Podstawowe pojęcie
Zbiorowość statystyczna — 3 aspekty
Zbiorowość statystyczną rozpatruje się zawsze w trzech aspektach: rzeczowym (czego/kogo dotyczy — np. studenci), przestrzennym (gdzie — np. Polska) i czasowym (kiedy — np. rok akademicki 2025/26). To częste pytanie na testach — zapamiętaj dokładnie te trzy słowa, dystraktory dorzucają „podmiotowy" albo „statystyczny", których nie ma w definicji.
Skale pomiaru
Nominalna → porządkowa → przedziałowa → stosunkowa
Im wyżej w hierarchii, tym więcej operacji matematycznych wolno wykonać na danych.
| Skala | Co pozwala określić | Przykład |
|---|
| Nominalna | Tylko przynależność do kategorii, brak kolejności | Kolor okładki materiałów (niebieski/zielony/czarny/żółty) |
| Porządkowa | Kolejność / ranking, ale nie odległości między wartościami | Wykształcenie (podstawowe → wyższe), ocena satysfakcji |
| Przedziałowa | Odległości między wartościami, brak naturalnego zera | Temperatura w °C, rok kalendarzowy |
| Stosunkowa | Odległości + naturalne zero → sensowne ilorazy (np. „2× więcej") | Czas w sekundach, waga, liczba klientów, dochód |
Czas przebywania na stronie (sek.) = stosunkowa — ma naturalne zeroPytanie o preferowany kolor okładki = nominalna — same kategorie, brak rankingu
Szeregi statystyczne
Szczegółowy vs rozdzielczy punktowy vs rozdzielczy przedziałowy
| Rodzaj szeregu | Charakterystyka |
|---|
| Szczegółowy (prosty) | Wypisuje każdą pojedynczą wartość obserwacji, bez grupowania |
| Rozdzielczy punktowy | Grupuje dane wg pojedynczych, konkretnych wartości zmiennej i podaje ich liczebność |
| Rozdzielczy przedziałowy | Dotyczy cechy ciągłej — dzieli zbiorowość na przedziały klasowe (np. 0–19, 20–39...) i podaje liczebność jednostek w każdym przedziale |
Tabela z liczbą punktów w przedziałach 0–19, 20–39, 40–59... = szereg rozdzielczy przedziałowy
Definicja ogólna
Miary pozycyjne
Miary opisu struktury zbiorowości, które oblicza się wyłącznie na podstawie wybranych wartości znajdujących się na określonych pozycjach w uporządkowanym szeregu (np. wartość środkowa, wartość najczęstsza) — w odróżnieniu od miar klasycznych, które uwzględniają wszystkie wartości (jak średnia arytmetyczna).
Dominanta (moda)
Najczęściej powtarzająca się wartość
Najbardziej typowa wartość zmiennej w badanej zbiorowości — ta, która pojawia się najczęściej. Nie myl z medianą (wartość środkowa) ani średnią (suma ÷ liczba obserwacji).
Mediana — przykład liczony
Wartość środkowa uporządkowanego szeregu
Liczba klientów obsłużonych w kolejnych godzinach: 3; 3; 5; 6; 6; 7; 9; 11; 13; 14; 21; 28 (12 wartości, liczba parzysta).
1
Uporządkuj dane rosnąco
Dane są już posortowane: 3, 3, 5, 6, 6, 7, 9, 11, 13, 14, 21, 28.
2
Przy n parzystym: średnia z dwóch środkowych
n=12 → środkowe pozycje to 6. i 7. wartość: 7 i 9.
3
Oblicz medianę
Me = (7 + 9) ÷ 2 = 8.
Kwartyle
Q1, Q2 (=mediana), Q3 — dzielą zbiorowość na ćwiartki
Kwartyl pierwszy (Q1) dzieli uporządkowaną zbiorowość na dwie części tak, że 25% jednostek przyjmuje wartości mniejsze lub równe Q1, a 75% — większe lub równe. Analogicznie Q3 zostawia 75% jednostek poniżej, a 25% powyżej. Uwaga na dystraktory z „mniej niż" (bez „lub równe") oraz z zamienionymi procentami.
Szacowanie średniej z zakresu
Średnia zawsze leży między min a max
180 przedsiębiorstw, najniższa wartość 72, najwyższa 154. Średnia arytmetyczna musi mieścić się w przedziale [72; 154] — z podanych opcji tylko wartość leżąca w tym zakresie może być poprawna (np. 113). Wartości typu 156 czy 180 odpadają od razu, bo przekraczają maksimum.
