Statisatika

Osnovni pojmovi u pedagokoj statistici

Statisitiki pojmovi metodoloki pojmovi
Metodologija razvija nauni aparat da bismo probleme rijeili metodikim putem
nekakvom metodom put spoznaje.
1. Statistika masa 1. Populacija osnovni skup
2. Jedinioce statistike mase, 2. Jedinice posmatranja mora biti inkonkretno
3. Obiljeje st. 3. Obiljeje varijabla
4. Varijacije 4 varijacije
Statistika masa
Pojave posmatramo u masi ( mora biti masovna mnotvena). Treba definisati masu
tako dobijemo statistiku masu. Statistiku masu u metodolokom smislu razumijevamo kao
odreeni skup osnovni skup ili populaciju. Npr. Masa uenici; kada je definiemo (1.
Prostorno, 2. Vremenski i 3. Pojmovno) onda postaje statistika masa. Npr. 1. Trebinje, 2.
2013/14 ili trenitno i 3. Uenici Osnovne kole Jovan Dui.
Jedinice statistike mase
Jedinica statistike mase je nosilac obiljeja. To to posmatramo posmatramo zavisi od
toga ta je predmet istraivanja. Jedinice statistike mase mogu imati mnotvo obiljeja ali
samo neka su sutinska za konkretno istraivanje, ine jedinicu statistike mase u
metodolokom smislu postaje jedinica posmatranja.
Obiljeje je nosilac varijacije promjenljivosti. U metodikoj literaturi upotrebljava
se naziv varijabla pormjenljiva.
Varijacija promjenljivost obiljeja istovrsnih jedinica statistike mase jeste onaj
inilac na kojem se zasniva istraivanje pedagokih pojava.
Statistika masa ili skup
Statistiku interesuje samo masovne pojave. Da bi neki elemenat masovne pojave
pripadao odreenom skupu statistikoj masi on mora biti istovrstan. Primjer statistike mase
je STANOVNITVO element je STANOVNIK. Pojam vie reda koji stanovnika ini
elementom statistike mase je mjesto boravka. Jedinice statistike mase jesu istovrsne ali ne i
jednake. Bitno je da je konkretna statistika masa ( stanovnitvo ) odredljiva pomou
zajednikog obiljeja koji sve jedinice statike mase (stanovnike) ini istovrsnim. Npr. Za
razliku od stanovnitva, gomila penice ne samo da je istovrsna ve je i istovjetna. Jedno zrno
penice nije jedinica statistike mase ve samo djeli izdvojen iz hrpe. Od nje je razliito
samo po kvantitetu ali ne i po kvalitetu. Voe ini mnotvo razliitih voki, jedinice
statistike mase koje nisu istovjetn, imaju razliite kvalitete i svojom ukupnou ine
statistiku cjelokupnost, statistiku masu. Statistiku masu moemo odrediti kao onaj
kvantitet koji se moe kvalitetno diferencirati ( Blai). Statistiko istraivanje ima smisla
ukoliko vodi otkrivanju novih kvaliteta. Samo onaj porast kvantiteta koji vodi do novog
kvaliteta ima sutinsko znaenje. Statistiko istraivanje sadri u sebi povezivanje
kvantitativne sa kvalitativnom stranom pojave. Uz izbor adekvatnog statisikog postupka
pravilna interpretacija dobijenih rezultata od sutinskog je znaenja za razumijevanje
istraivane pojave. Svaka masa se sastoji od elemenata ali suma elemenata mora imati
nekakav smisao samo ako su elementi koji je ine istovrsnom. Da bismo pravilno odredili
neku statistiku masu njeno odreene treba da bude:
1. Prostorno,
2. Vremenksko
3. Pojmovno ( stvarno sutinski)

1. Primjer KOLE: prostorno BiH, RS, FBiH, Banjaluka, Biha...itd.; Bitno je da
precizno odredimo prostor u kojem e se vriti posmatranje date pojave.
2. Vremensko odreivanje vri se na dva naina: U nekom vremenskom razdoblju
2013/14 - intervalno posmatranje ili u nekom odreenom trenutku: 12.02.2014.-
momentsko snimanje pojave.
3. Pojmovno ili stvarno, sadrinsko odreivanje statistike mase se sastoji u
preciznom odreivanju obiljeja koju mora imati svaka jedinica statistike mase.
Npr. kole; osnovne, devetogodinje i sl.

Podjela statistikih masa
Po osnovu broja obiljeja iji varijabilitet posmatramo :
- Proste ili jednodimenzionalne statistike mase. Npr. Studenti variraju samo po
spolu.
- Sloene dvodimenzionalne - vie dimenzionalne statistike mase kod kojih varira
dva ili vie obiljeja: Npr. Studenti; vrsta studija, duina studiranja, prosjena
ocjena itd.
Navedena obiljeja koja posmatramo zavise od cilja istraivanja.
Po kriteriju vrste razlikovanja:
- Beskonane ne moe se utvrditi broj jednica statistike mase,
- Konane moe se utvrditi ukupan broj jedinica statistike mase.

Jedinice statistike mase
Izbor jedinica statistike mase zavisi od preedmeta i cilja istraivanja. Ona su nosilac
raznovrsnih obiljeja kod kojih se odreuju koja e se varijacija analizirati. Ona je i jedinica
posmatranja.

Statistika obiljeja ( varijacije)
Pojam obiljeja odnosi se na svojstvo ili osobine koje treba da ima jednica statistike
mase. Sutina obiljeje je njihova promjenljivost. Tu promjenljivost uoavamo na dva naina:
a) Kod iste jedinice statistike mase pri uzastopnim posmatranjima mjerenjima.
b) Kod razliitih jedinica statistike mase u istom momentu posmatranja.
Njihovo mjenanjanje moe imati razliite intetenzitete i smjerove. U prvom sluaju
rije je o longitudinalnom pristupu istraivanja u smislu razvojnosti pojave koju pratimo u
nekom vremenskom periodu. U drugom je rije o transverzalnom pristupu istraivanja
prisutnosti i intenziteta pojave uz odreenom trenutku. Odabiranje pristupa zavisi od
predmeta i cilja istraivanja. U prvom sluaju od ume ne bismo vidjeli drvee a u drugom od
drvea ne bismo vidjeli umu. U svakom istraivanju treba razlikovati sutinska (vana) od
nesutinkih (nevanih) obiljeja.
Po sadraju obiljeja dijelimo na:
1. Prostorna ili geografska ( mjesto roenja, mjesto boravka, mjesto kole...)
2. Vremenska: starosna dob, datum roenja, dan polaska u kolu ... i sl. Vremenska obiljeja
mogu biti intervalna i trenutna.
3. Stvarna su sva ostala obiljeja: pol, uzrast, vrsta kole, razred, rezultat na testu....
Prema nainu istraivanja obiljeja dijelima na: atributivna i numerika.
1. Atributivna se izraavaju rijeima: mjesto boravka, mjesto roenja. dravljanstvo,
spol...
2. Numerika se oznaavaju brojevima: rezultati na testu, visina, teina, razred,
udaljenost od kole, broj uenika....
Prostorna obiljeja ne mogu biti numerika.
Atributivna svojstva ukazuju samo na kvalitativne razlike izmeu jedinica, te
zasnivaju se samo na prebrojavanju.
Numerika obiljeja ukazuju na kvantitativne razlike, mogue je primjeniti sloenije
statistike postupke.
Numerika obiljeja dijelimo na:
a) Diskontunuirana izraavaju samo cijelim brojem: broj uenika, broj kola, broj
lanova porodice, broj uposlenika...
b) Kontinuirana se mogu iskazati i decimalnim brojevima: visina teina, i sl.
U konkretnim istraivanjima sutinska obiljeja ( varijable) dielimo na nezavisno
promjenljive i zavisno promjenljive.
Istovremeno oba obiljeja: kolska ocjena broj ili opisna.

