АКАДЕМИЈА СТРУКОВНИХ СТУДИЈА ЗАПАДНА СРБИЈА

● одсек Ужице ●

Студијски програм: Информационе технологије и системи

Предмет: ИНФОРМАТИЧКА МЕТОДОЛОГИЈА
ИСТРАЖИВАЧКОГ РАДА

СЕМИНАРСКИ РАД

ТЕМА: Дескриптивна анализа броја студената у

2021.години у Републици Србији

оцена од макс. датум потпис

Предметни наставник:

др Милован 6
Миливојевић
наставник

Асистент/сарадник:

МSc Срђан
6
Обрадовић

сарадник

студент: бр. индекса

Вања Маричић МИ 01/22

Ужице, 2023. године

 САЖЕТАК

Према подацима са сајта Републичког завода за статистику, школској 2021/22.

години, на свим високошколским установама и на свим нивоима студија у Републици
Србији уписанo је 243 730 студенатa. Од укупног броја уписаних, 102 527 студенатa
(42,1%) мушког је пола, а 141 203 (57,9%) женског пола. На државним и приватним
универзитетима укупно је уписано 205 058 студенатa – од тога 85,3% или 174 837
студената уписано је на државним, а 14,7% или 30 221 студент на приватним
факултетима. На високим струковним државним и приватним школама укупно је
уписано 38 672 студента – од тога 84,1% или 32 533 студента на државним струковним
високим школама, а 15,9% или 6 139 студената на приватним. Посматрано према
начину финансирања студија, 40,5% студената уписало се на буџет, а 59,5% студената
на самофинансирање.
Циљ рада је дескриптивном статистиком анализирати број студената на 21
високошколској установи и извести потребне закључке.

КЉУЧНЕ РЕЧИ

Студенти, факултет, висока школа, дескриптивна анализа, нормална расподела

2
 ABSTRACT
According to data from the website of the Republic Institute of Statistics, the school year
2021/22. 243,730 students were enrolled in all higher education institutions and at all levels of
study in the Republic of Serbia. Of the total number of students enrolled, 102,527 students
(42.1%) are male, and 141,203 (57.9%) are female. A total of 205,058 students are enrolled in
state and private universities - of which 85.3% or 174,837 students are enrolled in state and
14.7% or 30,221 students in private faculties. A total of 38,672 students are enrolled in state
and private vocational high schools - of which 84.1% or 32,533 students are in state
vocational high schools, and 15.9% or 6,139 students are in private ones. Observed according
to the method of financing their studies, 40.5% of students enrolled on budget, and 59.5% of
students on self-financing.
The goal of the work is to analyze the number of students at 21 higher education
institutions using descriptive statistics and draw the necessary conclusions.

KEY WORDS
Students, faculty, university, descriptive analysis, normal distribution

3
САДРЖАЈ
УВОД.....................................................................................................................................6
2. ДЕСКРИПТИВНА СТАТИСТИКА................................................................................8
1.1. Мере централне тенденције.....................................................................................9
1.2. Мере дисперзије......................................................................................................10
2. НОРМАЛНА РАСПОДЕЛА ПОДАТАКА....................................................................12
3. ПРЕГЛЕД ЛИТЕРАТУРЕ...............................................................................................13
4. ДЕСКРИПТИВНА АНАЛИЗА БРОЈА СТУДЕНАТА................................................18
4.1. Испитивање расподеле броја студената................................................................21
ЗАКЉУЧАК........................................................................................................................23
ЛИТЕРАТУРА.....................................................................................................................24
СПИСАК СЛИКА

Слика 1. Табела са подацима за дескриптивну анализу.................................................18

Слика 2. Мере дескриптивне анализе..............................................................................19
Слика 3. Box plot дијаграм................................................................................................19
Слика 4. Хистограми испитиваних података...................................................................20
Слика 5. Стандардизација података..................................................................................21
Слика 6. Shapiro-Wilk Test пре и после стандардизације података...............................22

СПИСАК ЈЕДНАЧИНА

Једначина 1. Формула за израчунавање средње вредности за поплуацију µ= Σ Х Ν .....9

Једначина 2. Формула за израчунавање средње вредности за узорак x=х n.................9
Једначина 3. Израчунавање медијане за паран број податка............................................9
Једначина 4. Израчунавање медијане за непаран број податка........................................9
Једначина 5. Формула за израчунавање опсега...............................................................10
Једначина 6. Формула за израчунавање IKR....................................................................10
Једначина 7. Формула за варијансу...................................................................................11
Једначина 8. Формула за стандардну девијацију.............................................................11

