STATISTIČNE METODE V PEDAGOŠKEM RAZISKOVANJU
|
|
- Lindsay Briggs
- 5 years ago
- Views:
Transcription
1 UNIVERZA NA PRIMORSKEM PEDAGOŠKA FAKULTETA BORIS KOŽUH STATISTIČNE METODE V PEDAGOŠKEM RAZISKOVANJU KOPER 2010
2 OSNOVNI POJMI... 6 I. MNOŢIČNI POJAVI... 6 II. STATISTIČNE MNOŢICE IN ENOTE... 6 III. SPREMENLJIVKE Opisne in številske spremenljivke Merske lestvice Uporaba statističnih metod Zvezne in nezvezne spremenljivke Odvisne in neodvisne spremenljivke IV. PARAMETRI DRUGO POGLAVJE UREJEVANJE PODATKOV I. UREJEVANJE PODATKOV ZA OPISNE SPREMENLJIVKE II. UREJEVANJE PODATKOV ZA ŠTEVILSKE SPREMENLJIVKE Ranžirna vrsta Frekvenčna porazdelitev III. PRIPRAVA PODATKOV ZA RAČUNALNIŠKO OBDELAVO... NAPAKA! ZAZNAMEK NI DEFINIRAN. 1. Zbiranje podatkov... Napaka! Zaznamek ni definiran. 2. Seznam spremenljivk... Napaka! Zaznamek ni definiran. 3. Zapisovanje vrednosti... Napaka! Zaznamek ni definiran. 4. Neposredno in posredno vnašanje... Napaka! Zaznamek ni definiran. TRETJE POGLAVJE RANGI I. ABSOLUTNI RANGI II. RELATIVNI RANGI III. ZNAČILNI KVANTILNI RANGI IN KVANTILI... NAPAKA! ZAZNAMEK NI DEFINIRAN. 1. Delitev na polovici... Napaka! Zaznamek ni definiran. 2. Delitev na četrtine... Napaka! Zaznamek ni definiran. 3. Delitev na desetine... Napaka! Zaznamek ni definiran. 4. Delitev na stotine... Napaka! Zaznamek ni definiran. ČETRTO POGLAVJE SREDNJE VREDNOSTI I. PRIMERJANJE MNOŢIC II. SREDNJE VREDNOSTI... 30
3 III. IZRAČUNAVANJE ARITMETIČNE SREDINE Računanje iz individualnih podatkov Računanje iz frekvenčne porazdelitve... Napaka! Zaznamek ni definiran. IV. TEHTANA ARITMETIČNA SREDINA... NAPAKA! ZAZNAMEK NI DEFINIRAN. Tehtan strukturni odstotek... Napaka! Zaznamek ni definiran. PETO POGLAVJE RAZPRŠENOST I. POJEM RAZPRŠENOSTI II. VIRI RAZPRŠENOSTI III. MERJENJE RAZPRŠENOSTI Razpršenost podatkov za nominalne spremenljivke Razpršenost podatkov za ordinalne spremenljivke Razpršenost podatkov za intervalne spremenljivke IV. MERE RAZPRŠENOSTI Variacijski razmik Decilni razmik Kvartilni razmik Kvartilni odklon Povprečni absolutni odklon Varianca in standardni odklon V. IZRAČUNAVANJE VARIANCE Računanje iz individualnih podatkov Računanje iz frekvenčne porazdelitve... Napaka! Zaznamek ni definiran. VI. RELATIVNA MERA RAZPRŠENOSTI... NAPAKA! ZAZNAMEK NI DEFINIRAN. VII. RELATIVNI ODKLON... NAPAKA! ZAZNAMEK NI DEFINIRAN. VIII. ANALIZA RAZPRŠENOSTI Računanje pojasnjene in nepojasnjene variance... Napaka! Zaznamek ni definiran. ŠESTO POGLAVJE NORMALNA PORAZDELITEV I. POJEM IN ZNAČILNOSTI II. UPORABA TABELE IN ZAKONITOSTI... NAPAKA! ZAZNAMEK NI DEFINIRAN. 1. Določanje odstotka vrednosti, ki so pod neko vrednostjo spremenljivke... Napaka! Zaznamek ni definiran. 2. Določanje odstotka vrednosti, ki so nad neko vrednostjo spremenljivke... Napaka! Zaznamek ni definiran. 3.Določanje odstotka vrednosti, ki so v nekem razmiku... Napaka! Zaznamek ni definiran. 4.Določanje rezultata, pod katerim je dani odstotek enot... Napaka! Zaznamek ni definiran. 5.Določanje meja, med katerima je dani odstotek enot... Napaka! Zaznamek ni definiran.
4 6. Upoštevanje narave zveznih spremenljivk... Napaka! Zaznamek ni definiran. SEDMO POGLAVJE KORELACIJE I. POJEM IN VRSTE KORELACIJE Razmerje med korelacijo in vzročno-posledičnimi zvezami Korelacijski grafikon Pozitivna in negativna korelacija Linearna in nelinearna korelacija II. INDEKS KORELACIJE III. KORELACIJSKI KOEFICIENTI Pearsonov korelacijski koeficient Interpretacija Pearsonovega korelacijskega koeficienta Korelacija ranga Biserialni korelacijski koeficient... Napaka! Zaznamek ni definiran. 4. Točkovni biserialni korelacijski koeficient... Napaka! Zaznamek ni definiran. 5. Tetrakorični korelacijski koeficient... Napaka! Zaznamek ni definiran. 6. Korelacijsko razmerje... Napaka! Zaznamek ni definiran. IV. REGRESIJA V. PARCIALNA KORELACIJA Parcialni korelacijski koeficent prvega reda... Napaka! Zaznamek ni definiran. 2. Parcialni korelacijski koeficent drugega reda... Napaka! Zaznamek ni definiran. OSMO POGLAVJE VZORČENJE I. OSNOVNE MNOŢICE IN VZORCI Zakaj sploh vzorčimo Posploševanje z vzorca na osnovno množico Reprezentativnost vzorca O razpršenosti spremenljivke v osnovni mnoţici O velikosti vzorca O načinu izbora enot v vzorec Izbiranje vzorcev Slučajnostni izbor Sistematični izbor Namenski izbor Priloţnostni izbor Enostopenjsko in večstopenjsko vzorčenje Izbiranje s ponavljanjem Stratificirano vzorčenje... Napaka! Zaznamek ni definiran. Veliki in mali vzorci... 78
5 Odvisni in neodvisni vzorci Enostavni slučajnostni vzorec Posploševanje na hipotetično osnovno množico Oznake za parametre II. OCENJEVANJE PARAMETROV Množica vzorcev in množica vseh vzorcev... Napaka! Zaznamek ni definiran. 2. Porazdelitev vzorčnih parametrov... Napaka! Zaznamek ni definiran. 3. Ocenjevanje aritmetične sredine z velikimi enostavnimi slučajnostnimi vzorci... Napaka! Zaznamek ni definiran. Standardna napaka ocene aritmetične sredine... Napaka! Zaznamek ni definiran. 4. Ocenjevanje strukturnega odstotka z velikimi enostavnimi slučajnostnimi vzorci. Napaka! Zaznamek ni definiran. Standardna napaka ocene strukturnega odstotka... Napaka! Zaznamek ni definiran. 5. Ocenjevanje standardnega odklona z velikimi enostavnimi slučajnostnimi vzorci Napaka! Zaznamek ni definiran. 6. Ocenjevanje Pearsonovega korelacijskega koeficienta z velikimi enostavnimi slučajnostnimi vzorci... Napaka! Zaznamek ni definiran. Standardna napaka ocene korelacijskega koeficienta... Napaka! Zaznamek ni definiran. III. PREIZKUŠANJE HIPOTEZ Preizkušanje hipotez o razliki med aritmetičnimi sredinami z velikimi enostavnimi slučajnostnimi vzorci Standardna napaka... Napaka! Zaznamek ni definiran. 2. Preizkušanje hipotez o razliki med strukturnimi odstotki z velikimi enostavnimi slučajnostnimi vzorci... Napaka! Zaznamek ni definiran. Standardna napaka... Napaka! Zaznamek ni definiran. 3. Preizkušanje hipotez o razliki med standardnimi odkloni z velikimi enostavnimi slučajnostnimi vzorci... Napaka! Zaznamek ni definiran. Standardna napaka razlike... Napaka! Zaznamek ni definiran. 4. Preizkušanje hipotez o razliki med Pearsonovimi korelacijskimi koeficienti z velikimi enostavnimi slučajnostnimi vzorci... Napaka! Zaznamek ni definiran. Standardna napaka razlike... Napaka! Zaznamek ni definiran. IV. Χ 2 -PREIZKUS Preizkušanje hipoteze neodvisnosti Prostostne stopinje... Napaka! Zaznamek ni definiran. Pričakovane frekvence... Napaka! Zaznamek ni definiran. Hitrejši način računanja vrednosti χ 2... Napaka! Zaznamek ni definiran. Poročanje o preizkusu pri računalniški obdelavi... Napaka! Zaznamek ni definiran. Pogoj za uporabo χ 2 -preizkusa... Napaka! Zaznamek ni definiran. Ukrepi pri neizpolnjenih pogojih... Napaka! Zaznamek ni definiran. 2. Preizkušanje hipoteze enake verjetnosti V. KOEFICIENTI KONTINGENCE Pearsonov kontingenčni koeficient... 91
6 2. Cramérjev koeficient Koeficient... Napaka! Zaznamek ni definiran. VI. NAPAKE PRI OCENJEVANJU PARAMETROV IN PREIZKUŠANJU HIPOTEZ LITERATURA... 94
7 PRVO POGLAVJE OSNOVNI POJMI I. Mnoţični pojavi V empiričnih pedagoških raziskavah proučujemo enkratne pojave in mnoţične pojave. Enkratni pojavi so tisti, ki nastopajo samo enkrat, mnoţični pa se pojavljajo večkrat (več kot le enkrat). Osnovna šola Ledina je enkraten pojav, osnovna šola nasploh pa mnoţični pojav (saj jih je v Sloveniji več kot petsto). Učenec J. M. iz kraja C. je enkratni pojav, učenec osnovne šole pa je mnoţični pojav. Pri proučevanju mnoţičnih pojavov pogosto uporabljamo statistične metode, pri preučevanju enkratnih pa ne. S temi, sicer bolj kvantitativnimi metodami, proučujemo hkrati kvantitativne in kvalitativne značilnosti in zakonitosti vzgojnih (pedagoških) pojavov. Čeprav je definicija mnoţičnih pojavov preprosta, je slabo uporabna za presojo, kdaj uporabiti statistične metode, kdaj pa ne. Če bomo, na primer imeli "mnoţico" dveh ali treh učiteljev, ne bomo za njeno preučevanje uporabili statističnih metod (pa čeprav po definiciji gre za mnoţični pojav). Naj velja, da bomo statistične metode uporabili takrat, ko bomo preučevali vendarle "malo bolj mnoţične" pojave - mnoţice velikosti od ene vzgojne skupine navzgor (šolskega oddelka, učne skupine, kroţka in podobno). Šele pri takšni velikosti bodo statistične metode zares uporabne. Seveda ni nobene ostre meje, kar se zlasti lepo vidi, če si zastavimo napačno vprašanje: "Pri kateri velikosti skupine ţe smemo uporabiti statistične metode?" Odgovor na takšno vprašanje bi seveda bil: "Ţe pri dveh enotah!" Vendar pa raba statističnih metod na tako majhnih skupinah ni smiselna in smotrna. II. Statistične mnoţice in enote Enote, ki sestavljajo mnoţice v pedagoških raziskavah, so lahko učenci, gojenci, učitelji, dijaki, ravnatelji, a tudi šole, vrtci, dijaški domovi, učbeniki, delovni zvezki, učni načrti, računalniki, šolsko pohištvo, šolske stavbe, učne ure, ekskurzije, šolske ocene, izdelki učencev, vprašanja, računalniki itd. V empiričnih raziskavah nas vedno zanima neka konkretna skupina. Da bi jo lahko preučili, jo moramo natančno opredeliti. Tako dobimo statistično mnoţico; zanjo potem lahko uporabimo statistične metode. Opredeliti jo, pomeni določiti pogoje, ki opredeljujejo, kdo vanjo sodi in kdo ne. To so opredeljujoči pogoji: - s stvarnim opredeljujočim pogojem določimo, kaj (ali kdo) so enote te mnoţice,