Varijable obiljeja
Statistika masa se sastoji od statistikih jedinca koja imaju obiljeja a ona variraju.
Npr. kolski uspjeh:
1. Sutinsko obiljeje: pripremljenost nastavnika,
2. Ostala nesutinska obiljeja: boja kose uenika,
3. Konstantna obiljeja: starosna dob, radno iskustvo nastavnika
Sutinska obiljeja se dijele na:
1. Zavisna varijabla : kolski uspjeh
2. Nezavisna varijabla : pripremljnost nastavnika
kolski uspjeh varira u pet kategorija.
Pirprema nastavnika 1. Onaj koji se priprema i 2. Onaj koji se priprema.
Promjena znaaja ili veliine obljeja statistike jedinice jeste kretanje koje nazivamo
varijacija.
Kada obiljeje ne bi variralo za donoenje zakljuaka o toj populaciji dovoljan uzorak
bi bio N=1.
to obiljeje vie varira potrebniji je vei uzorak, da bismo mogli vriti generalizacije.
Postojanje varijacije omoguava istraivanje pedagokih pojava.
Varijacija predstavlja kvantitativno i kvalitativno mijenjanje obiljeja u prostoru i
vremenu.
Varijacija se moe iskazati na dva osnovna oblika:
- Varijacija kao razlika: odstojanje izmeu dva zastopna stanja kod istog obiljeja
V=N
2
-N
1
.
- Varijacija kao kolinik: odnos stanja prema prethodnom stanju istog obiljeja
V=N
2
: N
1

Oba ova oblika nam govore da li pojava, raste, stagnira ili opada.
Dva navedena oblika varijacije se nadopunjavaju i daju potpuniju predstavu o kretanju
posmatrane pojave.
Istovremeno djelovanje mnotva inilaca - varijabli na pojavu maskira prirodu
pojave. Zbog toga zadatak statistike u pedagogije je da nam pomogne da odredimo sutinska
obiljeja pojave: veliinu, intenzitet i pravac djelovanja pojedinih obiljeja.
Statistika istraivanju pojava ne prilazi kliniki idiografski, ve se oslanja na zakone
velikih borjeva statistiki = nomotetski. Pomae nam da razumijemo u skladu sa teorijom
vjerovatnoe; da ono to je sluajno nije bezuzrono. Mogunost predvianja zasniva se na
izomorfizmu (slinosti oblika) matematikih pojmova (brojeva) sa prirodnim i drutvenim
pojavama ( realnim stvarima). Za razliku od matematike koja se bavi istim brojevima,
statistika se bavi empirijskim brojevima to je osnov izomorfizma.

Mjerenje u poedagogiji
Bez mjerenja nema nauke. Bez upotreba mjerenja, nauka ostaje na nivou opaanja i
klasifikacije NIVO DESKRIPCIJE pojave.
Veina drutvenih pa i pedagokih pojava moe se iskazati samo brojanje to
opodrazumijeva koritenje logike operacije klasifikacije. Klasifikacija je postupak pomou
kojeg se pojave kategoriu da bi se mogle brojati. Klasifikacijom se mogu dobiti kvantitativne
i kvalitativne kategorije.
Kvantitativne kategorije su one koje dobijemo kada pojave ( predmete) klasifikujemo
po kretanju, pripadnosti klasi. Klase su nosioci razliitih neuporedivih kvaliteta; spol,
zanimanje, lanstvo u nekoj organizaciji, brano stanje, .... su razliiti kvaliteti i ne moemo
ih porediti u smilu vee manje, vie nie...
Kvantitativnim kategorijama moemo pripisati broj zahvaljujui izomorfnosti
(slinosti osobina, pojava, predmeta, objekata). Izomorfnsot se zasniva na osobini
identinosti ( svaki broj je jedinstven, drugaiji od drugog)
Osnovni uslov mjerenja je aditivnost osobina nekog broja sa drugim ne mora biti
jedinstven skup. Istovrsne pojave koje pripadaju istoj klasi mogu se poredati po stepenu
kvaliteta i intenzitetu ili trajanju. Kvalitet ne moemo mjeriti nekim instrumentom.
Variranje u kvalitetu daje priliku za mjerenje u smislu intenziteta kvaliteta. Pojave
razvrstavamo u kvantitativne kategorije.
Npr.: likovne radove moemo klasificirati u sljedee kategorije: veoma uspjene,
natprosjeno uspjene, prosjene, ispod prosjene i neuspjene. Pripisujemo im broj u skali
porasta ili opadanja taj broj se naziva rang a proces rangovanje.
Pri kvantitativnoj klasifikaciji kao mjerni instrument pojavlje se ovjek., mjerenje je
zasnovano na metodi procjene koristei skalu procjene i metode rangovanje. Pogreke se
izbjegavaju ukljuivanjem vie ocjenjivaa sudija, uzimanjem u konanu ocjenu prosjek
njihovih ocjena. Dosljednost se provjerava brojanjem trijada. Trijada su logike pogreke u
ocjenjivanju; tendencija da se procjena kvaliteta vrti ukrug: A je bolje od B, B je bolje od C a
C je bolje od A. to je oigledno logika pogreka.
Da bi se pojava mogla mjeriti treba ispuniti dva uslova:
a) Da ono to mjerimo ima veliinu i
b) Da imamo adekvatan mjerni instrument.
Mjerenje pomou skale odnosi se na mogunosti da se odreena veliina nekog
obiljeja uzme kao mjerna jedinica. Npr., test znanja iskazan skorom bodova.

Direktno i indirektno mjerenje
Direktno mjerenje je ono pri kojem je mjerna jedinica iste vrste kao i predmet
mjerenja. Npr., duinu mjerimo duinom 1m, masu masom 1kg.
Indirektno mjerenje je mjerenje pri kojem predmet mjerenja i mjerna jedinica nisu
iste vrste. Npr. Masa duina opruge, toplota duina vinog stuba, udaljenost od zvijezda
brzina svjetlosti, znanje broj rjeenih zadataka, stavovi procjena intenziteta stava.
Indirektno mjerenje nije manje pouzdano ali je mnogo sloenije. Ta sloenost se
ogleda u:
1. Potrebi poznavanja prirode i stepena povezanosti izmeu onog to mjerimo i onog
ime mjerimo.
2. Problemu badarenja mjernog instrumenta.

Skale i nivoi mjerenja
Nominalna skala omoguava da vrimo diskriminaciju pojave zasnovanu na logikoj
operaciji klasifikacije. Svakoj klasi moemo pripisati broj cifru nomen, oznaiti je.:
muko 1, ensko 2
Nominalna skala najee ima dvije kategorije ali ih moe biti i vie. Npr. Srednje
kole u Banjaluci.
Brojevi cifre koje se pripisuju klsama ne predstavljaju veliine ve samo oznake.
Nominalni nivo mjerenja realizuje se na operacijama registracije ili prebrojavanja.
Prije toga moramo odrediti kriterije prebrojavanja. Na osnovu nominalne skale mogu se vriti
odreene statistike operacije koje se zasnivaju na prebrojavanju. Brojei sluajeve u
odreenoj kategoriji dobijamo frekvencije koje moemo koristiti prilikom raunanja: moda,
medijana, postotka i hi kvadrata.
Ordinalnu skala je skala na osnovu koje se kategorije unutar jedne klase rasporeuju
du nekog kontinuuma.
Broj pripisan objektu naziva se rang. Broj ima funkciju da oznaava mjesto svakog
pojedinanog objekta na nekom nizu objekata istraivane pojave. Ordinalna skala govori o
porastu ili opadanju (kvantitetu) objekata unutar pojave. Razmaci izmeu brojeva rangova
intervali nisu jednaki, neodreeni su i nejasni. Npr. kolska ocjena od 1 5 je rangovanje.
Ordinalni nivo mjerenja je zasnovan na kvantitativnoj klasifikaciji. Zasniva se na
rangovanju objekata iz iste klase na nekom kontinuumu. Rangovi se ne mogu sabirati jer
jednake razlike meu brojevima ne znae jednake razlike meu rangovima.
Intervalna skala ili skala odnosa je skala kod koje su intervali jednaki. npr.
Celzijusova skala. Jednake intervale dobijemo tako da tano odreenu i nepromjenljivu
veliinu nekog obiljeja uzimamo za jedinicu mjerenja - etalon i oznaava se brojem 1. Npr.
1
0
Celzijusa pokazuju za koliko je neto vee ili manje ali ne i za koliko puta, jer je za
ishodinu taku uzeta proizvoljno odreena nula. Rast ili opadanje su kostanti 1+1=2.,
2+1=3...
Intervalni nivo mjerenja omoguava da se uporede i ustanove veliine pojava kroz:
a) Kvantitativno poreenje prisutnosti iste pojave kod razliitih jedinica posmatranja.
Npr. Rezultati nekog testa kod razliitih ispitanika.
b) Kvantitativno poreenje odnosa ili povezanosti razliitih pojava kod istih jedinica
posmatranja. Npr. Rezultati testova razliitih predmetra kod jednog ispitanika.
Omjerna skala posjeduje apsolutnu nulu, to jest potpuno odsustvo pojave koja se
mjeri. Mjerenje znanja nema apsolutnu nulu. Npr. Visina uenika, duina skoka, brzina
penjanja itd.
U pedagogiji se rijetko susreu ovakve pojave, pri statistikim operacijama se stvaraju
nulte take. Npr. aritmetika sredina.

ETAPE STATISTIKOG RADA
Svakom statistikom istraivanju predhodi unaprijed osmiljen, metodoloko
utemeljen plan istraivanja. Etape istraivakog rada su:
1. Prva etapa statistikog rada prikupljanje podataka, koja podrazumijeva odreivanje
cilja, prikupljanja podataka, odreivanje osnovnog skupa, utvrivanje jedinice
posmatranja i njenih sutinskih obiljeja, preciziranje mjesta i vremena prikupljanja...
Od izuzetnog je znaaja izbor uzorka.
2. Druga etapa : sreivanje grupisanje, tabeliranje i grafiko prikazivanje podataka.
3. Trea etapa: primjena odreenih statistikih postupaka i interpretacija rezultata.

