Nacrt

istraivanja
Uzorak
Prikupljanje
podataka
Obrada
podataka
Metode istraivanja
Uzorak
Uzorak
Populacija
Uzorak
populacije
Pravilnosti utvrene
na uzorku
Koncept uzorkovanja
Odreivanje uzorka populacije proces je odabira nekolicine iz vee grupe, s
time da ta nekolicina postaje osnova na kojoj vrimo procjene i predvianje
injenica, situacija ili ishoda za promatranu veu grupu. Uzorak je podgrupa
populacije koja nas zanima.
Uzorak predstavlja ili
reprezentira populaciju.
Tipovi uzoraka
Sluajni (Random) /
probabilistiki uzorci
Namjerni (Non-Random) / ne-
probabilistiki uzorci
Mijeani
uzorci
J ednostavni
random
Stratificirani
random
Klasterski
uzorak
Kvotni
Sistematski
uzorci
Proporcionalni
stratificirani
Disproporcionalni
stratificirani
Zonski
Dvozonski
Viezonski
Prigodni
Prosudbeni
Snjena
gruda
Uzorak
Jednostavni sluajni (random) uzorak
Sluajni (Random) /
vjerojatni uzorci
Stratificirani sluajni (random) uzorak
Sluajni (Random) /
vjerojatni uzorci
1. Prepoznati strate ili elemente u populaciji iz koje uzimamo uzorak.
2. Odluiti koje strate treba uzeti u uzorak.
3. Smjestiti svaki pojedini element u odgovarajui stratum.
Stratificirani sluajni (random) uzorak
Sluajni (Random) /
vjerojatni uzorci
4. Dodati brojeve
svakom elementu u
svakom stratumu
posebno.
5. Odabrati veliinu
cjelokupnog
uzorka.
SRS tehnika
Stratificirani sluajni (random) uzorak Sluajni (Random) /
vjerojatni uzorci
6. Odabrati: elimo li proporcionalni ili disproporcionalni stratificirani uzorak.
Disproporcionalni uzorak
Jednaki uzorci
nejednakih populacija
Stratificirani sluajni (random) uzorak Sluajni (Random) /
vjerojatni uzorci
6. Odabrati: elimo li proporcionalni ili disproporcionalni stratificirani uzorak.
Proporcionalni uzorak
Uzorak je 10% svake
populacije
Stratificirani sluajni (random) uzorak Sluajni (Random) /
vjerojatni uzorci
7. Odrediti broj elemenata koji e biti izabrani iz svakog od stratuma (Bel).
(n) Veliina uzorka
(k) Broj strata
8. Odabraiti odgovarajui broj elemenata iz svakog od stratuma uz pomo SRS
tehnike.
7. Odrediti proporciju (p) za svaki od stratuma
N
Bel
p =
(Bel) broj elemenata
(N) Ukupna populacija
8. Odabraiti odgovarajui broj elemenata iz svakog od stratuma.
9. Odabraiti odgovarajui broj elemenata iz svakog od stratuma uz pomo SRS
tehnike.
k
n
Bel = .
ili
Stratificirani sluajni (random) uzorak
(primjer)
Sluajni (Random) /
vjerojatni uzorci
Zonski uzorak Klaster uzorci
Klaster iz Slavonije
Klaster iz Cent. Hrv.
Klaster iz Zagreba
Klaster iz Istre
Klaster iz Kvarnera
Dvozonski uzorak Klaster uzorci
Slavonija
Osijek
Vukovar
Virovitica
itd.
Klaster iz Osijeka
Klaster iz Vukovara
Klaster iz Virovitice
Istra
Pula
Pazin
itd.
Klaster iz Pule
Klaster iz Pazina
Dalmacija
Split
ibenik
Knin
itd.
Klaster iz Splita
Klaster iz ibenika
Klaster iz Knina
Viezonski uzorak Klaster uzorci
Klasterski uzorak temelji se na
sposobnosti istraivaa da podjeli
cjelokupnu populaciju u grupe
koje zovemo klasteri, te da onda
odabere elemente u svakom
klasterukoristei SRS tehniku.
Klasteri se najee biraju na
teritorijalnom nivou, ali klasteri
mogu biti odabrani i na temelju
slinih karakteristika populacijskih
pod-grupa. Kod vie-zonskih
uzoraka ovo se esto kombinira.
Prigodni uzorak
Namjerni (Non-Random) /
vjerojatni uzorci
Kvotni uzorak
Namjerni (Non-Random) /
vjerojatni uzorci
Prosudbeni uzorak
Namjerni (Non-Random) /
vjerojatni uzorci