8 - s krajevnim opredeljujočim pogojem določimo geografske razseţnosti mnoţice, - s časovnim opredeljujočim pogojem določimo čas, v katerem bomo zajeli mnoţico. Vse enote, ki ustrezajo opredeljujočim pogojem, sodijo v tako opredeljeno statistično mnoţico. S temi pogoji so natančno določene enote statistične mnoţice in s tem tudi celotna statistična mnoţica. Če katerikoli od teh pogojev manjka, statistična mnoţica ni zadosti natančno določena in se ne ve, kdo (ali kaj) jo sestavlja. Ilustrirajmo to z nekaj primeri ustrezno opredeljenih statističnih mnoţic: Ravnatelji osnovnih šol v Sloveniji v šolskem letu 1998/99. Dijaki gimnazij v Ljubljani na dan 20. februarja Osnovne šole v dolenjski regiji v šolskem letu 1999/2000. Preprosteje je, če časovni opredeljujoči pogoj ni določen v predolgem intervalu (celo šolsko leto, semester, polletje ali kaj podobnega). Če se nanaša na celo šolsko leto, moramo zajeti (v nekem smislu čakati) vse enote, ki se pojavijo v tistem šolskem letu. V prvem primeru bi bili to vsi ravnatelji, tudi tisti, ki so med šolskim letom postali ravnatelji. Za praktično izvedbo raziskave je to pogosto precejšnja ovira (še zlasti za zbiranje podatkov). Običajno opredeljujemo mnoţice v celih šolskih letih le kadar jemljemo podatke iz ţe obstoječe dokumentacije: npr. iz dokumentacije zavoda za statistiko, zavoda za šolstvo, ministrstev in podobno. Kadar pa sami zbiramo podatke, si mnoţice pogosteje opredeljujemo trenutno - z nekim datumom. Res je, da tudi dan (datum) ni povsem dosledno trenutna opredelitev; tudi dan je interval štiriindvajsetih ur. Ne bomo širili razprave o časovnem pogoju na filozofska vprašanja trenutnega opredeljevanja statističnih mnoţic. Zato le povejmo, da nekatere pojave moramo opredeliti intervalno: število opravljenih učnih ur (npr. v enem tednu, mesecu ali šolskem letu), število pobegov iz dijaškega doma (npr. v mesecu ali letu), število seminarjev, ki so se jih učitelji udeleţili (npr. v zadnjih treh letih) itd. Takšnih mnoţic nikakor ne moremo opredeliti trenutno; mnoge pa lahko opredelimo trenutno ali intervalno. Bistveno je, da je časovni opredeljujoči pogoj jasno in nedvoumno določen. Statistično mnoţico v raziskovalnem poročilu običajno imenujemo raziskovalna mnoţica ali tudi kar kratko - mnoţica. Bistveno drugače pa statistične mnoţice imenujemo v vzorčnih raziskavah, kjer iz mnoţice izberemo le manjši del. Takrat celotno statistično mnoţico imenujemo osnovna mnoţica, manjši izbrani del pa vzorec (ali redkeje: vzorčna mnoţica).
9 III. Spremenljivke Enote statistične mnoţice imajo nešteto lastnosti. Vsaka takšna lastnost je spremenljivka. Naštejmo nekaj najpogostejših enot in njihovih lastnosti. Seveda lahko naštejemo le nekaj najpomembnejših lastnosti, saj jih je v resnici nešteto. Tabela 1. Statistične enote in spremenljivke enota lastnosti ali spremenljivke učenec starost, ocene, prizadevnost, spol, narodnost, interesi, telesna višina, telesna teţa itd. učitelj leta prakse, stopnja izobrazbe, kateri predmet uči, kraj, kjer je zaposlen itd. šola število učencev na šoli, stopnja šole (osnovna, srednja itd.), kako dolgo ţe deluje, koliko oddelkov ima, koliko je zaposlenih itd. učbenik število strani, avtor, cena, format, število ilustracij, leto izdaje itd. delavska univerza katere programe izvaja, število zaposlenih, kraj, v katerem ima sedeţ itd. Proučevati enote (in s tem mnoţice) pomeni proučevati njihove lastnosti spremenljivke. Zato je spremenljivka osrednji pojem statistike. Vsebina praktično vseh statističnih metod je obdelava podatkov za spremenljivke. Ker vsakokrat raziskujemo pedagoške pojave z drugačnim namenom, bomo vsakokrat proučevali neke druge spremenljivke (tudi takrat, ko bo šlo za podobne ali celo iste mnoţice!). 1. OPISNE IN ŠTEVILSKE SPREMENLJIVKE Spremenljivke lahko delimo po različnih kriterijih. Začeli bomo z eno preprostejših delitev: po tem, kako spremenljivkam izraţamo vrednosti. Spremenljivke, ki jim vrednosti izraţamo z besedami, imenujemo opisne ali atributivne. Takšne spremenljivke so spol, narodnost, stopnja izobrazbe itd. Tabela 2. Opisne spremenljivke spremenljivka vrednosti spol ţenski, moški stopnja šole osnovna, srednja, višja, visoka itd. znanje tujega jezika pasivno, aktivno ali tudi: dobro, srednje, slabo prisotnost vedno, pogosto, včasih, nikoli šolski uspeh odličen, prav dober, dober, zadosten, nezadosten
10 Spremenljivke, ki jim vrednosti izraţamo s številkami, imenujemo številske ali numerične. Tabela 3. Številske spremenljivke spremenljivka vrednosti telesna višina v cm 154, 155, 156 itd starost v letih 9, 10, 11, 12 itd. leta prakse 2, 15, 24, 33 itd število učencev v oddelku 19, 20, 21, 22, 23 itd. Majhno nejasnost v tej delitvi povzroča dejstvo, da vrednosti nekaterih spremenljivk izraţamo hkrati besedno in številčno. Najbolj značilen primer so šolske ocene. Ali je šolska ocena opisna ali številska spremenljivka? V takšnih primerih moramo razmisliti, kakšna je narava spremenljivke. Bistvena je namreč narava spremenljivke in ne zgolj oblika, kako so zapisane vrednosti. Razmislek bi nam hitro pokazal, da je pri šolski oceni bistvena beseda in ne številka. Odlična ocena je povsod najboljša, vedno je med ocenami najvišja, izraţena pa je lahko z različnimi številkami (pri nas s številko 5, na Poljskem s številko 6, v Italiji s številko 1, na naših univerzah s številko 10, na italijanskih s 30 itd.). Po svojem bistvu je opisna in ne številska spremenljivka. 2. MERSKE LESTVICE Veliko večji pomen v statistiki ima delitev glede na vrsto informacije, ki jo vsebujejo rezultati merjenja (podatki, vrednosti spremenljivke). Glede na ta kriterij razlikujemo štiri vrste spremenljivk (štiri merske lestvice): 1. nominalne, 2. ordinalne, 3. intervalne, 4. razmernostne. Nominalne spremenljivke vsebujejo informacijo, po kateri lahko ugotovimo le ali se enote razlikujejo ali se ne razlikujejo. Takšna spremenljivka je spol. Po spolu lahko ugotovimo ali sta dva učenca enakega ali različnega spola. Za vrednosti nominalnih spremenljivk uporabljamo raje izraz kategorije. Nekatere nominalne spremenljivke imajo le dve kategoriji, nekatere pa več kategorij: Tabela 4. Nominalne spremenljivke z dvema kategorijama spremenljivka kategorije spol moški, ţenski ali je dijak član neke organizacije je član, ni član ali se pri pisnem izpitu lahko uporablja da, ne literatura ali ima učenka svojo pisalno mizo ima, nima
11 Tabela 5. Nominalne spremenljivke z več kategorijami spremenljivka kategorije narodnost Kitajec, Francoz, Slovenec itd. smer študija na univerzi pedagogika, pravo, kemija, strojništvo itd. kakšne oddaje učenci najraje športne, informativne, dokumentarne, gledajo na TV izobraţevalne itd. kakšno strokovno literaturo revije, knjige, časopise, priročnike itd. učiteljice uporabljajo Nikakor ni mogoče kategorij nominalne spremenljivke razvrstiti po velikosti od manjših do večjih, ker te lastnosti nominalne spremenljivke nimajo. Poenostavljeno bi lahko rekli, da so vse kategorije na isti ravni. Nominalne spremenljivke so čiste atributivne spremenljivke in nimajo kvantitativne osnove. Pri presojanju, ali je neka spremenljivka nominalna ali "pa kaj več", moramo biti pazljivi in presoditi na podlagi bistva spremenljivke in ne na podlagi poimenovanja njenih kategorij. Pokaţimo to s primerom: V neki anketi smo učence vprašali, ali jim je bila všeč gledališka predstava. Kot moţne odgovore smo postavili le kategoriji DA in NE. Toda ta spremenljivka ni nominalna. Zadovoljnost se stopnjuje; ne gre za to, da eni sploh niso zadovoljni, drugi so pa popolnoma zadovoljni. Gre v bistvu za niţjo in višjo stopnjo zadovoljnosti. Podobno je z mnogimi takšnimi pojavi (zainteresiranost, motiviranost itd.). Nominalno spremenljivko bi dobili, če bi učence, npr. vprašali, ali so bili na gledališki predstavi. Tukaj bi odgovori DA in NE bili bistveno drugačni kot v prejšnjem vprašanju. Zunanji videz imena spremenljivke ali njenih kategorij nas lahko pogosto zavede. Ordinalne spremenljivke vsebujejo takšno informacijo, po kateri lahko ugotovimo ali so enote enake ali različne in nekaj več: vrednosti se stopnjujejo in so lahko večje ali manjše. Vrednosti takšne spremenljivke lahko razvrstimo od najmanjše do največje (in s tem tudi enote). Za dve enoti lahko torej ugotovimo, katera je na lestvici višje in katera niţje. Vrednostim ordinalne spremenljivke običajno rečemo stopnje (redkeje pa kategorije). Stopnje na tej lestvici niso vse na isti ravni kot pri nominalnih spremenljivkah, temveč se stopnjujejo - izraţajo neko količino (kvantitativno osnovo). Značilna ordinalna spremenljivka je stopnja izobrazbe. Ordinalne spremenljivke najpogosteje dobimo pri anketiranju, opazovanju ter uporabi ocenjevalnih lestvic in lestvic stališč. Pogosto se ţe iz oblike anketnega vprašanja vidi, da gre za ordinalno spremenljivko: npr. "koliko ste zadovoljni..." ali "koliko berete..." itd. Tudi kategorije ordinalne spremenljivke nakazujejo kvantitativno osnovo: zelo,
