5.

Procjene parametara pomoću uzoraka

5.1. Uvod
Grana statistike koja kaže kako treba birati uzorak da bi se dobila neka informa-
cija o populaciji, zove se induktivna statistika. Dio statistike koji se bavi samo
opisom neke izdvojene grupe, bez da se iz toga izvlači ikakav zaključak o cjelokupnoj
populaciji, zove se opisna ili deduktivna statistika.

5.2. Definicije osnovnih pojmova

Neka je zadana slučajna varijabla Y s funkcijom razdiobe F . Napra-

vimo n njezinih nezavisnih identičnih kopija, koje nazovimo s Y1 , . . . , Yn
s identičnom razdiobom F . Tako dobivenu n-torku slučajnih varijabli na-
zivamo slučajni uzorak dimenzije n, a vrijednosti koje one poprimaju
y1 , . . . , yn nazivamo vrijednostima uzorka.

Bez obzira izvlačimo li uzorak duljine n iz konačne populacije s vraćanjem

ili bez vraćanja, ili iz beskonačne populacije, uvijek je srednja vrijednost
očekivanja uzorka jednaka očekivanju populacije

µY = µY .

Ako uzorak duljine n izvlačimo iz konačne populacije bez vraćanja, onda

je varijanca svih mogućih očekivanja uzoraka

σY2 np − n
σY2 = · .
n np − 1

Ako uzorak duljine n izvlačimo iz beskonačne populacije ili iz konačne

populacije s vraćanjem, onda je varijanca svih mogućih očekivanja uzo-
raka
σ2
σY2 = Y .
n

Zadatak 5.1. Populacija na nekom kolegiju broji četiri studenta. Mase ta četiri
studenta su: 73, 74, 87, 95 kg. Nađite
(a) očekivanje te populacije,
(b) varijancu, odnosno standardnu devijaciju te populacije.
50 5. Procjene parametara pomoću uzoraka

(c) Radimo sve moguće uzorke po 3 studenta (s ponavljanjem). Nađite očekivanje

za varijablu Y koja predstavalja sredinu uzoraka.
(d) Nađite devijaciju σY za varijablu iz zadatka (c).
(e) Radimo sve moguće uzorke po 3 studenta (bez ponavljanja). Nađite očekivanje
za varijablu Y koja predstavlja sredinu uzoraka.
(f) Nađite devijaciju σY za varijablu iz zadatka (e).
Rješenje. (a) Očekivanje te populacije je
73 + 74 + 87 + 95
µY = = 82.25 kg.
4
(b) Varijanca te populacije je

(73 − 82.25)2 + (74 − 82.25)2 + (87 − 82.25)2 + (95 − 82.25)2

σY2 =
4
85.5625 + 68.0625 + 22.5625 + 162.5625
= = 84.6875 kg,
4
dok je standardna devijacija σY ≈ 9.20258 kg.
(c) Budući da vrijedi µY = µY i za uzorak bez i za uzorak s ponavljanjem, onda je
µY = 82.25 kg.
(d) Za uzorak s ponavljanjem duljine n vrijedi da je
σY
σY = √ .
n
U ovom slučaju je n = 3, pa je
9.20258
σY ≈ √ ≈ 5.31311.
3
(e) Vidjeti rješenje (c).
(f) Za uzorak bez ponavljanja duljine n iz populacije np vrijedi da je
s
σY np − n
σY = √ · .
n np − 1

U ovom slučaju je np = 4, n = 3, pa imamo

r
9.20258 4−3 9.20258
σY ≈ √ · = ≈ 3.067527.
3 4−1 3
Zadatak 5.2. Proučavanjem visina muške populacije pomoću uzoraka od po 1000
muškaraca došlo se do sljedećih podataka: standardna devijacija uzoraka σX =
0.3 cm, prosječna visina uzoraka je µX = 178 cm. Procijenite koliki dio populacije
je niži od 170 cm, a koliki dio populacije je viši od 2 m, uz pretpostavku da visina
muške populacije ima normalnu razdiobu.
 5.2. Definicije osnovnih pojmova 51

Rješenje. Nepoznato očekivanje populacije µX procjenjujemo sredinom uzorka, pa

je
µX = µX = 178 cm.
Nepoznatu standarnu devijaciju populacije procjenjujemo s
√ √
σX = nσX = 1000 · 0.3 ≈ 9.48683 cm.

