SADRAJ

1. POJAM ZNANOSTI I ZNANSTVENOISTRAIVAKOG RADA

0.1. to je znanost? .............................................................
0.2. Osnovna obiljeja znanosti .............................................
0.3. Osnovne znanstvene kategorije.
0.3.1. Pojam..
0.3.2. Sud
0.3.3. Zakljuak.
0.3.4. Definicija..
0.3.5. Divizija..
0.3.6. Znanstveno otkrice
0.3.7. Dokaz..
0.4. Razvoj znanosti ............................................................
0.4.1. Povijesni razvoja znanosti...........................
0.4.2. Razvoj suvremene znanosti...................................
0.5. Obiljeja znanstvene spoznaje.........................................
0.5.1. Objektivnost znanstvene spoznaje.........................
0.5.2. Preciznost znanstvene spoznaje ...........................
0.5.3. Sistematinost znanstvene spoznaje
0.5.4. Opcost znanstvene spoznaje
0.5.5. Provjerljivost znanstvene spoznaje.
0.5.6. Organiziranost znanstvene s poznaje..
0.6. Osnovni oblici znanstvene spoznaje.................................
0.6.1. Znanstveni zakon................................................
0.6.2. Pojam i struktura znanstvene teorije......................
0.6.3. Znanstveno objasnjenje i znanstveno predvidanje....
0.6.3.1. Znanstvena deskripcija..............................
0.6.3.2. Znanstvena klasifikacija.............................
0.6.3.3. Znanstveno objasnjenje .............................
0.6.3.4. Znanstveno predvidanje.............................
0.7. Klasifikacija znanosti.......................................................
0.8. Znanstvenoistraivaki rad...............................................
0.8.1. Pojam i vrste znanstvenoistraivakog rada ............
0.8.1.1. Fundamentalna istraivanja..........................
0.8.1.2. Primijenjena istraivanja..............................
0.8.1.3. Razvojna istraivanja ..................................
0.8.2. Pojam i vrste znanstvenih i strunih djela...............
0.8.2.1. Pojam i vrste znanstvenih djela.....................
0.8.2.1.1. Vrste znanstvenih lanaka .................
0.8.2.2. Pojam i vrste strunih djela..........................
0.8.2.3. Pojam i vrste znanstveno-strunih djela..........
0.9. Organizacija vlastitog znanstvenog i strunog rada.
0.9.1. Znaajke znanstvenog radnika
0.9.2. Organizacija vlastitog strunog i znanstvenog rada
0.9.3. Pitanja u vezi s prouavanjem literature
0.9.4. Pripreme usmenih izlaganja
2. ODNOS ZNANSTVENE METODE I METODOLOGIJE.
2.1. Uopce o znanstvenoj metodi............................................
2.2. Razlike izmedu znanstvene metode i metodologije.............
2.3. Naela i znaajke metodologije
znanstvenoistraivakog rada..........................................
2.4. Vrste metodoloskih problema...........................................

3. !AZE PRO"ESA ZNANSTVENOG ISTRAIVANJA
3.1. Opcenito o fazama znanstvenog istraivanja......................
1
3.2. Izbor i definiranje predmeta istraivanja............................
3.2.1. Izbor predmeta istraivanja......................................
3.2.1.1. Traenje znanstvenih informacija neophodnih
za formuliranje predmeta istraivanja..............
3.2.1.2. Formuliranje predmeta istraivanja................
3.2.2. Odredivanje ciljeva istraivanja.................................
3.3. Postavljanje hipoteza i sredivanje varijabli.........................
3.3.1. Postavljanje hipoteza..............................................
3.3.2. Sredivanje varijabli.................................................
3.4. Izrada projekta istraivanja.............................................
3.4.1. Idejni projekt istraivanja........................................
3.4.2. Izvedbeni projekt istraivanja..................................
3.5. Prikupljanje i obrada podataka.........................................
3.6. Znanstveno tumaenje i interpretacija podataka................
3.7. Izvjestaj o rezultatima istraivanja...................................
4. METODE ZNANSTVENOG ISTRAIVANJA.............
4.1. Klasifikacija metoda znanstvenog istraivanja...................
4.2. Opce znanstvene metode...............................................
4.2.1. Metode indukcije i dedukcije .................................
4.2.1.1. Metoda indukcije........................................
4.2.1.1.1. Vrste indukcije.................................
4.2.1.2. Metoda dedukcije.......................................
4.2.1.3. Povezanost i razlike izmedu indukcije i
dedukcije kao metoda i naina zakljuivanja...
4.2.2. Metode analize i sinteze.......................................
4.2.2.1. Metoda analize........................................
4.2.2.2. Metoda sinteze..........................................
4.2.2.3. Slinosti i razlike izmedu analize i sinteze...
4.2.3. Metoda dokazivanja i opovrgavanja
4.2.4. Metoda klasifikacije
4.2.5. Metoda komparacije
4.2.6. Metoda modeliranja

5. TE#NIKE PRIK$PLJANJA EMPIRIJSKI# PODATAKA
5.1. Tehnike ispitivanja
5.1.1. Prikupljanje podataka pomocu upitnika
5.1.1.1. Anketa
5.1.1.2. Intervju
5.1.1.3. Upitnik
5.1.1.4. Pravljenje anketnog upitnika
5.1.1.4.1. Formulacija pitanja s obzirom na njihov smisao
5.1.1.4.2. Verbalna formulacija pitanja
5.1.1.4.3. Redoslijed pitanja u upitniku
5.1.1.4.4. Zakljune sugestije za pravljenje upitnika
5.1.1.5. Anketiranje
5.1.1.5.1. Predispitivanje
5.1.1.5.2. Uvod anketi
5.1.1.5.3. Provodenje ankete
5.1.1.6. Uzorak
5.1.1.6.1. Pojam uzorka
5.1.1.6.2. Vrste uzorka
5.1.1.6.2.1. Uzorci koji nisu odabrani na osnovu teorije vjerojatnosti
5.1.1.6.2.2. Uzorci nastali na osnovu teorije vjerojatnosti
5.1.1.6.2.3. Zonski uzorak kao vrsta mjesovitog tipa uzoraka
5.1.1.7. Greske i pristranosti u anketiranju
5.1.2. Testiranje
2
5.1.2.1. Vrste testova
5.1.2.1.1. Testovi mogucnosti
5.1.2.1.2. Testovi linosti
5.1.3. Skaliranje
5.1.3.1. Pojam skaliranja
5.1.3.2. Vrste skala
5.1.3.3. Nedostaci skaliranja
5.2. Promatranje
5.2.1. Pojam promatranja
5.2.2. Vrste znanstvenog promatranja
5.2.2.1. Izvori suvremenih oblika promatranja
5.2.2.2. Vrste promatranja
5.2.2.3. Realiziranje promatranja
5.3. Klasifikacija i mjerenje
5.3.1. Klasifikacija
5.3.2. Mjerenje
5.3.2.1. Vrste mjerenja
5.4. Eksperiment
5.4.1. Vrste eksperimenata
5.5. Analiza sadraja
5.5.1. Utemeljivanje i razvoj analize sadraja
5.5.2. Odredenje pojma
6. STATISTIKE TE#NIKE O%RADE PODATAKA
6.1. Uvod
6.1.1. to je statistika?
6.1.2. Populacija i uzorci
6.1.3. Deskriptivna i inferencijalna statistika
6.1.4. Raunalni softver za statistike analize
6.2. Prikaz podataka
6.2.1. Uvod
6.2.2. Tipovi podataka
6.2.3. Prikaz kvalitativnih podataka
6.2.4. Grafiki opis kvalitativnih podataka
6.2.5. Grafiki opis kvantitativnih podataka: S- L prikaz
6.2.6. Tablini prikaz kvantitativnih podataka: distribucija relativnih frekvencija
6.2.6.1. Statistiki niz
6.2.6.2. Grupiranje podataka
6.2.7. Grafiki prikaz kvantitativnih podataka: histogram i poligon
6.2.7.1. Histogram
6.2.8. Kumulativne ditribucije i kumulativni poligoni
6.2.9. Zadaci za vjebe
6.3. M&'(' )'*+(,-*' +'*.'*)/&'0 (,12(3'*&, / 1+,+/1+/45/ 676'*+/
6.3.1. Uvod
6.3.2. Mjere centralne tendencije
6.3.2.1. Aritmetika sredina
6.3.2.1.1. Prednosti aritmetike sredine
6.3.2.1.2. Nedostaci aritmetike sredine
6.3.2.2. Harmonijska sredina i geometrijska sredina
6.3.2.3. Medijan
6.3.2.4. Mod
6.3.2.5. Raspon varijacije
6.3.3. Varijanca i standardna devijacija
6.3.3.1. Primjene standardne devijacije
6.3.4. Mjere relativne rasprsenosti: koeficijent varijacije
6.3.4.1. Mjere relativne rasprsenosti
6.3.5. Mjere asimetrije
3
6.3.5.1. Spljostenost
6.3.5.2. Kurtosis
6.3.6. Metode otkrivanja vanjskih vrijednosti (outlier)
6.3.6.1. Upotreba standardiziranog obiljeja
6.3.6.2. Metoda Box plot
6.3.7. Izraunavanje mjera centralne tendencije za grupirane podatke
6.3.8. Raunalni softveri za deskriptivnu statistiku
6.3.9. Vjeba
6.4. Vjerojatnost
6.4.1. Eksperiment, dogadaji i vjerojatnost, vjerojatnost dogadaja
6.4.2. Pristupi definiranju vjerojatnosti
6.4.3. Polje dogadaja
6.4.3.1. Klasina definicija vjerojatnosti
6.4.3.2. Statistika definicija vjerojatnosti
6.4.4. Uvjetna vjerojatnost i neovisnost
6.5. Distribucije vjerojatnosti
6.5.1. Sluajna varijabla
6.5.2. Veza izmedu distribucije vjerojatnosti diskretne varijable i relativnih
frekvencija
6.5.2.1. Aritmetika sredina ili oekivana vrijednost
6.5.2.2. Varijanca i standardna devijacija
6.5.3. Binomna distribucija vjerojatnosti
6.5.4. Poissonova distribucija
6.5.5. Kontinuirane sluajne varijable: funkcija distribucije i funkcija gustoce
6.5.5.1. Numerika svojstva kontinuirane sluajne varijable
6.5.6. Normalna distribucija vjerojatnosti
6.6. Distribucije (rasporedi) uzoraka
6.6.1. Zasto je bitna metoda uzorka
6.6.2. Sluajni uzorak
6.6.3. Distribucija uzoraka
6.6.4. Distribucija sredina uzoraka x : centralni granini teorem)
6.7. Procjene
6.7.1. Uvod
6.7.2. Procjena sredine populacije
6.7.3. Procjena proporcije populacije
6.7.4. Procjena razlike izmedu sredina dva neovisna uzorka
6.7.5. Procjena varijance populacije
6.8. Testiranje hipoteza
6.8.1. Uvod
6.8.2. Formuliranje hipoteza
6.8.3. Tipovi pogresaka u testiranju hipoteza
6.9. Primjena testiranja hipoteza
6.9.1. Uvod
6.9.2. Hipoteza o sredini populacije
6.9.2.1. Testiranje sredine populacije uporabom velikih uzoraka
6.9.2.2. Testiranje sredine populacije uporabom malih uzoraka
6.9.3. Testiranje hipoteza o proporcijama populacije
6.9.4. Testiranje hipoteza o razlici sredina dvije populacije
6.9.5. Testiranje hipoteza o razlici izmedu dvije proporcije
6.9.6. Testiranje hipoteza o varijanci populacije
6.9.7. Testiranje hipoteza o odnosu varijanci dvije populacije
6.10. Analiza kvalitativnih podataka i analiza varijance
6.10.1. Uvod
6.10.2. Test suglasnosti
6.10.3. Analiza tablica kontigencije
6.10.4. Analiza varijance
6.11. Regresijska analiza
4
6.11.1. Regresija primjenom excela
6.11.2. Interpretiranje rezultata dobivenih regresijom
6.11.3. Primjer visestruke regresije
6.12. Analiza korelacije
6.12.1. Koeficijent korelacije
6.12.2. Koeficijent determinacije
6.12.3. Izraunavanje kovarijance
7. PRIMJENA IN!ORMA"IJSKE TE#NOLOGIJE $ PRO"ES$ ISTRAIVANJA
7.1. Procesi otkrivanja znanja u bazama podataka
7.2. Dana mining alati u procesu otkrivanja znanja u bazama podataka
7.3. Primjer analize upotrebom dana mining alata
7.3.1. Algoritam apriori
7.3.2. Induktivna pravila
7.4. Primjer istraivanja upot('876 2(/6&'*1579 17:+;'(,
7.4.1. Priprema podataka iz upitnika za analizu
7.4.2. Descriptivna statistika uporabom alata Data Analysis
8. PISANJE ZNANSTVENOG DJELA
8.1. Dijelovi znanstvenog djela
8.1.1. Dijelovi znanstvene knjige
8.1.1.1. Dijelovi bez kojih nema znanstvene knjige
8.1.1.1.1. Naslov
8.1.1.1.2. Sadraj
8.1.1.1.3. Uvod
8.1.1.1.4. Sredisnji dio znanstvenoga djela
8.1.1.1.5. Zakljuak
8.1.1.1.6. Saetak
8.1.1.1.7. Popis literature (bibliografija)
8.1.1.1.8. Indeks pojmova i imena
8.1.1.2. Ostali dijelovi znanstvene knjige
8.1.1.2.1. Moto
8.1.1.2.2. Posveta
8.1.1.2.3. Predgovor
8.1.1.2.4. Popis tablica i ilustracija
8.1.1.2.5. Dodatak (apendiks, prilozi, dopune)
8.1.2. Dijelovi znanstvenog lanka
8.2. Dokumentacijska osnova rukopisa
8.2.1. Citiranje
8.2.2. Podnoak (fusnota, napomena)
8.2.3. Ilustracije
8.3. Komponiranje i jezino-stilska obrada rukopisa znanstvenog i strunog djela
8.3.1. Komponiranje znanstvenog i strunog djela
8.3.2. Jezik znanstvenog i strunog djela
8.3.3. Stil znanstvenog i strunog djela
8.3.3.1. Pojam stila
8.3.3.2. Odlike dobrog znanstvenog stila
9. Literatura
10. Indeks pojmova
11.Indeks imena


5
1. POJAM ZNANOSTI I ZNANSTVENOISTRAIVAKOG RADA
1.1. <TO JE ZNANOST=
Pitanje iz naslova je, moglo bi se kazati, relativno jednostavno? Ali, radi se o
dojmu tek na prvi pogled. Stvarno, medutim, postavljeno pitanje trai rasiscavanje veceg
broja nepoznanica i dilema.
Jedna od dilema je, primjerice, u izravnoj vezi s injenicom da se pojam znanost
moe promatrati u njegovom sirem i uem znaenju. U prvom sluaju, u svom sirem
znaenju, znanost se moe odrediti kao sinonim za sveukupno znanje. Promatra li ju se,
medutim, u njenom uem znaenju, izvjesno je da je po srijedi vrsta drustvene misaone
djelatnosti iji je temeljni cilj otkrivanje zakona prirodnih i drustvenih pojava, a koje je u
uskoj vezi sa savladavanjem problema ovjekova egzistiranja u najsirem znaenju rijei.
Pode li se od iznijetog naina razrjesenja postavljene dileme, izvjesno je da se
moe govoriti o dvije bitne funkcije znanosti. Jedna od njih je teorijska ili spoznajna
funkcija, koja se manifestira u stalnoj potrebi razvijanja znanstvene spoznaje. Drugu se
moe odrediti kao socijalno praktinu, odnosnu primijenjenu funkciju iji se smisao svodi na
primjenu odredenih teorijskih znanja.
