiB+𝑥)
FAB= KMAB= =
𝐾𝑀𝐺 (𝑎−1)(𝑏−1) (𝑎−1)(𝑏−1)

Tabela Anova

Burimi i Shuma e Shkallet e Katrori Fisheri i

variacionit katroreve lirise mesatar vrojtuar
Faktori A SKA a-1 KMA 𝐾𝑀𝐴
FA=𝐾𝑀𝐺
𝐾𝑀𝐵
Faktori B SKB b–1 KMB FB=𝐾𝑀𝐺
Bashkeveprimi AB SKAB (a-1)(b-1) KMAB 𝐾𝑀𝐴𝐵
FAB= 𝐾𝑀𝐺
Gabimi SKG ab(r-1) KMG
Totali SKT nT-1

-Faktori A eshte i rendesishem

1 2 3
Ho: µ1= µ2 Ho: µ1= µ3 Ho: µ2= µ3
Ho: µ1 ≠ µ2 Ho: µ1 ≠ µ3 Ho: µ2 ≠ µ3

Procedura Tukey
𝛂
𝐾𝑀𝐺
NRT = q√ q=( 𝑎 )
𝑏𝑟
𝑎 𝑏 (𝑟 − 1)
Ho nqs :
1.| x1 – x2 |> NRT
2.|x1 – x3 |> NRT
3.| x2 – x3 |> NRT
-Faktori B eshte i rendesishem
𝛂
𝐾𝑀𝐺
NRT = q√ q=( 𝑏 )
𝑎𝑟
𝑎 𝑏 (𝑟 − 1)

KAPITULLI 14: REGRESIONI I THJESHTE LINEAR

Ekuacioni i regresit: 𝑦̂ = 𝑏 0 + b1 x
b0 shpreh se sa eshte vlera e y kur x=0
b1 shpreh se me sa njesi ndryshon y , kur x ndryshon me 1 njesi
∑(𝑥𝑖−𝑥̅ )(𝑦𝑖 −𝑦̅) ∑ 𝑥𝑦−∑ 𝑥 ∑𝑦⁄𝑛
1. b1 = ∑(𝑥1 −𝑥̅ )2
II. b1=∑ 𝑥2 −(∑ 𝑥)2⁄𝑛

∑𝑦 ∑𝑥
b0=𝑦̅ − 𝑏1 𝑥̅ = − 𝑏1
𝑛 𝑛

2. Koeficenti i Percaktueshmerise R2
R2 shpreh se c’pjese e variacionit te y shpjegohet nga x . Sa mire e percakton
lidhjen midis x dhe y ekuacioni i regresit.

𝑆𝐾𝑅
R2=𝑆𝐾𝑇 100

𝑦 2
[𝑛𝑢𝑚 𝑏1]2 [∑ 𝑥𝑦−∑ 𝑥 ∑ ⁄𝑛]
SKR= ∑(𝑦̂ − 𝑦̅)2 ose SKR= 𝑒𝑚 = ∑ 𝑥2 −(∑ 𝑥)2⁄𝑛

SKT= ∑(𝑦 − 𝑦̅)2 ose SKT=∑ 𝑦 2 − (∑ 𝑦)⁄𝑛

SKG=∑(𝑦 − 𝑦)2
3. Rendesia statistikore e lidhjes lineare
Ho: ß1 = 0 ( Lidhje e parendesishme midis variablave)
Ha: ß1 ≠ 0 ( Lidhje e rendesishme )

a) Kriteri t Ho nqs |tv| >tk tα/2/n-2

𝑏 𝑆 𝑆𝐾𝐺
tv= 𝑆 1 ku Sb1= ku S=√𝐾𝑀𝐺=√𝑛−2
𝑏1 √∑ 2(∑ 𝑥)2 ⁄𝑛
𝑆
ose Sb1=
√∑(𝑋𝑖−𝑋̅ )2
𝐾𝑀𝑅
Kriteri Fisherit : Fv = Ho nqs Fv > Fα/p/n-2
𝐾𝑀𝐺
2
𝑆𝐾𝑅 ∑(𝑦
̂ −𝑦
̅)
KMR= =
𝑃 𝑃
2
𝑆𝐾𝐺 ∑(𝑦−𝑦)
KMG= =
𝑛−2 𝑛−2