Dakle, populacija se približno ponaša kao normalna slučajna varijabla N (µX =

178, σX = 9.48683). Sada je dio populacije koji je niži od 170 cm
 
X − 178 170 − 178
Pr(X < 170) = Pr < ≈ Pr(Z < −0.84)
9.48683 9.48683
= 0.5 − Φ0 (0.84) = 0.5 − 0.29954 = 0.20046.

Konačno, dio populacije viši od 2 m je

 
X − 178 200 − 178
Pr(X > 200) = 1 − Pr(X ≤ 200) = 1 − Pr ≤
9.48683 9.48683
≈ 1 − Pr(Z ≤ 2.32) = 1 − (0.5 + Φ0 (2.32) = 0.5 − Φ(2.32)
= 0.5 − 0.48983 = 0.01017.

Zadatak 5.3. Slučajna varijabla X ima parametre µ = 100, σ = 3. Koja je vjero-

jatnost da je sredina slučajnog uzorka veličine n = 36 u granicama [99.25, 100.2]?

Rješenje. Budući da se radi o velikom uzorku (n ≥ 30), onda je za praktične potrebe

taj uzorak normalna slučajna varijabla kojoj je
σX 3 3
µX = µX = 100, σX = √ = √ = = 0.5.
n 36 6

Vjerojatnost da je sredina slučajnog uzorka X između 99.25 i 100.2 je

 
99.25 − 100 X − 100 100.2 − 100
Pr(99.25 ≤ X ≤ 100.2) = Pr ≤ ≤
0.5 0.5 0.5
= Pr(−1.5 ≤ Z ≤ 0.4) = F (0.4) − F (−1.5)
= (0.5 + Φ0 (0.4)) − (0.5 − Φ0 (1.5)) = Φ0 (0.4) + Φ0 (1.5)
= 0.15542 + 0.43319 = 0.58861.

Zadatak 5.4. Parametri populacije su µ = 1500, σ = 20. Koja je vjerojatnost da

sredina X slučajnog uzorka te populacije veličine n = 30 bude u intervalu µ ± 3?

Rješenje. Ponovno, radi se o velikom uzorku, koji bi se trebo ponašati kao normalna
slučajna varijabla, samo s parametrima
σX 20
µX = µX = 1500, σX = √ = √ ≈ 3.65148.
n 30
52 5. Procjene parametara pomoću uzoraka

Za sredinu uzorka X tražimo

 
µ−3−µ X −µ µ+3−µ
Pr(µ − 3 ≤ X ≤ µ + 3) = Pr ≤ ≤
σ σ σ
     
3 3 3 3
= Pr − ≤ Z ≤ =F −F −
σ σ σ σ
       
3 3 3
= 0.5 + Φ0 − 0.5 − Φ0 = 2Φ0 .
σ σ σ

U ovom slučaju je
 
3
Pr(1500 − 3 ≤ X ≤ 1500 + 3) = 2Φ0 ≈ 2Φ0 (0.82)
3.65148
= 2 · 0.29389 = 0.58778.

Zadatak 5.5. Lhasa apso ima njušku duljine µ = 4 cm, a očekivano je odstupanje
σ = 0.5 cm. Promatramo uzorke (uz dozvoljeno ponavljanje) od 30 jedinki iz
različitih uzgajivačnica. S kojom će vjerojatnošću srednja vrijednost duljine njuške
takvog uzorka biti između 3.7 cm i 4.3 cm, što su za tu vrstu dozvoljene veličine na
natjecanjima?

Rješenje. Ponovno, budući da se radi o velikim uzorcima, uzorak se ponaša kao

normalna slučajna varijabla s parametrima

σX 0.5
µX = µX = 4 cm, σX = √ = √ ≈ 0.091287 cm.
n 30

Sada treba odrediti vjerojatnost da je sredina uzorka X u zadanim granicama,

 
3.7 − 4 X −4 4.3 − 4
Pr(3.7 ≤ X ≤ 4.3) = Pr ≤ ≤
0.091287 0.091287 0.091287
≈ Pr(−3.29 ≤ Z ≤ 3.29) = 2Φ0 (3.29) = 2 · 0.49949 = 0.99898.
 5.3. Procjena parametara populacije 53