Zbog veceg broja dilema, koje namece odgovor na pitanje sto je znanost, su dosta
razliite i raznovrsne i definicije znanosti. S ciljem ukazivanja na njihovu sarolikost, neke od
njih prezentiramo i u ovoj analizi:
a) Znanost je oblik ljudske aktivnosti pomocu koje ovjeanstvo stjee sve vece i
tonije znanje i razumijevanje prirode, njene proslosti, sadasnjosti i buducnosti, kao i sve
vecu sposobnost da se prilagodi svojoj okolini i da je mijenja, a isto tako da mijenja svoje
vlastite karakteristike (P. Freedman)
b) Znanoscu obino nazivamo sredeno, sistematizirano i provjereno znanje o
neemu, postignuto metodinim, paljivim i savjesnim istraivanjem i razmatranjem (M.
ami)
c) Znanost je zajedniko, koherentno, organizirano i sistematizirano znanje
ljudskog roda (B. Teak)
d) Znanost je objektivna, logina, precizna, provjerljiva i sistematina metoda
prikupljanja, opisivanja, klasificiranja, definiranja, mjerenja, eksperimentiranja,
uopcavanja, objasnjavanja, predvidanja, kontroliranja i vrednovanja iskustvenih injenica
(. unji)
e) Znanost je sistematizirana i argumentirana suma znanja u odredenom
povijesnom razdoblju o objektivnoj stvarnosti do koje se doslo svjesnom primjenom
odredenih objektivnih metoda istraivanja sa svrhom spoznaje zakona prirodnih i
drustvenih zbivanja da se omoguci tono predvidanje buducih dogadaja i maksimalne
djelotvornosti ljudske prakse (T.Salitrei)
Prethodna definicija je, zapravo, prosirena verzija definicije iz Enciklopedije
Leksikografskog zavoda. Medutim, prosirivanje, koje je u njoj uinjeno, nije rezultiralo i
dodatnom kvalitetom definicije iz spomenute enciklopedije. Stoga nam se definicija, dana u
Enciklopediji Leksikografskog zavoda, ini i najprihvatljivijom. Prema njoj se, podsjetimo,
znanost odreduje kao sistematizirana i argumentirana suma znanja u odredenom
historijskom razdoblju o objektivnoj stvarnosti do koje se dolo svjesnom primjenom
odredenih objektivnih metoda (Enciklopedija Leksikografskog zavoda, sv. IV, 487.). Ova
nam se definicija ini prihvatljivom i zbog to ga jer iz nje proizlaze dva bitna elementa bez
kojih se znanost ne moe uobliiti. Jedan je predmet izuavanja, dakle dio objektivne
stvarnosti, ije je izuavanje u sferi interesa odredene znanosti, a drugi znanstvena
metoda, odnosno put ili nain da se dode do istine o dijelu objektivne stvarnosti.
1.2. OSNOVNA O%ILJEJA ZNANOSTI
Medu autorima postoje razlike u pristupu identifikaciji temeljnih obiljeja znanosti.
Neki od njih navode veci broj obiljeja, pri emu pod termin obiljeja smjestaju i neke
6
kategorije koje ne sadre ni minimum pretpostavki za to.
1
Drugi, opet, prave razliku izmedu
obiljeja znanosti i obiljeja razvoja znanosti.
2
Takav je pristup, po nasem sudu, mnogo
ispravniji. O nedostatku se moe govoriti zbog svojevrsne zbrke koja se kod njih dade
identificirati u klasifikaciji i svrstavanju obiljeja u jednu ili drugu grupu. Stoga smo sebi i
postavili zadacu da u takvu, dakle dvojnu klasifikaciju, pokusamo unijeti odredenog reda.
Sukladno takvom opredjeljenju moguce je, po nasem uvjerenju, izdvojiti slijedeca
bitna obiljeja znanosti:
a) Drutveni karakter znanosti, koji se manifestira, prije svega, u njenoj
univerzalnosti, usmjerenosti interesima ovjeanstva, ali i svakog pojedinanog drustva.
3
b) Jedinstvenost znanosti. Buduci je svijet jedinstven, to i sve znanosti, na
izvjestan nain, ine nerazdvojivo jedinstvo. Izmedu njih nije moguce, kako se dugo mislilo,
a mnogi, naalost, misle jos uvijek, uspostaviti nikakvu vododijelnicu u smislu brane koja
uspostavlja neku vrstu neprobojnog zida.
c) Jedinstvo znanstvene teorije i prakse. Prevedeno na razumljiviji jezik ovo
jedinstvo znai da, zapravo, ne postoji ni objektivna znanstvena spoznaja koja se, prije ili
kasnije, ne moe primijeniti u praksi, ali isto tako i da nema objektivne i stvaralake prakse
koja nije, pa makar u bilo kom obliku, utemeljena na znanosti.
d) Kreativnost u znanosti kao najznaajniji kvalitativni element znanstvenika koji
se temelji na aktivnom znanju kojeg oni posjeduju.
e) Interdisciplinarnost znanosti, koja pretpostavlja interaktivno povezivanje dvije
ili vise disciplina u cjelinu viseg reda, pri emu se sinteza ne vrsi samo na planu predmeta
znanja nego, prije svega, i na planu koncepta i metode, a jos vise na planu naela i
aksioma (Zelenika, 1990., 27.-28.)
f) Internacionalni karakter znanosti, koji proizlazi iz injenice da se znanost ne
moe svesti u ue okvire, okvire jedne regije, nacije ili drave. Ona je, i po unutarnjim
zakonitostima svoga razvoja, ali i po svojim ciljevima i zadacima, univerzalna,
opceovjeanska.
g) Primjena znanstvene metode u znanstvenom istraivanju. Jasno je da je
znanosti imanentno znanstveno istraivanje kao njen bitni sastavni dio. S druge, pak,
strane, nema znanstvenog istraivanja bez primjene znanstvene metode u njenom
najsirem znaenju rijei.
4
Sukladno nasem temeljnom opredjeljenju moguce je govoriti i o vecem broju
obiljeja razvoja znanosti. Smatramo potrebnim apostrofirati naroito nekoliko njih, i to:
1. Proces istodobnog diferenciranja i integriranja znanosti. Jasno je, naime, da se
povecanjem ukupnog kvantuma znanja dogada proces njegova sve naglasenijeg
diferenciranja prema oblastima, podrujima i znanstvenim disciplinama. Ali, istodobno se
moe identificirati i obrnut, proces stalnog integriranja znanja iz razliitih disciplina,
podruja i oblasti, ali i istraivanja koja koriste logiku interdisciplinarnih znanja.
2. Zakon ubrzanog razvoja znanosti. Pod ovom se zakonitoscu mogu
podrazumijevati najmanje dva paralelna procesa. Jedan je vezan uz injenicu da se u
svijetu moe identificirati stalni porast broja znanstvenih radova. Drugi, moda i jos
znaajniji, proizlazi iz injenice da se vrijeme od odredenog znanstvenog pronalaska do
njegove primjene u praksi sve vise skracuje.
3. Svjestan timski rad znanstvenika. Ovo obiljeje razvoja znanosti je vezano za
podatak da je bavljenje znanstvenim radom u proslosti bilo, prije svega, rezultat
individualnog rada. Vratimo li se, primjerice, u antika vremena, izvjesno je da je sve
znanje toga vremena bilo rezultat individualnog angamana. Aristotel je mogao imati uzora
u Platonu, ali sve sto je stvarao, stvarao je sam i nezavisno o njemu. Pitagorini zakoni su
takoder plod individualnog rada. Medutim, povecavanje kvantuma znanja, njihovo
1
Medu takve, oito, treba ubrojiti i Ratka Zeleniku. Kao jedno od obiljeja znanosti on, primjerice,
navodi i odnos i spone koje postoje izmedu znanosti i umjetnosti.
2
To, izmedu ostalih, odlikuje i pristup Miroslava Zugaja (vidjeti , Zugaj, 1989., 10.-13.)
3
Istini za volju, iako se njen drustveni karakter ogleda, prije svega, u zadovoljavanju drustvenih
potreba ovjeka, znanost se moe upotrijebiti i u nehumane svrhe. Takvih je primjera zabiljeeno
tijekom povijesti mnogo, a na takve se primjere primjene znanosti moe nerijetko naici i danas.
4
O pojmu znanstvene metode pogledajte detaljnije poglavlje 2. ove knjige Odnos znanstvene
metode i metodologije
7
integriranje i medusobno povezivanje je izazvalo potrebu interdisciplinarnih znanja, a time i
potrebu timskog rada u kojeg su ukljueni znanstvenici razliitih specijalnosti, te koji je
svjestan i organiziran.
4. Slinost u etapama razvoja znanosti. U svim se, zapravo, znanostima u
njihovom razvoju daju identificirati tri magistralne razvojne faze:
a) opisna faza razvoja, koja se temelji na prikupljanju injenica i njihovoj prvoj
sistematizaciji
b) logiko-analitika faza, koju karakterizira sadrajna analiza prouavanog
predmeta s odredenog metodoloskog stajalista,
c) faza uskladivanja sadrajnih i kvantitativnih metoda spoznaje, u koju su, bez
sumnje, usle prirodne znanosti i tehnika u XX. stoljecu.
1.3. OSNOVNE ZNANSTVENE KATEGORIJE
Znanost o znanosti podrazumijeva, medu inim, i osnovne znanstvene kategorije,
odnosno elemente logike koje znanstvenik mora poznavati. Medu njima se, medu inima,
istiu i: pojam, sud, zakljuak, definicija, divizija, distinkcija, deskripcija, eksplanacija,
predvidanje, znanstveno otkrice, dokaz, opovrgavanje, znanstveni problem, hipoteza,
teorija, zakon, verifikacija i znanstvene injenice. Namjera ove analize nije i ulaenje u
detaljniju analizu tih kategorija. Dapae. Osim toga, neke od apostrofiranih kategorija ce
biti problematizirane u drugim dijelovima ovog poglavlja.
5
Uputnom se, medutim, namece
makar i povrsni prelet preko najznaajnijih medu njima.
1.3.1. P7&,6
Pojam se moe definirati na veoma razliite naine. Za predstavnike formalistike
teorije, primjerice, pojam je skup oznaka, odnosno element suda. Po shvacanju
psihologistike teorije, opet, pojam je neka vrsta apstraktne predodbe. Za nominaliste,
pojam je rije, ime kojim se oznaava jedna ili vise pojedinanih stvari. Realistika teorija,
na koncu, u pojmu prepoznaje odraz bitnih svojstava realnih stvari i procesa, te njihovih
svojstava i medusobnih odnosa. Ako bi ga, medutim, htjeli cjelovito odrediti, pogresno bi
bilo opredjeljivanje za bilo koji od navedenih pristupa. Dapae. Pojam je sve to - i element
suda i skup oznaka i apstraktna predodba, i rije i misao o sustini ili bit onoga sto mislimo.
Pojam, dakako, nije nesto sto je i apsolutno neodredeno. Naprotiv. Svaki od
pojmova ima i svoj opseg i svoj sadraj. Opseg pojma oznaava skup svih pojedinanih
objekata na koje se termin ili jezini izraz pojma moe primijeniti. Pojam, primjerice,
sportska oprema odnosi se na sportski dres, sportske patike, sportske trenerke itd. Ili,
pojam lijek odnosi se na sve mnogobrojne vrste pojedinanih lijekova. S druge strane,
sadraj pojma podrazumijeva skup bitnih oznaka odredenog pojma. to je tih oznaka vise
veci je i sadraj konkretnog pojma.
U stvarnosti postoji mnostvo razliitih vrsta pojmova. Sve njih je moguce i dijeliti
po vecem broju kriterija. Obzirom na sadraj, primjerice, moguce je praviti razliku izmedu
korelativnih (majka i kcerka), zamjenskih (funkcionalisti i Talcot Parsons), disparatnih ili
sudova koji nemaju nista zajedniko (veselo i crno), kontrarnih ili sudova koji su na
oprenim stranama (najvisi i najnii), idt. pojmova.
Prema opsegu, potom, pojmovi mogu biti nadredeni, podredeni i koordinirani.
Pojam sportska oprema je, tako, nadreden pojmu sportski dres, koji je u tom odnosu
podreden. S druge, pak, strane, u odnosu koordiniranih pojmova nalaze se pojmovi katolik i
protestant jer oba pripadaju krscanima a ni jedan od njih istodobno ne moe biti i onaj
drugi.
Po obujmu pojma je moguce praviti razliku i izmedu opih, posebnih i pojedinanih
pojmova. Za opci je pojam, tako, karakteristino da se - kao, primjerice, u sluaju pojma
5
Pogledati dio 1.5. Osnovni oblici znanstvene spoznaje ovog poglavlja, te dio 3.3.1. Postavljanje
hipoteza
8
pjesma - odnosi na neodredeno velik broj sluajeva jedne vrste. Suprotno tome,
pojedinani se pojam - recimo rijeka Neretva - odnosi na jedan jedini sluaj.
Ovisno o njihovu odnosu prema nekom svojstvu pojmovi mogu biti pozitivni -
pojmovi kojima mislimo prisutnost nekih svojstava (iskrenost, nadarenost, postenje) - i
negativni - pojmovi koji negiraju, znae odsutnost nekog svojstva (neiskrenost,
nenadarenost, nepostenje).
Zanimljiva je i podjela obzirom na stupanj poznatosti opsega pojma na jasne i
nejasne. Jasni su oni pojmovi kod kojih je njihov opseg poznat u potpunosti. Jasan je,
primjerice, pojam sahovska figura jer je njegov opseg - koji obuhvaca sahovskog kralja,
sahovsku kraljicu, sahovskog lovca, sahovskog skakaa, sahovskog topa i sahovskog
pjesaka - poznat u potpunosti. Za razliku od toga, kod nejasnih je pojmova opseg pojma
jasan samo djelomino.

1.3.2. S>.
Sudom se oznaava spoj dvaju pojmova, i to spoj u kojem se o odnosu jednog
pojma prema drugom nesto tvrdi ili odrie. Ovisno o tome da li se o odnosu dvaju pojmova
nesto tvrdi ili odrie, sudovi mogu biti istiniti i neistiniti.
Masa sudova, bili oni istiniti ili neistiniti, izrie se svakodnevno i u razliitim
sferama ivota. Zajedniko im je, pri tome, svima da se izraavaju reenicama, iako sud
nije isto sto i reenica kojom se on izrie. Isti sud iskazan u razliitim jezicima izgleda, zbog
razlika u jeziku, razliito. No, nije razliiti sud nego reenica kojom je iskazan. Reenicama,
primjerice, Mislim, dakle jesam i Cogito ergo sum iskazan je isti sud iako su reenice,
kojima je izraen, potpuno razliite.
Za pripaziti je, dakako, da se ne padne u pogresku izjednaavanja suda i sudenja.
Razlika izmedu njih je, naime, i vise nego oigledna. Jos konkretnije, sudenje oznaava
odreden psihiki proces, a sud je rezultat toga procesa.
U stvarnosti se, kao i kod pojmova, moe sresti mnostvo razliitih sudova. Svi oni
se, medutim, mogu i razvrstati prema odredenim kriterijima. Prema predmetu se, tako,
moe praviti razlika izmedu atributivnih - sudova koje karakterizira neka atributivna, bilo
kvantitativna (ahovska ploa ima 64 polja) ili kvalitativna (Pas je najvjernija ivotinja
ovjeku) odredba, relacionih - kojima su predmet odredene relacije, procesnih - iji je
predmet proces, radnja ili dogadanje, injeninih - odnosno sudova o injenicama itd.