4. Korrelacioni dhe kovarianca

-Koeficenti i kovariances tregon drejtimin e lidhjes ( lidhje pozitive ose negative)
-Koeficenti i korrelacionit tregon fortesine e lidhjes
∑(𝑥𝑖 −𝑥
̅ )(𝑦𝑖 −𝑦
̅)
Kovarianca : Sxy= 𝑛−1
2 2
𝑆𝑥𝑦 ∑(𝑥 −𝑥
̅) ∑(𝑦𝑖 −𝑦
̅)
Korrelacioni: §=𝑆𝑥 𝑆𝑦 ku S2x= 𝑖 S2y=
𝑛−1 𝑛−1

§xy ben pjese ]-1 , 1[

§xy=0 s’kemi lidhje lineare
§xy=-1 lidhje e forte negative
§xy=1 lidhje e forte pozitive

𝑆𝑥
§xy= 𝑏1 §xy= sgn b1√𝑅 2
𝑆𝑦
5. Testimi i rendesise se korrelacionit §xy ( rxy)
Ho: §xy= 0 ( nuk ka lidhje te forte)
Ha: §xy ≠ 0 ( lidhje e forte)
Ho nqs |tv| > tα/2/n-2

𝑛−2
tv=§xy √1−R2

KAPITULLI 15: REGRESI I SHUMEFISHTE

ŷ= b0 + b1 x1 + b2 x2 + ... + bp xp
1. Gjendet ekuacioni lidhes
b0 = y̅ - b1 x1̅ - b2 x2̅
∑ 𝑥1 𝑦− ∑ 𝑥22 − ∑ 𝑥2 𝑦 ∑ 𝑥1 𝑥2
b1=
∑ 𝑥12 ∑ 𝑥22 −(∑ 𝑥1 𝑥2 )2

∑ 𝑥2 𝑦− ∑ 𝑥12 − ∑ 𝑥1 𝑦 ∑ 𝑥1 𝑥2
b2=
∑ 𝑥12 ∑ 𝑥22 −(∑ 𝑥1 𝑥2 )2

2. Koeficenti i percaktueshmerise
𝑆𝐾𝑅
R2= 𝑆𝐾𝑇 100

∑(𝑦̂−𝑦̅)2
R2=
∑(𝑦−𝑦̅)2
100

𝑛−1
R̅ 2=1- (1- R2) 𝑛−𝑝−1 R̅ 2 – koeficent i korrigjuar i percaktueshmerise

𝑏1 ∑ 𝑦𝑥1 + 𝑏2 ∑ 𝑦 𝑥2
R2=
∑(𝑦−𝑦̅)2
 3. Rendesia statistikore e lidhjes
a) Rendesia e pergjithshme e lidhjes
Ho: ß1 = ß2 = 0 ( Lidhje e parendesishme)
Ha: (ß1= ß2) ≠ 0 ( Lidhje e rendesishme )
Ho nqs Fv > Fα/p/n-p-1

𝑆𝐾𝑅 ∑(y
̂ −y̅ )2
𝐾𝑀𝑅 𝑝 𝑝 𝑅 2 /𝑘−1
Fv=𝐾𝑀𝐺= 𝑆𝐾𝐺 = ∑(𝑦−𝑦)2
Fv=1−𝑅2/𝑛−𝑝−1
𝑛−𝑝−1 𝑛−𝑝−1

b) Rendesia individuale

1) Ho: ß1 = 0
Ha: ß1 ≠ 0
Ho nqs tv1 >tα/2/n-p-1
𝑏
tv1= 𝑆 1
𝑏1

∑(𝑦−𝑦̅)2 𝑆𝐾𝑅
Sb1=√(𝑛−𝑝−1) ∑(𝑋𝑖−𝑋̅)2 = √(𝑛−𝑝−1) ∑(𝑋𝑖−𝑋̅)2

2) Ho: ß2 = 0
Ha: ß2 ≠ 0
Ho nqs tv2>tα/2/n-p-1
𝑏2
tv2=
𝑆𝑏2

∑(𝑦−𝑦̅)2 𝑆𝐾𝑅
Sb2=√(𝑛−𝑝−1) ∑(𝑋2−𝑋2 =
̅̅̅̅)2 √(𝑛−𝑝−1) ∑(𝑋2−𝑋2
̅̅̅̅)2

INDEKSET
 I. Indekse të thjeshta: Përdoren kur kemi një variabël të vetëm.
I.a Indekset bazë
IP - Indeksi i çmimit
𝑃𝑡
Ip= 𝑃𝑜 * 100 P0 - Çmimi i vitit bazë