12 srednje, malo; pogosto, včasih, redko itd. Zato kategorijam ordinalne spremenljivke pogosteje rečemo stopnje kot kategorije. Pri ordinalni spremenljivki sicer vemo, katere stopnje so višje in katere so niţje, ne vemo pa, kakšne so razlike med posameznimi stopnjami. Zato tudi ne moremo reči, da so intervali med posameznimi stopnjami povsod enaki. Največkrat vemo iz izkušenj, da ti intervali še zdaleč niso enaki. Ordinalno lestvico si lahko zamislimo kot stopnišče z neenakimi stopnicami. Tudi, če bi pri kakšni ordinalni spremenljivki intervali bili enaki (kar je teoretično moţno), bi nam to dejstvo ostalo skrito. Za stopnje ordinalnih spremenljivk poleg besed pogosto uporabljamo tudi številke (za šolske ocene in šolski uspeh, za range v ranţirni vrsti itd.). Te številke ustvarjajo videz, da gre za enake intervale. Zdi se, da je razlika med zadostno in dobro oceno enaka razliki med dobro in prav dobro oceno. Pa seveda ni. Tudi rangi, npr. kot vrstni red prihoda v cilj pri krosu, zakrivajo dejanske razlike v doseţkih med učenci. Zdi se, kakor da so doseţki učencev enakomerno nanizani od prvega do zadnjega; kakor da so razlike med njimi enake (saj so med vsemi rangi enake razlike: med 4. do 5. je enaka razlika kot med 16. in 17.). V bistvu so med posameznimi ocenami in tudi med posameznimi rangi razlike neenake (seveda v tisti lastnosti, ki jo s temi ocenami ali rangi izraţamo). Podobno je s spremenljivko doseţek na testu znanja, le da je tu neenakost intervalov bolj zakrita. Zdi se, da je zares interval med, npr. 20 in 21 točk enak intervalu med 12 in 13 točk (vsakokrat gre le za eno točko in na videz je "točka tu enaka točki tam"). Pa ni, saj je naraščanje teţavnosti od naloge do naloge v testu neenakomerno. Vendarle pa je izenačenost intervalov pri doseţkih na testu znanja v splošnem večja kot pri mnogih drugih ordinalnih spremenljivkah. Seveda bi bila izenačenost (enakost!) intervalov med posameznimi stopnjami neke merske lestvice zelo dobrodošla lastnost. Nekatere spremenljivke, ki so vmes med ordinalnimi in intervalnimi, pogosto obravnavamo kot intervalne (npr. doseţke na testih znanja v točkah, rezultate na nekaterih ocenjevalnih lestvicah in lestvicah stališč itd.). Pri tem pa vendarle ne smemo pozabiti, kakšno je njihovo bistvo, zato moramo biti previdni v interpretaciji takšnih rezultatov. Intervalne spremenljivke so številske in imajo vse lastnosti ordinalnih spremenljivk, le intervali med stopnjami so povsod enaki. Katere spremenljivke so torej intervalne? To so tiste, ki imajo natančno določeno mersko enoto (temperaturna lestvica v Celzijusovih stopinjah in podobno). Intervalno lestvico si lahko zamislimo kot stopnišče z enako visokimi stopnicami. Zaradi enakih intervalov lahko določimo, kakšna je razlika med katerimikoli vrednostmi. Nimajo pa intervalne spremenljivke absolutne ničle. To ni vselej vidno ţe na pogled. Zamislimo si test znanja, katerega vrednosti bi tvorile intervalno lestvico. Ali ima takšna spremenljivka absolutno ničlo? Ker s testom merimo znanje, lahko to vprašanje konkretiziramo: ali nič točk na testu
13 pomeni ničelno znanje? Seveda ne pomeni (pa čeprav se zdi, da je tako - v vsakdanjem ţivljenju bi takšen rezultat vsi komentirali:»ah, saj nič ne zna!«). Doseţek nič točk pomeni, da je imel učenec premalo znanja, da bi pravilno rešil vsaj eno nalogo. Da ničla res ni absolutna, se lahko prepričamo tudi s preprostim poskusom. V test dodamo še eno izredno lahko nalogo sedaj bo isti učenec dosegel točko. Pa je vendar to isti učenec; gre za isto znanje. Prvič bi površno presodili, da ta učenec nič ne zna; drugič bi rekli, da nekaj malega le zna. Ničelna točka je torej odvisna od teţavnosti nalog. Če so vse naloge v testu zelo teţke, bo ničelna točka visoko in jo bodo le redki presegli. Če so naloge v testu zelo lahke, bo ničelna točka nizko in jo bodo mnogi presegli. Vidimo, da ničelna točka ni absolutna, ampak se lahko premika. Razmernostne spremenljivke so tiste intervalne spremenljivke, ki imajo absolutno ničlo. Ta lastnost razmernostnih spremenljivk omogoča presojo, kolikokrat je neka vrednost večja od neke druge vrednosti. Takšnih primerjav nam zgolj intervalne lestvice ne omogočajo (ker nimajo absolutne ničle). Razmernostne spremenljivke so starost, telesna višina in teţa, število otrok v razredu ali vzgojni skupini, število ur pouka, čas učenja, število prebranih knjig, skok v višino itd. Temperaturna lestvica Celzijusa nima absolutne ničle in je intervalna spremenljivka. Zato ne moremo reči, da je temperatura 80 C štirikrat večja od temperature 20 C. Temperaturna lestvica Calvina ima absolutno ničlo in temperatura 80 K zares je štirikrat večja od temperature 20 K. Vendar je ta prednost razmernostnih spremenljivk (v primerjavi z intervalnimi) tako majhna, da nam omogoča le majhen korak naprej v statistični obdelavi. Zato pogosto razmernostne in intervalne spremenljivke obravnavamo enako. 3. UPORABA STATISTIČNIH METOD Zakaj je sploh pomembno vedeti, kakšne so spremenljivke? Od narave spremenljivke je namreč odvisno, katere statistične metode zanjo lahko uporabimo. Veljata dve pomembni splošni pravili: 1. Čim višje je spremenljivka v tej delitvi, tem več statističnih metod lahko uporabimo pri obdelavi podatkov zanjo. Najmanj statističnih metod lahko uporabimo za nominalne, nekaj več za ordinalne, še več za intervalne in največ (vse!) za razmernostne. 2. Vse statistične metode, ki veljajo za neko vrsto spremenljivk, lahko uporabimo za vse vrste, ki so višje v tej delitvi. Če neko metodo lahko uporabimo, na primer za ordinalne spremenljivke, jo lahko tudi za intervalne in razmernostne.
14 Pri vseh statističnih metodah bomo še sproti navajali, za katere spremenljivke jih lahko uporabimo in za katere ne. 4. ZVEZNE IN NEZVEZNE SPREMENLJIVKE Numerične spremenljivke lahko imajo vse vrednosti v nekem intervalu ali pa le nekatere. Prve so zvezne in druge nezvezne. Za prispodobo bomo vzeli jato ptičev. Predstavimo si telefonske ţice med dvema drogovoma ob cesti in ptiče na njih. Nekateri ptiči se nagnetejo in sedijo na ţicah tesno drug ob drugem. Druge vrste ptičev ne prenašajo telesnega dotika in sedijo na ţicah drug od drugega oddaljeni decimeter ali dva. Stisnjeni drug ob drugega nam ponazarjajo zvezne spremenljivke, ptiči na razmakih pa nezvezne. Telesna višina je tipična zvezna spremenljivka. Če je učenec imel na začetku šolskega leta 156 cm in na koncu 159 je v tem intervalu moral preiti čez vse višine: npr. ni mogel preskočiti višine 158,65 cm. Podobno je tudi z vrednostmi telesnih višin za skupino učencev: med najmanjšim in največjim učencem v razredu lahko imajo ostali učenci kakršnokoli višino. Pri tem moramo opozoriti, da v praksi običajno meritve telesne višine izraţamo v celih centimetrih. Če bi omenjenega učenca vsakih nekaj mesecev merili pri šolskem zdravniku, bi v kartoteki imel zabeleţene višine: 156, 157, 158 in na koncu 159 cm. Toda to ne spremeni bistva spremenljivke: učenec je postopno rasel od 156 cm do 157 cm itd. Zvezne spremenljivke lahko imajo vse vrednosti v nekem intervalu. Ime zvezne izhaja iz tega, da se vrednosti nizajo neprekinjeno (zvezno, brez praznih mest, med vrednostmi ni preskokov ). Število učencev v razredu je tipična nezvezna spremenljivka. Če je najmanjše moţno število, npr. šestnajst in največje petindvajset, ima lahko ta spremenljivka vrednosti le 16, 17, 18, 19, 20, 21 22, 23, 24 in 25. Med sosednjima vrednostma ni nobene vrednosti (npr. med 16 in 17). Naredimo še kratko miselno vajo. Imamo spremenljivko doseţek na testu znanja. Vrednosti so izraţene v celih točkah. Za pravilno rešitev učenec dobi točko, za nepravilno pa nič točk. To je nezvezna spremenljivka. Kaj pa, če učitelj daje za delne rešitve po pol točke? Ali je sedaj, ko se pojavijo vmesne vrednosti (npr. 11,5), ta spremenljivka zvezna? Odgovor je ne! Res je, da so
15 moţne vmesne vrednosti, toda med 11,5 in 12 spet ni nobenih vrednosti. Spremenljivka lahko ima samo vrednosti enajst, enajst in pol, dvanajst, dvanajst in pol itd. Torej je nezvezna. Moramo povedati še to, da zvezne spremenljivke v praksi izraţamo z nezveznimi vrednostmi. To smo videli ţe pri telesni višini; podobno je s starostjo, telesno teţo, temperaturo itd. Navsezadnje je tudi znanje zvezna spremenljivka, vedno pa jo izraţamo s točkami ali ocenami, ki so nezvezne. Obratno pa je pri obdelavi podatkov. Mnoge nezvezne spremenljivke brez večje škode obdelujemo kot da so zvezne, saj je to bolj preprosto. 5. ODVISNE IN NEODVISNE SPREMENLJIVKE Spremenljivke po vlogi, ki jo imajo v medsebojnih povezavah, delimo na neodvisne in odvisne. V najpreprostejših primerih proučujemo povezanost dveh spremenljivk. V vsakem paru dveh povezanih spremenljivk ima ena vlogo neodvisne (to je tista, ki deluje) in druga vlogo odvisne (tista na katero deluje). Takšne vloge jim dajemo glede na naravo povezanosti med njima in glede na namen raziskave. Ista spremenljivka je lahko v enem paru odvisna, v nekem drugem paru pa neodvisna. Celo v istem paru lahko spremenljivki zamenjata vlogi. Mnoge povezave vzgojnih pojavov niso enoznačne in enostranske. V paru čas domačega učenja in šolska ocena štejemo, da je čas domačega učenja neodvisna spremenljivka in šolska ocena odvisna. Vemo, da več učenja v splošnem pomeni boljše ocene. Vendar je zveza tudi obratna: ocena, ki jo učenec dobi v šoli, vpliva na to, koliko se bo učil. Torej je lahko tudi ocena neodvisna in čas domačega učenja odvisna. Takšni primeri so na pedagoškem področju pogosti. Zato so te delitve večinoma začasne. Hkrati pa poznamo vrsto spremenljivk, ki so v pedagoških raziskavah trajno neodvisne. Spol je spremenljivka, ki v pedagoških raziskavah nastopa vedno kot neodvisna (seveda, kadar sploh nastopa), podobno je z narodnostjo, starostjo itd. Večina
16 pravih vzgojnih pojavov pa stalno menja vloge neodvisnih in odvisnih spremenljivk. Omenimo še, da izraz neodvisna spremenljivka, seveda ne pomeni, da je ta spremenljivka neodvisna v kakšnem absolutnem smislu: da ni od ničesar odvisna. Ni takšnih pojavov, ki bi bili absolutno neodvisni. Izraz pomeni le, da je imenovana spremenljivka tista, ki vpliva (pa še pri tem smo videli, da je vpliv pogosto obojestranski). IV. Parametri Vrednosti spremenljivke so značilne za vsako posamezno enoto mnoţice. Po teh vrednostih enote lahko primerjamo, razvrščamo, grupiramo itd. Podobno vlogo, kot jo ima vrednost spremenljivke za enoto, ima parameter za neko mnoţico. Parametri so številske značilnosti mnoţice. V splošnem parameter določamo iz vrednosti spremenljivke za posamezne enote. Najpogostejši parametri v pedagoških raziskavah so: strukturni odstotki, srednje vrednosti, mere razpršenosti, kazalci korelacije itd.