Po logikom sadraju suda, potom - dakle prema onom sto se zamislja, kako se
zamislja i u kojem opsegu se zamislja - moguce je praviti razliku izmedu nekoliko vrsta
sudova. Po kvantiteti, odnosno obujmu pojma subjekta, moguce je praviti razliku izmedu
generalnih (Slava je prolazna), individualnih (Matija Gubec je seljaki tribun) itd. Po
kvaliteti logikog sadraja, opet, treba razlikovati afirmativne ili potvrdne (Sarajevo je
glavni grad BiH), negativne (Argentina nije evropska zemlja) i upitne (Moe li pojava
ozonskih rupa promijeniti ivot na Zemlji).
Razlika medu sudovima se, na koncu, moe praviti i po stupnju sloenosti suda,
odnosno njezinoj strukturi. Po toj se osnovi razlikuju jednostavni, sloeni i spojeni sudovi.
1.3.3. Z,5-&>4,5
Zakljuak je skup od najmanje dva suda. No, to nije i nuno. Drugim rijeima,
svaki skup od najmanje dva suda ne predstavlja automatski i zakljuak. Naprotiv. Da bi
najmanje dva - ili vise sudova - inili i zakljuak, neophodna je pretpostavka tome i misao
da jedan od njih proizlazi, slijedi iz drugog ili vise drugih sudova. Drugim rijeima, sudovi
su elementi zakljuka, povezani strukturiranom sloenom misli. U toj strukturi i sudovi i
zakljuak imaju svoju posebnu ulogu. Sudovi iz koji se izvode novi sudovi se, pri tome,
oznaavaju pretpostavkama ili premisama, a novi sud koji se iz premisa izvodi oznaava se
kao zakljuak ili konkluzija.
I kod zakljuaka je moguce praviti razliku izmedu razliitih pojavnih vrsta. Moguce
je, primjerice, praviti razliku izmedu neposrednih i posrednih zakljuaka. Neposredni
zakljuak se dobije kada se jedan sud izvodi iz samo jednog drugog suda ili premise.
9
Primjer takvog zakljuka je i slijedeci: Svaki grad iznad milion stanovnika spada u grupu
velikih gradova. Svi gradovi sa dva miliona stanovnika su veliki gradovi.
S druge strane, posrednog zakljuka nema ukoliko se novi sud ne izvodi iz
najmanje dva suda ili premise. Primjerice: Svi ljudi posjeduju emocije, Ivan je ovjek,
Ivan posjeduje emocije.
Neovisno, dakle, o tome radi li se o neposrednim ili posrednim zakljucima, da bi
bili valjani neophodna je pretpostavka da proizlaze iz premise. U protivnom, zakljuak nije
valjan, pogresan je. Nije valjan, pogresan je, primjerice, zakljuak Ivan je grubijan,
maka je crna jer posljednji sud ni po emu ne proizlazi iz prvog.
Kada su pogreke, koje se javljaju kod zakljuaka, u pitanju, dvije grupe njih su
posebice znaajne - opce i pogreske posebnih vrsta zakljuaka.
Dvije su temeljne grupe opih pogreaka zakljuaka. Prve su one koje ne potjeu iz
jezika i manje su uestale. Druge su, medutim, uestalije, a potjeu iz jezika. Takve su,
primjerice, pogreke dvoznanosti - koje su vezane za upotrebu rijei s visestrukim
znaenjem (rije kit, primjerice, moe oznaavati vrstu sisavca, a moe i plastinu
materiju za spajanje), pogreke dvosmislenosti - koje se javljaju kada se dvolini sudovi
uzimaju kao premise zakljuaka, pogreke naglaska ili akcenta - koje nastaju u sluaju da
ne vidimo tono koji je slog u rijei ili rije naglaseni. Reenice JA sam to vidio, Ja sam
TO vidio i Ja sam to VIDIO sastavljene su od istih rijei, ali imaju potpuno razliito
znaenje jer je naglasak na razliitim rijeima u reenici - jedan put naglasak je na JA,
drugi put na TO, i treci na VIDIO, pogreke kompozicije - koje nastaju kada se neko
svojstvo koje pripada dijelu pripisuje i cjelini, pogreke divizije - koje su suprotne, nastaju
ako se svojstva koja pripadaju cjelini automatski pripisuju i svim njezinim dijelovima (ako
se, primjerice, temeljem premise Studenti prve godine studija su ostvarili dobar uspjeh
izvlai i zakljuak Student X je ostvario dobar uspjeh).
1.3.4. D':/*/)/&,
Definicijom se oznaava sud kojim se nedvosmisleno odreduje sadraj jednog
pojma. Tako se, primjerice, definicijom eksperimenta kao planskog izazivanja promjena u
cilju prouavanja njihovih posljedica, i to u strogo kontroliranim uvjetima i s mogucnoscu
mjerenja posljedica izazvanih promjena, odreduje sadraj pojma eksperiment.
Dakako, definicija takoder mora odgovoriti odredenim zahtjevima. Mora, primjerice
biti, adekvatna - odnosno ni preuska ni presiroka, mora sadrati bitne oznake po kojima se
sadraj nekog pojma razlikuje od sadraja drugih pojmova, ne smije biti negativna - tj.
mora utvrdivati sto jeste, a ne sto nije (nisu valjane definicije tipa Covjek je ivo bice koje
nema rep, Marketing nije znanost o evoluciji itd.), treba biti jasna itd.
I kod definicija je moguce razlikovati veci broj vrsta. Nominalnom definicijom se,
tako, oznaava ona kojom se definira rije kojom se imenuje pojam na nain da se sama
rije protumai drugim poznatijim rijeima. Takva je definicija, primjerice, O je simbol za
kisik. Normativnom definicijom se, potom, oznaava ona koja nastaje kada se nekom
odredbom (konvencijom) odreduje sto neki predmet ili termin treba znaiti. Na
zemljopisnoj karti, primjerice, plavom bojom se oznaava more, zelenom ravnica itd.

1.3.5. D/;/?/&,
Divizijom ili diobom se oznaava postupak kojim se dolazi do diobenih lanova,
niih pojmova od kojih je sastavljen svaki konkretni pojam, i koji ulaze u opseg toga
pojma. Divizijom se ljudi slue u svakodnevnom ivotu, ali i u znanosti. U svakodnevnom
ivotu ljude smo skloni podijeliti na istinske i obredne vjernike, na pametne i glupe,
postene i nepostene. U znanosti ce se, primjerice, pojam znanosti podijeliti na prirodne i
drustvene, pojam trista na triste rada, triste roba, triste usluga, triste kapitala itd., za
pojam religijske organizacije ce se reci kako u sebe ukljuuje crkvu, denominaciju, sektu,
kult kao svoje diobene lanove koji ulaze u njegov opseg itd.
Pri tome je, dakako, vano da se podjela jednog pojma moe izvrsiti prema jednom
ili vecem broju kriterija. Clanovi diobe, koji se koristenjem razliitih kriterija diobe dobiju,
10
medusobno se bitno razlikuju. Na koncu, ako je podjela pojma na lanove koji ulaze u
njegov opseg iscrpna, za takvu se podjelu esto koristi termin klasifikacija.
Da bi postupak divizije bio logiki ispravan, mora se pridravati tri temeljna
principa. Princip adekvatnosti, tako, podrazumijeva da dioba ne smije biti ni preuska ni
presiroka, da, drugim rijeima, ne smije rezultirati ni s premalo, ni s previse lanova diobe.
Princip jedinstvenosti, potom, podrazumijeva da je dioba provedena po jednom naelu, te
da se lanovi izvrsene diobe medusobno iskljuuju. Na koncu, princip postupnosti
podrazumijeva obvezu da se dioba provede postupno, bez preskakanja diobenih lanova.

1.3.6. Z*,*1+;'*7 7+5(/@'
Otkrica mogu biti ona do kojih se dolazi u svakodnevnom ivotu i znanstvena. Kada
su u pitanju otkrica iz svakodnevnog ivota, ona su imanentna svakom ovjeku. Otkrili smo
da nam je netko rekao neistinu, ili pak da nam neistinu stalno govori. Drugim rijeima, to
otkrice se, bez obzira odnosi li se na jedan sluaj ili seriju sluajeva, na nesto sto se moe
oznaiti terminom pravilnost ili zakonitost, uvijek stavlja u odnos prema cjelokupnom
znanju onoga tko je subjekt otkrica.
Kod znanstvenoga otkrica, medutim, stvari stoje nesto drugaije. Znanstvena
spoznaja, naime, moe za cilj imati deskripciju, objasnjenje odredene pojave, predvidanje
njezine procesualnosti, a moe i znanstveno otkrice. Kako to, dakle znanstveno otkrice, i
definirati. Ono, najjednostavnije, podrazumijeva svaku novu spoznaju u granicama jedne
znanosti. Kod njega se, sukladno tome, ne otkrivaju pravilnosti ili zakonitosti - koje su
imanentne svakodnevnim otkricima - nego zakoni. Pri tome je vano da se njime dolazi do
spoznaje do tada nepoznatog i to koristenjem znanstvenih metoda.
I kod znanstvenih otkrica se, dakako, moe govoriti o vecem broju vrsta otkrica.
Ovisno, primjerice, o tome kako se do otkria dolazi, razlika se moe praviti izmedu
sluajnih - otkrica koja su, barem dijelom, sluajna, do kojih se dode usput, u okviru nekih
drugih istraivanja (primjerice, Roentgenovo otkrice X-zraka) i otkrica koja su rezultat
odredenog planskog istraivanja - kakva su, primjerice, primjerice Galilejeva otkrica
slobodnog pada ili Keplerovo otkrice zakona kretanja planeta.
Obzirom na predmet istraivanja, razlika se moe praviti izmedu etiri vrste
otkrica. U pitanju su, prije svega, otkria injenica postojanja odredenih pojava, ili
svojstava tih pojava. U pitanju, potom, mogu biti i otkria uvjeta, uzroka i motiva ljudskog
ponasanja i aktivnosti. Obzirom na predmet istraivanja posebnu vrstu ine i otkria
zakona pojava, odnosno njihova nastanka, razvoja i nestajanja. Na koncu, obzirom na
predmet istraivanja se moe govoriti i o otkricu znanstvene teorije o nekoj vrsti prirodnih
ili drustvenih pojava (pitanju znanstvene teorije posveceno je posebno poglavlje ovog
udbenika
6
).
Pogresno bi, na koncu, bilo stavljati znak jednakosti izmedu znanstvenog otkrica i
tehnikog izuma. Izum, naime, podrazumijeva primjenu znanja u praktine svrhe. Ali, to ne
znai da medu njima nema nikakve veze. Dapae. Do tehnikih se izuma dolazi primjenom
znanstvenih znanja. To, drugim rijeima, znai znanstvena otkrica vjerojatnijom ine
mogucnost dolaska do tehnikih izuma.

1.3.7. D75,?
Dokaz je logika forma dokazivanja, odnosno postupka ija je svrha utvrdivanje
istinitosti nekog suda. U tom se postupku sud, koji se eli dokazati, oznaava terminom
teza ili tvrdnja, a sudovi, kojima se teza ili tvrdnja dokazuju, terminom razlozi ili
argumenti. Po svojoj formi, opet, dokazivanje je proces zakljuivanja koji se od
zakljuivanja razlikuje samo po redoslijedu radnji. Kod zakljuivanja se, naime, zakljuak iz
danih premisa izvodi po poznatom postupku, a kod dokazivanja je dan poznati zakljuak, a
zadatak je naci prikladne premise i postupak.
Postoje, dakako, i sudovi ija se istinitost u postupku dokazivanja ne treba
dokazivati. To su, s jedne strane, oigledni sudovi ili aksiomi - kojih, ali veoma malo, ima u
6
Vidjeti poglavlje 1.6.2. Pojam i struktura znanstvene teorije
11
svakoj znanosti - i ija se istinitost ne moe dokazati, ali ni ne treba jer su neophodno
oigledni. U nekim znanostima, medutim, postoji i jos jedna vrsta sudova koje se - iako
nisu oigledni - ne treba dokazivati. To su postulati - opce priznati sudovi, koji izraavaju
injenice u koje nitko ne sumnja jer im se suprotnost ne moe ni zamisliti.
U znanosti se moe sresti veoma razliite vrste dokaza. Oni se, potom, zbog svoje
masovnosti, esto i grupiraju prema razliitim kriterijima. Prema logikim formama
zakljuivanja i metodama kojima se dokazivanje vri moguce je praviti razliku izmedu:
analitikih i sintetikih dokaza. Kod prvih se, naime, istinitost teze dokazuje
analizom samog stava teze ili opcenitijih stavova iz kojih istinitost teze proistjee. Kod
sintetikih se dokaza, opet, istinitost opceg stava (teze) dokazuje sintezom istinitih
posebnih stavova.
induktivnih i deduktivnih dokaza, razlika izmedu kojih se svodi tek na injenicu
da se kod jednih slijedi induktivni, a kod drugih deduktivni oblik zakljuka.
izravnih i neizravnih dokaza. Kod izravnih (direktnih) dokaza se dokazuje sama
teza, i to neposredno, na temelju posljedica koje iz nje proizlaze ili, pak, temeljem nekih
opcih stavova iz kojih ona proizlazi. Kod neizravnih (indirektnih) se, opet, ne dokazuje
sama teza nego se pobija njezina suprotnost. Polazi se, dakle, od antiteze, stava koji je
suprotan tezi, i dokazuje da je on laan
Moe se, potom, praviti razlika i izmedu potpunog i nepotpunog dokaza. Potpuni ili
kompletni je dokaz u kojem su razlozi nedvojbeno istiniti, a prijelaz od razloga tezi
deduktivan. Nepotpun ili nekompletan je, naprotiv, dokaz u kojem razlozi nisu bezuvjetno
istiniti ili im je prijelaz od argumenta tezi induktivan.
Kod dokaza se, na koncu, mogu pojaviti i razliite vrste pogreaka. Medu njima se
istiu posebice tri grupe njih - pogreske irelevantnosti, pogreske neosnovanog razloga, te
pogreske slijeda.
1. Pogreke irelevantnosti se, generalno, sastoje u tome da se, umjesto one koju
treba dokazivati, dokazuje potpuno druga ili barem drugaija teza. Ako netko, primjerice,
tvrdi da bi novi rat u BiH doveo do potpunog demografskog pranjenja radno sposobnoga
stanovnistva, a oponent ga pobija dokazujuci da bi gradani BiH preivjeli i taj rat, on ini
klasinu pogresku irelevantnosti. Doduse, i ovaj tip pogresaka se moe pojaviti u razliitim
varijacijama. Jedna od njih je, recimo, poznata kao tko previe dokazuje, nita ne
dokazuje, a sustina joj je u tome da i dokaz mora biti primjeren, tj. da se ne dokazuje ni
premalo, ni previse. Jedna vrsta ovih pogresaka, potom, oznaava se kao prijelaz u drugi
rod, a sastoji se u tome da se dokazuje tezu koja je sasvim druge vrste ili pripada u sasvim
drugo podruje. Takva vrsta pogreske nastaje kada, primjerice, netko tvrdi da je ljetovanje
u Hrvatskoj skupo, a mi mu uzvracamo sudom da Hrvatska ima najljepsu obalu na svijetu.