PT - Çmimi i vitit actual

I.b Indekset zinxhir

𝑃𝑡
Ip= 𝑃𝑡−1 *100

I.c Indeksi i vlerës

Ivl=IP*IQ
II. Indekset aggregate (të përbërë) : Përdoren kur kemi disa variabla.
II.a Indekse të paponderuara
∑𝑃𝑖𝑡
1- Indeks i Çmimit : IP = ∑𝑃𝑖𝑜

∑𝑄𝑖𝑡
2- Indeksi i Sasisë : IQ = ∑𝑄𝑖𝑜

∑𝑃𝑖𝑡∗𝑄𝑖𝑡
3- Indeksi i Vlerës : Ivl =
∑𝑃𝑖𝑜∗𝑄𝑖𝑜

∑𝐼𝑝
4- Indeksi Mesatar : IP = 𝑛

II.b Indekse të Ponderuara.

∑𝑃𝑖𝑡∗𝑄𝑖𝑜
1- Indeksi Laspeyres : ILP= ∑𝑃𝑖𝑜∗𝑄𝑖𝑜

∑𝑃𝑖𝑡∗𝑄𝑖𝑡
2- Indeksi Pasche : IPP= ∑𝑃𝑖𝑜∗𝑄𝑖𝑡

𝑃𝑡
∑𝑃𝑜 ∗ 𝑊𝑖
3- Indeksi Mesatar : IP= ∑ 𝑊𝑖
ku Wi=Pio * Qio shndërrohet në Laspeyres
Wi=Pit * Qit shndërrohet në Pache

Koefiçienti buxhetor
 𝑃𝑜∗𝑄𝑜
Do= ∑𝑃𝑖𝑡∗𝑄𝑖𝑡

𝑃𝑡 ∗ 𝑄𝑡
Dt = ∑𝑃𝑖𝑡∗𝑄𝑖𝑡

𝑃𝑎𝑔𝑎
Paga reale = 𝐼𝑛𝑑𝑒𝑘𝑠𝑖 𝑖 Ç𝑚𝑖𝑚𝑖𝑡 𝑡ë 𝑘𝑜𝑛𝑠𝑢𝑚𝑖𝑡(𝐼𝐶𝐾) * 100

KAP. METODAT JOPARAMETRIKE

Kontrolli i Hipotezës së Medianës

1 2 3

Ho : Me ≥ Meo Ho : Me ≤ Meo Ho : Me = Meo

Ha : Me < Meo Ha : Me > Meo Ha : Me ≠ Meo

𝛼
Ho↓ Zv < Zα Ho↓ Zv > Zα Ho↓ nqs |Zv|>Z2

R.1 n ≤ 20 Zgjedhje e vogël.

Ho↓ nqs nr i shenjave positive është më i vogël se T p ose më i madh se Ts.

Ku Tp – Kufiri i poshtëm Kostante që gjenden në tabelë.

Ts – Kufiri i sipërm

R.2 n > 20 Zgjedhje e madhe

Formulimi i hipotezave dhe kushtet e hedhjes poshtë si më lart.