Zadatak 5.6. Prosječan sedamdesetogodišnjak neke populacije ima µ = 25 vlastitih

zubiju, a varijanca broja zubiju te populacije sedamdesetogodišnjaka je σ 2 = 1.39.
Iz populacije od 1500 sedamdesetogodišnjaka radimo 15 uzoraka od po 100 ljudi (bez
vraćanja). Koliko je vjerojatnost da će sredina broja zubiju u slučajnom uzorku biti
veća ili jednaka 25.2? U koliko uzoraka će se to vjerojatno dogoditi?
Rješenje. Očekivanje uzoraka µX bit će jednako očekivanju populacije µ = 25, dok
će za varijancu (zbog ponavljanja!) vrijediti
2
2 σX np − n 1.39 1500 − 100
σX = · = · ≈ 0.012982,
n np − 1 100 1500 − 1

pa je σX ≈ 0.113939. Traži se
 
X − 25 25.2 − 25
Pr(X > 25.2) = 1 − Pr(X ≤ 25.2) = 1 − Pr ≤
0.113939 0.113939
≈ 1 − Pr(Z ≤ 1.75) = 1 − (0.5 + Φ0 (1.75)) = 0.5 − Φ0 (1.75)
= 0.5 − 0.45994 = 0.04006.

Broj uzoraka u kojima bi to trebalo vrijediti je 15 · 0.04006 = 0.6009, tj. ako rezultat
zaokružimo, u jednom uzorku.

5.3. Procjena parametara populacije

Neka je g funkcija g : Rn → R. Slučajnu varijablu

Θ = g(Y1 , Y2 , . . . , Yn )

zovemo statistika, ako funkcija g ne ovisi o nepoznatim parametrima.

Nepoznato očekivanje µ populacije Y procjenjujemo sredinom uzorka:

Y1 + · · · + Yn
Y = .
n

Ako je očekivanje poznato, varijancu Var(Y ) procjenjujemo na sljedeći

način:
(Y1 − µ)2 + · · · + (Yn − µ)2
Sb2 = ,
n
pri čemu je µ poznato očekivanje slučajne varijable.
54 5. Procjene parametara pomoću uzoraka

Nepoznato očekivanje µ populacije Y procjenjujemo sredinom uzorka:

Y1 + · · · + Yn
Y = ,
n
a varijancu procjeniteljem S 2

(Y1 − Y )2 + · · · + (Yn − Y )2
S2 = .
n−1

Zadatak 5.7. Uzet je uzorak od četiri studenta iz populacije studenata na nekom

kolegiju. Mase ta četiri studenta su: 73, 74, 87, 95 kg. Iz uzorka procijenite

(a) očekivanje populacije,

(b) varijancu populacije, ako je poznato očekivanje populacije koje iznosi 82 kg,
(c) očekivanje i varijancu te populacije.

Rješenje. (a) Očekivanje populacije X procjenjujemo sredinom uzorka

73 + 74 + 87 + 95
µX = µX = = 82.25 kg.
4
(b) Ako je poznato očekivanje populacije, varijanca te populacije procjenjujemo s

(73 − 82)2 + (74 − 82)2 + (87 − 82)2 + (95 − 82)2

σY2 =
4
81 + 64 + 25 + 169
= = 84.75 kg.
4
(c) Očekivanje populacije procjenjujemo sredinom uzorka (vidjeti (a)), pa je µX =
µX = 82.25 kg, a varijancu s

(73 − 82.25)2 + (74 − 82.25)2 + (87 − 82.25)2 + (95 − 82.25)2

σY2 =
3
85.5625 + 68.0625 + 22.5625 + 162.5625
= = 112.916̇ kg.
3

5.4. Intervali pouzdanosti

Neka su µS i σS očekivanje i standardna devijacija uzorka neke statistike S. Ako
smo uzeli dovoljno velike uzorke n ≥ 30 (koji se mogu ponavljati ili iz beskonačne
populacije), mnoge statistike S ponašaju se kao normalne slučajne varijable s očeki-
σ
vanjem µS ≈ µ i standardnom devijacijom σS ≈ √ . Ovdje ne treba paziti imamo
√ √ n
li u nazivniku n ili n − 1, jer je za dovoljno velike n to za sve praktične potrebe
 5.4. Intervali pouzdanosti 55

jednako. Dakle,
 
σ
S ≈ N µ, √ .
n

Drugim riječima, sa slučajnom varijablom S ponašamo se kao s normalnom slučaj-

nom varijablom. Ako za statistiku uzmemo sredinu uzorka Y , onda je
 
σ
Pr |y − µ| < k √ = 2(F (k) − F (0)) = 2Φ0 (k),
n
pri čemu je y vrijednost slučajne varijable Y .

Ako je uzorak duljine n izvučen iz slučajne varijable kojoj je proporcija

uspjeha p, onda je interval pouzdanosti za p
r
p(1 − p)
p=p±k
n
ako je uzorak izvučen iz beskonačne populacije ili iz konačne populacije
s vraćanjem, r s
p(1 − p) np − n
p=p±k ,
n np − 1
ako je izvučen iz konačne populacije veličine np . Pritom je k koeficijent
pouzdanosti.