Prosudbeni uzorak koristimo onda kada procjenjujemo tko moe dati najbolje
informacije o nekomdogaaju ili procesu. Istraiva iz cjelokupne populacije izabire
one ljude za koje vjeruje da znaju najvie o procesu.
trajk
Predstavnik
sindikata
Predstavnik
uprave
Gruda snijega
Namjerni (Non-Random) /
vjerojatni uzorci
Gruda snijega je proces
odabira uzorka koritenjem
mree.
Proces zapoinje s
odabranimsugovornikomkoji
identificira druge ljude u grupi
ili organizaciji za koje dri da
mogu dati traene
informacije.
Naredni sugovornici daju
informacije o slijedeim
sugovornicima i tako sve dok
nije postignut dovoljno veliki
uzorak da bi bio
reprezentativan.
Kvotni uzorak s ponderom Mijeani uzorak
Kvotni uzorak s ponderom Mijeani uzorak
Kvotno zonski uzorak Mijeani uzorak
Oblikovanje uzorka istraivanja
Definiranje ciljane populacije (popis stanovnitva koje je
cilj istraivanja)
Konstrukcija teorijske podloge uzorka
Slaganje definirane populacije s teorijskom podlogom uzorka
Prostorni raspored ispitivanog stanovnitava
Snaga karata, GIS i GPS
Popis domainstava
Problemi s teorijskom podlogom uzorka
Odreivanje veliine uzorka
Veliina i oblikovanje uzorka odraavaju nivo detalja koje elimo
imati u tabelama i drugim podatkovnim produktima
Odabir uzorka
Razliite metode i tehnike uzorkovanja
Oblikovanje uzorka istraivanja
Definiranje
ciljane
populacije
(Grafiki
prikaz
popisa
stanovnitva
koje je cilj
istraivanja)
Oblikovanje uzorka istraivanja
Konstrukcija
teorijske podloge
uzorka
Slaganje definirane
populacije s
teorijskom podlogom
uzorka
Prostorni raspored
ispitivanog
stanovnitava
Snaga karata, GIS i
GPS
Popis domainstava
Problemi s
teorijskom podlogom
uzorka
to je to uzorak?
Uzorak je konani dio statistike populacije ija se obiljeja
izuavaju kako bi se dobile informacije o cjelini (Webster,
1985). Kada se odnosi na ljude on moe biti definiran kao
skup respodenata (ljudi) izabran iz vee populacije u svrhu
istraivanja.
to je uzorkovanje?
Uzorkovanje - je akt, proces, ili tehnika odabiranja
odgovarajueg uzorka, ili reprezentativnog dijela
populacije u svrhu odreivanja parametara ili
karakteristika itave populacije.
Uzorkovanje - je odabir elemenata, slijeenjem
propisanih pravila iz definirane populacije
Elementi individue, domainstva, parcele zemljita, poslovnih
transakcija, itd.
Uzorkovanje provodimo:
Kako bi poopili ili izveli
zakljuak o populaciji koju
izuavamo
Kako bi bili mnogo efikasniji i
mnogo jeftiniji
Probabilistiki uzorak
Ukljuuje izbor uzorka iz
populacije, utemeljen na
principima sluajnog odabira ili
jednake anse. Koritenjem
odgovarajuih procedura,
statistikih formula, oekivane
vrijednosti populacije i margine
greke mogu biti izraunate, pa
je mogue izvesti ispravne
zakljuke o populaciji.
Probabilistiki uzorak je mnogo
kompleksniji, zahtijeva mnogo
vie vremena i obino mnogo
skuplji od ne-probabilistikog
uzorka.
Definira populaciju
Jedinice ili elemente analize
Odnosno: jedinice
domainstava, individua,
institucija itd.
Definira granica
jedinica/elementa analize
to izuavamo zavisi o
ciljevima istraivanja
Primjeri rtve zloina,
udovice, maloljetne majke,
samohrani roditelji
Definira prostor jedinice analize.
Probabilistiki uzorak
Ciljana populacija
Priroda traenih podataka: osobni
podaci, bolniko lijeenje, kole itd.
Prostorna lokacija: Geografske
granice populacije moraju se odrediti
jednako tako kao i nivo geografskih
detalja koje zahtijevaju oekivanja od