Wykres skrzynkowy (boxplot)
Pokazuje rozkład wartości w próbie
Boxplot przedstawia rozkład wartości w próbie — konkretnie: medianę (linia w pudełku), kwartyl 1 i 3 (krawędzie pudełka), wartości skrajne / min-max (wąsy) oraz obserwacje odstające (punkty poza wąsami). Nie pokazuje trendu w czasie ani korelacji między zmiennymi — to typowe błędne dystraktory.
Z boxplotu odczytasz: medianę, kwartyle, wartości skrajneBoxplot NIE pokazuje: trendu w czasie, korelacji między zmiennymi
Histogram
Rozkład wartości (oś X) i częstość (oś Y)
Histogram przedstawia rozkład wartości w próbie na osi X, a częstość ich występowania na osi Y. Wysokość każdego słupka = częstość wystąpienia danej wartości/przedziału wartości. Kształt histogramu (symetryczny, prawoskośny, lewoskośny, wielomodalny) mówi o rozkładzie cechy.
⚠️ Częsty błąd: trzeci moment centralny → współczynnik asymetrii (skośności), nie eksces! Eksces (kurtoza) liczony jest z czwartego momentu centralnego. To jedna z najczęściej mylonych par pojęć na tym egzaminie.
Miary dyspersji (zróżnicowania)
Rozstęp, odchylenie standardowe, współczynnik zmienności
| Miara | Co mierzy |
|---|
| Rozstęp | Różnica między wartością największą a najmniejszą w zbiorze danych |
| Odchylenie standardowe | Średnią różnicę (odległość) między poszczególnymi wartościami a średnią arytmetyczną |
| Współczynnik zmienności | Odchylenie standardowe ÷ średnia (×100%) — pozwala porównywać zróżnicowanie cech o różnych jednostkach/skalach |
| Odchylenie ćwiartkowe (kwartylowe) | Połowa rozstępu międzykwartylowego: (Q3−Q1) ÷ 2 |
Do miar dyspersji NALEŻĄ: odchylenie ćwiartkowe, odchylenie standardowe, współczynnik zmiennościDo miar dyspersji NIE należą: dominanta, mediana, współczynnik skośności
Współczynnik zmienności — przykład liczony
Interpretacja procentowa
Średnia = 5,5; odchylenie standardowe = 1,5.
V = (odch. std ÷ średnia) × 100% = (1,5 ÷ 5,5) × 100% ≈ 27%
27% to umiarkowane zróżnicowanie cechy. Orientacyjne progi: do ok. 20–25% — słabe/umiarkowane zróżnicowanie, powyżej ok. 45% — silne, powyżej 100% — bardzo silne (a zwykle sygnał, że coś policzono źle, np. pomylono jednostki).
Rozstęp międzykwartylowy — przykład liczony
Odchylenie ćwiartkowe = połowa rozstępu Q3−Q1
Jeśli rozstęp międzykwartylowy (Q3 − Q1) wynosi 4, to odchylenie ćwiartkowe = 4 ÷ 2 = 2. Nie myl rozstępu międzykwartylowego (Q3−Q1) z rozstępem zwykłym (max−min) — to dwie różne miary.
Momenty centralne
2. moment = wariancja, 3. = asymetria, 4. = eksces
| Moment centralny | Do czego służy |
|---|
| Pierwszy | Zawsze = 0 (nie ma zastosowania opisowego) |
| Drugi | Wariancja (pierwiastek → odchylenie standardowe) |
| Trzeci | Współczynnik asymetrii (skośności) — mierzy kierunek „rozciągnięcia" rozkładu |
| Czwarty | Współczynnik ekscesu (kurtozy) — mierzy koncentrację wartości wokół średniej |
Asymetria (skośność)
Wzór Pearsona + interpretacja kierunku
Współczynnik asymetrii ≈ (średnia − dominanta) ÷ odchylenie standardowe
Przykład: średnia = 7, dominanta = 5, odch. std = 1,5 → (7−5)÷1,5 = 1,33.