II SREIVANJE, GRUPISANJE, TABELIRANJE, GRAFIKO PRIKAZIVANJE
PODATAKA
Prikupljanjem podataka dolazi se do velikog broja koje treba srediti .
Sreivanje podataka tee u tri faze:
1. signiranje,
2. grupisanje i
3. tabeliranje.
Sreivanje podataka se moe vriti runo ili pomou kompjutera.
Signiranje (kodiranje) - sutina je u odreivanju znaka koda za svaki pojedini podatak.
Signirati znai izvriti kategorizaciju podataka. Za signiranje se najee koriste brojevi.
Naprimjer:
1. Anketni upitnik na pitanje zatvorenog tipa- odgovri DA, NE MODA signiraju se
brojevima 1,2 i 3.
Kod pitanja pitanja otvorenog tipa je kodiranje tee i zahtjeva unaprijed sastavljeno
upustvo o kodiranju.
2. Kod inventara stavova stepen slaganja je od 1-5. Poneke tvrdnje signirati obrnutim
redom radi lake provjere iskrenosti.
3. Kod testova kod je broj bodova.
Preciznost signiranja:
Izvori greka prilikom signiranja su:
a) greke pri kategorizaciji,
b) greke pri unoenju podataka,
Do greki prilikom kategorizacije dolazi zbog pogrenog odreivanja kategorija, mogu
se izbjei tanim definisanjem kategorija.
Greke prilikom unoenja podataka:
a) sistemske greke zbog nepotpunih i izostavljenih odgovora,
b) sluajne greke nepanjom

GRUPISANJA I TABELIRANJE PODATAKA
Grupisanje podataka je postupak pri kojem se signirani podaci rasporeuju u pojedine
grupe. Vrste grupisanja:
1. Tipoloko grupisanje ( atributivna obiljeja, redanje po tipovima),
2. Varijaciono grupisanje ( numeriko intervalna skala),
3. Korelaciono grupisanje po dva obiljeja,
4. Sistematsko grupisanje po mejstu i vremenu.
Da bi rezultati bili to zorniji predstavljamo ih u obliku tabele. Tabelarni podaci nam
govore o raspodjeli ( ditribuciji ) podataka po uestalosti ( frekvenciji) u pojedinim grupama-
distribuciji frekvencija.
Grupisanje i tabeliranje nominalnih obiljeja statistike serije

Nominalna obiljeja dijelimo na atributivna i prostorna. Njihove distribucije
frekvencija ostaju na nivou tipolokog grupisanja ( razvrstavanje u klase, kategorije).
Preporuuje se da takve kvalitativne kategorije kodiramo numeriki. Tabele koje dobijemo
tipoloki mogu se razlikovati po nivoima sloenosti:
a) jednostavne proste tabele
b) skupne sloena tabele
c) kombinovane tabele sa dva ili vie ulaza.
U jednostanim tabelama se unosi samo jedno obiljeje. Npr. Vrsta fakulteta i broj
studenata atributivno obiljeje.
Primjer prostornog obiljeja: mjesto fakulteta i broj studenata.
U skupnim sloenim tabelama istovremeno se prikazuju dva ili vie obiljeja
posmatrane pojave. Npr. fakultet, broj studenata; redovnih i vanrednih. Broj studenata
redovnih (M i ) i vanrednih (M i ).
U kombinovane tabele istovremeno se prikazuju podaci po osnovu dva ili vie
obiljeja, tako da se ita kroz prethodno a svako drugo i svako dalje kroz zaglavlje.

Grupisanje i tabeliranje numerikih obiljeja statistiki nizovi
Za statistike jedinice sa numerikim obiljejima (obuhvataju i vremenska obiljeja)
karakteristino je da njihove distribucije frekvencija mogu biti:
a) variciono grupisanje ili graduiranje.
b) korelaciono grupisanje.
U oba ova sluaja prikazana je samo kvantitativna strana israivane pojave.

Varijaciono grupisanje ili graduiranje
Numerika ( kvantitativna) obiljeja tvore numerike serije STATISTIKE
NIZOVE. Numerika obiljeja variraju po veliini, od njih je mogue sainiti niz koji se
moe rasporediti graduirati na principima:
- klimaksa od najmanje do najvee vrijednosti
- antiklimaksa obrnuto
Primjer: 40 studenata visina : 160.161.,162,.....179, 180,181
Da bi se izbjeglo ponavljanje podataka i dobilo na preglednosti, rezultate prikazujemo
u obliku distribucije frekvencija u vertikalnoj ravni. Da bi se izbjegla nula zbog nedostajanja
nekih brojeva u nizu, rezultate grupiemo u razrede - varijaciono grupisanje. Da bismo mogli
izvriti grupisanje treba da odredimo interval razreda.
Radzredni interval (i) ini vrijednost numerikog obiljeja koje pri grupisanju ulaze
u jedan razred. Svaki razed u jednoj distribuciji frekvencija ima isti interval.
Radi bolje preglednosti optimalan broj razreda je 8 15. Za veliinu intervala
preferiraju se neparni brojevi da bi razredna sredina bila cijeli. Razredna sredina (Xi)
odreuje se za svaki pojedini razred kada saberemo gornju i donju razrednu granicu i
podijelimo sa 2. Razredna granica moe biti stvarna i nominalna. Primjer nomiminalne 169 -
171, a stvarne 168,5-171,5. Otvoreni razred nema jedne granice,gornje ili donje.

Korelaciono grupisanje se upotrebljava kada elimo da ispitamo povezanost dva
obiljeja kod istih ispitanika ( statistikih jedinica).
Primjer. Studenti II godine pedagogije : visina (X) i teina (Y). Dobili smo dijagram
rasprenja koji predstavlja osnov za izraunavanje koeficijenta korelacije. Da bismo utvrdili
povezanost ovih obiljeja prije raunanja stepena povezanosti, pristupamo korelacionom
grupisanju rezultata izradi dijagrama raspreenja.

GRAFIKO PRIKAZIVANJE PEDAGOKIH POJAVA
Kategorijalni i kvantitativni podaci do kojih se je dolo prebrojavanjem ili mjerenjem i
koji su prikazani u tebelama ili u distribucijama frekvencija mogu se prikazati i grafiki.
Grafiki prikazi se zasnivaju na vizuelnoj oiglednosti, olakavaju istraivanje pojava i
upuuju na pravilnu primjenu statistikih postupaka u daljoj analizi.

Grafiko prikazivnje pojava s atributivnim ( nominalim) obiljejima
Dva su najea naina prikazivanja pojava s atributivnim ( nominalim) obiljejima:
a) grafikon stupaca i
b) grafikon krugova.
Grafikon stupaca se crta unutar grafikona ija je ishodina taka oznaena kao nula.
Omjer irine i visina je 3 :2. Na osnovicu se ispisuju kategorije ili brojevi kojim su
imenovane. Na vertikalnu crtu se ispisuju frekvencije. Ako su frekvencije veliki brojevi mogu
se iskazati i u hiljadama a i u postotcima. Stupci se mogu prikazati sa i bez razmaka i
kombinovano. Svi stupci moraju biti iste irine. Omjer izmeu njih i razmaka je 3:1.

Grafikon krugova
Frekvencije se iskazuju povrinom kruga. Njihov odnos usklauje se duinom
poluprenika. P=r
2
. u kojoj je konstanta, to znai da povrina kruga koji predstavlja neku
povrinu se odreuje kao korijen brojanog niza pojave, zatim se izabere omjer i svedu na
zajedniku jedinicu duine (cm).
Grafikon krugova je naroito koristan ako elimo predstaviti strukturu neke pojave.
Grafikon pie pita: sastoji se iz isjeaka jednog zajednikog kruga. Isjeci prikazuju
udio koji otpada na svaku biblioteku. Poto krug ima 360
0
, broj knjiga u svakoj biblioteci
pomnoimo sa 360 i dijelimo sa ukupnim brojem knjiga svih biblioteka. Dobijeni brojevi su
stepeni datog kruga, njihov zbir mora da iznosi 360
0
.

Grafiko predstavljanje numerikih (stvarnih ) obiljeja statistikih nizova
Kvantitativni podaci dobijeni mjerenjem prikazuju se pomou distribucije frekvencija
u kojoj su obe kolone date u obliku brojanih vrijednosti, pa je pri njihovom prikazivanju
mogue krenuti od koordinatnog sistema. Grafikon numerikih obiljeja moe imati razliite
forme, ali se distribucije frekvencija najee prikazuju u obliku poligona frekvencija
linijskih dijagrama.
Poligon frekvencija
Za grafiko predstavljanje poligona frekvencija koristimo koordinatni sistem. Na
apsisu X upisujemo numerike vrijednosti posmatranog obiljeja, ispod apsise upisujemo
razredn sredine. Kada podaci nisu grupisani upisujemo pojedinane vrijednosti. Na ordinatu
unosimo frekvencije. Svakoj jednici frekvencije mora da odgovara ista duina na osi ordinate.
Odnos irine grafikona apsise i njegove visina - ordinate je 3:2. Za svaki razred utvrujemo
taku ukrtanja razredne sredine i frekvencije tog razreda. Kada te sve take spojimo pravim
linijama dobijamo linijski dijagram koji nazivamo poligon frekvencija. Ako umjesto jedne
zammiljene linije iz razredne sredine povuemo dvij vertikalne linije i spojimo ih crtom
dobijamo histogram. Histogram ne moe imati odvojene stupce poto numeriak obiljeja
imaju svojstva kontinuiranosti.