Ako je uzorak duljine n, n ≥ 30 uzet iz binomne slučajne varijable kojoj ne znamo

p, onda standardnu devijaciju σ možemo zamijeniti sa standardnom devijacijom
uzorka, tj. p p
σ = p(1 − p) ≈ s = p(1 − p).
Ako želimo jednostavnu procjenu intervala pouzdanosti za proporcije, onda mo-
žemo iskoristiti da je
√ p 1
σ = pq = p(1 − p) ≤ .
2
Tada za interval pouzdanosti vrijedi
p
p(1 − p) k
p=p±k √ ≈p± √ .
n 2 n
Posebno, ako je pouzdanost 95.45%, onda je k = 2, pa prethodna formula glasi
p
p(1 − p) 1
p=p±2 √ ≈p± √ .
n n

Zadatak 5.8. Pri mjerenju vremena reakcije na neki događaj psiholozi su utvrdili
da je standardna devijacija za taj događaj 0.05 sekundi. Koliko velik uzorak moramo
uzeti tako da s pouzdanošću
56 5. Procjene parametara pomoću uzoraka

(a) 95%,
(b) 99%,
budemo sigurni da greška u procjeni neće prijeći 0.01?
Rješenje. Za pouzdanost 95% je k = 1.96, a za 99% je k = 2.58. Za proporcije
vrijedi
σ
p = p ± k√ .
n
Želimo da za grešku procjene vrijedi
σ
k √ ≤ 0.01.
n
Odatle za n izlazi  2  2
σ 0.05
n≥ k = k = 25k 2 ,
0.01 0.01
pa za zadane k-ove imamo
(a) n ≥ 96.04, tj. mora biti n ≥ 97,
(b) n ≥ 166.41, tj. mora biti n ≥ 167.
Zadatak 5.9. Pri mjerenju vremena reakcije na neki događaj psiholozi su testi-
rali slučajni uzorak od 256 ljudi. Kolika najviše smije biti utvrđena standardna
devijacija tog događaja, tako da s pouzdanošću
(a) 95%,
(b) 99%,
budemo sigurni da greška u procjeni neće prijeći 0.01?
Rješenje. Za pouzdanost 95% je k = 1.96, a za 99% je k = 2.58. Za proporcije
vrijedi
σ
p = p ± k√ .
n
Želimo da za grešku procjene vrijedi
σ
k √ ≤ 0.01.
n
Odatle dobivamo √
0.01 · n 0.16
σ≤ = ,
k k
pa uvrštavanjem k-ova izlazi
(a) σ ≤ 0.081633,
(b) σ ≤ 0.062016.
Zadatak 5.10. Slučajni uzorak od 50 kolokvija iz matematike, od ukupno 200 ko-
lokvija, pokazao je očekivanje 75 i standardnu devijaciju 10.
 5.4. Intervali pouzdanosti 57

(a) Koji je 95% interval pouzdanosti za procjenu očekivanja svih 200 kolokvija?
(b) Koji je stupanj pouzdanosti ako možemo reći da se sredina svih 200 zadaća
nalazi u intervalu 75 ± 1?
Riješite primjer na dva načina:
• ako pretpostavljamo da je populacija dovoljno velika prema uzorku,
• ako pretpostavljamo da je populacija konačna i uzorak relativno velik prema
populaciji.
Rješenje. Za 95% pouzdanost, k = 1.96.
(a) Ako je populacija ‘dovoljno velika’, onda imamo

σ 10
p = p ± k √ = 75 ± 1.96 √ = 75 ± 2.77185858,
n 50
a ako je uzorak velik prema populaciji, onda imamo
s r
σ np − n 10 150
p = p ± k√ · = 75 ± 1.96 √ · = 75 ± 2.40652380.
n np − 1 50 199

(b) Ako je populacija ‘dovoljno velika’, onda mora biti greška procjene
σ
k √ ≤ 1,
n

tj. mora vrijediti √

√
n 50
k≤ = = 0.70710678.
σ 10
Sad se prisjetimo kako iz k očitavamo pouzdanost iz tablica normalne slučajne
varijable za Φ0 . Za pouzdanost vrijedi da je 2Φ0 (k) = 2 · 0.26114 = 0.52228 ili
52.228%. A ako je uzorak velik prema populaciji, onda imamo
s
σ np − n
k√ · ≤ 1,
n np − 1

pa slijedi
√ s √ r
n np − 1 50 199
k≤ · = = 0.81445278.
σ np − n 10 150
Ponovno je pouzdanost 2Φ0 (k) = 2 · 0.29103 = 0.58206 ili 58.206%.