17 DRUGO POGLAVJE UREJEVANJE PODATKOV Podatke za proučevane spremenljivke moramo pred statistično obdelavo primerno urediti. S tem si olajšamo njihovo obdelavo in jo naredimo pregledno. S pojavom in vse bolj mnoţično uporabo računalnikov se je urejanje podatkov bistveno spremenilo. Za ročno obdelavo podatkov podatke zares uredimo, za računalniško jih pa le pripravimo. Ker je za dobro razumevanje (in uporabo!) statističnih postopkov obdelave podatkov, potrebno poznati tudi postopke računanja (bolj literarno povedano: poleg rezultatov moramo poznati tudi pot do teh ), bomo na kratko prikazali postopke za urejanje podatkov in pripravo za računalniško obdelavo. I. Urejevanje podatkov za opisne spremenljivke Podatke za opisno spremenljivko uredimo tako, da sestavimo frekvenčno tabelo. Za vsako kategorijo spremenljivke določimo frekvenco, tako pripravljene podatke pa vnesemo v frekvenčne tabele. Frekvence so lahko absolutne ali relativne. Absolutna frekvenca pove, koliko je enot v določeni kategoriji neke spremenljivke, relativna pa, kolikšen del celotne mnoţice je v tej kategoriji. Relativne frekvence praviloma vedno izraţamo v odstotkih. S tem smo uredili podatke in prikazali njihovo strukturo, kar je ţe prvi korak v statistično obdelavo. Takšne odstotke, ki kaţejo notranjo delitev neke mnoţice, imenujemo strukturni odstotki, tabele pa pogosto tudi strukturne tabele ali kratko strukture (nič hudega ne bo, če ji rečemo frekvenčna tabela). Spodaj imamo primer tabele po spremenljivki spol za neko mnoţico.
18 Tabela 6. Strukturna tabela učencev po spolu kategorije f f % ţenski 25 43,1 moški 33 56,9 skupaj ,0 Vidimo, da je ţensk v tej mnoţici nekaj manj kot polovica in moških več kot polovica vseh. Število vseh enot v mnoţici je 58; to število imenujemo numerus in označujemo z oznako N. To lahko zapišemo: N = 58. Če je spremenljivka ordinalna in ima več kot dve stopnji, včasih dodamo še stolpec z kumulativnimi odstotnimi frekvencami. To so zbirne frekvence, ki povedo, koliko odstotkov enot je skupaj do te stopnje (rečemo tudi: koliko jih je pod to kategorijo ). Vendar kumulativne frekvence delamo le takrat, ko jih zares potrebujemo. Kumulativne frekvence dobimo tako, da seštejemo vse frekvence za niţje kategorije. Spodaj imamo tabelo za spremenljivko šolski uspeh. Tabela 7. Strukturna tabela učencev po šolskem uspehu šolski uspeh f f % F % nezadosten 3 3,9 0 zadosten 11 14,5 3,9 dober 38 50,0 18,4 prav dober 17 22,4 68,4 odličen 7 9,2 90,8 skupaj ,0 100,0 Kumulativna frekvenca 68,4% nam pove, da je toliko učencev z uspehom niţjim od prav dobrega.
19 Rezultate v statistiki praviloma zaokroţamo na dve decimalki; vendar z nekaterimi izjemami. Izjemo vidimo v obeh prejšnjih tabelah. Uveljavilo se je namreč pravilo, da se odstotne frekvence v tabelah zaokroţajo na eno decimalno mesto. To pa ne velja za tiste odstotke, ki jih nameravamo uporabiti za nadaljnje obdelave. Tam velja splošno pravilo o zaokroţanju vrednosti na dve decimalni mesti. Seveda ne bo nič narobe, če odstotke v tabeli zaokroţimo na dve decimalni mesti, vendar ni potrebno. Po eni strani je škoda dela, po drugi strani pa je takšna tabela manj pregledna. Toda pozor: na manj kot eno decimalko pa ne! Na takšen način uredimo in prikaţemo podatke za vse spremenljivke v raziskavi. Pogosto pa poleg stanja po posameznih spremenljivkah proučujemo tudi povezanost med spremenljivkama. Za takšne namene moramo narediti drugačne tabele. Tabela lahko prikazuje strukturo posamezne spremenljivke ali pa strukturo več spremenljivk hkrati. Prve imenujemo enostavne ali enkratne strukture, druge pa večkratne ali sestavljene strukture. Največkrat prikazujemo v večkratni strukturi dve spremenljivki; večkratna struktura za več spremenljivk je namreč izredno nepregledna. Kadar proučujemo povezanost več spremenljivk hkrati, podatkov ne urejamo v obliki strukturnih tabel. Spodaj imamo primer večkratne strukture za spremenljivki stopnja izobrazbe in stališče (o nekem pojavu). Tabela 8. Frekvenčna tabela zaposlenih po izobrazbi in stališču sem za ne morem sem proti skupaj se odločiti srednja izobrazba višja izobrazba visoka izobrazba skupaj
20 Podatki so sicer urejeni, vendar tabela slabo kaţe povezanost med spremenljivkama. Zato je treba izračunati še odstotne frekvence. Odstotne frekvence lahko izračunamo na tri načine in tako lahko nastanejo tri različne tabele. Spodaj so prikazane vse tri. V prvi so odstotki računani po kategorijah izobrazbe, v drugi po kategorijah stališča, v tretji pa iz celotnega numerusa (N=78). Tabela 9. Strukturna tabela zaposlenih po stališču, posebej za vsako izobrazbo sem za ne morem se sem proti skupaj odločiti srednja izobrazba 12 26,1 6 13, , ,0 višja izobrazba 5 33,3 3 20,0 7 46, ,0 visoka izobrazba 11 64,7 2 11,8 4 23, ,0 skupaj 28 35, , , ,0 V tej tabeli smo v vodoravnih vrsticah računali odstotke iz vsote na koncu vrtice (desno). Tako v prvi vrstici frekvenca 12 predstavlja 26,1% od vsote 46 (na desnem koncu vrstice). Zato vsi odstotki v vrstici tvorijo skupaj 100,0% (26,1% + 13,0% + 60,9% = 100,0%). Enako je v ostalih vrsticah.
21 Tabela 10. Strukturna tabela zaposlenih po izobrazbi, posebej za vsako stališče sem za ne morem se sem proti skupaj odločiti srednja izobrazba 12 42,9 6 54, , ,0 višja izobrazba 5 17,9 3 27,3 7 17, ,2 visoka izobrazba 11 39,3 2 18,2 4 10, ,8 skupaj ,0* , , ,0 V tej tabeli smo v navpičnih stolpcih računali odstotke iz vsote na dnu stolpca (spodaj). Tako v drugem stolpcu frekvenca 6 predstavlja 54,5% od vsote 11 (na dnu stolpca). Zato vsi odstotki v stolpcu tvorijo skupaj 100,0% (54,5% + 27,3% + 18,2% = 100,0%). Enako je v ostalih stolpcih.
22 Tabela 11. Strukturna tabela zaposlenih po izobrazbi in stališču sem za ne morem se sem proti skupaj odločiti srednja izobrazba 12 15,4 6 7, , ,0 višja izobrazba 5 6,4 3 3,8 7 9, ,2 visoka izobrazba 11 14,1 2 2,6 4 5, ,8 skupaj 28 35, , , ,0 V tej tabeli smo v okencih računali odstotke iz celotnega numerusa (N = 78). Tako v prvem okencu (levo zgoraj) frekvenca 12 predstavlja 15,4% od numerusa 78. Odstotki iz vseh okenc tvorijo skupaj 100,0% (15,4% + 7,7% + 35,9% + 6,4% + 3,8% + 9,0% + 14,1% + 2,6% + 5,1% = 100,0%). Tudi v okencih»skupaj«so vsi odstotki izračunani iz celotnega numerusa. Prva tabela je primerna za odgovarjanje na vprašanje, kako izobrazba vpliva na stališče. Iz izkušenj vemo, da imajo ljudje z različno izobrazbo različna stališča, po katerih jih sprašujemo v raziskavi. Torej sta ti dve spremenljivki povezani. Če sta povezani, moramo presoditi, katera je neodvisna in katera odvisna. Sodimo, da je v tem paru izobrazba neodvisna spremenljivka in stališče odvisna. Ker je to smiselna smer povezave, je prav ta tabela tisto, kar najbolj potrebujemo. Zato praktično vedno pri proučevanju povezanosti med dvema spremenljivkama izračunavamo odstotke na takšen način kot v prvi tabeli (torej po kategorijah neodvisne spremenljivke). Druga tabela je primerna za interpretacijo vpliva stališča na izobrazbo, kar je seveda nesmiselno. Zato v praksi takšnih tabel ne uporabljamo.