istraivanja (upanija, grad, itd.).
Referentni period: vremenski
period koji pokriva istraivanje.
Druge karakteristike, takve kao
socio-demografske karakteristike
(interes za starost pojedinih grupa,
na primjer) ili tip industrije.
Uobiajene metode probabilistikih uzoraka
J ednostavna random
metoda
Sustavno uzorkovanje
Uzorkovanje s vjerojatno
proporcionalnim
veliinama
Stratificirano uzorkovanje
Klastersko uzorkovanje
Viestruko uzorkovanje
Sluajni (Random) /
probabilistiki uzorci
J ednostavni
random
Stratificirani
random
Klasterski
uzorak
Proporcionalni
stratificirani
Disproporcionalni
stratificirani
Zonski
Dvozonski
Viezonski
Ne probabilistiko uzorkovanje
U ne probabilistikom
uzorkovanju sve dok su
elementi izabirani arbitrarno
nema naina procijeniti
vjerojatnost za bilo koji
ukljueni element u uzorku.
Nema sigurnosti da je bilo
koji element imao ansu biti
ukljuen, to ini nemoguim
procjenu varijabilnosti i
greke u uzorku.
Ovo ukljuuje prigodne ili
namjerne uzorke, grudu snijega,
dobrovoljne ili kvotne uzorke.
Namjerni (Non-Random) / ne-
probabilistiki uzorci
Kvotni
Prigodni
Prosudbeni
Snjena
gruda
Konstrukcija teorijske podloge uzorka
Teorijska podloga uzorka -
popis ili resursi koji
konstituiraju elemente analize.
Slaganje definirane populacije
s teorijskom podlogom uzorka
Problemi teorijske podloge
uzorka
Neispravnosti,
nekompletnost popisa,
nedostatak informacija
itd.
Veliina uzorka
Ope je pravilo, to vie ljudi je
obuhvaeno istraivanjem (veliina
uzorka) manja e biti greka u
uzorku.
Ciljana populacija je populacija koju
elimo promatrati dok je istraivana
populacija ona populacija koju
moemo promatrati..
Cilj ovoga procesa je imati
istraivanu populaciju to je mogue
blie ciljanoj populaciji. Vrlo je
vano da korisnici podataka iz
istraivanja budu informirani o
razlici izmeu ovo dvoje, jer se
rezultati istraivanja mogu primijeniti
samo na istraivanu populaciju.
Uzorak kojimmjerimo stavove ili miljenja
odreene skupine ljudi, mora predstavljati
ili reprezentirati itavu populaciju iz koje
je izvuen. Oekujemo da e se rezultati
iz uzorka sasvim usko poklapati s
rezultatima koje bismo dobili iz itave
populacije, kad bismo je podvrgli popisu
ili izborima. Da bi zadovoljio naelo
reprezentativnosti uzorak mora
predstavljati minijaturu populacije. Neki
autori smatraju da je samo onaj uzorak
reprezentativan koji poiva na dosljednoj
primjeni rauna vjerojatnosti kod izbora ili
planiranja samog uzorka.
Reprezentativnost uzorka
Reprezentativni uzorak i normalna distribucija
Reprezentativni uzorak je takav uzorak koji za odreeni niz varijabli lii na
osnovni skup, iz kojega je izvuen, do te mjere da izvjesne specifine
analize izvrene na njemu daju rezultate koji e pasti unutar prihvatljivih
granica, postavljenih za odgovarajue vrijednosti osnovnog skupa, a jedino
e u maloj proporciji rezultati takvih analiza uzorka pasti izvan tih granica.
Statistiki znaaj 68,27%
m = 0, s = 1, od -1 x s do 1 x s
= standardna devijacija uzorka
Statistiki znaaj 95%
m = 0, s = 1, od -1,96 x s do 1,96 x s
= standardna devijacija uzorka
Statistiki znaaj 99%
m = 0, s = 1, od -2,576 x s do 2,576 x s
= standardna devijacija uzorka
Procjena standardne pogreke aritmetike sredine
Procjena standardne devijacije
osnovnog skupa na osnovi podataka iz
uzorka.
Izravna procjena standardne pogreke
aritmetike sredine na osnovi
podataka iz uzorka.
1
2