Pogreska irelevantnosti se moe pojaviti i u obliku argumenta protiv ovjeka - u sluaju da
se odredenim argumentima ne pobija tvrdnja s kojom se ne slaemo nego se napada
autora tvrdnje, pokusava ga se diskreditirati. Jedna od pojavnih formi pogreske
irelevantnosti je i argument od sveopeg slaganja - kojim se neka tvrdnja pokusava
dokazati pozivom na argument kako se s njom slau svi. Primjerice, nitko ne sumnja da je
'Pili' salama najbolja. Pogreska irelevantnosti moe se pojaviti i kao argument
strahopotovanja prema autoritetima - a o njoj se radi ako se sporna tvrdnja hoce
dokazivati pozivom na misljenje autoriteta, poznato ime u sferi znanosti ili neko drugo.
2. Pogreke neosnovanog razloga se javljaju u sluajevima kada su bez dokazne
snage i sami dokazi koji su usmjereni na spornu tezu. U tu vrstu pogresaka spadaju, prije
svega, one koje se oznaavaju kao osnovna zabluda, pogreske koje nastaju u sluajevima
kada je neistinit razlog na kojem se temelji dokaz. Podemo li, primjerice, od tvrdnje da
prihod, kojeg tijekom godine moe ostvariti jedna tvrtka, ne moe preci odredeni iznos, sto
je u osnovi netono, onda ni sve ostalo sto, polazeci od te tvrdnje, bude izvodeno puno ne
vrijedi. U pogreske neosnovana razloga, potom, spadaju i pogreke anticipiranja naela, a
njih se ini u sluajevima ako se kao argument za jednu tezu navodi neka druga, teza koja
je takoder sporna i dokazivanje koje podrazumijeva dokazanost one koju tek treba
dokazivati.
3. Pogreke slijeda. Jedna od escih je, primjerice pogreka ne slijedi, pogreska
koja nastaje u sluaju ako teza koju se eli dokazati nije utemeljena na argumentima za
kojima se posee. Primjer takve pogreske je i slijedeca: Osoba X je veoma inteligentna jer
12
je radina, uspjesna i prepoznatljiva. Pogreska je, oito, u injenici da izmedu inteligencije
s jedne, te radisnosti, uspjesnosti i prepoznatljivosti s druge i ne mora biti nuno nekakve
veze.
1.4. RAZVOJ ZNANOSTI
1.4.1. P7;/&'1*/ (,?;7& ?*,*71+/
Pracenje povijesti razvoja znanosti nas, htjeli to ili ne, vodi u najstarije civilizacije,
u vrijeme sumerske, egipatske i kineske kulture. Naime, u tim se kulturama mogu
identificirati zaeci prvih prirodnih znanosti, prije svega astronomije i matematike, a potom
i fizike, biologije i medicine. Ono sto se danas, uobiajenom terminologijom, oznaava kao
drustvene znanosti, relativno je mlade, a klice prvih medu njima se mogu identificirati tek u
antikoj Grkoj.
Temelji ,1+(7*76/&' kao znanstvene discipline postavljeni su vec u Babilonu
tijekom 11. i 10. stoljeca prije Krista. Njenu su pojavu uvjetovali praktini razlozi - traganje
za odgovorom na pitanje o danu, mjesecu i godini kao jedinici vremena, ali i za odgovorima
na mnoga druga pitanja ovog tipa. U starogrkoj kulturi se, medutim, izuavanju
astronomskih fenomena pristupa na znaajno drugaiji nain. Izgraduje se sustavni pristup
izuavanja prirode i njenih fenomena i to u okviru filozofije. Tales iz Mileta je, primjerice, u
petom stoljecu prije Krista predvidio pomrinu Sunca, a Aristotel je u trecem stoljecu prije
Krista pruio prve uvjerljive dokaze da je zemlja okrugla.
Slini se poeci mogu identificirati i kod 6,+'6,+/5' kao zasebne znanosti. Oni
su, u principu, vezani za brojanje, a prve su se brojke upotrebljavale vec u Indiji 2.500
godina prije Krista. Prva matematika istraivanja se, medutim, daju identificirati tek u
vremenu staroegipatske kultura od koje su ih Grci i preuzeli i razvili matematiku istinski kao
znanstvenu disciplinu. Prisjetimo se samo znaenja koje je za razvoj znanosti imao
Pitagorin pouak. Ali, za njim ne zaostaju ni drugi - Euklid s djelom Elementi
matematike, Arhimed s brojem Pi kao rjesenjem u mjerenju kugle, valjka i stosca, i
niz drugih.
Slina se povijesna vertikala moe izvoditi i za jos neke prirodne znanosti. Pri tome
mislimo prvenstveno na :/?/5>, ali i 8/7-79/&> i 6'./)/*>. Medutim, u okviru ovog tipa
elaboracije ne smatramo potrebnim tu vertikalu i posebno pratiti.
Ali, zato potrebnim drimo ukazati na zaetke razvoja dijela drustvenih znanosti.
Pri tome mislimo, prije svega, na 27;/&'1+, iji se zaeci kod istonih naroda mogu
identificirati i do 1000 godina prije Krista. Prisjetimo se samo Biblije koju, osim kao
umjetniko nadahnuce, moramo doivljavati i kao zbornik povijesnih dokumenata. Ali,
mislimo i na razvoj 2(,;, kao zasebne znanosti iji su korijeni takoder veoma stari. Razvoj
27-/+/45' ?*,*71+/ se sustavno moe pratiti vec od vremena antike Grke. Pitanja vezana
uz grad i dravu su i najznaajnija pitanja kojima svoje radove posvecuju velikani
filozofske, ali i politoloske misli poput Platona, Aristotela, Protagore, Sokrata i mnogih
drugih. Za helensku kulturu su vezani i poeci razvoja '57*7615' ?*,*71+/. Platon
temeljito raspravlja o ulozi novca, a Aristotel je prvi koji pravi razliku izmedu prometne i
upotrebne vrijednosti, ali i izmedu novca kao prometnog sredstva i novca kao blaga.
Pad zapadnog rimskog carstva znaio je i zastoj u razvoju znanstvene misli. Prvi
znaci njenog budenja se primjecuju tek tijekom X. i XI. stoljeca, a vezani su s otvaranjem
skola i prvih sveuilista.
7
Iako su srednjovjekovna sveuilista bila limitirana ideologijom
katolike crkve, ne moe se poreci ni veoma znaajna uloga koju su imala u ivotu svoje
epohe, kako znanstvenom, tako i politikom.
Medutim, istinski zamah razvoja znanosti, ali i knjievnosti, filozofije i umjetnosti,
vezan je za vrijeme renesanse. Pojava Leonarda da Vincija (Leinardo da Vini) i njegova
uvodenja promatranja i eksperimenta u znanost, ili Nicolausa Copernicusa (Nikola
Kopernik) i njegova heliocentrinog sustava za znanost su znaili istinsku revoluciju. Ali, oni
nisu i jedini. Za njima ne zaostaju ni mnogi drugi - od Erazma Roterdamskog i Giordana
Bruna (ordano Bruno) do Andreasa Vesaliusa i mnogih drugih.
7
Prvo sveuiliste je utemeljeno u Bologni. Nakon Bologne, sveuilista se otvaraju u Padovi, Parizu,
Oxfordu, Napulju, Toulouseu, Salamanki, Sieni, Lisabonu, Rimu, Sevilli, Pragu, Krakovu, Beu itd.
13
Ovaj preporod u vremenu renesanse je stvorio istinske pretpostavke za mnogo
obuhvatniji, ali i ozbiljniji novovjekovni razvoj znanstvene misli. U tom se vremenu, dakle
prvoj polovici XVII. stoljeca, udaraju i temelji modernoj :/?/)/. Zasluga za to pripada, prije
svih, Galileu Galileiu (Galileo Galilej), ali i Kepleru i njegovim dokazima da se Zemlja oko
Sunca okrece po elipsi. Nakon njih se javlja itava plejada fiziara bez koje bi, sasvim
sigurno, ova znanost danas bila znaajno siromasnija. Kako zaboraviti, primjerice, Isaca
Newtona (Isak Njutn) i njegov zakon gravitacije. Ali, kako zaobici i ovjeka ovih prostora,
Rudera Bokovia i njegovu teoriju strukture tvari koju je utemeljio jos u XVIII. stoljecu.
Oni, doduse, nisu i jedini, pa moda ni najznaajniji. Naprotiv. Devetnaesto i dvadeseto
stoljece obiljeila su mnoga imena iz podruja fizike. Znaenje rendgenskih zraka se ima
zahvaliti Roentgenu (Rentgen) i njegovom pronalasku iz 1895. godine, otkrice alfa i beta
zraenja Becquerelu, a otkrice radija branom paru Curie (Kiri). Nije potrebno posebno
dokazivati sto za znanost znai Einsteinova (Ajnstajn) teorija relativiteta. Naprotiv, ona je
temelj danasnjeg shvacanja transformacije materije u energiju. Ali, nigdje u svijetu nije
posebno potrebno objasnjavati ni znaenje Nikole Tesle, jos jednog ovjeka ovog prostora.
Ziveci u drugoj polovici XIX. i prvoj polovici XX. stoljeca (1856.-1943.), Tesla je zaduio
ovjeanstvo svojim izumima na podruju elektrotehnike i radiotehnike.
Imena sa priblino istim znaenjem za suvremenu znanost mogu se susresti i u
drugim prirodnim znanostima - u podruju 9'7-79/&'0 8/7-79/&', 5'6/&' i drugih. Ali,
takvim imenima ne oskudijevaju ni drustvene i humanistike znanosti. To se odnosi, prije
svih, na 21/A7-79/&>, ali i niz njemakih znanstvenika koji su svojim radovima omogucili
njeno utemeljenje kao zasebne znanstvene discipline. Ali, i ne samo na njih. Medu
psiholozima se istiu i mnogi drugi. Herbart je, primjerice, pokazao mogucnost primjene
matematike u psihologiji. Za konstantu u njezinu razvoju zasluan je i poznati ruski
znanstvenik Pavlov svojom teorijom uvjetovanih refleksa, ali i mnogi drugi.
Novovjekovni razvoj znanstvene misli bi, svakako, bio nepotpun bez apostrofiranja
i razvoja drustvenih znanosti uopce. Pri tome mislimo, prije svega, na razvoj 27-/+/5',
'57*76/&', 2(,;, i 27;/&'1+/ kao starih znanstvenih disciplina, ali i nekih drugih, koje su,
po vremenu svoga nastajanja, mlade znanosti. Mislimo na ,*+(727-79/&> i 2'*7-79/&>, ali
prije svih na 17)/7-79/&>. Iako se, kao zasebna znanstvena disciplina, formira relativno
kasno, izvjesno je da izuavanje strukture ljudskog drustva i zakonitosti njegova razvoja u
ii znanstvenog interesa bilo od samih poetaka. Ono se moe pratiti od prvih
staroantikih mislilaca. Medutim, temelji modernoj sociologiji su udareni mnogo kasnije,
tijekom XVIII. i XIX. stoljeca. Danas se spominje vise imena kojima za to pripadaju
zasluge. Ali, poasno mjesto medu njima pripada nekolicini njih - Saint Simonu (Sen
Simon), Augusteu Comteu (Ogist Kont), Herbertu Spenceru (Spenser), Karlu Marxu
(Marks), te Emileu Durkheimu (Emil Dirkem) i Maxu Weberu (Maks Veber).
1.4.2. R,?;7& 1>;('6'*' ?*,*71+/
Nakon Drugog svjetskog rata dolazi do veoma snanog razvoja znanosti. Mnogi
govore o takozvanoj eksploziji znanosti, izraavajuci na taj nain slikovito brzinu u njenom
razvoju koju doivljava u zadnjih pola stoljeca. Dakako, za tu su injenica izravno vezane i
mnoge znaajke razvoja suvremene znanosti. U kontekstu ove analize apostrofiramo
najznaajnije.
Doslo je, prije svega, do naglog porasta ulaganja u znanstveni rad. Svakih pet do
deset godina se, prema kompetentnim misljenjima, u visokorazvijenim zemljama ulaganje
u znanstvenoistraivaku djelatnost udvostruuje. To je porast ulaganja o kojem se, prije
sezdesetak godina, nije moglo ni sanjati.
Jasno je da porast ulaganja za posljedicu mora imati i poveavanje broja
znanstvenika i istraivaa. U prilog tome govori i podatak da se njihov broj udvostruuje
svakih 7-10 godina, ali i jos jedan podatak. Prema podacima OECD-a u
znanstvenoistraivakim institucijama je 1962. godine radilo 1.200 000 znanstvenika i
istraivaa, a 1986. godine ih je u takvim institucijama, i to samo u punom radnom odnosu,
bilo 3. 350 000. Ako se tome dodaju i svi ostali, koji su angairani u
znanstvenoistraivakom radu, onda je njihov ukupni broj veci za najmanje nekoliko puta.
14
Rezultat i porasta ulaganja i povecanja angairanog ljudskog potencijala u
znanstvenoistraivakom radu je radikalan porast znanstvenih informacija. Pisuci o tome,
Dobrov je jos 1966. godine zabiljeio da je od ukupne znanstvenih informacija preko
polovica njih dokuena u zadnjih petnaestak godina. Za pretpostaviti je da je krivulja rasta
nakon toga postala jos naglasenija.
Na koncu, sve prethodne znaajke utjecale su na odustajanje od individualnog
rada u sferi znanstvenoistraivake djelatnosti. Umjesto angamana pojedinaca
dominantnim postaje rad znanstvenoistraivakih timova koji ne moraju biti ak ni
koncentrirani na jednom prostoru, u jednom institutu. Horizontalno povezivanje se izdie
iznad razine institutskog i poprima razmjere medunacionalnog, povezivanja na razini
medunarodnih znanstvenih kooperacija. Sloenost znanstvenoistraivake djelatnosti se,
medutim, ne zaustavlja ni na tome. Dapae, ona sve esce postaje veza spajanja razliitih
generacija, oblik suradnje koja nije suradnja suvremenika, nego forma nastavljanja posla u
slijedecoj generaciji.
Navedene znaajke suvremene znanosti daju nam za pravo i razmisljati o
tendencijama u buducnosti, onima koje se mogu projicirati. One su, nema sumnje, veoma
raznolike. Veoma ih je tesko jednim ovakvim pregledom obuhvatiti. Ali, vjerujemo kako je
dovoljno barem neke od njih markirati. U tom kontekstu smatramo kako je nemoguce
barem slijedece apostrofirati:
1. Dalje razvijanje informacijsko-komunikacijskih procesa i tehnologija. Pronalazak
i primjena elektronikih raunala oznaila su ulazak u trecu informacijsku i tehnolosku
revoluciju poetkom pedesetih godina ovog stoljeca. Slijedeca desetljeca ce tu revoluciju
znaajno razgranati, kako u podruju kompjutorske tehnologije, mikroprocesora i
telekomunikacija, tako i u podruju jaanja njihova znaenja kao kohezivne snage i
pokretaa ukupnog razvoja ljudske zajednice.
2. Ubrzaniji razvoj bioloke znanosti i porast njenog znaenja na ivot ovjeka i
drustva. Vec danas se opravdano strahuje, ali i postavljaju pitanja o pravnim, moralnim i
filozofskim problemima koje moe izazvati revolucija u sferi biologijskih znanosti. Vec danas
se, i to s pravom, postavljaju pitanja o posljedicama za ljudsku zajednicu koje moe
izazvati genetiki inenjering, ali i etika pitanja koja treba rijesiti u vezi s, medu inim,
fenomenom kloniranja.