23 Tretja tabela ni primerna za interpretacijo povezanosti med spremenljivkama; iz nje izvemo le to, koliko je enot v vsakem okencu (in koliko je to odstotkov). Ker ni primerna za interpretacijo povezanosti, je pravzaprav nepotrebno omenjeni dve spremenljivki sploh prikazovati v takšni tabeli. Če sta spremenljivki, ki ju proučujemo, povezani, je smiselna prva tabela, če pa nista povezani, pa je edina smiselna tabela pravzaprav nepotrebna (to je tretja tabela). In še drobna tehnična zadeva: ponekod v tabeli vsota odstotkov iz okenc v vrstici ali stolpcu ni enaka napisani vsoti na koncu vrstice ali stolpca (npr. 100,0). To se zgodi zaradi vmesnih zaokroţanj. Tudi v naših tabelah se je to na enem mestu zgodilo (vsota označena z zvezdico). Ne gre za vsebinski problem, to je le tehnični problem. V takšnih primerih imamo na voljo več moţnosti: V okencu "skupaj" zapišemo vsoto 100,0 in jo označimo z zvezdico, v opombi pa napišemo, da zaradi zaokroţanja vsota vmesnih odstotkov ni 100,0. Enega izmed odstotkov v vrstici ali stolpcu zaokroţimo (proti pravilom) tako, da dobimo vsoto 100,0 in tako zaokroţeni odstotek označimo z zvezdico; znova v opombi bralcem pojasnimo zadevo. Zapišemo vsoto tako kot znese (npr. 100,1), jo označimo z zvezdico in v opombi to pojasnimo itd. Moţnosti je še več. Zagotovo je najslabša, da nič ne ukrenemo in bralcem sploh ničesar ne pojasnimo. II. Urejevanje podatkov za številske spremenljivke Urejeni opisni podatki so ţe primerni za interpretacijo, pri številskih podatkih pa je drugače. Številski podatki nam le malo pokaţejo samo s tem, da so urejeni. Urejevanje je potrebno predvsem zaradi laţje nadaljnje obdelave. Odkar se za obdelavo podatkov uporabljajo računalniški programi, je urejevanje številskih podatkov postalo skoraj nepotrebno. Številske podatke uredimo na dva načina.
24 1. RANŢIRNA VRSTA Kadar je število enot majhno, zadostuje, da podatke razvrstimo po velikosti. Tako urejen niz podatkov je ranţirna vrsta. Običajno začnemo z najmanjšo vrednostjo in končamo z največjo. Med tema so razvrščene vse ostale vrednosti. Tiste, ki se pojavljajo večkrat, tolikokrat tudi napišemo. V ranţirni vrsti morajo biti vsi podatki (vse vrednosti, ki se pojavljajo). Iz ranţirne vrste se vidi vsak podatek, število vseh podatkov in poloţaj vsakega podatka med ostalimi. Poglejmo primer neurejene vrste podatkov in ranţirne vrste. Podatki o letih prakse za skupino učiteljev: 22, 16, 7, 3, 29, 27, 11, 9, 14, 5, 10, 5, 8, 17, 26, 13. Ranţirna vrsta za iste podatke: Pogosto v ranţirni vrsti k vrednostim spremenljivke pripišemo še absolutne range. Absolutni rangi kaţejo vrstni red enot v ranţirni vrsti. Najniţji vrednosti damo rang 1 (ena), naslednji 2 (dva) in tako do konca ranţirne vrste. Tabela 12. Ranţirna vrsta z vrednostmi spremenljivke in absolutnimi rangi x R Pri določanju rangov lahko trčimo ob vprašanje, kaj narediti v primeru dveh (ali več) enakih vrednosti. V našem primeru imamo dve enoti z vrednostjo 5 let prakse. Na voljo imamo vsaj dve moţnosti. Prva je ta, ki smo jo uporabili v zgornjem primeru: čeprav sta vrednosti enaki, smo jima dali različna zaporedna ranga (dva in tri). To je preprostejša rešitev, čeprav manj natančna. Namreč, ni najbolje, da imajo enaki rezultati različne range. Druga moţnost je dati enakim vrednostim enake range. Takšnim rangom rečemo vezani rangi, prejšnjim pa nevezani. Za isti primer bomo naredili ranţirno vrsto z vezanimi rangi.
25 Tabela 13. Ranţirna vrsta z vezanimi rangi x R 1 2,5 2, Vezani rang smo v tem primeru določili kot povprečni rang: sešteli smo ranga dva in tri ter delili z dva. Takšen način je nekoliko manj pregleden, potrebna je večja pazljivost in tudi interpretacija ni več tako preprosta; je pa vsekakor bolj natančen. Če ranţirno vrsto sestavljamo za posamično spremenljivko in podatke naprej obdelujemo brez povezav z drugimi spremenljivkami, običajno izberemo prvi, preprostejši način. Kadar pa je z rangi povezano še kaj drugega, izberemo raje vezane range. Še zlasti v vzgojni praksi: če bi bilo od rangov odvisno karkoli pomembnega za posameznike, ki jih razvrščamo, izberemo vezane range. Na primer - pri sestavljanju ranţirne vrste za sprejem na neko srednjo šolo (kjer je več kandidatov za vpis kot prostih mest) nikakor ne moremo uporabiti neenakih rangov za enake vrednosti. Lahko bi se namreč zgodilo, da bi izmed učencev z enakim doseţkom nekateri bili sprejeti in nekateri ne. Kaj narediti v takem primeru s kandidati za vpis, presega namen te knjige (mimogrede: to sploh ni lahek problem v praksi). Če je število enot večje od običajnega šolskega razreda, postane ranţirna vrsta zaradi dolţine slabo pregledna. Zato pri večjih numerusih uporabljamo bolj ekonomičen način urejevanja numeričnih podatkov - frekvenčno porazdelitev. 2. FREKVENČNA PORAZDELITEV Ta način urejevanja podatkov smo v nekoliko drugačni podobi videli ţe pri opisnih podatkih. Vsaki vrednosti spremenljivke določimo frekvenco (število enot, ki imajo takšno vrednost). Za primer bomo vzeli telesne višine učencev in prikazali preprosto frekvenčno porazdelitev: Tabela 14. Frekvenčna porazdelitev telesna višina f
26 V tej frekvenčni porazdelitvi je najmanjša frekvenca ena in največja devet. Vrednosti so porazdeljene v razponu med 142 in 159. Takšno preprosto frekvenčno porazdelitev v praksi redko uporabljamo. Običajno je razpon numeričnih vrednosti velik in je potrebno frekvenčno porazdelitev strniti. To storimo tako, da zdruţimo več vrednosti in seštejemo njihove frekvence. Zdruţenim vrednostim rečemo razredi. Zaradi praktičnih razlogov zdruţujemo tako, da dobimo deset do dvajset razredov (raje bliţe k deset) in da so vsi enako široki (zajemajo enako širok razpon vrednosti). Poglejmo primer frekvenčne porazdelitve za rezultate na testu znanja: Tabela 15. Frekvenčna tabela razredi f f% F F% , ,2 2 1, ,7 7 5, , , , , , , , , , , , , , , , ,7 N=120 Opišimo podrobno to frekvenčno porazdelitev. Vrednosti spremenljivke so porazdeljene na enajst razredov. Vsi razredi imajo enako širino. Širino razreda izberemo tako, da celoten razpon vrednosti delimo z ţeljenim številom razredov in zaokroţimo na najbliţje celo število. V našem primeru je bil največji rezultat x max =61, najniţji rezultat x min =8 in razpon =54 (dodajanje enke bomo pojasnili pozneje). Ta razpon smo delili z deset in rezultat 5,4 zaokroţili na 5. Širina razreda je i=5 (čeprav se na prvi pogled zdi, da je med 8 in 12 točk razpon le štiri). Običajne frekvence (f) ţe poznamo. Tako nam frekvenca 2 pove, da sta dva učenca dosegla rezultat med osem in dvanajst točk. V drugem stolpcu so te frekvence izraţene v odstotkih (relativne frekvence). Če sluţijo le interpretaciji, je zadosti, da so zaokroţene na eno decimalko, če pa sluţijo nadaljnjim preračunavanjem, pa morajo biti zaokroţene na dve decimalki. Tretji stolpec so kumulativne frekvence F. Te nadomeščajo absolutne range. Kumulativna frekvenca pove, koliko enot ima niţje vrednosti od danega razreda (koliko jih je pod tem razredom). V četrtem stolpcu so te frekvence preračunane v odstotke (relativne kumulativne frekvence). Kakšne lastnosti ima frekvenčna porazdelitev in kaj nam omogoča? Podatki so prikazani strnjeno, kar je ekonomično za nadaljnjo obdelavo. Čim manj je
27 razredov, tem večji je prihranek časa pri obdelavi. Vendar pa se z zdruţevanjem podatkov in tvorjenjem razredov del informacije o podatkih izgubi. Iz frekvenčne porazdelitve se vidi, npr. da je pet učencev doseglo rezultate med 13 in 17 točk, ne vidi se pa natančno za vsakega učenca, koliko točk je dosegel. Treba je še omeniti, zakaj smo pri računanju razpona prišteli ena. Število točk na testu znanja je nezvezna spremenljivka. Vrednosti, ki se pojavljajo, so osem, devet, deset itd. Zaradi laţje obdelave si zamislimo, da je spremenljivka zvezna. Tedaj se najniţji rezultat začne pri 7,5 in najvišji konča pri 61,5. Razpon bi torej morali računati tako: 61,5-7,5 = 54. Ker takšne vrednosti zapisujemo kot 61 in 7, moramo na koncu dodati tisti dve polovički - od tod torej +1. Preprosto povedano: vse numerične spremenljivke obdelujemo kot da so zvezne. S tem je obdelava preprostejša in enotna. Takšen način se sicer rahlo upira našemu (običajnemu) razumevanju pojavov; bistveno pa je, da ne naredi nobene stvarne škode podatkom. Nekoč se je frekvenčna porazdelitev uporabljala predvsem zaradi nadaljnje obdelave podatkov, odkar se uporabljajo računalniki, pa predvsem le za njihov prikaz.
28 TRETJE POGLAVJE RANGI S pomočjo rangov določamo poloţaj posameznega rezultata med ostalimi. Range v vsakdanjem ţivljenju zelo pogosto srečujemo in uporabljamo. Opis turističnega potovanja se začne navadno: Prvi dan se preko Ljubelja odpeljemo... Podobno je v športu: Rajmond Debevec je osvojil šesto mesto... Ali tudi v ljudskih rekih: V tretje gre rado! Pravzaprav gre tudi pri empiričnem proučevanju vzgojnih pojavov za podobno uporabo rangov. Da bi bolje razumeli in pojasnili pojave, jih med seboj primerjamo in razvrščamo. Temu sluţi metoda rangov. Poznamo dve temeljni vrsti rangov absolutne range in relativne range. I. Absolutni rangi Ta rang smo spoznali ţe pri ranţirni vrsti. Ranţirno vrsto sestavimo tako, da rezultate (vrednosti spremenljivke) razvrstimo po velikosti. Običajno začnemo z najmanjšo vrednostjo in končamo z največjo. Najmanjša vrednost dobi absolutni rang ena (R=1), naslednja večja dva (R=2) in tako do največje vrednosti. Vendar takšne range le redko uporabljamo. Ranţirna vrsta nam je bolj potrebna kot način urejanja podatkov. Pogosteje absolutni rangi nastanejo v praksi, ko proučujemo spremenljivko, ki se ne da numerično meriti. Kako izmeriti prizadevnost učencev? Instrumenta za merjenje prizadevnosti nimamo. Sploh pa ne gre na numeričen način - prizadevnost ni intervalna spremenljivka. Če bi učence vprašali, kakšna je njihova prizadevnost, bi dobili preveč subjektivne in povrhu zelo nezanesljive samoocene. V takem primeru lahko učitelj razvrsti učence po prizadevnosti od najmanj prizadevnega do najbolj prizadevnega. Dobljeni rangi so ocena prizadevnosti. To je bolje, kot če bi imeli za učence nenatančne opise, npr.: "Marko je precej prizadeven, Andreja je med najbolj prizadevnimi..." itd. Seveda je uporabnost dobljenih rangov predvsem odvisna od učitelja (od njegove strokovnosti, objektivnosti itd.). Vendar poglabljanje v to, ţe presega namen te knjige. Dodajmo le: če bi v kakšnem primeru dvomili, ali lahko dobimo dovolj dobre range, jih pač ne bi uporabili.