| Wynik | Rozkład | Relacja średnia/mediana/dominanta |
|---|
| > 0 | Prawostronnie (dodatnio) asymetryczny | średnia > mediana > dominanta |
| = 0 | Symetryczny | średnia = mediana = dominanta |
| < 0 | Lewostronnie (ujemnie) asymetryczny | średnia < mediana < dominanta |
Średnia niższa od mediany i dominanty → rozkład lewostronnie asymetryczny
Eksces (kurtoza)
Leptokurtyczny vs platykurtyczny
| Wartość ekscesu | Typ rozkładu | Co to znaczy |
|---|
| e > 0 | Leptokurtyczny | Większa koncentracja wartości wokół średniej niż w rozkładzie normalnym (wyższy, „smuklejszy" wierzchołek) |
| e = 0 | Mezokurtyczny | Jak rozkład normalny |
| e < 0 | Platykurtyczny | Mniejsza koncentracja wartości wokół średniej niż w rozkładzie normalnym (bardziej „spłaszczony") |
Przykład: e = −0,85 → rozkład platykurtyczny — mniejsza koncentracja wartości wokół średniej niż w rozkładzie normalnym.
Odczytywanie skośności z histogramu
Prawoskośny vs lewoskośny
Rozkład z wysokim słupkiem po lewej i „ogonem" opadającym w prawo (malejące słupki w prawą stronę) jest prawoskośny (dodatnia asymetria) — „ogon" wskazuje kierunek nazwy. Odwrotnie: długi ogon w lewo = lewoskośny.
📌 Indeksy agregatowe porównują wartość zjawiska złożonego (np. koszyka wielu produktów) między okresem podstawowym (bazowym, „0") a badanym (bieżącym, „1"). Kluczowe pytanie na egzaminie: który poziom (cena czy ilość) jest „zamrożony" jako waga?
Trzy indeksy agregatowe
Laspeyres, Paasche, Fisher
| Indeks | Co „zamraża" jako wagę (dla indeksu ilości) | Dane potrzebne |
|---|
| Laspeyres | Ceny z okresu podstawowego (bazowego) | Ilości z obu okresów + ceny tylko z okresu podstawowego |
| Paasche | Ceny z okresu badanego (bieżącego) | Ilości z obu okresów + ceny tylko z okresu badanego |
| Fisher | „Idealny" — łączy oba podejścia | Kompletne dane z obu okresów (ilości i ceny) |
Laspeyres = stały poziom cen z okresu PODSTAWOWEGOPaasche = stały poziom cen z okresu BADANEGO
Indeks Fishera
Średnia geometryczna Laspeyresa i Paaschego
Indeks Fishera = √(Indeks Laspeyresa × Indeks Paaschego)
Ważne: łączy się indeks ilości Fishera z indeksami ilości L i P (nie z indeksami cen) — i analogicznie indeks cen Fishera z indeksami cen L i P. Nie miksuj jednych z drugimi.
Przykład liczony
Indeks ilości Fishera z L i P
Indeks ilości Paaschego = 1,246, indeks ilości Laspeyresa = 1,231.
Fisher = √(1,246 × 1,231) = √1,5338 ≈ 1,238
Interpretacja wartości indeksu
Indeks > 1 = wzrost, indeks < 1 = spadek
Indeks cen Fishera = 1,12 oznacza, że wzrost cen produktów przyczynił się do wzrostu wartości sprzedaży o 12% (wartość indeksu minus 1, razy 100%). Ta sama logika dotyczy indeksów ilości i indeksów wartości.
Postacie funkcji trendu
Liniowy, wykładniczy, potęgowy
| Trend | Postać | Co mówi parametr kierunkowy |
|---|
| Liniowy | y = a·x + b | O ile jednostek (np. zł) zmieniała się przeciętnie wartość Y w jednym okresie (np. roku) |
| Wykładniczy | y = a·bˣ | O ile procent zmieniała się przeciętnie wartość Y w jednym okresie — stałe tempo wzrostu |
| Potęgowy | y = a·xᵇ | Charakteryzuje się stałą elastycznością — nie ma parametru dającego wprost stopę wzrostu |
Trend liniowy dla wynagrodzeń rocznych: współczynnik kierunkowy = o ile zł rosły wynagrodzenia przeciętnie co rokuTrend wykładniczy: parametr b = o ile % rosła zmienna przeciętnie co okres
Dobór najlepszego trendu
Współczynnik determinacji R²
Wyboru najlepiej dopasowanej postaci trendu dla danego zjawiska dokonuje się na podstawie współczynnika determinacji — im wyższy R² (bliżej 1), tym lepiej dana funkcja trendu opisuje rzeczywiste dane.
Wahania sezonowe
Wskaźniki sezonowości — przykład liczony
Kwartalne wskaźniki sezonowości sprzedaży: S1 = 1,15; S2 = 0,90; S3 = 1,25; S4 = 0,7.