3. Zahvaljujuci znanosti moguce je u slijedecim desetljecima pretpostaviti i
mogucnost upravljanja klimom. Ali, ta mogucnost ima, kao i drugdje, svoje lice i svoje
nalije. Ona ce omoguciti povecanje proizvodnje hrane potrebne za povecanje stanovnistva.
Ali, ona ce omoguciti i takozvane metereoloske ratove. Zbog toga ce i taj razvoj traiti
planetarni odgovor na pitanja etike naravi, koja se u vezi s takvom mogucnoscu
postavljaju.
1.5. O%ILJEJA ZNANSTVENE SPOZNAJE
Spoznaja kao filozofski fenomen ima veci broj oblika svoje manifestnosti. Njemaki
filozof Max Scheler, primjerice, pravi razliku izmedu ak sest vrsta spoznaje: teoloske
spoznaje, filozofske spoznaje, spoznaje Drugog, individualnog i kolektivnog, spoznaje
vanjskog svijeta, ivog i neivog, tehnike spoznaje i, na koncu, znanstvene spoznaje. U
slian posao se upusta i francuski sociolog Georges Gurvitch. On razlikuje sedam tipova
spoznaje: a) perceptivnu spoznaju vanjskog svijeta, b) spoznavanje Drugog, raznih Mi,
grupa, drustava, c) spoznaju zdravog razuma ili praktinog razuma, d) tehniku spoznaju,
e) politiku spoznaju, f) znanstvenu spoznaju, te g) filozofsku spoznaju.
Ne ulazeci dublje u raspravu sa Schelerovom ili Gurvitchovom klasifikacijom, jedno
je potpuno izvjesno. Znanstvena, odnosno spoznaja, do koje se dolazi primjenom metoda
znanstvenog istraivanja, je samo jedan od oblika ispoljavanja spoznaje kao fenomena.
Stoga je jedno od temeljnih pitanja, koja se moraju postaviti, i pitanje, kako odrediti
znanstvenu spoznaju. to je to po emu se ona razlikuje od drugih oblika ispoljavanja
spoznaje. Vjerujemo da je jedan od efikasnijih naina za to i identifikacija osnovnih
obiljeja, koja odreduju znanstvenu spoznaju. Nema sumnje da znanstvenu spoznaju
odlikuje veci broj znaajki. One su izravno vezane za ista takva obiljeja samih metoda.
15
Ako bi, pak, htjeli apostrofirati odredeni broj tih znaajki, koje prate znanstvenu
spoznaju, morali bi, prije svega, konstatirati da su pristupi autora razliiti.
8
Smatramo,
medutim, kako se, u kontekstu ovakve analize, ne bi moglo zaobici najmanje nekoliko
takvih znaajki ili obiljeja, prije svega objektivnost i preciznost, sistematinost i opcost, te
provjerljivost i organiziranost znanstvene spoznaje.
1.5.1. O8&'5+/;*71+ ?*,*1+;'*' 127?*,&'
Iako je moguce identificirati razliito definiranje objektivnosti znanstvene
spoznaje
9
, izvjesno je da odgovor na to pitanje nije nimalo jednostavan. Razlog tome je u
injenici da objektivnost u znanosti ima najmanje dva bitna aspekta ispoljavanja:
a) Aspekt, u kojem dolazi do izraaja objektivan odnos prema stvarnosti. Takav
odnos prema stvarnosti ne treba shvatiti drugaije nego kao nastojanje da se stvori sto
svestranija i sto potpunija iskustvena osnova za znanstveno zakljuivanje, ali i kao
spremnost da se iskustvenu oiglednost svakog novog podatka ili spoznaje prihvati bez
ikakvih preduvjerenja, neovisno o tome kakva smo oekivanja ili elje u vezi s tim
podacima ili spoznajama ranije imali. Drugim rijeima, objektivnost znanstvene spoznaje
podrazumijeva otvorenost i prema stvarnosti i prema novim iskustvima.
b) Formalni aspekt manifestacije objektivnosti znanstvene spoznaje, a koji,
zapravo, podrazumijeva odredenu proceduru u istraivanjima koja omogucuje ponavljanje,
ali i provjeru dobivenih rezultata istraivanja.
Istini za volju, postoje razliita tumaenja objektivnosti znanstvene spoznaje koja
su ili pogresna ili, u najmanju ruku, jednostrana. U ovom kontekstu apostrofiramo dva
takva tumaenja.
Jedno od njih se svodi na zdravorazumsko tumaenje objektivnosti, odnosno
objektivnost znanstvene spoznaje reducira na ono stio se moe zapaziti na pojavnoj ravni
stvarnosti. Bit znanosti se, medutim, ne iscrpljuje na toj, dakle pojavnoj dimenziji
stvarnosti. Naprotiv, ona uvijek eli prodrijeti u dublje i opcenitije strukture i zakonitosti
funkcioniranja stvarnosti.
Drugo pogresno tumaenje objektivnosti znanstvene spoznaje je svodenje
objektivnosti na pasivno-promatraki stav prema stvarnosti. Takav je stav, barem kada je
u pitanju podruje drustvenih znanosti, nemoguce izgraditi jer je on uvijek, htjeli to ili ne, i
proizvod odredenog interesa.
Objektivnost znanstvene spoznaje pretpostavlja, kako je vec istaknuto, i
mogucnost njezine provjerljivosti. S druge strane, mogucnost provjerljivosti podrazumijeva
i obvezu pridravanja nekoliko temeljnih proceduralnih pravila. U pitanju je, prije svega,
pravilo javnosti i intersubjektivne provjerljivosti svakog izvornog podatka. Nista manje nije
znaajno i pravilo potpune javnosti svih sastavnih dijelova istraivakog procesa.
Neophodno je, drugim rijeima, osigurati javnost kod svih radnji procesa istraivanja - od
teorijskih i metodoloskih pretpostavki na kojima je istraivanje zasnovano, preko
prikupljanja podataka i naina njihova sredivanja i sistematiziranja, do eksplicitnosti, dakle
izriitosti i potpune jasnoce logike strukture izvedenih teorijskih zakljuaka. Na koncu,
trece proceduralno pravilo, koje pretpostavlja mogucnost provjerljivosti, istie i potrebu
permanentne kontrole svakog znanstvenog podatka i stava, ali i spremnost da se oni,
ukoliko se pod pritiskom novih spoznaja pokau neadekvatnima, popravljaju, izmijene ili
potpuno odbace.
1.5.2. P(')/?*71+ ?*,*1+;'*' 127?*,&'
8
Miroslav ugaj, primjerice, istie sest takvih znaajki: objektivnost, pouzdanost, preciznost,
analitiko-sintetiki postupak, sistematinost i racionalnost. Ratko Zelenika, pak, govori o pet
znaajki znanstvenih metoda: objektivnosti, pouzdanosti, preciznosti, sistematinosti i opcenitosti.
9
Za Ratka Zeleniku, primjerice, objektivnost pretpostavlja nepristran, stvaran, neutralan i pravedan
odnos prema odredenoj pojavi, predmetu ili objektu, koji postoji nezavisno od subjekta, njegovih
opaanja i misljenja. Osim toga, objektivnost pretpostavlja i 78&'5+/;*> 1+;,(*71+, tj. materiju,
prirodu, pojavu, sve ono sto postoji nezavisno od spoznaje istraivaa, i 78&'5+/;*> /1+/*>, tj.
spoznaju koja odraava stvarnost onakvu kakva jeste (Vidi Zelenika, 1990., 164.)
16
Preciznost je, s jedne strane bitna osobina znanstvene spoznaje, a s druge strane
osobina vrsto povezana i isprepletena s objektivnoscu te iste spoznaje. Promatra li se,
primjerice, jedno znanstveno istraivanje, brzo ce nam postati jasno da je upravo
preciznost naelo koje je ugradeno u sve faze njegove realizacije - od definiranja predmeta
istraivanja, preko postavljanja hipoteza i izrade projekta istraivanja, do prikupljanja
podataka, njihova sistematiziranja, obrade i tumaenja. Naelo preciznosti je neophodni
sastavni dio i samog pisanja znanstvenog izvjestaja.
Stoga se, s pravom, postavlja i pitanje kako odrediti pojam preciznosti znanstven
spoznaje. Ona je, prije svega, sposobnost da se u iskustvenim pojavama utvrde razlike
koje su prividno male i tee primjetljive, ali spoznajno bitne, a potom i sposobnost da se,
na temelju podataka o elementima koji su zajedniki ili istovrsni, tonije opise jedna ili vise
osobina nekih sirih iskustvenih skupova.
Preciznost, kao znaajka znanstvene spoznaje, ovisi od veceg broja preduvjeta.
Medu njima su posebno znaajni slijedeci preduvjeti znanstvene spoznaje:
a) Jasni i odredeni pojmovi, dosljedne, dovoljno razgranate i iscrpne klasifikacije,
te adekvatna i dovoljno osjetljiva mjerila.
b) Usavrsavanje znanstvenog jezika u cjelini, odnosno povezanost pojmovnog
aparata znanosti koji se odnosi na iskustvo s ostalim dijelovima njene
pojmovne mree.
c) Raspolaganje takvim operativno-tehnikim postupcima i sredstvima koji
omogucuju da se prikupe ona i onakva izvorna obavjestenja koja odgovaraju
strukturi primijenjenog pojmovnog aparata.
d) Dovoljno odreden i precizan pojmovni okvir unutar kojeg se primjenjuju i
tehnika sredstva i operativni postupci.
e) Adekvatni logiki, statistiki i drugi postupci sredivanja i obrade prikupljenih
podataka, te
f) Preciznost izvedenih zakljuaka
Iznijeti preduvjeti, drugim rijeima, znae da ostvarenje naela preciznosti ovisi od
svih faza dolaska do znanstvene spoznaje. Preciznost je, naprosto, naelo koje prati sve
oblasti metodologije i potpuno je pogresno reducirati ga na samo neke od njegovih
metodoloskih konkretizacija - primjerice, na mjerenje ili statistike postupke - ili pak
zahtijevati ga u samo jednoj oblasti znanstvenog rada.
1.5.3. S/1+'6,+/4*71+ ?*,*1+;'*' 127?*,&'
Sistematinost je jedna od bitnijih odlika znanstvene spoznaje. Naime, put do
znanstvene spoznaje podrazumijeva grupiranje i sredivanje prikupljenih injenica. Pri tome,
dakako, sredivanje ne znai samo razvrstavanje prikupljenog materijala nego, naprotiv, i
sistematinost u njegovu prikupljanju. Sistematinost, s druge strane, podrazumijeva, i
sistematino misljenje, ali i koristenje logikih postupaka ispravnog misljenja, dakle
stvaranje pojmova, procedura i tehnika kao pretpostavki za donosenje odluka sto sve treba
i po kojim svojstvima treba prikupljati.
Kada je, pak, sistematinost znanstvene spoznaje u pitanju, ona poiva na
iskustvenim podacima. To, drugim rijeima, znai da se iskustvenoj potvrdi znanstvene
spoznaje ima zahvaliti eliminacija onoga sto je proizvod nagadanja, elja i htijenja samog
istraivaa pri pribavljanju dokaza njegovih teorijskih teza.
Sistematinost se, potom, odnosi i na standardizaciju podataka i procesa koji se u
prikupljanju podataka koriste. dakako, primijenjeni standardi mogu biti veoma razliiti. Pri
tome je, medutim, relevantno da oni moraju biti utvrdeni.
Na koncu, sistematinost znanstvene spoznaje se moe manifestirati u dvije
elementarne forme. Jedna se tie traganja za podacima u vezi sa sistematskim
procedurama i standardizacijom same spoznaje. Druga se, pak, tie prikupljanja spoznaja u
uredene stavove, teorije i sustave znanstvene spoznaje.
1.5.4. O2@71+ ?*,*1+;'*' 127?*,&'
17
U emu je smisao opcosti znanstvene spoznaje? Smisao joj je, prije svega, u tome
da se znanstvena spoznaja ne odnosi na pojedinane sluajeve stvarnosti nego na sve
istovrsne pojave u toj stvarnosti. U protivnom, dakako, ne bi moguci bili ni znanstveni
sudovi o stvarnosti, a pojedinane informacije bi samo unosile zbrku jer ono sto vrijedi za
jedne sluajeve ne vrijedi za druge. Drugim rijeima, pojedinane informacije ne
omogucuje poopcavanje koje se odnosi na sve sluajeve unutar odredene vrste pojave.
S druge strane, opcost omogucuje utvrdivanje i pravilnosti koja se odnosi na
strukturu i razvoj odredene pojave, a time i utvrdivanje onoga sto je u pojavama
zajedniko i opce.
Na koncu, opcost znanstvene spoznaje karakteriziraju dvije temeljne znaajke.
Jedna je njezina svestranost, koja se manifestira u injenici da se spoznaja odnosi na masu
sluajeva ili pojava, zbog ega je i moguca njezina pojava u obliku opcih stavova. Druga
znaajka znanstvene spoznaje je njezina sveobuhvatnost, koja omogucuje povezivanje
opcih stavova u ue ili sire, medusobno povezane i isprepletene sklopove.
1.5.5. P(7;&'(-&/;71+ ?*,*1+;'*' 127?*,&'
Znanstvena spoznaja nije ni zatvorena ni mistina, nego otvorena i javna, nije
niije pojedinano vlasnistvo, nego je opce dobro. S druge strane, ona je, za razliku od
drugih tipova spoznaje, i provjerljiva. To, drugim rijeima, znai da znanstvena spoznaja
polazi od principa da se nista ne moe prihvatiti po logici zdravo za gotovo, da je, dakle,
sve podlono i kontroli i provjerljivosti.
S druge strane, provjerljivost znanstvene spoznaje ne moe se osloniti samo na
misljenje, na ulni uvid, iako se ni njega ne treba iskljuivati kao arbitra znanstvenog suda.
Ali, ulno opaanje se obino zadrava na povrsini pojave, u mogucnosti je doprijeti tek do
prostijih i mehanikih veza, ali ne i otkriti ono sto je u pojavama bitno, posebice ako se radi
o kompleksnijim odnosima i vezama.
1.5.6. O(9,*/?/(,*71+ ?*,*1+;'*' 127?*,&'
Organiziranost je takoder jedna od bitnih odlika znanstvene spoznaje. Ona se
manifestira u dva oblika. Jedan se odnosi na nain stjecanja znanstvene spoznaje. Za
razliku od drugih oblika spoznaje, koji su spontaniji, ui, a time trae i manji stupanj
organiziranosti, za znanstvenu spoznaju je karakteristino da se stjee na organiziran
nain.
Drugi oblik manifestacije organiziranosti znanstvene spoznaje se odnosi na njegovu
primjenu u ivotu i praksi. Zabluda je, naime, uvjerenje da se znanstvene spoznaje mogu u
ivotu primijeniti spontano i automatski. Dapae. Za primjenu dostignutih znanstvenih
spoznaja u pravilu je neophodno stvaranje potrebnih uvjeta. Kaotinost primjene
znanstvenih spoznaja jedan je od bitnih pokazatelja loseg koristenja znanosti.
1.6. OSNOVNI O%LI"I ZNANSTVENE SPOZNAJE
1.6.1. Z*,*1+;'*/ ?,57*
Kako uopce odrediti znanstveni zakon? Moe li se, moda, staviti znak jednakosti
izmedu znanstvenih zakona i zakona u pravu? Odgovor je na samom startu negativan.
Pravni zakoni reguliraju poeljno ljudsko ponasanje. Buduci je ono poeljno, to ne znai da
do njega mora i doci. Zbog toga takvi zakoni uvode i sankciju kao svojevrsnog korektora.