29 II. Relativni rangi Absolutni rangi so uporabni le znotraj neke skupine; primerjave med skupinami so moţne le za enako velike skupine. Da bi primerjali poloţaje v različno velikih skupinah, potrebujemo relativne range. Relativni rang izračunamo tako: formula: P= R/N Relativni rang pove, kolikšen del skupine je pod določeno vrednostjo (pod določenim rezultatom). Torej bi rang 0,20 pomenil, da je ena petina skupine (ali 20%) pod tem rezultatom. Učenec, ki bi pri neki uspešnosti imel rang 0,60, bi rekel: "Šestdeset odstotkov skupine je slabših od mene, štirideset odstotkov pa je boljših". Vrednosti relativnih rangov se gibljejo med nič in ena. Vrednosti malo nad nič pomenijo zelo nizek poloţaj (na začetku ranţirne vrste), vrednosti okoli 0,50 pomenijo srednji poloţaj (na sredini ranţirne vrste), vrednosti blizu ena pa pomenijo zelo visok poloţaj.
30 ČETRTO POGLAVJE SREDNJE VREDNOSTI I. Primerjanje mnoţic Posameznike (posamezne enote statistične mnoţice) po neki spremenljivki primerjamo tako, da primerjamo njihove vrednosti, doseţene v tej spremenljivki. Tako, npr. če sta na testu znanja iz kemije učenca Marko in Aleš dosegla 26 oziroma 14 točk, bomo iz teh dveh doseţkov takoj videli, da je Marko dosegel več točk (da ima višji rezultat; da je njegov doseţek boljši). Včasih višja vrednost spremenljivke sicer pomeni slabši doseţek (npr. večje število napak pri nareku pomeni slabši doseţek), vendar to ne spremeni bistva pri primerjanju doseţkov posameznikov. Kaj izbrati, kadar ţelimo primerjati statistične mnoţice? Kaj sploh pomeni primerjava mnoţic in za kaj to potrebujemo? Npr. ţelimo vedeti: Ali so bolje pisali test učenci v 8.a razredu ali v 8.b? Ali se plače učiteljev v srednjem šolstvu razlikujejo od plač učiteljev v osnovnem šolstvu? Ali študenti ob delu študirajo dlje od rednih študentov? itd. Pri primerjavi dveh mnoţic bi sicer lahko primerjali vse rezultate iz ene mnoţice z vsemi iz druge, vendar bi hitro ugotovili, da je to uspešno le, kadar imajo mnoţice komaj nekaj enot. Pri količkaj večjih mnoţicah je to praktično nemogoče. Lahko bi izbrali iz vsake mnoţice le po eno enoto za primerjavo, vendar se takoj postavi vprašanje, katere enote izbrati? Če je najboljši posameznik v eni mnoţici dosegel višji rezultat od najboljšega v drugi mnoţici, to še ne pomeni, da je hkrati ta mnoţica boljša. Podobno velja tudi za najniţje doseţke. Hitro bi spoznali, da takšni postopki ne omogočajo dobre in zanesljive primerjave. Najbolj zanesljivo primerjavo nam omogočajo tiste vrednosti, ki so
31 na sredini porazdelitve. Te vrednosti so najbolj tipične, največ jih je, okoli sredine so najbolj nakopičene itd. Zato bomo rešitev iskali v tej smeri. Takšne vrednosti imenujemo srednje vrednosti. II. Srednje vrednosti Naravi pojavov in spremenljivk na pedagoškem področju najbolj ustrezajo naslednje tri srednje vrednosti: modus (M o ), mediana (M e )in aritmetična sredina (M). Modus je točka (vrednost), kjer so vrednosti spremenljivke najbolj zgoščene (nakopičene). V najpreprostejšem primeru je to vrednost, ki se najpogosteje pojavlja. Npr. če ima v nekem razredu največ učencev oceno prav dobro (4) pri nekem predmetu, je ta ocena hkrati modus (modus je torej 4). Modus lahko določimo celo za nominalne spremenljivke (čeprav je res, da to nima skoraj nobenega praktičnega pomena). Je zelo preprosta srednja vrednost: hitro in preprosto se ga da daločiti, je lahko razumljiv in preprost za interpretacijo. Ker pa za določanje modusa niso potrebne vse vrednosti v mnoţici, pogosto ne omogoča zanesljivih primerjav med mnoţicami. Povrhu tega se lahko zgodi, da je točk z največjo gostoto vrednosti hkrati več; takrat je tudi več modusov. V takšnih primerih običajno primerjava mnoţic ni mogoča. Moduse sicer lahko določimo, vendar praktično ne sluţijo ničemur. Mediana je vrednost, od katere ima polovica mnoţice višje vrednosti, polovica pa niţje. Npr. razvrstimo učence v razredu po velikosti od najmanjšega do največjega. Poiščemo učenca, ki je na sredini (polovica učencev v razredu je večjih od njega, polovica pa manjših). Telesna višina tega učenca je mediana (npr.153 cm).
VAJE 2: Opisna statistika
VAJE : Opisna statistika Na računalniških vajah se za urejanje in prikazovanje statističnih podatkov uporabi statistični programski paket SPSS in podatkovna datoteka podatki.sav. NALOGE: 1. Analiza vzorčnih
More informationMultipla korelacija in regresija. Multipla regresija, multipla korelacija, statistično zaključevanje o multiplem R
Multipla koelacia in egesia Multipla egesia, multipla koelacia, statistično zaklučevane o multiplem Multipla egesia osnovni model in ačunane paametov Z multiplo egesio napoveduemo vednost kiteia (odvisne
More informationStatistika 2 z računalniško analizo podatkov
Statistika 2 z računalniško analizo podatkov Bivariatne analize 1 V Statistične analize v SPSS-ju V.4 Bivariatne analize Analyze - Descriptive statistics - Crosstabs Analyze Correlate Bivariate Analyze
More informationReševanje problemov in algoritmi
Reševanje problemov in algoritmi Vhod Algoritem Izhod Kaj bomo spoznali Zgodovina algoritmov. Primeri algoritmov. Algoritmi in programi. Kaj je algoritem? Algoritem je postopek, kako korak za korakom rešimo
More informationENAČBA STANJA VODE IN VODNE PARE
ENAČBA STANJA VODE IN VODNE PARE SEMINARSKA NALOGA PRI PREDMETU JEDRSKA TEHNIKA IN ENERGETIKA TAMARA STOJANOV MENTOR: IZRED. PROF. DR. IZTOK TISELJ NOVEMBER 2011 Enačba stanja idealni plin: pv = RT p tlak,
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Statistika Statistics Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika First cycle academic
More informationCveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK
Cveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK POVZETEK. Namen tega dela je prikazati osnove razlik, ki lahko nastanejo pri interpretaciji
More informationmodeli regresijske analize nominalnih spremenljivk
modeli regresijske analize nominalnih spremenljivk Cveto Trampuž An Illustrative Comparison Logit Analysis with Dummy Variable Regression Analysis. Two different regression models in which the dependent
More informationTOPLJENEC ASOCIIRA LE V VODNI FAZI
TOPLJENEC ASOCIIRA LE V VODNI FAZI V primeru asociacij molekul topljenca v vodni ali organski fazi eksperimentalno določeni navidezni porazdelitveni koeficient (P n ) v odvisnosti od koncentracije ni konstanten.
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Uporaba logistične regresije za napovedovanje razreda, ko je število enot v preučevanih razredih
More informationStatistika 2 z računalniško analizo podatkov. Neizpolnjevanje predpostavk regresijskega modela
Statistika 2 z računalniško analizo podatkov Neizpolnjevanje predpostavk regresijskega modela 1 Predpostavke regresijskega modela (ponovitev) V regresijskem modelu navadno privzamemo naslednje pogoje:
More informationZNANJE MATEMATIKE V TIMSS ADVANCED 2015 IN NA MATURI:
ZNANJE MATEMATIKE V TIMSS ADVANCED 2015 IN NA MATURI: KJE SO USPEŠNEJŠI FANTJE IN KJE DEKLETA BARBARA JAPELJ PAVEŠIĆ, PEDAGOŠKI INŠTITUT GAŠPER CANKAR, DRŽAVNI IZPITNI CENTER februar 2017 1 Metodološko
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
More informationAnaliza variance in linearna regresija
Analiza variance in linearna regresija Aleš Žiberna 28. november 2011 Kazalo 1 Uporabljeni podatki 2 2 Analiza variance (ANOVA) 2 2.1 Enofaktorska analiza variance za neodvisne vzorce....... 3 2.2 Večfaktorska
More informationOPTIMIRANJE IZDELOVALNIH PROCESOV
OPTIMIRANJE IZDELOVALNIH PROCESOV asist. Damir GRGURAŠ, mag. inž. str izr. prof. dr. Davorin KRAMAR damir.grguras@fs.uni-lj.si Namen vaje: Ugotoviti/določiti optimalne parametre pri struženju za dosego
More informationMultipla regresija. Iztok Grabnar. Univerza v Ljubljani, Fakulteta za farmacijo
Multipla regresija Iztok Grabnar Univerza v Ljubljani, Fakulteta za farmacijo Učenje/potrjevanje 3 Analiza povezanosti Opazovani pojav= odvisna spremenljivka Napovedni dejavnik= neodvisna spremenljivka
More informationENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informaclje MIDEM 3~(~UU8)4, Ljubljana ENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA Marijan Macek 1,2* Miha Cekada 2 1 University of Ljubljana,
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. O neeksaknotsti eksaktnega binomskega intervala zaupanja
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga (Final project paper) O neeksaknotsti eksaktnega binomskega intervala zaupanja (On the inexactness
More informationAttempt to prepare seasonal weather outlook for Slovenia
Attempt to prepare seasonal weather outlook for Slovenia Main available sources (ECMWF, EUROSIP, IRI, CPC.NCEP.NOAA,..) Two parameters (T and RR anomally) Textual information ( Met Office like ) Issued
More informationMetode raziskovanja. Vzorčenje. Vzorčenje. Raziskovalni proces
Raziskovalni proces Metode raziskovanja Majda BASTIČ Načrtovanje raziskave Opredelitev raziskovalnega procesa Izdelava koncepta raziskave Izdelava instrumenta za zbiranje podatkov Izbira vzorca Pisanje
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Ekstremne porazdelitve za odvisne spremenljivke
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Ekstremne porazdelitve za odvisne spremenljivke (Extremal Distributions for Dependent Variables)
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Optimizacija 1 Course title: Optimization 1. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Optimizacija 1 Course title: Optimization 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationLinearna regresija. Poglavje 4
Poglavje 4 Linearna regresija Vinkove rezultate iz kemije so založili. Enostavno, komisija je izgubila izpitne pole. Rešitev: Vinko bo kemijo pisal še enkrat. Ampak, ne more, je ravno odšel na trening
More informationRavni merjenja: številne posledice preproste ideje
VARSTVOSLOVJE, let. 16 št. 3 str. 362 373 Ravni merjenja: številne posledice preproste ideje Matevž Bren Namen prispevka: Podati temeljit opis ravni merjenja, osnovnega pa vseeno zahtevnega pojma v teoriji
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Primerjava modernih pristopov za identifikacijo pomembno izraženih genov za dve skupini (Comparison
More informationExcel. Matjaž Željko
Excel Matjaž Željko Elektronska preglednica Excel Excel je zmogljiv kalkulator. Omogoča izdelavo grafikonov statistično analizo podatkov lepo oblikovanje poročila za natis Podatke predstavljamo tabelarično,
More informationLinearne enačbe. Matrična algebra. Linearne enačbe. Linearne enačbe. Linearne enačbe. Linearne enačbe
Sistem linearnih enačb Matrična algebra Oseba X X X3 B A.A. 3 B.B. 7 C.C. Doc. dr. Anja Podlesek Oddelek za psihologijo, Filozofska fakulteta, Univerza v Ljubljani Študijski program prve stopnje Psihologija
More informationParametrični in neparametrični pristopi za odkrivanje trenda v časovnih vrstah
COBISS koda 1.02 Agrovoc descriptors: trends, statistical methods, methods Agris category code: U10 Parametrični in neparametrični pristopi za odkrivanje trenda v časovnih vrstah Tadeja KRANER ŠUMENJAK
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1. Študijska smer Study field. Samost. delo Individ.