Zadatak 5.11. U nekom okrugu slučajni uzorak od 100 glasača pokazao je da kan-
didat A dobiva izbore s 57% glasova. Nađite 99.73% pouzdanost za postotak glasova
svih glasača u tom okrugu za kandidata A.
58 5. Procjene parametara pomoću uzoraka

Rješenje. Za pouzdanost 99.73%, k = 3. Prvo moramo procijeniti σ, a zatim izra-

čunati procjenu za p
p √
σ ≈ s = p(1 − p) = 0.57 · 0.43 = 0.49507575,
σ 0.49507575
p = p ± k √ = 0.57 ± 3 √ = 0.57 ± 0.148522725.
n 100

Zadatak 5.12. Koliko veliki uzorak glasača moramo uzeti u prethodnom primjeru,
tako da s pouzdanošću 99.73% budemo sigurni da je kandidat izabran?

Rješenje. Za pouzdanost 99.73%, k = 3. Da bi kandidat bio izabran mora biti

p > 50%. Prema tome, greška procjene ne smije biti veća od 7%, odnosno 0.07.
Dakle, imamo
σ
k √ ≤ 0.07,
n
pa je
 2  2
σ 0.49507575
n≥ k = 3 = 450.18.
0.07 0.07
Dakle, moramo uzeti uzorak od 451 glasača.

Zadatak 5.13. Predsjednički kandidat George pobijedio je na izborima sa 60%

glasova. Kolika je vjerojatnost da u slučajnom uzorku od 200 glasača kandidat
George dobije manje od 50% glasova?

Rješenje. Za Georgea znamo proporciju broja glasova p = 0.6. Nadalje, proporcija

uspjeha je p, pa je standardna devijacija za proporciju
p √
σ = p(1 − p) = 0.6 · 0.4 ≈ 0.48990.

Za uzorak duljine 200 je p ≈ p = 0.6, a

σ 0.48990
σ=√ = √ ≈ 0.03464.
n 200

Uzorak od 200 ljudi ponaša se kao normalna slučajna varijabla X ∼ N (0.6, 0.03464).
Tražimo
 
X − 0.6 0.5 − 0.6
Pr(X ≤ 0.5) = Pr ≤ ≈ Pr(Z ≤ −2.88)
0.03464 0.03464
= 0.5 − Φ0 (2.88) = 0.5 − 0.49801 = 0.00199.

Zadatak 5.14. Azori su jedino mjesto u Europi gdje raste ananas. Od ananasa pla-
siranog na tržište 95% je prvoklasno. Rade se pošiljke od po 3000 ananasa. U kojim
će se granicama nalaziti proporcija prvoklasnog ananasa u pošiljci s koeficijentom
pouzdanosti k = 2.4?
 5.4. Intervali pouzdanosti 59

Rješenje. Opažena proporcija prvoklasnog ananasa je p = 0.95. Odatle možemo

procijeniti i σ, p √
σ ≈ p(1 − p) = 0.95 · 0.05 ≈ 0.21794.
sada je
σ 0.21794
p = p ± k √ = 0.95 ± 2.4 = 0.95 ± 0.00955.
n 3000
Dakle, u pošiljci ima između

(0.95 − 0.00955) · 3000 = 2821.35

i
(0.95 + 0.00955) · 3000 = 2878.65
ananasa prve klase.
Zadatak 5.15. Vjeruje se da je u nekom okrugu razlika broja glasova za jednog,
odnosno drugog kandidata vrlo malena. Koliko velik slučajni uzorak moramo oda-
brati, da bismo s 92% pouzdanošću bili sigurni da smo kandidatov rezultat korektno
zaokružili na cjelobrojni postotak dobivenih glasova.
Rješenje. Za 92% pouzdanost, moramo izračunati k. Budući da je
 
σ
Pr |y − µ| < k √ = 2Φ0 (k),
n

onda je Φ0 (k) = 0.46, pa iz tablica čitamo da je

k = 1.75.

Budući da kandidati dobivaju približno jednak broj glasova, onda je p = 0.5,

p
σ ≈ s = p(1 − p) = 0.5.

Greška koju smo napravili je

0.5
1.75 · √
n
i ona mora biti manja od pola posto, tj. mora biti
0.5
1.75 · √ ≤ 0.005.
n

Odatle dobivamo  2
1.75 · 0.5
n≥ = 30625.
0.005