5
 УВОД

Истраживања у Хрватској у 2018 дају јасну слику о тежњи младих и њиховим

жељама након завршетка средње школе [1].
Укупно око 4/5 ученика испитане генерацијаме жели да упише студије, а мање од 5%
испитаника не жели да студира.
Програми у средњим школама усмеравају ученике ка високом образовању јер средња
школа не обезбеђује завршетак и стицање стручне квалификације. Резултати овог
истраживања показују да су жеље будућих студената у Хрватској у складу са
националним стратешким циљевима државе, да може доћи до повећању удела особа са
високим образовањем у популацији.
Поред утицаја врсте средњег образовања на даље високо образовање, постоје и други
факори, као што је пол и образовни статуса родитеља или локација високошколских
установа који утичу на одабир факултета или више школе. Закључци показују да
девојчице више теже ка високом образовању, али и ученици чији родитељи имају
најмање средње образовање и ученици који се школују у великим градовима такође
више желе да стекну високо образовање.
Чак 80,5% студената завршних година намерава да студира одмах након средње
школе, док 11,1% намерава да се одмах запосли. Једну трећину од оних који желе да
раде, чине ученици у стручним областима које имају добру перспективу запошљавања,
а то су првенствено програми из области машинства и здравства.
У свим анализираним средњошколским смеровима, осим опште гимназије, студенти
бирају студијске програме највећим делом у оквиру области и област које су наставак
њихове средње школе. Око 20% испитаника, имају такозване „косе” селекције, које
представљају избор студија ван области са којом су се упознали током средње школе, у
појединим стручним областима има и до 20%.
Ученици се за друге смерове одлучују можда и због шире понуде студијских
програма и веће доступности уписних места у неким научним областима са којима нису
имали „контакт“ током средње школе.
Највеће интересовање међу хрватским средњошколцима је у области спорта, као и
језичких, друштвених и информатичких области, док је најмањи интерес присутан за
математичке, техничке и биотехничке области.
Родне разлике у интересовањима за поједине области студија показују да су девојке
у већој мери заинтересоване су за језичке, друштвене, уметничке, биомедицинске и
здравствене области, док су младићи више заинтересовани за техничке, информатичке,
биотехничке области, спорт, нешто мање за математику и природне науке.
Битан сегмент истраживачког рада показује да само 6,1% ученика завршних разреда
средњих школа је потпуно информисано о преласку из средње школе у високо
образовање, а доминантна категорија су они који су само „донекле” информисани.
Најчешћи извори информација о преласку на високо образовање су блиски људи –
родитељи и пријатељи, а око 30% се информише о даљем наставку школовања преко
интернет страница.
На основу оретходно наведеног истраживања, ауторка овог рада је желела да испита
број студената на државними приватним факултететима и високим школама у
Републици Србији.

6
 Циљ рада је укупан број студената у 2021.години на свакој високошколској установи
анализирати помоћу дескриптивне анализе и закључити да ли студенти више бирају
установе у већим градовима или остају да студирају у свом родном граду. Добијени
подаци се могу користити за упоређивање са бројем студената претходних година или
бројем студената удругим државама.
Подаци су преузети са сајта Републичког завода за статистику. Посматран је укупан
број студената у 2021. години.
Дескриптивна анализа је метода којом се врши израчунавање, приказивање и
описивање неке статистичке серије података, а MC Excel је програм који садржи низ
функција и алата којима се могу израчунати мере дескриптивне статистике, и то мере
централне тенденције, мере распршености или мере облика распореда.

7
 2. ДЕСКРИПТИВНА СТАТИСТИКА

Дескриптивна статистика бави се мерама централне тенденције (аритметичка

средина, медијана и мод), мерама варијабилитета (распон, стандардна девијација,
варијанца, интерквартилни распон, семиинтерквартилни распон и просечно одступање),
као и графичким и табеларним приказивањем основних статистичких вредности.

Битан параметар дескриптивне анализе је фреквенција. Релативна фреквенција је

мера заступљености која даје информацију о уделу неке врсте у узорку познате
величине и често се изражава у процентима. Кумулативна фреквенција је број података
чија је вредност мања или једнака горњој граници полигона. Означава сукцесивни низ
парцијалних фреквенција и свака наредна се добија сабирањем претходних парцијалних
фреквенција

У дескриптивној анализи често се наилази на графиконе за приказивање података

који укључују тракасте и кружне графиконе, хистограме и полигоне фреквенција,
линијске графиконе и дијаграме расејања.

Тракасти графикони је користан за сумирање учесталости појављивања различитих

вредности (или опсега вредности) где су подаци категорични (номинални или редни
ниво мерења). Користи вертикалне и хоризонталне осе за сумирање података.
Вертикална оса се користи за представљање учесталости (броја) појављивања или
релативне учесталости (процената) појављивања; хоризонтална оса се користи за
означавање категорија података од интереса.

У дијаграму расејања, једна променљива се представља на хоризонталној оси; друга

варијабла на вертикалној оси. У овој врсти графикона, сви парови тачака података у
узорку су графички приказани. Облик и нагиб облака тачака у дијаграму расејања
пружају визуелне информације о јачини и правцу односа између две варијабле. Веома
компактан елиптични „облак“ тачака сигнализира јаку везу; веома лабав или скоро
кружни „облак“ сигнализира слабу или непостојећу везу. „Облак“ тачака генерално
нагнут нагоре према десној страни графикона сигнализира позитиван однос, а „облак“
тачака нагнут надоле ка десној страни графикона сигнализира негативну везу.