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Finančna matematika First cycle
More informationAKSIOMATSKA KONSTRUKCIJA NARAVNIH
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Poučevanje: Predmetno poučevanje ŠPELA ZOBAVNIK AKSIOMATSKA KONSTRUKCIJA NARAVNIH ŠTEVIL MAGISTRSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Numerical linear algebra. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Numerična linearna algebra Numerical linear algebra Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations. Študijska smer Study field
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations Študijski program in stopnja Study programme and level Magistrski
More informationOA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION
OA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION Table of contents 1 TECHNICAL FIELDS... 2 2 PRESENTING THE SCOPE OF A CALIBRATION LABOORATORY... 2 3 CONSIDERING CHANGES TO SCOPES... 6 4 CHANGES WITH
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Študijska smer Study field ECTS
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Numerične metode Numerical methods Študijski program in stopnja Study programme and level Interdisciplinarni univerzitetni
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Statistika 2 Course title: Statistics 2. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Statistika 2 Course title: Statistics 2 Študijski program in stopnja Study programme and level Magistrski študijski program Matematika
More informationProblem umetnostne galerije
Problem umetnostne galerije Marko Kandič 17. september 2006 Za začetek si oglejmo naslednji primer. Recimo, da imamo v galeriji polno vrednih slik in nočemo, da bi jih kdo ukradel. Seveda si želimo, da
More informationUMESTITEV EKOLOŠKIH RAZISKAV MED OSTALE VRSTE RAZISKAV
EKOLOŠKE RAZISKAVE UMESTITEV EKOLOŠKIH RAZISKAV MED OSTALE VRSTE RAZISKAV EPIDEMIOLOŠKE OPAZOVALNE RAZISKAVE NA AGREGIRANIH PODATKIH EKOLOŠKE RAZISKAVE populacija POPULACIJSKE EKSPERIMENTALNE RAZISKAVE
More informationSpletni sistem za vaje iz jezika SQL
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Matematika praktična matematika (VSŠ) Ines Frelih Spletni sistem za vaje iz jezika SQL Diplomska naloga Ljubljana, 2011 Zahvala Zahvalila bi se rada
More informationUvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo)
Uvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo) Blaž Zupan 29. julij 2017 Kazalo 1 Odkrivanje skupin 7 1.1 Primer podatkov.................................. 7 1.2 Nekaj
More informationDomen Perc. Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Domen Perc Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor:
More informationACTA BIOLOGICA SLOVENICA LJUBLJANA 2012 Vol. 55, [t. 1: 29 34
ACTA BIOLOGICA SLOVENICA LJUBLJANA 2012 Vol. 55, [t. 1: 29 34 Survey of the Lynx lynx distribution in the French Alps: 2005 2009 update Spremljanje razširjenosti risa v francoskih Alpah: 2005 2009 Eric
More informationVerifikacija napovedi padavin
Oddelek za Meteorologijo Seminar: 4. letnik - univerzitetni program Verifikacija napovedi padavin Avtor: Matic Šavli Mentor: doc. dr. Nedjeljka Žagar 26. februar 2012 Povzetek Pojem verifikacije je v meteorologiji
More informationNIKJER-NIČELNI PRETOKI
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ALJA ŠUBIC NIKJER-NIČELNI PRETOKI DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Dvopredmetni učitelj: matematika - računalništvo ALJA
More informationHipohamiltonovi grafi
Hipohamiltonovi grafi Marko Čmrlec, Bor Grošelj Simić Mentor(ica): Vesna Iršič Matematično raziskovalno srečanje 1. avgust 016 1 Uvod V marsovskem klubu je želel predsednik prirediti večerjo za svoje člane.
More informationMakroekonomija 1: 4. vaje. Igor Feketija
Makroekonomija 1: 4. vaje Igor Feketija Teorija agregatnega povpraševanja AD = C + I + G + nx padajoča krivulja AD (v modelu AS-AD) učinek ponudbe denarja premiki vzdolž krivulje in premiki krivulje mikro
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Teorija grafov Graph theory Študijski program in stopnja Study programme and level Magistrski študijski program Matematika Master's study
More informationTHE TOWNS AND THE TRAFFIC OF THEIR OUTSKIRTS IN SLOVENIA
UDC 911. 37:38(497. 12-201)=20 Marjan Zagar * THE TOWNS AND THE TRAFFIC OF THEIR OUTSKIRTS IN SLOVENIA In the urban policy of the long-term development of SR Slovenia the decision has been made that in
More informationLISREL. Mels, G. (2006). LISREL for Windows: Getting Started Guide. Lincolnwood, IL: Scientific Software International, Inc.
LISREL Mels, G. (2006). LISREL for Windows: Getting Started Guide. Lincolnwood, IL: Scientific Software International, Inc. LISREL: Structural Equation Modeling, Multilevel Structural Equation Modeling,
More informationKONFLIKTI MED ZAPOSLENIMI
B&B VIŠJA STROKOVNA ŠOLA Program: Komercialist Modul: Podjetniški KONFLIKTI MED ZAPOSLENIMI Mentorica: mag. Maja Rozman, univ. dipl. komun. Lektorica: Maja Brezovar, prof. slov. Kandidatka: Špela Košir
More informationUSING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE SHOT PUT ANALYSIS. Matej Supej* Milan Čoh
Kinesiologia Slovenica, 14, 3, 5 14 (28) Faculty of Sport, University of Ljubljana, ISSN 1318-2269 5 Matej Supej* Milan Čoh USING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Uporaba Kalmanovega filtra pri vrednotenju izbranih finančnih instrumentov (Using Kalman filter
More information1) V diagramu sta prikazana plazemska koncentracijska profila po večkratnem intravenskem odmerjanju učinkovine v dveh različnih primerih (1 in 2).
NALOGE ) V diagramu sta prikazana plazemska koncentracijska profila po večkratnem intravenskem odmerjanju učinkovine v dveh različnih primerih ( in ). 0.8 0.6 0.4 0. 0.0 0.08 0.06 0.04 0.0 0.00 0 0 0 30
More informationBiološka ekvivalenca Statistične metode. Iztok Grabnar
Biološka ekvivalenca Statistične metode Iztok Grabnar Definicije EMEA: Note for guidance on the investigation of bioavailability and bioequivalence Biološka uporabnost Biovailability means the rate and
More informationUporaba preglednic za obdelavo podatkov
Uporaba preglednic za obdelavo podatkov B. Golli, PeF Pedagoška fakulteta UL Ljubljana 2012 Kazalo 1 Uvod 1 2 Zgled iz kinematike 2 2.1 Izračun hitrosti................................... 2 2.2 Izračun
More informationIzvedbe hitrega urejanja za CPE in GPE
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Jernej Erker Izvedbe hitrega urejanja za CPE in GPE DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJ RAČUNALNIŠTVA IN INFORMATIKE Mentor: doc. dr. Tomaž
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Analiza 3 Course title: Analysis 3. Študijska smer Study field ECTS
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Analiza 3 Course title: Analysis 3 Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationOFF-LINE NALOGA NAJKRAJŠI SKUPNI NADNIZ
1 OFF-LINE NALOGA NAJKRAJŠI SKUPNI NADNIZ Opis problema. Danih je k vhodnih nizov, ki jih označimo s t 1,..., t k. Množico vseh znakov, ki se pojavijo v vsaj enem vhodnem nizu, imenujmo abeceda in jo označimo
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Verjetnostni algoritmi za testiranje praštevilskosti
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Verjetnostni algoritmi za testiranje praštevilskosti (Algorithms for testing primality) Ime in
More informationSVM = Support Vector Machine = Metoda podpornih vektorjev
Uvod 2/60 SVM = Support Vector Machine = Metoda podpornih vektorjev Vapnik in Lerner 1963 (generalized portrait) jedra: Aronszajn 1950; Aizerman 1964; Wahba 1990, Poggio in Girosi 1990 Boser, Guyon in
More informationPRIPRAVA PODATKOV V PROCESU PODATKOVNEGA RUDARJENJA
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO PRIPRAVA PODATKOV V PROCESU PODATKOVNEGA RUDARJENJA Ljubljana, september 2013 ŽIGA VAUPOT IZJAVA O AVTORSTVU Spodaj podpisani Žiga Vaupot, študent
More informationKatastrofalno zaporedje okvar v medsebojno odvisnih omrežjih
Katastrofalno zaporedje okvar v medsebojno odvisnih omrežjih Daniel Grošelj Mentor: Prof. Dr. Rudi Podgornik 2. marec 2011 Kazalo 1 Uvod 2 2 Nekaj osnovnih pojmov pri teoriji omrežij 3 2.1 Matrika sosednosti.......................................