Znanstveni su zakoni, medutim, sasvim druge naravi. Oni su, naprosto, iskustveni
stavovi koji izraavaju neku opcu osobinu pojava ili neki njihov odnos koji nuno proizlaze
iz njihove prirode i odredenih uvjeta(Milic, 1978., 286.), a to, onda, znai i najvisi oblik
znanstvene spoznaje.
Usvoji li se ovakvo odredenje, iz njega se mogu izvesti najmanje dvije osobine
znanstvenih zakona:
18
a) oni su apstraktni, a ne konkretno-opisni stavovi koji se odnose na neku
strukturu. Tako shvacena apstraktnost znai da se unutar odredene strukture uvijek izdvaja
jedan odnos, a sama struktura pojednostavljuje na elemente bez kojih zakon ne moe
postojati.
b) svi oni imaju historijski karakter. Doduse, taj je karakter kod razliitih
znanstvenih podruja veoma nejednako zastupljen. U prirodnim znanostima, u kojima
determinizam dolazi vise do izraaja, historinost je mnogo manje uoljiva nego kod
znanosti koje tretiraju dijelove stvarnosti u kojima su promjene bre. Mislimo, prije svega,
na drustvene znanosti.
Postoji vise vrsta znanstvenih zakona, ali i razliite tipologizacije, koje se mogu
sresti kod razliitih autora.
10
U kontekstu ove analize se opredjeljujemo za tipologizaciju
znanstvenih zakona, koja je izgradena na njihovu razlikovanju s obzirom na predmet,
gnoseoloku funkciju, vaenje i njihovu openitost.
Prema predmetu se moe praviti razlika izmedu tri osnovne vrste zakona. To su:
a) Zakoni veze, u koje spadaju funkcionalni i funkcionalno-genetiki zakoni,
b) Strukturni zakoni, koji se odnose na strukturu tijela, spojeva, organizama itd.
c) Zakoni skupa,
Po gnoseolokoj funkciji moguce je razlikovati:
a) deskriptivne, dakle zakone kojima se naprosto konstatira odreden sustinski
odnos i meduovisnost bilo predmeta i pojava, bilo njihovih osobina
b) eksplikativne, odnosno zakone koji objasnjavaju same pojave u njihovu
nastanku, mijenjanju i razvoju.
Prema kriteriju vaenja moguce je razlikovati stroge (kakvi su dinamiki zakoni) i
vise ili manje vjerojatne zakone, kakvi su, primjerice, statistiki zakoni.
Na koncu, prema openitosti njihova vaenja moguce je praviti razliku izmedu
univerzalnih (zakona koji vrijede za sveukupnu stvarnost), opih (kakvi su zakoni pojedinih
znanosti ili grupa znanosti) i posebnih znanstvenih zakona koji su zakoni koji vrijede za
sustinske odredbe unutar pojedinih znanosti (takav je, primjerice, zakon o odbijanju i
prelamanju svjetlosti).
11
1.6.2. P7&,6 / 1+(>5+>(, ?*,*1+;'*' +'7(/&'
Pristup u definiranju znanstvene teorije nije unificiran. Naprotiv. U znanstvenoj
literaturi se moe naici na ak tri znaenja ovog pojma.
12
U najopcenitijem smislu
prihvatljivom se, po nasem sudu, ini pristup prema kojem se znanstvena teorija moe
odrediti kao na odreden nain povezani opi iskustveni stavovi pomou kojih ona sreduje
iskustvene podatke i objanjava iskustvene pojave na podruju stvarnosti koje je predmet
njezina istraivanja, te usmjerava dalja istraivanja (Milic, 1978., 302.).
Prihvati li se ovakva definicija, onda se moe kazati da njenu strukturu bitno
odreduju tri elementa:
a) osnovni rjenik znanstvene teorije koji sadri izvjestan broj osnovnih pojmova -
kakvi su, primjerice, u sociologiji pojmovi drustvo, drustveno bice, individua itd. - a koji se
javljaju u principima ili postulatima same teorije.
b) odreden broj principa ili postulata teorije, kakvi su, primjerice, principi misljenja
u logici,
10
Karakteristina je tipologizacija W. Kneale, koji sve znanstvene zakone dijeli u etiri skupine. U prve
dvije ubraja kvalitativne, a u druge dvije izrazito kvantitativne zakone.
11
Usvojena tipologizacija slijedi logiku Bogdana esica (vidjeti, esic, 1974., 278.-281.).
12
Govori se o teoriji u najirem smislu kao misaonoj spoznaji o nekoj vrsti predmeta, teoriji u uem
smislu kao objasnjenju neke vrste pojava, procesa itd. na osnovu znanstvenih principa, zakona ili
hipoteza, te o znanstvenoj teoriji u najuem smislu kao o provjerenom hipotetikom stavu zakona ili
hipotezi primijenjenoj na itavu oblast ili vrstu pojava u cilju njihove spoznaje. (vidjeti, esic, 1974.,
291.-292.)
19
c) manji ili veci broj teorema, koje su izvedene iz postulata.
13
Razlikovati se, i to prema vecem broju kriterija, moe vise vrsta znanstvenih
teorija. U kontekstu ove analize se opredjeljujemo za tipologizaciju znanstvenih teorija
prema pet osnovnih kriterija, i to:
1) prema predmetnom podruju, prema kojem se moe praviti razlika izmedu
sociolokih, politolokih, ekonomskih, pravnih, filozofskih, informacijskih i teorija drugih
znanosti.
2) prema spoznajnom podrijetlu moe se govoriti o analitiko-deduktivnim,
empirijsko-induktivnim, hipotetiko-deduktivnim i sloenim teorijama.
3) prema strukturi se razlikuju teorije teorijskih (znanosti poput matematike,
logike..) od teorija empirijskih znanosti, kakva je vecina drustvenih znanosti.
4) prema openitosti je moguce razlikovati tri tipa teorija: a) najopenitije (opce
filozofske teorije), b) ope teorije (teorije koje vrijede za sve drustvene znanosti), te c)
posebne teorije koje vrijede za svaku posebnu znanost (kakva je, primjerice, relativistika
teorija prostora)
5) prema stupnju znanstvene utemeljenosti se razlikuju stroge, deduktivne, za
koje je karakteristino da im se istinitost moe dokazati, i manje stroge, induktivne
znanstvene teorije ija se vrijednost moe potvrditi, ali ne i strogo dokazati.
Znanstvena je teorija, po svojem dosegu, sira od znanstvenog zakona. Ona se
temelji na znanstvenim zakonima, ali i provjerenim iskustvenim uopcavanjima. Ali, ako bi
htjeli detaljnije ulaziti u pitanje spoznajne funkcije teorije, to bi najjednostavnije mogli
uraditi propitivanjem njenog odnosa prema znanstvenim zakonima. Osnovni je, zapravo,
zadatak teorije da znanstvene zakone komentira, medusobno povezuje i tumai. U emu je
bit njenog komentiranja, povezivanja i tumaenja znanstvenih zakona?
Znaenje komentiranja znanstvenih zakona proizlazi iz same injenice da su oni
apstraktni stavovi i da im se osnovne formulacije ograniavaju na bitnije i esce relevantne
uvjete. To, drugim rijeima, znai da se s promjenom tih uvjeta, ili bar dijela uvjeta, i sami
zakoni mogu modificirati.
Medusobno teorijsko povezivanje znanstvenih zakona je smisao integrativne
funkcije svake znanstvene teorije. Tom funkcijom, dakle medusobnim povezivanjem,
pojedinani znanstveni zakon prestaje ploviti kao izolirani sluaj i zauzima svoje mjesto u
nekom uem ili sirem deterministikom sustavu. Tim se povezivanjem, drugim rijeima,
dolazi do sintetikog teorijskog pogleda na odredeni dio stvarnosti.
Tumaenje znanstvenih zakona kao jedan od bitnih zadataka znanstvene teorije se
manifestira i kroz njihovo povezivanje, ali i kroz njeno nastojanje da otkrije unutarnju
strukturu procesa koji dovode do samog zakona.
Sve to upucuje na zakljuak da se pred znanstvenu teoriju postavlja itav niz
zahtjeva kojima ona treba udovoljiti. Apostrofiramo samo one koji su, po nasem sudu,
najznaajniji. Dakle, znanstvena teorija:
a) mora biti iskustveno provjerljiva,
b) ona mora udovoljiti kriteriju preciznosti
c) treba povezivati, objasnjavati i tumaiti provjerena iskustvena uopcavanja i
zakone,
d) treba biti heuristiki, dakle spoznajno, plodna,
e) treba, bar u perspektivi, biti primjenjiva u nekom obliku ljudske prakse.
1.6.3. Z*,*1+;'*7 78&,3*&'*&' / ?*,*1+;'*7 2('.;/B,*&'

13
Neki autori u elemente strukture znanstvene teorije, pored navedenih, ubrajaju jos: 1) predmet ili
vrste predmeta na koje se teorija odnosi, 2) izvjesne zakone o pojavama koje su predmet
znanstvene teorije, te 3) veci ili manji broj jos neprovjerenih hipoteza koje ulaze u sastav
znanstvene teorije ili koje ona otvara.
20
Znanstveno objasnjenje i znanstveno predvidanje su najvisi teorijski ciljevi i zadace
znanstvene spoznaje do koje se dolazi znanstvenim istraivanjem. Ali, oni nisu i jedini
ciljevi. Dapae, dostizanje ovih ciljeva pretpostavlja prethodnu realizaciju najmanje dvije
vrste relativno jednostavnijih ciljeva: znanstvenog opisivanja ili deskripcije, te znanstvene
klasifikacije. Stoga, prije odredenja sustine znanstvenog objasnjenja i znanstvenog
predvidanja, postoji potreba bar pojmovnog rasiscavanja navedenih dvaju jednostavnijih
ciljeva znanstvene spoznaje.
1.6.3.1. Z*,*1+;'*, .'15(/2)/&,
Deskripcija ili opis istraivane pojave je prvi korak, ali i prvi cilj znanstvene
spoznaje. Ona je, zapravo, simbolikim jezikom znanosti iskazan neposredni doivljaj i prvi
dojam u odnosu na predmet istraivanja. Deskripcijom, drugim rijeima, postiemo opci
uvid u pojavu.
Da bi taj prvi korak i prvi cilj znanstvene spoznaje odgovorio zahtjevima koji se
pred njega postavljaju, on mora udovoljiti i odredenim uvjetima. U kontekstu ove analize
istiemo nekoliko najbitnijih uvjeta, koje mora zadovoljiti znanstvena deskripcija. To su:
a) Valjanost. Da bi znanstvena deskripcija bila valjana, nuna pretpostavka za to je
precizno definiranje onoga sto se eli opisati, a potom i prikupljanje podataka koji se
odnose na ono sto elimo opisati.
b) Objektivnost znanstvene deskripcije. Najbolji nain objektivnog opisivanja
istraivanih pojava je prakticiranje logike da istu pojavu istovremeno opisuje vise osoba.
Istovrsnost dobivenih rezultata je i potvrda objektivnog opisa. Vrijedi, dakako, i obrnuto.
c) Potpunost, koja znai zahvacanje opisivanih pojava i procesa u cjelini.
d) Sistematinost znanstvene deskripcije znai pridravanje plana u opisivanju
istraivane pojave ili procesa koji je prethodno utvrden.
e) Preciznost u opisivanju znai opis pojave kojim se mogu identificirati i sitnije
razlike u obiljeju koje pratimo.

1.6.3.2. Z*,*1+;'*, 5-,1/:/5,)/&,
Znanstvena klasifikacija je prvi visi cilj znanstvene spoznaje nakon deskripcije.
Njome se, primjenom odredene forme sredivanja istraivanih pojava, koja moe biti
razliita, dolazi do bliih spoznaja o pojavama i procesima. Zbog toga, ulaenje u
znanstvenu klasifikaciju podrazumijeva i niz konkretnih radnji. to to znai?
Klasifikacija je dvostruk spoznajni proces. Ona podrazumijeva unutarnju
klasifikaciju samih pojava ili njihovih svojstava. Ali, ona istodobno podrazumijeva i
odredivanje mjesta odredene vrste istraivanih pojava u okviru drugih pojava ili neke vise
klasifikacije. Stoga se je neophodno, prije svega, odluiti se za formu unutarnje
klasifikacije. To, drugim rijeima, znai da se pojave ili njihova svojstva mogu klasificirati u
klase i podklase, rodove i vrste.
Dakako, da bi i znanstvena klasifikacija odgovorila postavljenoj zadaci ona i sama
mora udovoljiti odredenim logikim zahtjevima. Posebno je bitno pet takvih logikih
zahtjeva ili kriterija:
a) Dosljednost klasifikacije, koja znai primjenu istog kriterija u stvaranju razliitih
klasifikacijskih jedinica
b) Potpunost klasifikacije znai da se zbroj svih pojmova, dobivenih klasifikacijom,
mora poklapati s opsegom ukupne pojave koja podlijee klasifikaciji.
c) Iscrpnost klasifikacije znai da ona treba, sto je manje moguce, ostavljati
sadraja u neodredenim kategorijama ili tzv. rezidualnim grupama koje obuhvacaju sve
pojmove poput pojmova razni, ostali itd.
d) Sve se klasifikacijske grupe na istom stupnju moraju medusobno iskljuivati
e) Sposobnost klasifikacije da razlikuje klasificirane pojave, odnosno dovoljna
diskriminacijska ostrina klasifikacije.
1.6.3.3. Z*,*1+;'*7 78&,3*&'*&'
21
U utvrdivanju hijerarhije ciljeva znanstvene spoznaje znanstveno objasnjenje
zauzima mjesto u gornjem dijelu te hijerarhije. Ono je, po mnogima, i najvisi cilj
znanstvene spoznaje. Temeljno je pitanje: zbog ega? Iz jednostavnog razloga jer se
njime, za razliku od deskripcije koja se zadovoljava odgovorom na pitanje kakvo je
nesto?, odgovara na pitanje zasto? Raslani li se navedeno pitanje i odgovor na njega,
moe se kazati kako je znanstveno objasnjenje veoma sloen cilj znanstvene spoznaje.
Njime se dolazi do spoznaje sadraja i strukture, ali i uzroka i naina nastajanja, promjene i
razvoja ili nestanka pracene prirodne ili drustvene pojave. S druge, pak, strane, iz definicije
je jasno da su znanstveni zakoni i znanstvene teorije, o kojima je vec bilo govora, samo
sredstva, i to osnovna sredstva znanstvenog objasnjenja.
Dakako, i medu znanstvenim objasnjenima postoje odredene razlike, koje
podrazumijevaju najmanje dvije stvari. S jedne strane, one znae injenicu da se
znanstveno objasnjenje moe odnositi na neki opci stav - primjerice, iskustveno
uopcavanje, znanstveni zakon ili znanstvenu teoriju - ali, isto tako, i na pojedinane pojave
odredene vrste.