Кружни графикон даје једноставнији визуелни приказ учесталости категорија тако

што се кружни дијаграм сече исечке чије су величине пропорционалне релативној
учесталости (проценту) појављивања одређених категорија података. Неки графикони
могу имати један или више исечака наглашених тако што ће се одвајати из остатка
колача.

Дијаграм бркови или boxplot дијаграм користи информације о медијани (50.

перцентилни резултат) и горњим (75. перцентилни резултат) и доњим (25. перцентилни
резултат) тачкама конструкцији у виду кутије ( медијана' дефинише средњу линију у
кутији; први и трећи квартил дефинишу крајње границе кутије—тако оквир обухвата
средњих 50% вредности података). Дијаграми се могу изменити, допунити како би се
укључиле информације о опсегу грешака повезаним са медијаном, чиме се добија оно

8
што се назива „зарезани оквир“. Ово помаже у визуелном откривању значајних разлика
у подгрупама, где се 'зарези' оквира не преклапају.

За дескриптивну статистичку анализу битне су њене мере које су груписане у три

подруге.

1.1. Мере централне тенденције

Мере централне тенденције су средња вредност, медијана и мод.

Средња вредност је најчешће коришћена мера централне тенденције (или
аритметички просек). То је збир свих резултата за одређену варијаблу у узорку подељен
бројем резултата који се користе за добијање збира. Добијени број је просечан резултат
за узорак. За сваки узорак података постоји само једна могућа средња вредност у
специфичној дистрибуцији. За већину намена, средња вредност је најчешће коришћена
мера централне тенденције.
Средња вредност је осетљива на присуство екстремних вредности, које могу да
„искриве“ њену вредност.

ΣХ
µ= Ν
Једначина 1. Формула за израчунавање средње вредности за поплуацију

x=
∑х
n
Једначина 2. Формула за израчунавање средње вредности за узорак

Медијана је центар или средњи резултат скупа резултата. Под „центром“ или
„средином“ се подразумева да је 50% вредности података мање или једнако медијани, а
50% вредности података је веће када је целокупна дистрибуција резултата рангирана од
најниже до највише вредности. Медијана се пријављује нешто ређе од средње
вредности, али има неке предности у односу на средњу вредност у одређеним
околностима. Постоји само једна могућа вредност за медијану у специфичној
дистрибуцији.

N+1
mediana= 2
Једначина 3. Израчунавање медијане за паран број податка

N N
+( + 1)
mediana= 2 2
2

9
 Једначина 4. Израчунавање медијане за непаран број податка

Модус је најједноставнија мера централне тенденције. Дефинише се као резултат

који се најчешће појављује у дистрибуцији. Може бити више од једног у одређеној
дистрибуцији. У „нормалној“ дистрибуцији у облику звона, постоји само један мод и он
је заиста у центру дистрибуције, поклапајући се и са средњом и са медијаном.

Све три мере централне тенденције дају информацију о томе шта се дешава у центру
дистрибуције резултата. Средња вредност и медијана дају један број који може да
сумира централну тенденцију у целој дистрибуцији. У нормалној расподели података,
средња вредност, медијана и мод ће се генерално поклапати у једној тачки

1.2. Мере дисперзије

Постоји низ мера варијабилности укључујући опсег, интерквартилни опсег,

варијансу, стандардну девијацију, квартиле и коефицијент варијације. Свака мера
одражава специфичан начин дефинисања варијабилности у дистрибуцији резултата на
варијаблу и свака има своје предности и недостатке. Већина мера варијабилности је
повезана са специфичном мером централне тенденције.

Опсег је најједноставнија мера варијабилности за узорак резултата података. Опсег је

само највећи резултат у узорку минус најмањи резултат у узорку. Опсег је једина мера
варијабилности која није повезана ни са једном мером централне тенденције. Међутим,
пошто опсег користи само два од свих резултата у узорку, остали резултати се
занемарују, што може довести до губитка корисних информација. Такође постоје
проблеми ако су највиши или најнижи (или оба) резултати нетипични или превише
екстремни у својој вредности (као у веома искривљеним дистрибуцијама). Када се то
догоди, опсег даје веома нереалну слику.

R=max−min
Једначина 5. Формула за израчунавање опсега

Интерквартилни опсег је мера варијабилности која је посебно дизајнирана да се

користи у комбинацији са медијаном. Добија се када се израчуна вредност у
дистрибуцији на или испод које је 25% узорка добило резултат (1.квартил-Q1) и одузме
се овај број од вредности у дистрибуцији на којој је или испод које је 75% узорка
добило резултат(3. квартил-Q3).
IKR даје много стабилнију слику варијабилности резултата и, као и медијана,
релативно је неосетљив на ефекте пристрасности екстремних вредности података

IKR=Q3−Q1
Једначина 6. Формула за израчунавање IKR

10
 Варијанса користи информације од сваког појединца у узорку да процени
варијабилност резултата у односу на средњу вредност узорка. Варијанса процењује
просечно квадратно одступање сваког резултата од средње вредности узорка.