Oblici poligona frekvencija razlikuju se po:
a) simetrinosti
b) modalnosti
c) kurtinosti
Oslonac je normalna distribucija, predstavljena zvonastom Gausovom krivuljom,
koja je po obliku: simetria, unimodalna i mezokurtina. Kod ovih distribucija, njena desna
polovina jedanaka je lijavoj, na svakoj polovini je po 50% viih i niih rezultata. Ako je
krivulja nagnuta u lijevo onda je pozitivno asimetrina, a negativno asimatrine krivulje su
nagnute u desnu stranu. Ekstremni oblik asimetrinost su J distrubucije (jot desna i jot lijeva).
U pogledu modalnosti distribucije mogu biti: unimodalne, bimodalne i multimodalne.
Modalnost se odnosi na broj vrhova, tj. broja sa visokim frekvencijama izmeu kojih su
razredi sa niim frekvencijama. Ekstremni oblik bimodalnosti U distribucija sa puno viih i
niih rezultata a malo srednjih.
U pogledu kurtinosti distribucije mogu biti:
a) mezokurtine ( srednje),
b) leptokurtine (uske) i
c) platikurtine (iroake).
Kurtinost se odnosi na zaobljenost distrubucije. Ekstremni oblik platikurinih
distribucija je pravougaona distribucija u kojoj su sve ferkencije iste.

Poliranje poligona frekvencija
esto se vri probno istraivanje na malim uzorcima radi postavljanja hipoteeze ili
provjere instrumenata. Time se dobijaju bimodalne ili multimodalne distribucije. Zbog
ekonominosti ne vri se ponovno istraivanje nego se dobiveni rezultati izravnavaju
poliraju. Poliranje distribucije poligona frekvencija se zasniva na proceduri u kojoj se
frekvencije svakog pojedinanog razreda prevode u poligone frekvencija. Distribuciji
frekvencija dodaju se jo dva razreda, prvi i posljednji, ija je frekvencija nula.

Poligon postonih frekvencija
Prilikom utvrivanja dviju distribucija, na istom grafikonu crtamo dva poligona
frekvencija ukoliko je isti broj sluajeva (n) , ako nije onda se apsolutne vrijednosti prevode u
postotke mnoimo ih sa 10 i dijelimo sa brojem sluaja.


III STATISTIKA ANALIZA PEDAGOKIH POJAVA POMOU PARAMETARA
U OKVIRU DESKRIPTIVNE STATRISTIKE
Statistika analiza podataka sreivanje, grupisanje i grafiko predstavljanje podataka,
te njihovim ralanjivanjem na pojedinane podatke i obuhvatom u odreenom momentu ili
periodu.
Osnovni cilj nauke je da to vei broj pojava pokuava objasniti na to manjem broju
pojava, tj. vri njihovu generalizaciju. Statistika u tu svrhu veliki broj rezultata svodi na mali
broj brojeva parametara ( pokazatelja). Moramo imati na umu ukupnu periodu istraivane
pojave, jer tada e inerpolacija znaenja dobijenih parametara uz matematiki imati i logiki
smisao. Parametri su nam potrebni kao prvi korak u prelasku sa statistike analize tipolokih
serija na analizu varijacionih nizova, pri kojoj je akcenat na istraivanju varijacija stastistikih
masovnih pojava.
Parametri varijacije obiljeja:
1. srednje vrijednosti pojave,
2. mjere disperzije pojave,
3. mjere asimetrije pojave i
4. mjere zaobljenosti pojave.

SREDNJE VRIJEDNOSTI
Vrijednosti izraavaju ono to je tipino za neku masovnu pojavu dominantnu
osobinu po kojoj se ona razlikuje ili slii nekim drugim srodnim pojavama. Potrebno je
upoznati prirodu istraivane pojave, osmisliti cilj istraivanja i povesti raun o homogenosti
podataka koje smo prikupili.
Srednje vrijednosti po osnovu rauna o redosljedu podataka ( sreenosti po principu
klimaksa i antiklimaksa) dijelimo na dvije osnovne grupe:
1. sredine i
2. srednje vrijednosti.
Sredine su:
a) aritmetika sredina M
b) geometrijska sredina G ili Gp
c) harmonijska sredina H ili Hp
d) logaritamske sredina L ili LP
Srednje vrijednosti su:
a) mod Mo,
b) medijan Md,
c) medijala Ml
Za potrebe pedagokih istraivanja naroito su znaajni i upotrebljivi srednji brojevi
mod i medijan i aritmetika sredina.
Mod je vrijednost ( podatak) koji se najee pojavljuje u nekom nizu podataka.
Primjer. Studenti II godine pedagogije prema obiljeju visina, prikazan kao
kvantitativan numeriki niz sreen po prioncipu klimaksa ili antiklimaksa: 160, 161,
...8*169... 181.
Mod je 169.
Kod grupisanih podataka odreuje se modalni razred razredna sredina sa najveom
frekvencijom.
Mod iz grupisanih podatak moe se odredtit sljedeom formulom:
Mo=Li+b - a *i
(b-a) + (b-c)
Li donja granica modalnog razreda
i interval
b frekvencija modalnog razreda
a frekvencija ispod modalnog razreda
c- frekvencija iznad modalnog razreda
Sredina modalnog razreda u primjeru (tabela 14.) iznosi 147, upotrebom formule
dobvena je preciznija vrijednost Mo = 146,12.
Da su a i c iste vrijednosti Mo bi bio razredna sredina modalnog razreda.
U tabeli 15. ( str.65.) u distribuciji f1 imamo dvije iste frekvencije 8. Za modalni
zarzred se uzima onaj koji je blii sredini distribucije. Ako je a vee od c onda je Mo blii
donjoj granici modalnog razeda. Ako je a manje od c, onda je Mo blii gornjoj granici
razreda.
U distribuciji f2 imamo dva razreda sa jednakom frekvencijom (12) izmeu kojih je
razred sa manjom frekvencijom (10). Razredna sredina modalnog razreda ta dva jednaka
razreda je Mo. Ako su dva razreda sa viom frekvencijom razdvojena sa dva ili vie razreda,
onda je distribucija bimodalna i Mo se ne rauna. Treba ustanoviti da li bimodalnost stvarna
ili je odraz:
a) loeg instrumenta ili
b) malog broja ispitanih sluajeva.
Ako je bimodalnost stvarna Mo nema smisla raunati.
Medijan Md je centralna vrijednost u nekom nizu podataka. Medijan se rauna u
dvije faze. Prvo se odreuje mjesto Md azatim Md.
Md= N + 1
2
Ako je N neparan broj, mjesto Md je cijeli broj, ako je N paran broj mjesto Md je
decimalana broj. U primjeru visine studenata N=40
Md= 40 + 1 =20,5
2
Odbrojavanjem od 160 utvrujemo da je mejsto Md izmeu dvije jednake cifre 169.
To znai da je Md 169. Ako se mjesto medijana nalazi izmeu dva razliita broja onda ta
saberemo i podijelimo sa dva.
Izraunavanje Md iz grupisanih podataka
Md iz grupisanih podataka izraunava se postupkom interpolacije. Trebamo da
dobijemo kumulativne frekvencije: polazei od najnieg razreda, svakom sljedeem dodajemo
frekvencije prethodnih razreda. Konani zbir kumulativnih frekvencija je ukupan broj
sluajeva N.

Grafiko odreivanje Md
Md se moe odrediti bez raunanja preko poligona kumulativnih frekvencija. Na
apsisu su unesu gornje granice razreda. Na ordinati unesemo ukupan broj sluajeva N, jer
posljedna kumulativna frekvencije je jedaka N.
Na ordinati se odreuje mjesto N/2, iz njega se povue horizontalna linija do krivulje
fc, a odatle vertikala do apsise. Na mjestu dodira se iitava vrijednost Md. Za precizno
odreivanje Md tebalo bi koristit milimetarski papir.