S druge, pak, strane, razlike medu znanstvenim objasnjenjima znae i mogucnost
svojevrsne klasifikacije znanstvenih objasnjenja. Ona se, u principu, moe izvrsiti prema
nekoliko temeljnih kriterija:
a) Prema logikoj formi , u kojem se u objasnjenju nalaze premisa i zakljuak,
moguce je razlikovati: 1) induktivno objanjenje, dakle objasnjenje izvjesnih opcih stavova
na osnovi veceg broja pojedinanih stavova; 2) deduktivno objanjenje je objasnjenje koje
slijedi deduktivni nain zakljuivanja, dakle putanju od opceg prema pojedinanom;
b) Prema spoznajnoj vrijednosti znanstvena objasnjenja mogu biti: 1) istinita u
raznim modalitetima. Takva su, primjerice, vie ili manje vjerojatna znanstvena
objasnjenja, mogue istinita, stvarno istinita, te nuno istinita znanstvena objasnjenja; 2)
prividno istinita znanstvena objasnjenja; 3) lana ili pogrena znanstvena objasnjenja.
c) Prema prirodi veze izmedu predmeta objanjenja i oruda odnosno sredstava
pomocu kojih se objasnjenje izvodi, znanstvena objasnjenja mogu biti: 1) funkcionalna,
koja prevladavaju u teorijskim znanostima, posebice matematici i logici, 2) uzrona ili
kauzalna, kod kojih je predmet uzrona pojava izmedu pojava, procesa ili dogadaja, te 3)
motivacijska, dakle objasnjenja u kojima se ponasanja i djelovanje pojedinca, grupe ili
cijelog drustva objasnjavaju preko osjecaja, potreba, elja i ciljeva kao motiva odredenog
djelovanja.
1.6.3.4. Z*,*1+;'*7 2('.;/B,*&'
Smisao svake znanstvene teorije se moe svesti na tri temeljne zadace. Ona, prije
svega, treba sto svestranije i sto tonije opisati predmet svoga istraivanja. S druge strane,
njena je obveza predmet svoga istraivanja sto temeljitije objasniti. Na koncu, zadaca
znanstvene teorije je i sto tonije predvidjeti promjenu i razvoj istraivane pojave. To,
drugim rijeima, znai da je bitni cilj znanstvenih istraivanja i predvidanje. Mnoga
ispitivanja javnog misljenja se, primjerice, ne vrse radi utvrdivanja trenutnog stanja nego
upravo radi predvidanja nekih novih stanja - rezultata izbora, opredjeljenja gradana na
referendumu itd. Ona, doduse, esto nisu cilj po sebi nego orijentir za moguce djelovanje
radi uvrscivanja ili promjene postojeceg uvjerenja, a sve to radi postizanja postavljenih
ciljeva.
U vezi s dometima znanstvenog predvidanja, naalost, postoje i razliiti pogresni
pristupi i uvjerenja. Medu njima treba osobito apostrofirati dva:
a) uvjerenje svojstveno nekritikom racionalistikom determinizmu, koje polazi od
teze da je u svijetu sve apsolutno odredeno inicijalnim stanjima, te da se sva mudrost
znanstvenog predvidanja svodi na tek dvije komponente. Jedna je poznavanje poetnog
stanja odredene pojave, procesa ili dogadanja, a druga je opa formula navedene pojave,
procesa ili dogadanja. Znaju li se te dvije komponente, relativno je jednostavno
22
predvidanje svakog slijedeceg stanja ili konanog ishoda. Medutim, takvog idealnog
determinizma zapravo i nema, ak ni u mikroprocesima, a kamoli kod sloenih pojava u
prirodi i drustvu.
b) uvjerenje, koje se moe oznaiti kao logiki empiristiki agnosticizam, a kojeg
karakterizira poricanje svake mogucnosti znanstvenog predvidanja. Ovo uvjerenje
izjednaava znanstveno predvidanje s tzv. kladenjem i negira mu svaku mogucnost
spoznaje buducnosti. Ali, i takvo je uvjerenje znanstveno neutemeljeno i, u krajnjoj liniji,
pogresno.
Naprijed iznijeto, dakako, ne znai da i u jednom i u drugom uvjerenju nema i dio
tonosti. Za empirijski se agnosticizam, primjerice, moe kazati da je u pravu kada
odbacuje nekritino racionalistiko uvjerenje. Ali, odredene realne osnove ima, u svakom
sluaju, i racionalistiki determinizam.
Da bi znanstveno previdanje uopce bilo moguce, nuno je postojanje dviju
temeljnih pretpostavki: znanja odredenih injenica u vezu s pojavom koja se istrauje s
jedne, te zakona na temelju kojih se postavljaju odredene hipoteze. Iz toga, medutim,
slijedi zakljuak da su i osnovne teskoce znanstvenog predvidanja u uskoj vezi s tim
dvjema pretpostavkama. U kontekstu ove analize apostrofiramo posebice dvije vrste takvih
teskoca:
a) nedovoljnost injenica ili raspolaganje injenicama koje su s pojavama koje
treba predvidati u posrednoj vezi.
b) teskoce koje su u vezi s tumaenjem danih injenica, a koje proizlaze iz
mogucnosti razliitih, medusobno ak i potpuno oprenih, tumaenja dostupnih injenica.
1.7. KLASI!IKA"IJA ZNANOSTI
Sama po sebi klasifikacija je bitna odrednica svih sfera ovjekovog individualnog i
drustvenog ivota. Tesko je, zapravo, zamisliti bilo koju oblast ivota, bilo koju pojavu ili
proces u prirodi i drustvu, koji nije podloan odredenoj formi klasifikacije. Sukladno tome,
danas se moe govoriti i o razliitim pristupima, ali i oblicima klasifikacije znanosti, a to,
drugim rijeima, znai i razliitost pristupa u otkrivanju interakcijskih veza izmedu pojedinih
dijelova znanosti na temelju prethodno usvojenih naela o tim vezama.
Zbog ega klasifikacija znanosti? Odgovor je relativno jednostavan. Ona je
neophodna zbog najmanje nekoliko razloga, a prije svega zbog:
- velikog broja pojava u svim podrujima znanosti
- obilja primjene prirodnih zakona i procesa,
- mnostva znanstvenika
- zatrpanosti znanstvenim informacijama
Drugim rijeima, specijalizaciju treba promatrati kao loginu posljedicu razvoja
znanosti. Cesto se, naime, govori o razliitim fazama povijesnog razvoja znanosti. One su
znaajne i iz perspektive analize njezine klasifikacije. Moguce je identificirati tri
prepoznatljive faze povijesnog razvoja znanosti, i to:
I. Faza nediferencirane znanosti, koja karakterizira antiko i vrijeme ranog
srednjeg vijeka. Odlika ove razvojne faze se sastoji prvenstveno u tome da su sva
ovjekova znanja o misljenju, prirodi i drustvu bila integrirana i obuhvacena u filozofiji kao
jedinoj znanosti.
II. Faza intenzivne diferencijacije, koju, u periodu izmedu XV. i XVIII. stoljeca,
karakterizira izdvajanje iz sastava filozofije vece broja zasebnih znanosti: prvo matematike,
mehanike i astronomije, a potom i veceg broja drugih - fizike, kemije, biologije,
psihologije, sociologije itd.
III. Faza istodobnog daljeg diferenciranja, ali i integriranja odredenih znanstvenih
disciplina u znanstvena podruja, stvaranja tzv. znanstvenih sustava. Ovaj je proces
otpoeo vec tijekom XIX. stoljeca, a traje i danas. Izvjesno je da ce ovakva razvojna
pravilnost bitno profilirati i buducnost ukupne znanosti.
23
Promatra li se povijest pristupa fenomenu klasifikacije znanosti, brzo se moe
uoiti njihova sarolikost. O klasifikaciji vec u XVIII. stoljecu govori njemaki filozof ant
koji, i pored apostrofiranja filozofije, priznaje i neke druge znanosti, prije svega, teologiju,
medicinu, pravo i drustvene znanosti.
Iz prve polovine XIX. stoljeca su posebno znaajne klasifikacije Humboldta i
Comtea. !ilhelm von "umboldt (Humbolt) vrsi podjelu na dvije osnovne znanstvene
grupacije. Prvu oslovljava terminom duhovne znanosti, pridodajuci im i jos neke, kao sto
su sociologija i politika ekonomija i neke druge. Druga je grupa prirodnih znanosti.
Francuski filozof i sociolog A# $omte (Kont) u svojoj klasifikaciji izbjegava logiku
grupiranja. Naprotiv, on pravi razliku izmedu sest zasebnih znanosti: matematike,
astronomije, fizike, kemije, biologije i sociologije.
Razliitost u pristupu, medutim, odlikuje i novije, pa i autore naseg vremena, ali i
klasifikacije razliitih organizacija i asocijacija. $#%# !eizsaecker, primjerice, sve znanosti
klasificira na strukturne znanosti, znanosti o anorganskom, biolugiju, medicinu-
antropologiju-psihologiju, drustvene znanosti, historijske znanosti, teologiju i filozofiju
(Weizsaecker, 1988., 18.-30.).
U asopisu Most, hrvatskog ministarstva znanosti i tehnologije, klasifikacija, u
kojoj je razradena dosta sloena podjela na znanstvena podruja, polja, grane i ogranke,
pravi razliku izmedu sest temeljnih znanstvenih podruja, i to:
a) podruja prirodnih znanosti
b) podruja tehnikih znanosti
c) podruja biomedicinskih znanosti
d) podruja biotehnikih znanosti
e) podruja drustvenih znanosti, te
f) podruja humanistikih znanosti
Unutar utvrdenih znanstvenih podruja se, prema ovoj klasifikaciji, utvrduju
zasebna znanstvena polja koja, opet, sadre vise grana, a svaka od njih takoder vise
ogranaka.
Ova klasifikacija potvrduje tezu da razvoj znanosti klasifikaciju ini sve
kompleksnijom, ali i to da s razvojem znanosti neophodnost posebnih znanstvenih sustava,
kao rezultata integracije pojedinih uih znanstvenih cjelina, postaje sve vise neupitna.
S druge, pak, strane, sve predstavljene, ali i veliki broj klasifikacija koje u
kontekstu ove analize nisu navedene, potvrduju tezu da nijedna klasifikacija nije konana i
jednom zauvijek dana. Naprotiv, sve one imaju strogo ogranieno vrijeme trajanja i odraz
su privremenosti svake spoznaje o prirodi i drustvu. Istodobno, nijedna klasifikacija ne
moe biti zatvorena. Nema dobre klasifikacije koja nije i otvorena i fleksibilna.
Ali, neovisno o tome moe se govoriti o specifinim filozofijama, odnosno naelima
znanstvenoj klasifikaciji. Posebnu pozornost zasluuju tri takva naela, filozofije ili stajalista
klasifikacije, i to:
a) gnoseoloko naelo, u odnosu na koje se moe govoriti o objektivnoj
klasifikaciji, kod koje se veze izmedu znanosti izvode iz veza iz objekata istraivanja, i
subjektivnoj klasifikaciji, kod koje su osobitosti subjekta i najznaajnija osnova klasifikacije.
b) metodoloko stajalite, koje razlikuje klasifikaciju prema naelu koordinacije,
unutar kojeg se znanosti svrstavaju od opceg prema pojedinanom i od apstraktnog prema
konkretnom, i klasifikaciju prema naelu subordinacije, unutar kojeg se znanosti svrstavaju
od jednostavnijih prema sloenijima, od niih prema visima.
c) strukturalni pristup, unutar kojeg se izdvajaju horizontalni pristup - koji
omogucuje sagledavanje redoslijeda znanosti prema razini sloenosti predmeta znanosti, i
vertikalni pristup, koji omogucuje sagledavanje veza elemenata znanosti do kojih se doslo u
procesu spoznaje odredenog predmeta (vidjeti detaljnije u Kedrov, B.M., 1969., str. 11.).
1.8. ZNANSTVENOISTRAIVAKI RAD
1.8.1. P7&,6 / ;(1+' ?*,*1+;'*7/1+(,C/;,4579 (,.,
24
Kako definirati znanstvenoistraivaki rad? To je, najjednostavnije kazano,
sistematska stvaralaka aktivnost kojom se, primjenom znanstvenih metoda, stjeu nove
znanstvene spoznaje, odnosno stvaralaki koristi postojece znanje za nove primjene
(Zelenika, 1990., 33.).
Njegov rezultat je, u pravilu, neka istina, koja je ograniena, nepotpuna,
nedovrsena i relativna, a to sve znai da je podlona zastarijevanju i promjenama. S druge
strane, izvjesno je da se znanstvenoistraivaki rad i njegovi rezultati, znaenje kojih se
izvodi iz njihova doprinosa razvoju same znanosti i mogucnosti njihove primjene u
ukupnom drustvenom razvoju, vrednuju primjenom razliitih kriterija. &vo uvela o tri
karakteristina podsistema kriterija vrednovanja znanstvenoistraivakog rada. To su:
1) (pod)sistem kriterija znanstvene valorizacije
2) (pod)sistem kriterija ekonomske valorizacije, te
3) (pod)sistem kriterija drustvene valorizacije rezultata istraivanja (detaljnije u
Zuvela, 1980., 6.)
Predmet znanstvenog istraivanja, dakle ono sto istraujemo, mogu biti, i jesu, svi
dijelovi stvarnosti i stvarnost u cjelini, neovisno je li ta stvarnost vezana za prirodu ili
ovjeka i drustvo. Ali, neovisno o kojem dijelu stvarnosti ka predmetu znanstvenog
istraivanja se radi, nedvojbeno je da svako znanstveno istraivanje mora zadovoljiti
nekoliko uvjeta. Ono, prije svega, mora biti slobodno jer bez slobode nema ni istinskog
istraivanja. S druge strane, rezultati svakog znanstveno istraivanja, ukoliko za to ne
postoje specijalni razlozi, trebaju biti dostupni najsiroj javnosti, sto se ini njihovim
objavljivanjem, a ukoliko takvi razlozi postoje, dostupnost mora biti osigurana barem
znanstvenoj javnosti.
Odredenje znanstvenoistraivakog rada moe se dopuniti i isticanjem njegovih
najbitnijih svojstava. Tri svojstva znanstvenoistraivakog rada posebno apostrofiramo:
a) Originalnost kao prvo svojstvo znanstvenoistraivakog rada. Drugim rijeima,
znanstvenoistraivaki rad uvijek mora polaziti od do tada, dijelom ili u potpunosti,
neistraenog i nerijesenog problema i za cilj mora imati dolaenje do novih spoznaja,
rezultata, normi itd.
b) Cinjenice i ideje na kojima se znanstvenoistraivaki rad temelji moraju biti
pouzdane, prikupljene u dovoljnom broju, kritiki razmotrene i provjerene, pravilno
analizirane i interpretirane (amic, 1969., 14.).
c) koristenje najprihvatljivije metode znanstvenog istraivanja.
arolikost pristupa medu autorima se moe identificirati i u odnosu na klasifikaciju
znanstvenih istraivanja. Istina je, ipak, da se u znanstvenim krugovima najesce prihvaca
klasifikacija, usvojena u UNESCO-u, dakle specijaliziranoj agenciji Ujedinjenih naroda za
znanost, kulturu i umjetnost. Prema UNESCO-voj klasifikaciji mogu se razlikovati tri vrste
znanstvenoistraivakog rada i to: 'undamentalna, (rimijenjena i (,?;7&*,
/1+(,C/;,*&,.
14
Stoga im posvecujemo pozornost i u okviru ove analize.
1.8.1.1. !>*.,6'*+,-*, /1+(,C/;,*&,
Fundamentalnim se istraivanjem, prema vladinoj organizaciji SAD, zaduenoj za
visokoskolske asocijacije, smatraju istraivanja koja su izravno usmjerena prema
povecavanju znanja. Drugim rijeima, njihov prvenstveni zadatak nije praktina primjena
novih znanja nego, naprotiv, otkrivanje odredenih procesa, uzrono-posljedinih veza i
zakonitosti u prirodi i drustvu radi povecanja ljudskog znanja i stvaranja spoznajnih
pretpostavki za druga, buduca istraivanja.