σ =
2 ∑ (xi−x )
2

N −1
Једначина 7. Формула за варијансу

Када се много резултата доста разликују од средње вредности, варијанса ће бити

велика. Ако су сви резултати приближни средње вредности узорка, онда је мала
варијанса. Ако су сви резултати тачно једнаки средњој вредности, онда је варијанса
нула.

Како је тешко дескриптивно приказати меру варијансе на смислен начин јер

укључује квадратна одступања око средње вредности узорка, користи се стандардна
девијација. Стандардна девијација је најчешће коришћена мера варијабилности јер има
смислену интерпретацију и користи се заједно са извештајима средњих вредности
узорка. Варијанса и стандардна девијација су блиске мере јер је стандардна девијација
квадратни корен вредности варијансе.

σ=
√ ∑ (xi−x )2
N −1
Једначина 8. Формула за стандардну девијацију

Остале дескриптивне мере, као што су оне за коефицијенти асиметрије и

спљоштености , такође могу бити од интереса ако се жели потпунији описати било који
узорак података.

11
 2. НОРМАЛНА РАСПОДЕЛА ПОДАТАКА

У друштвеним наукама, као и у економији и финансијама, одређене варијабле по

својој природи немају нормалан распоред.
Код нормалне расподеле, случајна променљива Х узима све вредности на реалној
правој. Нормалан распоред је први проучавао француски научник Abraham de Moivre.
Назив је добила по немачком научнику Карлу Фридриху Гаусу, који је проучавао грешке
мерења. Нормалан распоред је карактеристичан за нумеричка непрекидна обележја.
Графички се нормалан распоред приказује Гаусовом кривом
Расподела је у потпуности одређена параметрима очекиване (средње) вредности и
стандардне девијације. Крива нормалне расподеле има један свој максимум, који
одговара параметру µ, око кога су симетрично распоређене остале вредности, а колико
ће бити расипање, зависи од σ.
Особине функције расподеле:
- Функција расподеле је позитивна и растућа функција;
- Функција расподеле конвергира ка 0 када 𝑥 тежи ка −∞ и конвергира ка 1 када 𝑥
тежи ка ∞, тј. важи: lim f(x) kada 𝑥→−∞ =0 и lim f(x) kada 𝑥→∞ =l
Многе појаве у природи и друштву поседују нормалну расподелу (просечна висина
појединаца, коефицијент интелигенције итд.). Многе теоријске расподеле се дефинишу
према нормалној расподели и попримају њена својства под одређеним условима.
Релевантност примене заснива се на резултату централне граничне теореме: збирно
дејство (просек) великог броја независних случајних фактора поседује нормалну
расподелу.

Потребно је некад трансформисати податке да се нормално дистрибуирају. Такве

трансформације обично укључују нелинеарну математичку конверзију (као што је
израчунавање логаритма, квадратног корена или реципрочне вредности) сирових
резултата.
Када од случајне променљиве Х одузме средња вредност и разлика подели са
стандардном девијацијом добија се нова случајна променљива Z, чија је средња
вредност 0, а стандардна девијација 1. Уколико је полазна расподела нормална, онда се
она поступком стандардизације случајне променљиве не мења. Ознака за
стандардизовану нормалну расподелу је Z: N (0,1), а трансформација иде преко
формуле:
( X −µ)
Z=
σ

За неке варијабле, као што је појава ретких, екстремних или катастрофалних догађаја
(нпр. 100-годишња поплава или шумски пожар, пандемија коронавируса, глобална
финансијска криза или друга врста финансијске кризе, изазвана човеком или природна
катастрофа ), дистрибуције се не могу стандардизовати [2].

12
 3. ПРЕГЛЕД ЛИТЕРАТУРЕ

Сврха истраживањана Универзитету Небраска [3] је била да се боље разуме колико

ресурси на интернету утичу на процес избора факултета. Универзитет Калифорније,
Ирвине је део Универзитета калифорнијског система. Кампус је примио 44.123
пријавеод којих је 19.484 примљено, и 4.136 је прихватило њихов позив за пријем.
Највећи проценат ученика (24,7%) примљено је на биолошке науке, 13,0% на друштвене
науке, 12,2% на бизнис 5,9% и хуманистичке науке 5,8%. Део примљених је остао
неопредељен.
Студија је укључивала прикупљање квалитативних података, а након тога и
квантитативних подаци, како би једни друге објаснили боље. Додатна студија авршена
је две године касније, што је омогућило додатно поређење. Подаци су прикупљени
анкетирањем студената Универзитета Калифорније. Учесталост, т-тест и АНОВА
тестови су открили да су студенти мање користили сајтове за претрагу факултета у
2011. него у 2009. и више користи веб страницу друштвених медија у 2011. него у 2009.
Друга, квалитативна фаза студије спроведена је са одабраним студентима због
њихових одговора у квантитативној фази. Квалитативно истраживање је показало да се
студенти током одлуке о избору факултета ослањају више на традиционалне ресурсе и
спољне факторе, а не на интернет.