Aritmetika sredina M
M je prosjena vrijednost rezultata iste vrste svih jedinica mjerenja jednog
numerikog obiljeja. Neopravdano je raunati M dva razliita obiljeja. Izraunavanje M
podrazumijeva da je distribucija rezultata to simetrinija.
M=X/N
Za izraunavanje M nije potrrebno sreivati podatke. M obino ne odgovara ni jednoj
vrijednosti iz koje je izraunata ali najbolje odgovara svakoj od vrijednosti u isti trenutak.
Zbroj odstupanja pojedinih vrijednosti od M jednaka je nuli.
Kada imamo veliki broj rezultata izvriemo njihovo grupisanje. Ako je i=1 formula je
M=fx/N
Izraunavanje M iz grupisanih podataka
Ako je i vei od 1 postupak je neto sloeniji. Uobiajena su dva postupka u
izraunavanju M:
a) na osnovu razrednih sredina i
b) na osnovu proizvoljne ishodine take.
Za svaki pojedinani razred odredimo razrednu sredinu Xi, svaku od njih pojedinano
pomnoimo sa f, tako dobijemo kolonu fXi, njenim sumiranjem dobijemo fXi podatke
uvrstimo u formulu: M=fXi/N.
Poto se na ovakava nain ne koriste pojedinani rezultati ve razredne sredine,
dobijena M je neto nepreciznija. to je broj podataka vei odstupanje je manje, razlika je
zanemarljiva, obzirom na ekonominost postupka.
Izraunavanje M preko proizvoljne ishodine take je jo ekonominije. Moemo bilo
koji razred uzeti za proizvoljnu ishodinu taku, zbog jednostavnosti uzima se razred sa
najveom frekvencijom. Od tog razreda vrimo diferencijaciju (d) prema viim i prema niim
razredima: viim pripisujemo pozitivne vrijednosti 1,2,3, a niim negativne -1,-2-,-3..
Dobivene diferencijacije (d) mnoimo sa f i njihovim sumiranje dobijamo fd
Mo=Xo+i (fd/N) Xo je proizvoljna ishodina taka.

Vagana ili ponderisana M
Ponekad imamo vie M koje potiu iz istog skupa. Zajedniki M dobivamo tako da
saberemo sve M i podijelimo ih brojem grupa.
Ukoliko sve grupe nemaju istu veliinu N, onda moramo vagati ili ponderisati M.
Ponder slui kao veliina uzorka.
Mm = M1*N1+M2*N2+M3*N3+Mn*Nn
N1+N2+N3+Nn
Izraunava se tako to zbir svih proizvoda pojedinanih M sa brojevima svake grupe N
podijelima sa zbirom brojeva N svake grupe.

Vagana M postotaka
Izraunava se na slian nain kao i ponderisana M samo to umjesto M koristimo
postotke :
M% = P1*N1+P2*N2+P3*N3+Pn*Nn
N1+N2+N3+Nn

Centralne vrijednosti u asimetrinoj distribuciji
Mo je uvjek tamo gdje je vrh distribucije. Md u asimetrinim distribucijama se u
odnosu na Mo pomjera prema ekstremnim vrijednostima. Od svih centralnih vrijednosti M je
pod najveim uticajem ekstremnih vrijednosti, zato to je ona prosjek i zbir odstupanja na
jednu i drugu stranu mora biti nula.
U asimetrinim distribucijama, M se od Md udaljava u pravcu ekstremnih vrijednosti a
Md je smjeten izmeu Mo i M na 2x veoj udaljenosti nego od M. Na osnovu tog moemo
procijeniti Mo ako znamo vrijednost Md i M.

MJERE DISPRERZIJE ( RASPRENJA) VARIJACIJE
Odstupanjem distribucije od noramlne, M postaje nepouzdanija. Tako na primjer
moemo imati istu M kod normalne, pravougaone i U distribucije.
Parametri koji pokazuju koliko pojedinani rezultati odstupaju variraju od srednje
vrijednosti koja ima je zajednika nazivaju se mjere disperzije - rasprenja.
Svaka mjera disperzije odgovara nekoj centralnoj vrijednosti. Mo odgovara RV .
Md odgovara Q. M odgovara standardna devijacija .
Raspon varijacije je razlika izmeu najvieg i najnieg rezultata u nekom nizu
podataka. Koristi se za sticanja prvog uvida u distribuciju. Bitan je podatak pri odreivanju
veliine razrednih intervala. Izraunava se pomou formula RV= ( Xmax-Xmin)+1

Kvartilno odstupanje Q
Md je kvartil Q, dijeli niz podataka na dva jednaka dijela, polovinu viih i polovinu
niih rezultata. Q, Q1 i Q3 dijele niz brojeva na 4 jednaka dijela.
Raspon izmeu Q1 i Q3 naziva se INTERKVARTILNI RASPON, on obuhvata 50%
srednjih rezultata. Kvartilno odstupanje dobijemo tako to vrijednost interkvartilnoog raspona
podijelimo sa 2. Q=Q3-Q1/2
Izraunavanje Q iz negrupisanih podataka: prvo treba u nizu podataka utvrditi mjesto
Q3 i Q1.
Primjer. Osnovne kole na podruju Banjaluke po broju uenuika: 217. 304, 289,...
958, 996, 1120.
Mjesto Q1= *(N+1) I kvartil
Mjesto Q1= 3/4*(N+1) III kvartil
Poslije odreivanja kvartlia, pristupa se odbrojavanju. Prvi kvartil je na etvrtini u
ovom sluaju izmeu 486 i 430. Njihovu razliku dijelimo sa 4. 486-430=56, 56:4= 14,
430+14=444.
Trei kvartal je izumeu brojeva 840 i 856; 856-840=16, 16:4=4; 4*3=12;
840+12=852.
Kvartilno odstupanje dobijemo formulom: Q=Q3-Q1
2

Izraunavanju Q iz grupisanih podata, prethodi izraunavanje prvog i treeg kvartila i
medijana postupkom interpolacije ( kumulativne frekvencije).
Primjer tabela 34. Strunoo usavravanje nastavnika o interaktivnom uenju. 84
nastavnika prijedorskih kola. Rezultati uspjenosti.
I korak je utvrditi N/4 84:4=21 i 3*N/4 21*3=63
II korak naemo razrede koji sadre 21 i 63 (kvartilne razrede)
III korak odredimo donje razredne granice kvartilniih razreda LQ1=19,5 9 i
LQ3=34,5
IV korak odredimo FL fc vrijednosti Q3-Q1, one su ispod fc kvartilnih razreda
V korak odredimo fQ1 i fQ3- frekvencije kvartilnih razreda
VI korak odredimo razrednii interval 5
VII korak primjenimo formulu za raunanje Q grupisanih podataka



Grafiko odreivanje kvartila i izraunavanje Q
Postupak je isti kao i kod odreivanja Md:
I korak: unesemo fc tabelu
II korak: nacrtamo ogivu
III korak: odredimo N/4 i 3N/4 tj. mjesto Q1 i Q3 na ordinati
IV korak: povuemo dvije paralele sa apsisom do ogive iz mjesta Q1 i Q3
V korak od ogive spustamo vertikale do apsise.
Vi korak raunamo Q poformuli: Q =Q3-Q1
2

STANDARDNA DEVIJACIJA
Svako odstupanje od M je devijacija. Njih ima koliko i podataka.
Momenat oko sredine je M odstupanja vrijednosnih obiljeja od M tog obiljeja
podignuttih na neku potenciju.
Drugi momenat je varijanca M kvadrata odstuanja vrijednosti numerikog obiljeja
od njihove M = d
2
. Za njeno izraunavanje koristimo formulu:

2
= d
2
N
Varijanca je mjera disperzije izraena u drugom stepenu, pa je treba vratiti u prvi
stepen, na taj nain dobijamo standardnu devijaciju:
= d
2
N
= standardna devijacija
= zbir
N = ukupan broj podataka
d
2
= odstupanje svakog vrijednosti numerikog obiljeja od M, dignuto na kvadrat.

Standardna devijacija je mjera devijacije ( odstupanja) svakog pojedinog podatka od
M.
Iz negrupisanih podataka devijaciju raunamo pomou osnovne formule ( tabela
26.)

I izraunava se M,
II svaki pojedini rezultat se oduzme od M i daje se x ili d
III odstupanja kvadriramo x
2
d
2

IV sumiramo kvadrate d
2

V sumu kvadrata podijelimo sa sa brojem sluajeva N
VI kojrijenujemo = d
2
N


Izraunavanje iz grupisanih podataka

Izraunava se na dva naina:
a) na osnovu razrednih sredina i
b) pomou proizvoljne ishodine take

Izraunavanje na osnovu razrednih sredina:
- podatke grupiemo u razrede,
- odredimo razredne sredine Xi
- odredimo f
- izraunamo proizvode fXi i sumiramo ih fXi
- izraunamo razlike Xi M= xi
- kvadriramo xi svakog pojedinanog razreda i sumiramo ih fXi
2

- pristupamo raunanju po formuli: = Fx
2

N

Izraunavanje pomou proizvoljne ishodine take
- podatke grupiemo u razrede,
- odredimo f
- razred sa najveom frekvencijom oznaimo sa nula, vie razrede sa 1,2,3, a nie sa -1,-
2,-3.
- Izraunavamo f*d i sumiramo d
2

- Pristupamo raunanj po formuli = d
2
( fd)
2

N N

Korekcija zbog greke koja nastaje grupisanje podataka u razrede
Zbog grupisanja podataka u rezrede dolazi do nepreciznosti, jer se umjesto X kree od
Xi. Ako je broj razreda vei od 10 greka je zanemarljiva, a ko je manji onda se vri korekcija
epardovom formulom:
c=
2
i
12


Kolinik varijabilnosti (koeficijent variacije) V
V je relativna vrijednost varijacije koja pokazuje koliko procenata M iznosi vrijednost
.
V se upotrebljava kada treba uporediti varijabilnost rezultata dvije grupe ispitanika.
Rezultati su dobijeni istim instrumentom, a grupe imaju razliite M. Veliina M pokazuje koja
je grupa postigla bolje rezultate. Koja je grupa homogenija, saznati emo raunajui V po
formuli:
V=*100
N

to je V vee to je homogenost rezultata manja, a varijabilnost vea i obratno.