Siłę sezonowości mierzy się odległością wskaźnika od 1,0 (poziomu „neutralnego"), niezależnie od kierunku:
| Kwartał | Wskaźnik | Odchylenie od 1,0 |
|---|
| I | 1,15 | 0,15 |
| II | 0,90 | 0,10 |
| III | 1,25 | 0,25 |
| IV | 0,70 | 0,30 (największe) |
Największą sezonowość zaobserwowano w kwartale IV.
Addytywne vs multiplikatywne
Stała wielkość bezwzględna vs stała wielkość względna
| Typ wahań | Charakterystyka | Eliminacja z szeregu |
|---|
| Addytywne | Zjawisko odchyla się od trendu o mniej więcej stałą wartość bezwzględną | Wyznacza się różnice wartości rzeczywistych i teoretycznych z modelu trendu |
| Multiplikatywne | Zjawisko odchyla się od trendu o mniej więcej stałą wartość względną (%) | Wyznacza się ilorazy wartości rzeczywistych i teoretycznych z modelu trendu |
Sezonowość vs inne wahania — rozróżnij
Co JEST, a co NIE JEST wahaniem sezonowym
JEST sezonowe: wyższa sprzedaż lodów latem — powtarza się cyklicznie w tej samej porze rokuNIE jest sezonowe: stały wzrost przychodów o 10% rocznie = trendNIE jest sezonowe: zamknięcie restauracji na tydzień z powodu awarii = wahanie przypadkowe (nieregularne)NIE jest sezonowe: wieloletni kryzys finansowy = wahanie cykliczne (koniunkturalne), nie sezonowe
Pearson vs Spearman
Kiedy który współczynnik korelacji
| Pearson (liniowy) | Spearman (rang) |
|---|
| Wymagana skala | Ilościowa (przedziałowa/stosunkowa) dla obu zmiennych | Co najmniej porządkowa — działa też dla rang |
| Zakres wartości | od −1 do +1 | od −1 do +1 |
| Co mierzy | Siłę i kierunek zależności liniowej | Siłę i kierunek zależności monotonicznej (niekoniecznie liniowej) |
Współczynnik Pearsona wskazuje na siłę I kierunek zależności (nie tylko jedno z dwóch)Wartość 0,95 (Pearsona lub Spearmana) = bardzo silna zależność dodatnia
Interpretacja siły korelacji
Orientacyjne progi |r|
| |r| | Siła zależności |
|---|
| 0,0 – 0,2 | Brak lub bardzo słaba |
| 0,2 – 0,4 | Słaba |
| 0,4 – 0,7 | Umiarkowana |
| 0,7 – 0,9 | Silna |
| 0,9 – 1,0 | Bardzo silna |
Regresja prosta
Współczynnik regresji, R², błąd szacunku
Współczynnik regresji (b) = średnia zmiana zmiennej Y spowodowana wzrostem zmiennej X o jednostkę.
Współczynnik determinacji (R²) = wskazuje, w jakiej części funkcja regresji wyjaśnia kształtowanie się zjawiska; przyjmuje wartości od 0 do 1.
Standardowy błąd szacunku = wyrażony jest w tych samych jednostkach co zmienna zależna Y (nie X!). Np. jeśli Y jest w mln zł, a X w tys. ton — błąd szacunku będzie w mln zł.
Prognozowanie na podstawie trendu/regresji
Warunek: znajomość X
Na podstawie funkcji regresji liniowej prostej można wyznaczyć prognozę zmiennej zależnej Y tylko dla okresów, dla których dostępne (znane lub prognozowane) są wartości zmiennej objaśniającej X. Bez wartości X nie da się policzyć prognozy Y.
Regresja i korelacja wieloraka
Więcej niż jedna zmienna objaśniająca
| Pojęcie | Definicja |
|---|
| Regresja wieloraka | Może opierać się zarówno na szeregach przekrojowych, jak i czasowych — nie jest ograniczona do jednego typu danych |
| Korelacja wieloraka (R) | W przeciwieństwie do Pearsona przyjmuje wartości od 0 do +1 (nie od −1) |
| Korelacja cząstkowa | Ocenia siłę związku między zmienną zależną Y a jedną zmienną niezależną (np. X1), z wyłączeniem wpływu pozostałych zmiennych objaśniających |
| Współczynnik zbieżności | Odwrotność R² — wskazuje, jaka część zmienności Y pozostaje niewyjaśniona przez funkcję regresji wielorakiej |