При одабиру смера образовања, велике су разлике између жеља женских и мушких
особа, те рад аутора P. Bordón, C. Canals, и A. Mizala проучава родне разлике у
пријавама на факултете у Чилеу [4]. Открили су да се мушкарци пријављују на
селективне програме чак и када су маргинални кандидати, док се подједнако
квалификоване кандидаткиње ређе пријављују на ове програме.
Током протеклих деценија, многе земље су постигле значајан напредак у сужавању
или затварању родних током школовања као и у похађању средњих и виших школа.
Међутим, супротно је тачно у погледу области студирања. Емпиријски докази показују
да су у многим земљама жене недовољно заступљене у областима науке, технологије,
инжењерства и математике, док су превише заступљене у хуманистичким наукама,
образовању, здравству и уметности. Жене чине 78% ученика у образовању и 76%
студената у здравству и социјалној заштити, а само 24% у инжењерству и 19%
студената информационих и комуникационих технологија. У 2015. години, у просеку
27% нових студената на универзитетима одабрало је да студира у областима науке,
технологије, инжењерства и математике, при чему је већина отишла у инжењеринг,
производњу и грађевинарство, од којих су само 24% биле жене.
Удео студената и студенаткиња у областима студија са превеликом заступљеношћу
једног пола назива се хоризонтална полна сегрегација у образовању. Овај феномен може
објаснити родну сегрегацију на тржишту рада, јер садржај школовања чини значајан
део родног јаза у пословима и зарадама. Стога је релевантно разумети зашто девојке не
бирају најуспешније смерове у смислу будућих плата и могућности на тржишту рада.
Овај рад има за циљ да расветли покретаче родног јаза током пријављивања на
факултете проучавајући како се мушкарци и жене понашају током процеса бирања
смера, а затим анализирајући шта би се десило да мушкарци и жене имају исте
преференције.
На жеље студената утиче и њихово сопствено благостање, као и друштвена
очекивања, укључујући родне стереотипе, који утичу на њихове пријаве на универзитет.

13
 Аутори су користили њихове процене да испитају, шта би се догодило када би жене
следиле стратегије мушкараца (имали мушке параметре док одлучују) у пријавама на
факултете и обрнуто. Да би извршили ову анализу, користе откривене преференције
студената за главне изборе на факултетима тако што су искористили предности
чилеанског централизованог система пријема (СУА, за његов акроним на шпанском) из
ког имају податке о читавој групи кандидата за упис на чилеанске универзитете 2015.
године. У процесу пријаве студенти прво морају да полажу низ пријемних тестова; када
добију своје коначне резултате - на основу средње школе и пријемног теста на
универзитету - морају да поднесу рангирану листу жеља од 1 до 10 главних
комбинација за колеџ за које желе да буду узети у обзир.
Резултати анализе били су у складу са оним што је пронађено у литератури; постоје
маскулинизоване (тј. инжењерске) и феминизоване каријере. Такође су открили да
очеви утичу на одлуке ученика, док су ученице под утицајем оба родитеља; међутим,
они ученици са добрим успехом имају тенденцију да у мањој мери слушају родитеље.
Однос дечака и девојчица одељења у средњој школи такође утиче на главни избор
факултета. Занимљиво је да знање математике има велики утицај на очекивања
мушкараца и жена да се уопште одлуче на инжењерске смерове.
Процене аутора су да у циљу успешног решавања родног јаза, заједно са
промовисањем учешћа жена у у областима науке, технологије, инжењерства и
математике, мора се повећати спремност мушкараца да размотре поља која нису ова
наведена.

Према ауторима Ристић-Дедић и Јокић [1], бољи школски успех је важан јер отвара
више могућности за прелазак из средње школе у високо образовање и упис на жељене
студије а није необично да девојке имају више образовне аспирације.
Ученици и ученице се разликују по интересовањима за образовне области, што је
видљиво и из статистике о родној неравнотежи при избору средњошколских програма и
студија. Девојке су бројније у медицинским (76,1 %), ветеринарским (73,4 %) и
средњим економским школама (68,2 %), а дечаци у бродоградњи (99,1%), машинству
(97,6%), електротехници (96,5%) и грађевинској школи (70,9 %). Слично, на нивоу
високог образовања, мушкарци чине већину уписаних на студије из области техничких
наука (73,1%), а знатно више жена на студије друштвених наука (66,4%), хуманистичких
(70,7% жена) и природних наука (65,9%), у области биомедицине и здравстве (74,6 %) и
у области уметности (61,4 ).
Ова родна неравнотежа у избору образовања и каријере може се објаснити родним
разликама у мотивацији, као и родни стереотипи о образовним областима или
занимањима (нпр. уверења да су физика и техничке науке "мушке" области, а
друштвене науке или здравље су "женске" области).
Младићи су до пре неколико деценија имали бољи успех у образовању из математике
и природних наука, али се показало да се те разлике смањују или нестају и да зависе од
домена предмета и врсте задатака. Међутим, страна истраживања и даље показују да
девојке себе сматрају мање компетентним из математике и природних наука него сами
младићи и да очекују лошији успех од њих. То потврђују и домаћа истраживања
спроведена на средњошколцима, показујући да младићи очекују више успех везан за
физику и математику, иако имају лошије оцене из тих предмета од девојчица.
Међународна истраживања показују да девојке успешнији од младића у тестовима
читања и писања и више их занимају матерњи и страни језици.