NORMALNA DISTRIBUCIJA
Normalna distribucija je specifian oblik binomne distribucije. Grafiki prikazano
normalna distribucija ima krivulju u obliku zvona Gaus La Plasova krivulja. Njen oblik je
simetrian i unimodalan, M, Mo i Md su u istoj taki, koja povrinu ispod zvona dijeli na
dvije jednake polovine. Ispod apsise imamo u rasponu od +3 do -3 . Ako se mijenja M ,
krivulja se pomjera desno ili lijevo du apsise. M uvijek ostaje u njenoj sredini. To je osnov
za utvrivanje zanajnosti razlika M sa dva uzorka. Tj. za utvrivanje da li ona pripadaju
istom skupu.
Normalna distribucija je standardizovana ili jedinina distribucija. Tj. za svaku
vrijednost rezultata X nekog obiljeja mogue je odrediti njeno standardizovano obiljeje z
vrijednost. Mjesto svakog pojedinanog rezultata na apsisi izraava se standardizovanoj
veliini koja je mjera udaljenosti tog mjesta od M, izraava se u jedinicama standardne
devijacije.
z= X-M

Pomou naveden formule sirove rezultate prevodimo u standardizovane skorove, koji
omoguavaju poreenje rezultat razliitih ispitanika na istom testu i rezultate istog ispitanika
na razliitim testovima.

Povrine pod krivuljom normalne distribucije
Zvono krivulje normalne distribucije pokriva povrinu koja zbog asimptotinosti
nikada nije stopostotna.
Povuemo li vertikale iz standardizovanih jedinica razgraniiti emo povrinu na 6
dijelova. Zbog simetrinosti polja od M do 1 ili od M do -1 su identina i zahvataju po
34,13% povrine, ukupno 68,26%. Polja od +1 do+2 i od -1 do -2 imaju povrinu po
13,59%. Polja od +2 do +3 i od -2 do- 3 imaju povrinu po 2,15%.
z vrijednost nam govori o postotcima od koliko ispitanika je rezultat nekog
ispitanika bolji ili loiji.
Za z skor od 1,58 odgovara povrina 0,4429 ili 44,29%. U pretkoloni iitavamo 1,5 a
treu cifru 8 u zaglavlju. Predznak nam govori da li su rezultati lijevo ili desno (boljih 50% i
50 % loijih). Pozicija naeg ispitanikaje lijevo i od njega je boljih 94,29% ( 50+44,29), loiji
skor imaju 5,71% ispitanika.

Odreivanje normalne distribucije koa se najbolje podudara sa empirijskom
Normalna distribucija je teorijska distribucija. To znai da je svedena na N=1. M=0 i
= 1. Zahvaljujui standardizaciji sirovi skor X se moe prevesti u stadradizovani skor z. Za
razliku od normalne, empirijska distribucija ima odreeno N, M i .
Da bismo standardizovali empirijsku distribuciju na normalnu trebamo opaene
frekvencije fo empirijske distribucije prevesti u teorijsku frekvencju ft. Tako to za svaki
sirovi skor ili za svaku razrednu sredinu odredmo z vrijednost.
Iz tabele ordinata u normalnoj krivulji oitamo visinu ordinate Y ( tabela B ), zatim je
pretvaramo u teorijsku frekvenciju.

Mjera asimetrinosti Sikjuns
Karl Pirson je na osnovu razlike izmeu Mo i M, osmislio Sikkjuns nagnutost za
odstupanje distribucije ( originalne ili opaene) od normalne. Ukoliko je distribucija
simetrina Mo, Md i M su na istom mjestu. Ukoliko je distribucija asimetri n aM se udaljava
od Mo lijevo ili desno. Sikjuns se u asimetrnim distribucijama kree od -3 do +3, a za
simetrine je nula. Mo ima smisla raunati samo u odreenim uslovima zbog toga sikjuns
ee raunamo na osnovu Md. Md se u asimatrinim distribucija nalazi priblino 2/3
razmaka izmeu Mo i M
Sk= 3* M-Md


Mjera zaobljenosti kurtozis Ku
Ku je mjera zaobljenosti krivulje empirijske distribucije frekvencija. Gr. kurtozis
izboenost. Kod normalne distribucije frekvencija kurtozis je 0,263. Ta vrijednost je
konstanta. Distribucija sa kurtozisom veim od 0,263 su platikurtine. U leptokurtinih
distribucija ( izboenih) kurtozis je manji od 0,263.
Formula za izraunavanje kurtozisa je:
Ku= Q
P
90
-P
10

Ku je mjera zaobljenosti
Q je kvartilno odstupanje
P
90
je devedeseti centil, deseti decil
P
10
je deseti centil, prvi decil


KORELACIONI NIZ
Izraunavanjem korelacije dobivamo novu vrstu parametara koeficijent korelacije
(r), koji nam govori o krakteristikama korelacionog niza, nastalog putem dva mjerenja
iskazanog dijagramom rasprenja. Pokazuje nam ukojoj mjeri su dva obiljeje povezana,
koliko je varijacije jedne pojave uslovljena varijacijom druge pojave.
Odnos dvije pojave varijable moe imati razliit pravac, smjer intenzitet. Dvije
pojave mogu imati razliit kvalitet kauzalnosti, mogu biti u odnosima gdje jedna vrijabla
(nezavisna ) uzrok a druga posljedica (zavisna). U tom sluaju pristupamo korelacionoj
analizi kojom ispitujemo postojanje veze dvije pojave.
Kvalitativnom analizom utvruje se stvarna priroda istraivakih pojava tj. da li je
neka uzrok ili posljedica ili su u uzajamnoj kauzalnoj vezi.
Stohastiki tip povezanosti varira oko funkcionalnih odnosa. Djelovanje varijabli na
druge varijable mogu biti na tri naina:
a) Antecendirajue (predhodee)varijable ( prethode nezavisno i zavisno
promjenjivoj varijabli, uzrokujui ih;
b) Kondicionirajue varijable (upliu se izmeu nezavisno i zavisno promjenlljive,
uslovljavajui ih
c) Eksplanatorne varijble ( slijede nakon nezavisne i zavisne varijable, objanjavajui
ih.