More informationOsnove numerične matematike
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Osnove numerične matematike Bojan Orel Ljubljana, 2004 Kazalo 1 Uvod 1 1.1 Zakaj numerične metode..................... 1 1.2 Napake in numerično
More informationMatematika 1. Gabrijel Tomšič Bojan Orel Neža Mramor Kosta
Matematika 1 Gabrijel Tomšič Bojan Orel Neža Mramor Kosta 15. december 2010 Poglavje 3 Funkcije 3.1 Osnovni pojmi Preslikavam v množico R ali C običajno pravimo funkcije v prvem primeru realne, v drugem
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Magistrsko delo Modeli za kategori ne odzive (Models for categorical response variables) Ime in priimek: Maru²a
More information13. poglavje. Značilnosti šolske klime
MEDNARODNA RAZISKAVA TRENDOV V ZNANJU MATEMATIKE IN NARAVOSLOVJA 385 13. poglavje Značilnosti šolske klime V poglavju predstavljamo povezanost šolske klime in njenih značilnosti z matematičnimi in naravoslovnimi
More informationUniverza v Ljubljani Fakulteta za matematiko in fiziko. Oddelek za fiziko. Seminar - 3. letnik, I. stopnja. Kvantni računalniki. Avtor: Tomaž Čegovnik
Univerza v Ljubljani Fakulteta za matematiko in fiziko Oddelek za fiziko Seminar - 3. letnik, I. stopnja Kvantni računalniki Avtor: Tomaž Čegovnik Mentor: prof. dr. Anton Ramšak Ljubljana, marec 01 Povzetek
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Kromatično število in kromatični indeks grafa
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Magistrsko delo Kromatično število in kromatični indeks grafa (The chromatic number and the chromatic index of
More informationMECHANICAL EFFICIENCY, WORK AND HEAT OUTPUT IN RUNNING UPHILL OR DOWNHILL
original scientific article UDC: 796.4 received: 2011-05-03 MECHANICAL EFFICIENCY, WORK AND HEAT OUTPUT IN RUNNING UPHILL OR DOWNHILL Pietro Enrico DI PRAMPERO University of Udine, Department of Biomedical
More informationVpliv zadovoljstva zaposlenih na produktivnost v Tiskarni Novo mesto, d.d.
Vpliv zadovoljstva zaposlenih na produktivnost v Tiskarni Novo mesto, d.d. Simona Cimperman * Fakulteta za organizacijske vede, Kidričeva cesta 55a, 4000 Kranj, Slovenija cimps@hotmail.com Povzetek: Raziskovalno
More informationSimulation of multilayer coating growth in an industrial magnetron sputtering system
RMZ Materials and Geoenvironment, Vol. 57, No. 3, pp. 317 330, 2010 317 Simulation of multilayer coating growth in an industrial magnetron sputtering system Simulacija rasti večplastnih prevlek v industrijski
More information56 1 Upogib z osno silo
56 1 Upogib z osno silo PREGLEDNICA 1.5 (nadaljevanje): Upogibnice in notranje sile za nekatere nosilce d) Upogibnica prostoležečega nosilca obteženega s silo F Pomik in zasuk v polju 1: w 1 = F b x (L
More informationMinimizacija učne množice pri učenju odločitvenih dreves
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Ivan Štajduhar Minimizacija učne množice pri učenju odločitvenih dreves Diplomska naloga Mentor: prof. dr. Ivan Bratko Ljubljana, 2001 Izjava
More informationVerodostojnost in kvaliteta spletno dostopnih informacij
Univerza v Ljubljani Filozofska fakulteta Oddelek za bibliotekarstvo, informacijsko znanost in knjigarstvo Verodostojnost in kvaliteta spletno dostopnih informacij Mentor: dr. Jure Dimec Lea Očko Katja
More informationmatematika + biologija = sistemska biologija? Prof. Dr. Kristina Gruden Prof. Dr. Aleš Belič Doc. DDr. Jure Ačimovič
matematika + biologija = sistemska biologija? Prof. Dr. Kristina Gruden Prof. Dr. Aleš Belič Doc. DDr. Jure Ačimovič Kaj je sistemska biologija? > Razumevanje delovanja organizmov sistemska biologija =
More informationMICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informacije MIDEM 38(2008)4, Ljubljana MICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE T. 8elmonte*,
More informationOsnovna statistična analiza v R-ju
y 100 200 300 400 500 600 700 5 10 15 20 x Osnovna statistična analiza v R-ju Aleš Žiberna Osnovna statistična analiza v R-ju Aleš Žiberna 12. julij 2016 CIP - Kataložni zapis o publikaciji Narodna in
More informationMiha Troha. Robotsko učenje in planiranje potiskanja predmetov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Troha Robotsko učenje in planiranje potiskanja predmetov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: prof. dr. Ivan Bratko Ljubljana,
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga (Final project paper) Grafi struktur proteinov: Uporaba teorije grafov za analizo makromolekulskih
More informationCalculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours
RMZ Materials and Geoenvironment, Vol. 59, No. 4, pp. 331 346, 2012 331 Calculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours Določitev
More informationUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO. Oddelek za matematiko in računalništvo MAGISTRSKA NALOGA. Tina Lešnik
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo MAGISTRSKA NALOGA Tina Lešnik Maribor, 2014 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
More informationUsmerjenost v samopreseganje in dosežke vodenje samega sebe
Usmerjenost v samopreseganje in dosežke vodenje samega sebe Petra Povše* Fakulteta za organizacijske študije v Novem mestu, Novi trg 5, 8000 Novo mesto, Slovenija petra.koprivec@gmail.com Povzetek: Raziskovalno
More informationLinearna algebra. Bojan Orel. Univerza v Ljubljani
Linearna algebra Bojan Orel 07 Univerza v Ljubljani Fakulteta za računalništvo in informatiko CIP - Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 5.64(075.8) OREL, Bojan Linearna
More informationSolutions. Name and surname: Instructions
Uiversity of Ljubljaa, Faculty of Ecoomics Quatitative fiace ad actuarial sciece Probability ad statistics Writte examiatio September 4 th, 217 Name ad surame: Istructios Read the problems carefull before
More informationUniverza na Primorskem FAMNIT, MFI STATISTIKA 2 Seminarska naloga
Univerza na Primorskem FAMNIT, MFI STATISTIKA 2 Seminarska naloga Naloge so edini način preverjanja znanja pri predmetu Statistika. Vsaka naloga je vredna 10 točk, natančna pravila ocenjevanja pa so navedena
More informationPOLDIREKTNI PRODUKT GRUP
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA LUCIJA ŽNIDARIČ POLDIREKTNI PRODUKT GRUP DIPLOMSKO DELO LJUBLJANA 2014 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Univerzitetni študijski program 1. stopnje: Dvopredmetni
More informationD I P L O M S K A N A L O G A
FAKULTETA ZA INFORMACIJSKE ŠTUDIJE V NOVEM MESTU D I P L O M S K A N A L O G A UNIVERZITETNEGA ŠTUDIJSKEGA PROGRAMA PRVE STOPNJE ALEŠ HOČEVAR FAKULTETA ZA INFORMACIJSKE ŠTUDIJE V NOVEM MESTU DIPLOMSKA
More informationANALIZA PREIZKUSA INSTRUMENTARIJA GNSS-RTK PO NAVODILIH STANDARDA ISO ANALYSIS OF GNSS-RTK INSTRUMENTS TESTING ON THE ISO INSTRUCTIONS
ANALIZA PREIZKUSA INSTRUMENTARIJA GNSS-RTK PO NAVODILIH STANDARDA ISO 17123-8 ANALYSIS OF GNSS-RTK INSTRUMENTS TESTING ON THE ISO 17123-8 INSTRUCTIONS Polona Pavlovčič Prešeren, Albin Mencin, Bojan Stopar
More informationDejan Petelin. Sprotno učenje modelov na podlagi Gaussovih procesov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Dejan Petelin Sprotno učenje modelov na podlagi Gaussovih procesov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr. Janez Demšar
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ODDELEK ZA RAZREDNI POUK
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ODDELEK ZA RAZREDNI POUK MATEMATIČNO OPISMENJEVANJE PREKO PREGLEDNIC IN DIAGRAMOV DIPLOMSKO DELO Mentorica: dr. Tatjana Hodnik Čadež, doc. Kandidatka: Emina Sekić
More informationJEDRSKA URA JAN JURKOVIČ. Fakulteta za matematiko in fiziko Univerza v Ljubljani
JEDRSKA URA JAN JURKOVIČ Fakulteta za matematiko in fiziko Univerza v Ljubljani Natančnost časa postaja vse bolj uporabna in pomembna, zato se rojevajo novi načini merjenja časa. Do danes najbolj natančnih
More informationEulerjevi in Hamiltonovi grafi
Eulerjevi in Hamiltonovi grafi Bojan Možina 30. december 006 1 Eulerjevi grafi Štirje deli mesta Königsberg v Prusiji so bili povezani s sedmimi mostovi (glej levi del slike 1). Zdaj se Königsberg imenuje
More informationUSING SIMULATED SPECTRA TO TEST THE EFFICIENCY OF SPECTRAL PROCESSING SOFTWARE IN REDUCING THE NOISE IN AUGER ELECTRON SPECTRA
UDK 543.428.2:544.171.7 ISSN 1580-2949 Original scientific article/izvirni znanstveni ~lanek MTAEC9, 49(3)435(2015) B. PONIKU et al.: USING SIMULATED SPECTRA TO TEST THE EFFICIENCY... USING SIMULATED SPECTRA
More informationHadamardove matrike in misija Mariner 9
Hadamardove matrike in misija Mariner 9 Aleksandar Jurišić, 25. avgust, 2009 J. Hadamard (1865-1963) je bil eden izmed pomembnejših matematikov na prehodu iz 19. v 20. stoletje. Njegova najpomembnejša
More informationIzračun osnovne gravimetrične mreže Slovenije
Izračun osnovne gravimetrične mreže Slovenije K. Medved 1, B. Koler 2, M. Kuhar 2 Povzetek V prispevku je predstavljen izračun nove osnovne gravimetrične mreže Slovenije, ki je bila izmerjena leta 2006.
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Izbrana poglavja iz diskretne matematike 1 Course title: Topics in discrete mathematics 1 Študijski program in stopnja Study programme
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Course title: Analiza in prognoza vremena Weather analysis and forecasting Študijski program in stopnja Study programme and level Študijska smer Study field
More informationVsebina Od problema do načrta programa 1. del
Vsebina Od problema do načrta programa 1. del Osnovne strategije iskanja rešitev problema Načini opisovanja rešitev problema Osnovni gradniki rešitve problema Primeri Napišite postopek za kuhanje kave
More informationDržavni izpitni center MATEMATIKA PREIZKUS ZNANJA. Sreda, 4. maj 2011 / 60 minut. NACIONALNO PREVERJANJE ZNANJA ob koncu 2. obdobja NAVODILA UČENCU
Š i f r a u č e n c a: Državni izpitni center *N11140121* REDNI ROK 2. obdobje MATEMATIKA PREIZKUS ZNANJA Sreda, 4. maj 2011 / 60 minut Dovoljeno gradivo in pripomočki: Učenec prinese modro/črno nalivno
More information2A skupina zemeljskoalkalijske kovine
1. NALOGA: V ČEM SE RAZLIKUJETA BeO IN MgO? 1. NALOGA: ODGOVOR Elementi 2. periode (od Li do F) se po fizikalnih in kemijskih lastnostih (diagonalne lastnosti) znatno razlikujejo od elementov, ki so v
More informationGrafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Biček Grafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr.
More information