14
 Истраживања широм света показују да су ученици мотивисани за спортске
активности, а ученице за музику и друге уметности.
Узорак на којем је вршено истраживањ чини 4.501 ученик завршних разреда
гимназије и четворогодишњих стручних школа. Ученици средњих школа чине 48,1%
узорка, а ученице 51,9% узорка. Узорак је обухватио укупно 53,9% девојчица и 46,1%
дечака.
Како се 89% девојчица и око 78% дечака слаже са тврдњом у анкети Желим да
студирам у будућности, подаци указују на веће тежње за високим образовањем код
девојчица него код дечака. Око 15% је ученика који су неодлучни, односно који у
тренутку испитивања не могу да кажу да то желе, док је код девојака овај проценат
знатно мањи (око 8%). Мали је проденат оних који не желе да студирају и износи 3% за
девојчице и 6,5% за дечаке.
Девојчице у већој мери него дечаци планирају да упишу студије одмах након средње
школе, а такав план има око 85% девојчица и око 75% дечака. Скоро 15% младића
планира да се запосли након средње школе, у поређењу са 8% девојчица. Такође су
младићи (10,1 %) нешто бројнији од девојака (6,8 %) од укупног броја анкетираних,
који планирају да пропусте годину дана након средње школе.
Исто истраживање је показало да у гимназији има најмањи број ученика који не
намеравају да уче (0,5%) или не знају да ли намеравају студирати (1%), док се код
четворогодишњих стручних школа тај број повећава на 10% и 15%.
Лингвистички, друштвени, уметнички, биомедицински и здравствени смерови су пре
извор за девојчице су област него дечаке. Техничка, ИТ, биотехничка област, спорт и
прекреација су области за које су заинтересовани дечаци, али и за математику, науку и
хуманистичке науке.
Следећи фактори селекције који су важнији за девојчице него за дечаке: близина
места студирања, лично интересовање за област студија, углед установе која реализује
студијски програм, лакоћа запошљавања након завршених студија, могућност стицања
широких знања и вештина, могућност стицања практичних и корисна знања и вештине,
лакоћа уписа студијског програма и могућност запослења и/или наставка образовање у
другим земљама.
За младиће су само жеље њихових пријатеља биле важнији фактор него код
девојчица. Није било статистички значајних разлика између полова у значају искуства
чланова породице за избор студија.

У време пандемије корона вирисуом, постало је актуелно студирање на даљину.

Многи универзитети нуде курсеве и програме за образовање на даљину како би
одговорили на различите образовне потребе студената и да би остали у току са
напредном технологијом [5]. Неким институцијама високог образовања које не нуде
програм образовања на даљину је тешко да се крећу кроз кораке који су потребни за
обезбеђивање таквих курсева и програма. Истраживање перцепција, ставова и
спремности ученика да испробају овакав програм може пружити смернице и препоруке
за институције које разматрају проширење употребе оваквог формата образовања.
Анкета је подељена студентима основних студија у Португалу, Уједињеним Арапским
Емиратима и Украјини. Резултати ове пилот студије показали су да је главна
забринутост ученика у вези са таквим програмима била управљање временом,
мотивација и знање енглеског језика. Иако су студенти били помало забринути, многи
су навели да су заинтересовани за похађање програма студирања на даљину. Шест
препорука заснованих на тумачењу одговора ученика и претходне литературе, понуђено

15
је као помоћ институцијама које желе да понуде овај програм као део своје образовне
стратегије.

Следеће чињенице су биле важне током ове студије.

У Португалу, земљи која се налази на западном крају европског континента, живи
око 10 милиона људи. Подаци које је прикупио њихов завод за статистику 2019. године
показали су да скоро 81% домаћинстава у Португалу има приступ интернету код куће.
Према португалском националном статистичком институту (2019), стопа коришћења
интернета од стране одрасле популације износи око 76%. Међу овом популацијом, људи
који похађају или су завршили средње и високо образовање имају већи проценат
коришћења интернета (98%). Најчешћи уређаји за приступ Интернету су паметни
телефони и лаптопови. Што се тиче рачунарских задатака, најчешћи су копирање и
премештање датотека и фасцикли и пренос датотека са рачунара на друге уређаје.
Међу корисницима интернета 80% користи друштвене мреже, што је већи проценат
од просека Европске уније (ЕУ). Приступ мобилном интернету (изван куће и на радном
месту и на преносивим уређајима) износи 84% и одржава снажан тренд раста.