𝑇 𝑛(𝑛+1)(2𝑛+1)
Në të treja rastet Zv= 𝜎𝑡 ku σt =√ 6

Shënim: Në qoftë se kemi vlera të barabarta në Medianë, ato hiqen nga n

Kriteri i Shenjave të Rangut – Wilcoxon

Ho : Popullimet janë identike

Ha : Popullimet nuk janë identike

𝛼
Ho ↓ nqs |Zv| > Z2

𝑇 𝑛(𝑛+1)(2𝑛+1)
Ku Zv = 𝜎𝑡 ku σt = √ 6

Kriteri Mann Whitney Wilcoxon

Ho : Popullimet janë identike

Ha : Popullimet nuk janë identike

R1 Zgjedhje e Vogël (n≤10)

Ho↓ nqs T< Tp = Tα/ n1 / n2 ose

T> Ts = (n1+n2+1)*n1 – TP
Ku TP dhe TS gjenden në tabelë
R2. Zgjedhje e Madhe (n>10)
𝛼
Ho↓ nqs |Zv| > Z 2 ku

𝑥−𝜇
Zv= 𝞵=0.5 * n σ=√0.25 ∗ 𝑛
𝜎

Kriteri Kruskal Wallis(n1; n2; n3≥ 5)

Ho : Popullimet janë identike

Ha : Popullimet nuk janë identike

Ho↓ : Ë > χ2α/K-1

12 ∑𝑅𝑖 2
W= 𝑛𝑡(𝑛𝑡+1)* – 3( nt + 1)
𝑛𝑖
 Korrelacioni i Rangut

6 ∑ 𝑑𝑖 2
rs = 1 - 𝑛(𝑛2−1)

rs ϵ [-1;1] kur rs=-1 variablat të lidhur fort në drejtim të kundërt

rs=+1 variablat të lidhur fort në drejtim të njëjtë

Rëndësia e koefiçientit të korrelacionit të Rangut.

Ho : R s = 0

Ha : R s ≠ 0

𝛼 𝑟𝑠 1
Ho↓ nqs |Zv| > Z 2 ku Zv =𝜎 ku σrs =√𝑛−1
𝑟𝑠

KAP : ANALIZA DHE PROGNOZIMI I SERIVE KOHORE

Metodat Për Parashikim (Prognozim)

-Metoda e mesatares rrëshqitëse

-Sheshimi Eksponencial
-Trendi
-Trendi në Indekse Stinore
Metoda e mesatares rrëshqitëse
𝑆𝐾𝐺
KMG =𝑛−3 ku SKG = (y-Mrr)2

Metoda e sheshimit eksponencial

Ft+1= α * yt + (1-α)* Ft

𝑆𝐾𝐺
KMG = 𝑛−1 ku SKG = ∑ (y – Ft+1)2

Metoda e trendit

T=bo+b1*t ku t → koha
𝑦
∑𝑦∗𝑡− ∑ 𝑡∗∑𝑛
b1=
∑𝑡 2 −(∑𝑡)2 /𝑛

b0=ȳ -b1 * ṫ
 ∑ (𝑦−𝑡)2
KMG = ku SKG = ∑ ( y – t )2
𝑛
𝑆𝐾𝐺
Pra KMG =
𝑛

𝑦
Komponentët stinorë dhe jot ë rregullt =𝑀𝑒𝑠𝑎𝑡𝑎𝑟𝑒 𝑒 𝑐𝑒𝑛𝑡𝑟𝑢𝑎𝑟

𝑛−1 𝑦
Ritmi mesatar vjetor K= √𝑦𝑡
1

KAPITULLI : ANALIZA E VENDIMIT

↗ M. Optimiste →Max i maksimizuar

Tabelë Fitimi →Metodat pa probabilitete → M. Konservatore →Max i minimizuar

↘ M. Mini-max →Min i humbjeve maksimale

↗ M. Optimiste → Min i minimizuar

Tabelë Kostosh →Metoda pa probabilitete → M.Konservatore→Min i maksimizuar

↘ M.Mini-max → Min i humbjeve maksimale

Metodat me Probabilitete

EV ( di ) ∑ P ( Sj ) * V ( di ; Sj )

VPIP= VP me IP – VP pa IP

Ku VP pa IP → max i vlerave të pritura

𝐼
𝑃(𝑆𝑖)∗𝑃 ( )
𝑆𝑖
P( Si/Ii ) = 𝑃(𝐼𝑖 )
 𝐼
𝑆2 𝑃(𝑆2 )∗𝑃(𝑆2)
P (𝐼 ) =
𝑖 𝑃(𝐼𝑖 )

Ku P ( Ii ) = P (S1) * P (I/S1) + P (S2) * P (I/S2)