Korelaciona analiza (korelacija) je dio regresivne analize koja se bavi
istraivanjem i izuavanjem pravca(oblika) smjera i jaine veze meu razliitim
pojavama.
Ako istraujemo dvije pojave rije je i bivarijantnoj nalizi, ako istraujemo tri
ili vie pojava radi se o multivarijantnoj analizi - PARTIAL.
Korelacijom se ne dokazuje uzrono posljedina veza meu pojavama u smislu
determinizma, ve samo u smislu testiranja intenziteta ispoljavanja povezanosti meu
posmatranim pojavama.
Koeficijent korelacije se kree u rasponu od +1 do -1. Ako je koeficijent
korelacije 0, to znai da korelacije meu pojavama nema, da mjenjanje jedne pojave
ne utie na promjenu druge varijable. Maksimalna mogue korelacija je +-1, ukazuje
na funkcionalnu vezu meu pojavama. Primjer: odnos duine ivinog stupa i
temprerature tijela.
Za pedagoke pojave karakteristina je stohastika ( vjerovatna nasluena)
korelacija- veza meu pojavama, koja se predoava sa dvije linije. Primjer: veza
rezultata testa srpskog jezika i testa znanja iz istorije, uspjeh u osnovnoj i uspjeh u
srednoj koli, kvbalitet NPP i obrazovnih rezultata uenika...
Ispitivanjem korelacije utvruje se da li su dvije pojave povezane, u kom se
intenzitetu mjenjaju zajedno, da li im je pravac i smjer isti ili razliit, da li se mijenjaju
istog momenta ili uzrono opsljedino.
Pojave koje imaju jedan pravac mijenjanja, imaju linearan pravolinijski oblik
veze, predoavamo ih sa dvije linije koje teku u istom pravcu.
Ako jedno vrijeme imaju isti pravac a zatim razliit, onda je njihov oblik
krivolinijski, predstavlja se krivuljama drugog, treeg reda zavisno od broja promjena
pravca.
Ako je veza izmeu dvije pojave funkcionalna, imaju istu veliinu, isti pravac
mijenjanja perdstavljaju se jednom linijom, ali smjer moe biti isti, rije je o
pozitivnoj korelaciji r=+1. Smjer moe biti razliit, tada je rije o negativnoj korelaciji
r=-1.
Kod pozitivnih korelacija isti je pravac i smjer, porast jedne varijable prati
porast druge varijable.
Negativne korelacije imaju isti pravac a suprotan smjer, porast jedne varijable
linearno prati pad druge varijable.
Kod stohastikih veza imamo lineranu pozitivnu ili negativno korelaciju, ali im
intenzitet zajednikog mijanjanja nije u funkcionalnoj vezi, i vrijednost korelacije je
manjaod +-1 (+0.56 do -0,56), te se predstavlja sa dvije linije.
Intenzitet povezanosti meu pojavama moe se rikazati i grafiki preko
dijagrama rasprenja. Ako je veza meu pojvama funkcionalna, obje pojave se
poklapaju te su predstavljene jednom linijom ( grrafikon A) slika 11. Bilo da je rije o
pozitivnoj ili o negativnoj korelaciji.
Ako je veza stohastika pojave su prestavljene sa dvije linije koje su ukrtaju
pod razliitim uglovima to zavisi od veliine koeficijenta korelacije. to je koeficijent
korelacije manji, to je vei ugao a oblak rasprenja oko linija iri (grafikon B i C
pozitivna i E negativna korelacija).
Ako korelacije nema, ako je r=0, dvije linije se ukrtaju pod pravim uglom,
oblak rasprenja je maksimalno rasprostranjen.
Kod linearnih korelacija koje imaju isti pravac i smjer ( pozitivna korelacija),
obje linije regresije imaju isti pravac ishodita prema gornjem desnom uglu i isti
pravac rastu obje varijable. Primjer X varijabla apsisa koski uspjeh a Y ordinata
vrijeme provedeno u uenju.
Kod linearnih korelacija sa istim pravcem a suprotnim smjerom obje linije
imaju pravac od gornjeg lijevog ugla prema donjem deesnom uglu. Varjabla X raste a
varijabla Y opada. Primjer: loski uspjeh X a Y vrijeme provedeno u kafiu.
Kod krivolinijskih korelacija ( grafikon F) pravac linija regresije dviju varijabli
je jedno vrijeme pravolinijski a zatim dolazi do zakrivljenja jedne od varijabli. Ne
dobija se koeficijent korelacije ve dva odnosa korelacije. Predznak se ne moe
izraunati ve samo procijeniti na osnovu uvida u dijagram rasprenja (skater
dijagrama). Primjer: varijabla X nivo motivacije za pobjedu na fudbalskoj utakmici, a
vaijabla Y vjerovatnoa uspjeha. Porast motivacije prati jedno vrijeme porast
vjerovatnoe uspjeha ali dalji porast motivacije prati opadanje vjerovatnoe uspjeha.
Drugi primjer X starosne dob a Y inteligencija. Porast starosne dobi prati porast
inteligencije, ali nakon dosezanja odreenog platoa dalji porast starosne dobi prati
opadanje inteligencije.


Pirsonov koeficijent korelacije ( produkt moment korelacije)
Pirsonov koeficijent korelacije je osnovni pokazatelj korelacije. Pirson je nagib
za obje varijable izrazio u jedinicama standardne devijacije z vrijednostima. Da bi to
bilo opravdano obje varijable moraju se didtribuirati u skaldu sa normalnom
distribucijom, da su unimodalne i simetrine. Povezanost mora da bude linearna. U
sluaju zakrivljenosti umjesto koeficijenta korelacije treba raunati odnose korelacije .
Koeficijent korelacije je geometrijska sredina odnosa korelacije.
Ukoliko vraijable X i Y ne daju kontinuirane distribucije numerikih nizova,
pri izraunavanju koeficijenta korelacije ne primjenjuje se Pirsonov koeficijent
korelacije, nego neki drugi koji su iz njega izvedeni.
Primjer: uenici III razreda osnovnih kola testirani su sa dva testa X
provjeravanje sabiranja, Y provjeravanje oduzimanja.
Nul hipoteza: Ne postoji statistiki znaajna povezanost u uspjenosti
rjeavanja zadataka sabiranja i oduzimanja kod uenika uz 99% sigurnosti. (0,01%
rizika).
Formula: r
XY=xy ili
r
XY=dxdy
Nxy Nxy


Pirosnov koeficijent korelacije pomou bruto rezultata je ekonominiji i bri
ukoliko se radi digitronom, nije potrebno raunati aritmetika sredinu i standardnu
devijaciju.
Primjer studenti II godine pedagogie na ispitima iz Predkolske pedagogije i
Razvojne pedagoggije. Nul hipteza; Ne postoji statistiki znaajna povezanost
izmeu ocjena iz Predkolske pedagogije i Razvojne pedagoggije uz 95% sigurnosti.
R
xy
= NXY (X) (Y)
NX
2
-( X
2
) Y
2
( Y
2
)

Interpretacija visine i znaenja korelacije
Korelacije predstavljene istim brojevima a razliitim predznakom (r=+0,71 i
r=-0,71) govore nam o istom intenzitetu poveazanosti, razlika je u smjeru povezanosti.
Vii koeficijent korelacije govori o veoj povezanosti, ali ne i da je r= 0,50
dva puta vei od r=0,25. Niti da je 0,42 od -0,21.
Skala koeficijenta nema karakteristike omjerne skale. Nula nije ishodina taka
ve mjesto u kom nema korelacije a ne govori nam o nepostojanju tih pojava.
Koeficijent korelacije je indeksni broj, a ne mjera na linearnoj skali jednakih
jedinica.
Tri su naina interpretacije visine znaaja korelacije:
1. Komencionalni:
a. Od 0 do +-0,20 neznatna korelacija, nebitna povezanost
b. Od +-0,20 do +-0,40 mala korelacija, postoji izvjesna povezanost
c. Od +-040 do +-0,70 umjerena korelacija, stvarna povezanost
d. Od +-070 do +-0,90 visoka korelacoija, bitna povezanost
e. Od+-0,9 0 do +-1 veoma visoka korelacoija, sutinska povezanost
2. Statistiki znaajna povezanost je za pojave 99 i 95% sigurnosti. Zavisi od
veliine uzorka, na malom uzorku je statistki znaajan koeficijent
korelacije za 95% sigurnosti najmanje r= o,997. Uz 99% sigurnosti r=1. Na
veem uzorku sa 95% sigurnosti zahtjeva najmanje r=0,195 uz 99% r=
0,254
3. Logika; oekuje se poznavanje prirode pojave koja se istrauje. Primjer
upotreba lijekova i smrtnog ishoda r=0,20. Drugi primjer: priprema za let i
vonja mlaznog aviona r= 0,85( dua priprema-vea uspjenost)

Izraunavanje Pirsonovpg koeficijenta pomou dijegrama rasprenja
Prije postojanja mogunosti kompjutorskog raunanja korelacije, raunalo se preko
dijagrama rasprrenja. Rezultati su grupisani u razrede i u varijable X i varijablu Y vreno je
korelaciono tabeliranje podataka. tampali su se dijagrami vrasprenja po 15 razreda. Danas
se umjesto izraunavanja Pirsonovog koeficijenta korelacije pristupa izraunavanju dva
odnosa korelacije. Njihovim izraunavanjem se polazi od proizvoljne ishosine take.

Korelacija greke nastale pri izraunavanju Pirsonovog keoficijenta korelacije
zbog grupisanja podataka
Ukoliko je broj razreda manji od 10, dolazi do sistematske greke, dobije koeficijent r
predstavlja se manjim nego to jest. Da bi se to izbjeglo, vri se korelacija pomou
konstantnih faktora korelacije koji su utvreni za Pirsonov koeficijent.

Odreivanje linije regresije
Da bismo na osnovu raspreenja vidjeli da li je dsitribucija pravolinijska ili
krivolinijska, pozitivna ili negativna, poeljno je unijeti linije regresije X iY. Od sutinske je
vanosti meuodnos tih linja, jer je on izraz uoptenih prosjenih odnosa posmatranih
varijabli.
Ishodini pravci linija regresije imaju i praktiku primjenu. Zahvaljujui njima
moemo vriti prognozu najvjerovatnijeg rezultata ispitanika u jednoj varijabli ako nam je
poznat njegov rezultat u drugoj varijabli:
a) Prognoza sa X na Y
elimo li za nekog ispitanika utvrditi najvjerovatniji rezulta na varijabli Y, a znamo da
je na varijabli X postiga rezultat, naprimjer; 29 boda spustiemo iz tog rezultata
okomitu liniju do linije regresije odatle vodoravnu liniju do varijable Y (ordinate) i
iitati vrijednost nrezultata u varijabli Y=30
b) Prognoza sa Y na X
Iz odreene vrijednosti u varijabkliY (npr. Y= 38) povlaimo vodoravnu liniju do
linije regresije a zatim uspravno liniju do varijable X ( apsisa) i iitavamo X=36

Koeficijent determinacije i koeficijent alijenacije
Varijacije jedne pojave ne moemo ni djelimino objasniti drugom pojavom ukoliko
njihova veza nije funkcionalna. Kod pojave koje se u stohastikom odnosu, njihove varijacije
su reverzibilne i u skladu sa prirodom tog odnosa sastavljene iz dva dijela varijacije.
Odnos objanjenog dijela varijacije (YC
2
) i ukupne varijacije naziva se koeficijent
determinacije i ozunaava se sa r
2
r
2
=
YC
2

Y
2


Odnos neobjanjenog dijela varijacije (S
Y
2
) i ukpune varijacije naziva se koeficijent
nondeterminacije k
2
.
k
2
= S
Y
2

Y
2

Zbir r2+k2= 1 to znai da su to komplementarne veliine koje zajedno potpuno
odreuju prostor posmatrane varijable,odnosno ukupnu varijaciju.
Ako koeficijent varijacije nondeterminacije korjenujemo dobijamo koeficijent
alijenacije k, koji za razliku od Pirsonovog koeficijenta ukazuje na stepen nepostojanja
povezanosti. Svakim porastom r dolazi do smanjnja k, ali po krivulji koja je parabolina
(slika12.).