=
n
n
s
1
= =
n n
s
s
X

= standardna devijacija uzorka

n = broj jedinica u uzorku
n-1 = stupanj slobode
Procjena aritmetike sredine Primjer:
Provedeno je ispitivanje jednostavnog sluajnog uzorka
uenika 8. razreda osnovnih kola nizom od 80 zadataka
objektivnog tipa o poznavanju Ope deklaracije o ljudskim
pravima. Ispitivanje je obuhvatilo 220 uenika, aritmetika
sredina dobivena na uzorku iznosi 58,70, standardna devijacija
17,92. Zanima nas u kojim se granicama nalazi aritmetika
sredina osnovnog skupa. Kako je osnovni skup vrlo velik,
moe se poi od pretpostavke beskonanog osnovnog skupa.
Procjena aritmetike sredine osnovnog skupa
1. Procijenit emo standardnu devijaciju osnovnog skupa
pomou izraza:
96 , 17
1 220
220
92 , 17
1
2 2
=

=
n
n
s
2. Zatim se procjenjuje standardna pogreka aritmetike
sredine pomou sljedeeg izraza:
2109 , 1
220
96 , 17
1
= =

= =
n n
s
s
X

Ukoliko nas ne zanima procjena standardne devijacije

osnovnog skupa standardna pogreka aritmetike
sredine se moe izraunati pomou izraza
1
=
n
s

Procjena granica u okviru kojih se nalazi aritmetika

sredina:
Uz 95 postotnu pouzdanost:
58,70 (1,96 x 1,21) tj. izmeu 56,33 i 61,07.
Uz 99 postotnu pouzdanost:
58,70 (2,58 x 1,21) tj. izmeu 54,72 i 62,68.
Procjena aritmetike sredine osnovnog skupa
Procjena aritmetike sredine - pregled
Osnovni skup
beskonani konani
Uzorak
veliki mali (ne prelazi 30
jedinica)
Standardan pogreka se mnoi s
1,96 (95%) odnosno 2,58 (99%)
Standardna pogreka se mnoi
brojevima iz tablice t-distribucije
1
=
n
s
X

N
n
n
s
X

= 1
1

Procjena proporcije osnovnog skupa

Proporcijom se naziva odreeni dio cjeline p koji
se od ostalih dijelova q razlikuje nekim
obiljejem. Prema tome:
p + q = 1
1
=
n
pq
s
p
Procjena standardne pogreke
proporcije za beskonani osnovni
skup.
N
n
n
pq
s
p

= 1
1
Procjena standardne pogreke
proporcije za konani osnovni
skup gdje je uzorak vei od 5%
osnovnog skupa.
Procjena proporcija - pregled
Osnovni skup
beskonani konani
Uzorak
veliki mali (ne prelazi 30
jedinica)
Standardan pogreka se mnoi s
1,96 (95%) odnosno 2,58 (99%)
Standardna pogreka se mnoi
brojevima iz tablice t-distribucije
1
=
n
pq
s
p
N
n
n
pq
s
p