Украјина се налази у источној Европи и настоји да се интегрише у економске и

политичке структуре ЕУ. Садашња популација земље је 42 милиона. Упркос ниским
примањима многих Украјинаца, савремени технолошки уређаји су распрострањени
међу становништвом. Државна служба за статистику Украјине (2019) известила је да је
почетком 2019. године у земљи било 26 милиона претплатника на Интернет. Међутим,
Украјинци још увек немају висок ниво дигиталне писмености. Према подацима
Министарства за дигиталну трансформацију Украјине (2019), скоро 38% украјинских
људи старости од 18 до 70 година има слабе вештине у компјутерској писмености, а
15,1% грађана нема компјутерске вештине.

Према истраживању које је спровело Министарство дигиталне трансформације

Украјине 27,5% украјинских породица има таблет, а 30,6% има један паметни телефон,
26,4% има два паметна телефона, 16,5% има три паметна телефона, а 10,8% има четири
и више паметних телефона. Што се тиче лаптопа, 42,7% украјинских породица има
лаптоп, а 45,6% стони рачунар. Подаци министарства не указују да ли породице имају
више уређаја, али подаци показују да су технолошки уређаји распрострањени.

Уједињени Арапски Емирати (УАЕ) је држава која се налази у Персијском заливу која
се граничи са Оманом и Саудијском Арабијом. УАЕ има 9,77 милиона становника и
једна је од најбогатијих земаља на свету на основу бруто домаћег производа (БДП) по
глави становника. Стално становништво се састоји од 11,5% Емирата, а преостали
становници су исељеници из земаља попут Индије, Пакистана, Филипина, Египта и
других (подаци из 2020.).

Што се тиче употребе технологије, 91% становника користи мобилни интернет, а

преко 98% домаћинстава има приступ интернету. Мобилни уређаји као што су паметни
телефони се користе за приступ интернету углавном код куће или на послу, за давање
информација о роби или услугама (45%), читање или преузимање онлајн новина,
часописа или електронских књига (41%) и телефонирање преко Интернета(33%).
Преузимање филмова, слика, музике, гледање телевизије или видеа, или слушање
радија или музике такође је честа активност коју обавља 27% корисника интернета,
16
затим интернет банкарство (25%) и куповина или наручивање робе и услуга (22%)
(Федерална управа за конкурентност и статистику, 2017).
Истраживачи су развили онлајн анкету са 10 затворених питања о перцепцији и
пријемчивости студената основних студија према упису на курсеве студирања на
даљину. Питања која су осмислили истраживачи заснована су на њиховом
искуству/пракси, као и на дубинском прегледу литературе. Одговори студената
прикупљани су до краја првог семестра школске 2018/19. Реализована анкета омогућила
је истраживачима да „добију информације о мислима, осећањима, ставовима,
веровањима, вредностима, перцепцијама, личности и намерама понашања учесника
истраживања. Анкетна питања су укључивала више формата одговора: Ликертова скала,
изаберите више од једног одговора и вишеструки избор. Анкете за Португал су
представљене на португалском. У Украјини су анкете преведене на украјински. Пошто
је енглески језик, језик наставе у институцији УАЕ, њихова анкета је била на енглеском.
УРЛ за анкету су ученицима послати е-поштом и био је доступан у онлајн Google
обрасцу. Анкета је трајала око 10 минута.
Резултати анкете су забележени у Google Forms, а Excel табела је коришћена за
прикупљање одговора ученика. Дескриптивна статистика одговора на анкету је
представљена графиконима и табелама са приказаним процентима одговора.
Дескриптивна статистика пружа резиме о одговорима узорка на свако од питања, као и
мере варијабилности (или ширења) и централне тенденције.
Одговор је дало 55 од 73 португалска студента који су примили анкету, а 98 од 108
студената УАЕ је одговорило. У Украјини су 102 студента послата анкете и 70 је
одговорило.
Старосни распон ученика био је од 17 до 50  година. Старост већине студената била
је између 17 и 29  година. Одговори на анкету су показали да су 7% ученика у УАЕ били
мушкарци и 93% жене, у Украјини 43% били су мушкарци и 57% жене, ау Португалу
9% мушкарци и 91% жене.
Украјински студенти су најприхватљивији за упис на курсеве студија на даљину.
Студенти из УАЕ немају много искуства и мање од половине је отворено за упис на
курсеве студирања на даљину. Ово може бити због њиховог недостатка искуства и
других раније поменутих забринутости. Само једна трећина португалских учесника
показала је интересовање за упис на овакав вид студирања.