Spirmanov koeficijent korelacije
Poznat je po nazivu Ro, oznaava se sa grkim slovom . Njegovu sutinu najbolje
objenjava naziv RANG korelacija. Ako je uzorak vei od 30 koristimo Pirsonov koeficijent
korelacije, a ako je manjiod 30, onda koristimo Spirmanov koeficijent korelacije.
Kod Pirsonovog koeficijenta korelacije varijable moraju biti numerike (intervalna
skala mjerenja) a kod Spirmanovog koeficijenta korelacije upotrebljavaju se numerke, a
mogu biti i atributivne. Najee je jedna numirka a drug atributivna. Jedna ili obje date su u
obliku RANGA, a ne numerkog niza. Varijacije niza moramo prevesti u rang skalu.
=1-6*D
2
N(N
2
-1)


Primjer: uenici srednje umarske kole (n=15), na testu znanja (intervalna skala)
osvojili su bodove (prikazane u tabele 32 ) a pri praktinom radu u poumljavanju profesor ih
je rangovao( procjena: ordinarna skala).
Moramo ih svesti na ordinarnu skalu.
Nul hipoteza: ne postoji statistiki znaajna povezanost u uspjehu na testu znannja i
procjene kvaliteta rada na vjebama oumljavanja uz 95% sigurnosti.
Ako imamo iste reultate u jednoj varijabli npr. 8 i 8, a nalaze se na 11. i 12. mjestu
piemo m zajedniki rang 11,5, sljedea vrijednost je 13.
Rezultat 11 se pojavljuje 3 puta na 7., 8. i 9. mjestu, zajedniki rang im je 8 a sljedei
je10.
Rezultat sumiranja rangova mora biti 0.

Krivolinijska korelacija
Kod krivolinijskih korelacija nije rije o smjeru kretanja, niti o tome da li porast jedne
varijable prati porast ili opadanje druge varijable, ve o odstupanju od zajednikog pravca, tj.
o dodatnoj promjeni pravca mijenjanja.
U pravolinijkoj korelaciji dvije pojave imaju jedan pravac mijenjanja u krivolinijskoj
korelaciji imaju dva ili vie pravaca. Njihov odnos dvije linije regresije predstavlja se
odnosom korelacije ( grko slovao eta ) kao mjerom intenziteta veze i to dvostruko kao
regresija X na varijablu Y to se iskazuje
XY
i kao regresiju XY i kao regresiju na -
YX.

Primjeri za krivolinijsku korelaciju:
a) starosna dob i inteligencija,
b) sloenost radnih zadataka i inteligencija,
c) starosne dob i elastinost, okretnost,
d) starosna dob i prihvatanje inovacija,
e) motivacija i uspjeh u rad
U navedenim primjerima dvije vatijable jedno vrijeme imaju isti pravac mijenjanja,
zatim dolazi do promjene pravca njihovog mijenjanja. Eta odnos korelacije raunamo preko
dijagrama rasprenja.

Biserijski koeficijent koelacije rb
Pirsonov koeficijent korelacije je opradano raunati samo pod preciznim uslovima koji
u mnogim sluajevima ne mogu biti zadovoljeni. Vrlo esto je jedna varijabla kvantitativna i
kontinuirana a druga dihotomna. Ako ta dihotomija nije stvarna ve rezultat jedne u sutini
kontinuirane varijable na dihotimiju ( zna- ne zna, radi brzo radi sporo) . takvo je grupisanje
svedeno na dva klasna intervala iako se ta varijabla normalno ditribuira, za raunanje
biserijskog koeficijenta koristimo formulu koja se zasniva na hipotezi da je r=0 ne postoji
nikakva razlika izmeu aritmetikih sredina.
Rb= XpYp . pq

x
y

Biserijski koeficijent korelacije rb je aprokismacija za Pirsonov koeficijent korelacije
zbog toga je manje pozdan. Standardna greka za rb je znatno vea nego za Pirsonov
koeficijent korelacije. Opravdano ga je raunati samo uz hipotezu da je r=0.



Primjena rb pri odreivanju diskriminativne vrijednosti zadataka
Diskriminativna vrijednost zadazaka pokazuje u kojoj se mjeri uspjeh ispitanika u
rjeavanju jednog zadatka slae sa njegovim uspjehom u cjelini testa. Prije odreivanja
diskriminativne vrijednosti pojednih zadataka, mora se izvriti analiza njihove teine.
Potrebno je napraviti tabelu u pretkoloni inicijali, imena ili broj ispitanika u zbirnoom redu
ukupan broj ispitanika koji su rijeili test sa brojem i postotkom. Ti nam podaci govore o
teini svakog pojedinog zadatka. Zadatke koji su rijeili svi ili nije niko ne uzimamo za
konanu verziju testa, jer ne dosprinose diskriminativnosti testa. U konanu verziju testa
odabraemo najvie srednje tekih zadataka koji je rijeilo izmeu 35% i 65% ispitanika, i u
priblian omjer zadatke koje je rijeilo manje od 35% i vie od 65%. Zadatke u konanom
testu redamo od najlakeg do najteeg.
Odreivanje dsiskriminitativne vrijednosti svakog pojedinog zadatka izraene
biserijskm koeficijentom korelacije realizuje se kroz etiri koraka:
1. rangujemo ispitanike prema postotku rjeenih zadataka,
2. izaberemo 27% najboljih i 27% najloijih, 46% ne uzimamo u obzir,
3. za svaki pojedini zadatak odredimo proporciju ispitanika iz grupe najboljih i
proporciju najslabijih
4. u tabeli M je aproksimativno odreena vrijednost biserijskog koeficijenta
korelacije iitavamo je na sljedei nain:
a) u zaglavlju tabele M naemo postotak koji je najblii utvrenom postotku
najboljih
b) u pretkoloni naemo postotak koji je najblii utvrenom nkod najslabijih
c) naemo u tabeli polje u ojem se navedena kolona i red sijeku i iitamo
vrijednost rb.

Point biserijski koeficijent korelacije r
pb

U situacijama u kojima je varijabla X kontinuirana a varijabla Y je zaista dihotomna
(pol, zaposlenost, lanstvo u sekciji, uee u aktivnosti) raunamo point biseriski koeficijent
korelacije.
r
pb
= XpYp .q

x
y

Tetrahoriki koeficijent korelacije rt
Dobio je je ime po grkoj rijei tetra to znai etiri, podaci se grupiu u tabele 2X2.
Obje varijable su predstavljene ako dihotomne, premda su one kvantitaivne i kontinuirane.

Tetrahoriki koeficijent korelacije rt je aproksimacija za Pirsonov koeficijent
korelacije.

Fi koeficijen korelacije
Upotrenbljava se kada obje uporeivane distribucije stvaramo dihotomno. Bitno je da
varijable imaju samo po dvije kategorije je se koristimo tablema 2x2 tabele kontingecije.
Rije je o specifinom obliku povezanosti koja se javlja izmeu diskontinuiranih atributivnih
varijabli kod kojih se ne radi o odnosu ( korelacije) dvije rarijable, ve o njihovom sastajanju
(kontingencij).
Fi koeficijent korelacije je u vezi sa hikvadratom.

Parcijalna korelacija (r
1,2,3
)
Korelacija izmeu dvije varijable kojom se iskljuuje uticaj jedne ili vie varijabli na
njihov odnos nazivamo parcijacija ( djelomina) korelacija i oznaava se r
1,2,3
.
Primjer: X visina djeaka, Y teina djeaka, trea varijabla je starosna dob koja je u
tjenjoj korelaciji sa visinom. Da bismo sprijeili uticaj tree varijable u uzorak bi birali samo
djeake iste dobi.

Multipla korelacija
U svakodnevnom ivotu zavisna varijabla je (npr. uspjeh u koli ) nije u vezi samo sa
jednom varijablom naego sa vie njih. One u razliitoj mjeri utiu na zavisnu varijablu. U
tom sluaju izraunavamo viestruku multiplu korelaciju.
Primjer: uspjenost studiranja na I godini studija izraen je visinom prosjeka ocjena
zavisi od vie faktora X
2
test znanja iz pedgogije, X
3
test znanja iz srpskog, X
4
prosjek ocjena
iz srednje kole.
Korelaciona matrica nam slui da ostvarimo laki uvid u interkorelacije varijabli.