= 1
1
Prije svega, valja rei da nije tono da pouzdanost jednog
uzorka raste proporcionalno s njegovom veliinom. ak i
kod uzorka odabranog sasvim sluajno, pouzdanost
rezultata zavisi od drugog korijena veliine uzorka.
Tako e istraiva, koji je etiri puta poveao svoj uzorak,
dobiti samo dvostruko veu pouzdanost rezultata.
Sluajna pogreka uzorka se smanjuje, kad se uzorak
poveava (ali samo ako sve ostale stvari ostanu
podjednake). Sluajne pogreke ili varijabilnost jednog
uzorka mjeri se standardnom pogrekom aritmetikih
sredina, proporcijom totala, koeficijentom korelacije
pojedinaca koji su dali odreeni odgovor.
Istraivaa, naravno, zanima kako se poveanjem
uzorka smanjuje standardna pogreka, odnosno
varijabilnost oekivanih rezultata.
Veliina uzorka
n=veliina uzorka
N=veliina odabrane populacije
t
2
=Kvadrat vrijednost standardne devijacije koji odgovara prostoru
normalne distribucije vrijednosti
p = postotak kategorije za koje se veliina uzorka izraunava
q = 1- p
d
2
=kvadrat vrijednosti jedne-polovine intervala preciznosti po
oekivanom uzorku
Veliina uzorka
http://www.mef.hr/if/alati/racunala/tekst/velicina_u.htm
n = (1-n/N)*(t
2
(p*q)/d
2
= korekcija konane populacije*
(nivo vjerojatnosti*varianca)/interval povjerenja
Formula tvrdi da je veliina uzorka izraz korekcijskog
faktora konane populacije (1-n/N) puta nivo vjerojatnosti
za uestalost ovog uzorka puta varijanca ili varijabilnost
varijable u populaciji podijeljena s veliinom intervala
pouzdanosti koji oekujemo u naoj procjeni (Czaja and
Blair, 2005:143)
Vrijednost uzorka raste ako moemo istovremeno poveati njegovu
preciznost i tonost. Budui da nam uzorak slui da bismo na osnovu
dobivenih vrijednosti zakljuili o pravoj vrijednosti populacije ili osnovnog
skupa, to emo nastojati da nae ocjene tih pravih vrijednosti budu to
preciznije. Ovu preciznost moemo izmjeriti pomou rauna vjerojatnosti.
Pod mjerenjempreciznosti jedne ocjene misli se na to koliko e se usko
jedan niz moguih ocjena na osnovu uzorka poklapati s pravim
vrijednostima osnovnog skupa. Preciznost ocjene zavisi, dakle, u prvom
redu od planiranja samog uzorka. Preciznost je to vea, to su manje
statistike ili sluajne greke ili pristranosti uvjetovane izboromuzorka.
Preciznost i tonost uzorka
Za razliku od preciznosti tonost
e ovdje znaiti odsutnost ili
smanjenje pristranih, ne-
statistikih ili sistematskih
pogreaka do kojih moemo doi
u prikupljanju i izraunavanju
prikupljenih podataka.
Potonje pogreke mogu se izbjei
paljivim planiranjem, savjesnim
provoenjem i viekratnim
kontroliranjem anketnih postupaka.
Postoji pravilo koje kae da je
uzorak to precizniji, to je vei, to
jest to se vie pribliava veliini
osnovnog skupa.
Preciznost i tonost uzorka
Meutim sama veliina ne odluuje o preciznosti uzorka, jer ona u
konkretnimistraivanjima zavisi od niza meuzavisnih varijabli, od kojih su
najznaajnije slijedee:
Varijabilnost obiljeja koje mjerimo. Na primjer, ako elimo ispitati
inteligenciju estogodinje djece, potreban namje manji uzorak, nego
ako elimo ispitati inteligenciju odraslih ljudi, jer je varijabilnost kod
djece manja.
Veliina jedinice uzorka jedan uzorak od mnogo malih jedinica,
sluajno odabranih, valja uvijek pretpostavljati uzorku iste veliine, ali
sastavljenomod manjeg broja velikih jedinica, makar ove izgledale vrlo
dobro odabrane.
Upotreba stratifikacije svaka klasa ili grupa iz osnovnog skupa mora
biti na valjan nain zastupljena u uzorku. Na primjer, u demografskom
izuavanju puanstva nastojat emo da sve grupe po dobi i spolu budu
zastupljene u odgovarajuim proporcijama.
Preciznost i tonost uzorka