17
 4. ДЕСКРИПТИВНА АНАЛИЗА БРОЈА СТУДЕНАТА

Подаци су преузети са сајта Републичког завода за статистику из области

образовања, и односе се на број студената на одређеним универзиеттима, академијама и
високим школама. Потом су унети у у табелу. Прву колону табеле чине редни бројеви,
другу називи универзитета, академија и високих школи у Републици Србији, у трећој се
налази број студената (подаци), а у четвртој квадрат разлике броја студента на одређеној
установи и просечног броја уписаних студента уопште.

Слика 1. Табела са подацима за дескриптивну анализу

Извор: аутор

Функције које су коришћење за добијање мера дескриптивене анализе су AVERAGE,

функција MEDIAN и MODE (мере централне тенденције), функције SKEW и KURT
(мере облика распореда), VAR.S и STDEV.S (мере дисперзије).
Data analyzis је алат у програму Excel,у коме постоји низ опција, при ччему је за ову
анализу значајан-Descriptive statistic, у коме се сумарно прикажу резултати за сваку
меру коју је потребно израчунати у дескриптивној анализи да би се боље прегледали
подаци.

18
 Слика 2. Мере дескриптивне анализе

Извор: аутор

Слика 3. Box plot дијаграм

Извор: аутор

На основу добијених фреквенција, креиран је хистограм. Data analyzis поседује и

опцију Histogram који аутоматски на основу одабраних података и интервала, даје
хисторам.

19
20
 С
ли
ка
4.

Хистограми испитиваних података

Извор: аутор

4.1. Испитивање расподеле броја студената

Да би подаци били репрезентативни, потребно је да се понашају по нормалној

расподели.
Shapiro-Wilk Test, је тест хипотезе који се примењује на узорак и чија је нулта
хипотеза да је узорак генерисан из нормалне дистрибуције. Ако је р-вредност веома
мала, може се одбацити таква нулту хипотезу и рећи да узорак није генерисан из
нормалне дистрибуције.

21
 То је прилично једноставан за коришћење статистички алат у оквиру Real statistic
(који нуди више алата за испитивање нормалности података), а који може помоћи током
провере нормалности која је потребна, али има ману, јер не функционише добро са
великим скуповима података.
Тестирање је показлао да подаци немају нормалан распоред, те је било неопходно
стандардизовати податке помоћу z score.

Слика 5. Стандардизација података

Извор: аутор

22
Слика 6. Shapiro-Wilk Test пре и после стандардизације података

Извор: аутор

23
 ЗАКЉУЧАК

 У Републици Србији има 246 акредитованих високошколских установа и 3.092

акредитована студијска програма у оквиру 21 Универзитета и Академија.
Просечан број студената који студира на 21 високошколску установу у Републици
Србији је 11617. Најмањи број је 585 на приватном Универзитету „Унион“, а највећи
број студената је 93541 на Универзитет у Београду. Овако велики број није изненађујућ,
с обзиром да се велики број средњошколаца још на почетку завршне године
изјашњавају да би желели високо образовање да наставе ван свог родног места,
бирајући главни град. Широг опсег различитих факултета је оно што привлачи
средњошколце из целе земље као и жеља за осамостаљењем.
Вредност за мод не постоји у овој серији података.
Медијана износи 2763, што значи да пола високошколских установа има оволико и
мање студената уписаних у њихове програме.
Стандардна девијација је 21645,38, а варијанса 468522390,5, тако да се много
резултата разликује од средње вредности, односно одступа од ње.
Коефицијент асиметрије је 3,1, указује на велику позитивну асиметрију, а
коефицијент спљоштености је 10,6 и упућује да је овај распоед издуженији у односу на
криву нормалне расподеле. Може се видети и на основу ових података, али и на основу
дијаграма да ови подаци немају норамалну расподелу.
Све високошколске установе би требала студијске програме, да мало осавремене
студијске програме, да привуку већи број страних студената, студената из региона и да
покушају да успоставе заједничку сарадњу са неким студијским програмима између
факултета , јер је чињеница да број студената опада током година.
У неким следећим истраживањима би се требало бавити разлозима због којих се број
студената смањује и радити на решавању тих проблема.

24
 ЛИТЕРАТУРА

[1] Z. Ristić Dedić и B. Jokić, „Što nakon srednje?: želje, planovi i stavovi hrvatskih
srednjoškolaca“. Agencija za znanost i visoko obrazovanje, 2019.
[2] R. W. Cooksey, „Descriptive statistics for summarising data“, у Illustrating statistical
procedures: Finding meaning in quantitative data, Springer, 2020, стр. 61–139.
[3] K. R. Burdett, How students choose a college: Understanding the role of internet based
resources in the college choice process. The University of Nebraska-Lincoln, 2013.
[4] P. Bordón, C. Canals, и A. Mizala, „The gender gap in college major choice in Chile“,
Econ. Educ. Rev., том 77, стр. 102011, 2020.
[5] P. Fidalgo, J. Thormann, O. Kulyk, и J. A. Lencastre, „Students’ perceptions on distance
education: A multinational study“, Int. J. Educ. Technol. High. Educ., том 17, изд. 1, стр.
1–18, 2020.

25