To, dakako, ne znai da se i unutar fundamentalnih istraivanja ne moe izvrsiti
odredena unutarnja klasifikacija. Naprotiv, i ona se mogu selektirati na dvije podvrste, i to:
14
Pored ovih, neki autori navode i druge vrste znanstvenog istraivanja. Primjerice, Ivo Zuvela govori
o prikupljanju znanstvene grade, sistematizaciji postojecih znanstvenih spoznaja, opservacijskim
(opaajnim) istraivanjima, eksperimentalnim istraivanjima i znanstvenim otkricima kao posebnim
vrstama znanstvenih istraivanja (detaljnije u Zuvela, 1978., 7.)
25
a) Neusmjerena (slobodna, ista) fundamentalna istraivanja, kod kojih predmet
istraivanja odreduju potpuna sloboda i interes konkretnog istraivaa, njegova znatielja
za otkrivanjem odredenih znanstvenih istina, a ne i odredeni praktini cilj ili mogucnost
primjene u ivotu. Stoga je najesci sluaj da su ovakva istraivanja vezana uz pojedince,
uz njihove ambicije, elje i interese. Upravo stoga je skoro iskljuena mogucnost da se u
njih upustaju i znanstveni timovi.
b) Usmjerena fundamentalna istraivanja, koja se, ponekad, oznaavaju i
terminom strategijska istraivanja. Bit ove grupe fundamentalnih istraivanja se svodi na to
da predmet istraivanja ne nastaje kao rezultata slobodnog opredjeljenja i interesa
odredenog istraivaa. Naprotiv, pravac istraivanja i podruje rada su u njima strogo
odredeni. Ona su, iako im cilj nije neposredna aplikacija, ipak orijentirana na praktine
probleme, a to znai i na mogucu primjenu u praksi. Stoga u njihovoj realizaciji obino
sudjeluju znanstveni timovi iako nije iskljueno i individualno obiljeje ovakvih istraivanja.

1.8.1.2. P(/6/&'*&'*, /1+(,C/;,*&,

Pod ovim tipom znanstvenih istraivanja se podrazumijevaju istraivanja iji je
smisao dvostruk. Njihov cilj je, kao i kod fundamentalnih istraivanja, takoder uvecavanje
kvantuma znanja o prirodi i drustvu. Ali, to nije i jedini cilj. Cilj primijenjenih istraivanja je
i rjesavanje nekog praktinog zadatka, a to, drugim rijeima, znai postizanje znanja koja
ce biti ili koja mogu biti brzo i neposredno praktino primijenjena. Ako je to tako, a jeste,
onda to znai da je i predmet istraivanja unaprijed strogo odreden i istraiva uopce nema
slobode u izboru predmeta.
Doduse, crtu razgranienja izmedu ovih dviju vrsta znanstvenog istraivanja je
dosta tesko povuci. Dapae, prije se moe kazati kako se fundamentalna i primijenjena
istraivanja medusobno ispreplicu, ali i uvjetuju. Pode li se od ove teze, a ona nije daleko
od pameti, onda su u pravu oni koji smatraju kako je uopce termin "primijenjena znanost
upitan, ako ni zbog ega drugog onda zbog injenice da nema znanosti koja nije barem
dijelom primijenjena, neovisno o tome nalazi li svoju primjenu u praksi ili u drugom
znanstvenom podruju.
1.8.1.3. R,?;7&*, /1+(,C/;,*&,
Uprosceno kazano, razvojna istraivanja predstavljaju zadnju fazu procesa
istraivanja, fazu koja se temelji na fundamentalnim i primijenjenim istraivanjima i u kojoj
se razvijaju i testiraju novi ili poboljsavaju stari postupci, proizvodi, usluge, poboljsava
stara ili uvodi potpuno nova organizacija itd.
To su, zapravo, sve radnje i postupci, koji zauzimaju prostor izmedu odredene
znanstvene spoznaje i njene primjene. Iz toga, opet, proizlazi da razvojna istraivanja
imaju naglaseno praktini cilj. Takav cilj, dakako, od onih koji se ovakvim istraivanjima
bave trai i znanstvena i empirijska znanja, ali i mnogo maste i snalaljivosti, ostroumnosti,
a ponekad i profesionalne hrabrosti.

1.8.2. P7&,6 / ;(1+' ?*,*1+;'*/A / 1+(>4*/A .&'-,
U znanstvenoj se terminologiji dosta esto koristi pojam znanstvena i struna
djela. Ne radi se, dakako, o sinonimima. Naprotiv, izmedu njih, izmedu znanstvenih i
strunih djela, i to nije prijeporno, postoje znaajne razlike. Temelj znanstvenoga rada ini
generalizacija. Njime se otkrivaju nove spoznaje, a on je sam po sebi otkrivanje ili novih
zakona ili novih metoda. Pojednostavljeno kazano, izmedu znanstvenog rada i pronalaenja
se moe staviti znak jednakosti. Nasuprot tome, struni rad bitno odreduje konkretizacija.
On znai djelovanje na temelju vec otkrivenih spoznaja. Drugim rijeima, struni rad je
usmjeren na primjenu postojeceg znanja.
Ali, istina je da se moe govoriti i o zajednikim obiljejima jednih i drugih. U
kontekstu ove analize istiemo nekoliko, po nasem sudu najznaajnijih zajednikih obiljeja
znanstvenih i strunih djela:
26
1. Neovisno o tome radi li se o znanstvenom ili strunom djelu, ono treba
zadovoljiti kriterij optimalnosti obzirom na svoj obujam. Razlog tome je u jednostavnoj
injenici da veci obujam ne znai i vecu kvalitetu. U prilog tom sudu se moe navesti veliki
broj primjera. Prema tome, obujam treba biti takav da moe odgovoriti osnovnim
zahtjevima, koji se pred rad, znanstveni ili struni, postavljaju.
2. U svakom radu, neovisno o tome je li on znanstveni ili struni, mora postojati
jedinstvo, sklad i logika povezanost izmedu svih njegovih dijelova, da se, dakle, svi
dijelovi odnose na predmet istraivanja.
3. Nevrijedan je svaki rad, kako znanstveni tako i struni, ako ga ne odlikuje
odredena doza originalnosti, bez obzira na to podrazumijeva li originalnost potpuno nove
spoznaje o prirodi i drustvu ili se, pak, radi o novini u prezentaciji ranije dosegnutih znanja.
4. Rezultati istraivanja nemaju vrijednost ni kod znanstvenog ni kod strunog rada
ukoliko nisu u dovoljnoj mjeri obrazloeni, dakle razliitim dokazima i argumentima
potkrijepljeni.
U uskoj vezi s iznijetim zajednikim obiljejima su i naela kojih se znanstvenik
mora pridravati eli li da njegov rad rezultira dobrim radom, dobrim djelom neovisno o
tome je li ono znanstveno ili struno. Apostrofirati je neophodno najmanje pet takvih
naela:
1. U pisanju znanstvenog i strunog djela ne treba praviti velike uvode. Oni ne
pridonose kvaliteti djela. Naprotiv, veliki uvodi mogu konkretni rad samo bespotrebno
opteretiti. Sukladno tome, poeljno je da se izlaganje ve na samom poetku dovede u
vezu s predmetom istraivanja.
2. U rad ne treba unositi nita to nije u neposrednoj vezi s predmetom
istraivanja. Nediscipliniranost i podlonost estim digresijama utjee na razvodnjavanje
rada i ine ga manje vrijednim.
3. Rad se ne smije pretrpavati beznaajnim pojedinostima. Naprotiv, mnogi se
slau da je prihvatljivije ispustiti iz rada nesto sto zavrjeduje da se u njemu nade nego ga
opteretiti nepotrebnim detaljima. Naalost, do navedenih opterecivanja dosta esto dolazi i
to u pravilu zbog dviju grupa razloga. Opterecivanje moe biti posljedica nesposobnosti da
se razlui bitno od nebitnog, a moe i rezultat elje da se iskoristi itavi empirijski materijal
kojim se raspolae. Uinci za kvalitetu rada su, medutim, negativni i u jednom i u drugom
sluaju.
4. Misli, ideje i informacije koje su u radu jednom izreene ne treba ponavljati.
Tome ne podlijeu jedino kratke rekapitulacije i rezimei onoga sto je vec kazano jer oni
olaksavaju i pospjesuju razumijevanje sadraja teksta. Naalost, bespotrebna i
neopravdana ponavljanja se dosta esto daju identificirati u znanstvenim i strunim
djelima. Uzrok tome najesce treba traiti u injenici da autor nije solidno ovladao
materijom o kojoj pise, te zbog toga nije izradio ni detaljan, a ni dovoljno kvalitetan plan
izlaganja.
5. U pisanju znanstvenog i strunog rada se treba osloboditi nagona da se stvari,
koje su same po sebi razumljive, do u detalje razlau i opirno objanjavaju. Samo tako se
moe doci do znanstvenog i strunog djela koje je dovoljno koncizno i jezgrovito, ali
istodobno i zanimljivo. U protivnom ce se itatelju ponuditi tekst koji izaziva dosadu,
nezanimljivost i zijevanje, ali i elju da se komunikacija s njime prekine.
1.8.2.1. P7&,6 / ;(1+' ?*,*1+;'*/A .&'-,
Ponekada se izmedu znanstvenog i strunog djela stavlja znak jednakosti. To je,
medutim, i pogresno i neodrivo. Istina je da su znanstvena i struna djelatnost
isprepletene. Istina je i da nema promjena bez jedinstva ove dvije djelatnosti, da one,
dakle, slue istom cilju. Ali je istina, takoder da one nisu i sinonimi. Naprotiv, u pitanju su,
moglo bi se reci, dvije strane jednog procesa. Znanstvenim se djelom otkrivaju nove
spoznaje, a strunim se radom ta spoznaja transformira u praktino djelovanje, ali i
praktinu korist.
Postoje razliite definicije znanstvenog djela. Profesor uvela, primjerice, pod
znanstvenim djelom podrazumijeva djelo usmjereno na ispitivanje veza i odnosa medu
27
predmetima i pojavama u objektivnoj stvarnosti, djelo koje je, primjenom znanstvene
metode, usmjereno na utvrdivanje pravilnosti i zakonitosti u prirodi i drustvu, otkrivanje
dotad nepoznatih injenica i doprinos povecanju znanstvenih spoznaja (detaljnije u, Zuvela,
1978., 14.).
Za razliku od ovakvog, u principu neodredenog pristupa, )a* smatra da
znanstveno djelo mora biti pravi prikaz rezultata istraivanja koji sadri dostatno
obavijesti da bi kolege mogli: 1) procijeniti rezultate, 2) ponoviti eksperimente i 3)
procijeniti tijek razmisljanja (Day, R. A., prema Silobric, 1982.).
Dayova je definicija, opet, vise mehanika i ne govori o biti nego samo o tehnikoj
dimenziji znanstvenog djela. Potpuna bi definicija, po nasem sudu, u sebi morala sadrati
najznaajnije dijelove obiju prethodnih definicija. S tim u vezi bi se moglo izvesti slijedecu
definiciju. Znanstveno je djelo koje je, primjenom znanstvenih metoda, usmjereno na
ispitivanje veza i odnosa medu predmetima i pojavama u objektivnoj stvarnosti, dakle
utvrdivanje pravilnosti i zakonitosti u prirodi i drutvu i doprinos poveanju znanstvenih
spoznaja, pri emu mora biti strukturirano na nain da omoguuje procjenu tijeka
istraivanja, uvid u procjenu postignutih rezultata, te mogunost ponavljanja eksperimenta
potrebnog radi provjere dobivenih rezultata.
Moe se govoriti o vecem broju razliitih znanstvenih djela. U kontekstu ove analize
apostrofiramo osobito etiri vrste ovih djela. To su:
1. M7*79(,:/&,. Prema "arrodu, monografija nije nista drugo nego rasprava koja
detaljno, mada ne i preopsirno, obraduje pojedini predmet, skupinu predmeta ili neku
osobu, pri emu prakticira veoma opsenu bibliografiju. Ona je, drugim rijeima,
znanstveno djelo ili popularno znanstveno djelo koje iscrpno i sveobuhvatno razmatra neko
pitanje, predmet ili neku osobu. Za nju se esto rabi i termin omedena publikacija, a to
znai publikaciju koja je potpuno posvecena jednom znanstvenom predmetu. Kao
znanstveno djelo dominantna je bila u proslom stoljecu. Danas je znaajno potisnuta od
drugih vrsta znanstvenih djela, prije svega od zbornika znanstvenih radova.
2. D75+7(15, ./1'(+,)/&,. Radi se o originalnom znanstvenom djelu koje se
temelji na fundamentalnim i primijenjenim istraivanjima, ali i na primjeni raznovrsnih
znanstvenoistraivakih metoda, koje omogucuju otkrivanje novih znanstvenih injenica,
pojava, zakonitosti, teorija. Ona, prema tome, predstavlja bitan doprinos znanosti.
3. Z*,*1+;'*, 1+>./&,, u pravilu, predstavlja znanstveno djelo veceg broja, dakle
tima znanstvenika, koje za potrebe zainteresiranog naruitelja izraduju znanstveni instituti
ili znanstveno-nastavne organizacije, odnosno fakulteti. Ovakav tip znanstvenih djela bitno
odreduje znanstveno istraivanje, koje se realizira najesce u duem vremenskom periodu -
do pet, pa i deset godina - a koje za rezultat ima odredeni originalni znanstveni doprinos,
bilo da je on teorijski ili praktini.
4. Z*,*1+;'*/ 4-,*,5. To je napisan i objavljen opis originalnih rezultata
istraivanja, u pravilu u publikaciji koja je lako dostupna medunarodnoj znanstvenoj
javnosti, a napisan je na nain da se istraivanja mogu ponoviti i zakljuci provjeriti
(Silobric, 1982., 13.). Bez obzira na koju se oblast odnosi, znanstveni lanak uvijek sadri
odredene elemente. To su naslov, saetak, uvod, razrada materije s rezultatima
istraivanja, zakljuak, fusnote, popis koristene literature, te prilozi ukoliko uopce postoje.
1.8.2.1.1. V(1+' ?*,*1+;'*/A 4-,*,5,
U pravilu se moe praviti razlika izmedu pet vrsta lanaka. To su: 1. izvorni
znanstveni lanak, 2. prethodno priopcenje, 3. pregledni lanak, 4. izlaganje na
znanstvenim skupovima, te 5. struni lanak. Prva etiri spadaju u grupu znanstvenih
28
lanaka, a struni lanak je jedna od vrsta strunih djela. Stoga ce ona biti i obradena u
narednom dijelu, u kojem se detaljnije obraduju struna djela.
1. I?;7(*/ ?*,*1+;'*/ 4-,*,5 uvijek predstavlja originalno znanstveno djelo.
Drugim rijeima, njime su prvi put do tada iznijete odredene znanstvene injenice,
spoznaje i teorije. Odlika ovog tipa znanstvenog lanka jeste mogucnost ponavljanja
istraivanja na temelju kojeg se iznose postignuti rezultati. Stoga se i kae da je on
primjereniji prirodnim znanostima. Ali, on nije rijedak ni u podruju drustvenih znanosti.
Naprotiv.
2. P('+A7.*7 2(/72@'*&' ili znanstvena biljeska je, na odredeni nain, i prva
kraca obavijest o odredenom istraivanju. I ono sadri odredene znanstvene informacije.
Ali, za razliku od izvornog znanstvenog lanka prethodno priopcenje nije i krajnje
upoznavanje s rezultatima provedenog istraivanja. Naprotiv, istraivanje nije okonano i
ono jos uvijek moe dovesti do znanstvenih injenica i spoznaja koje u prethodnom
priopcenju nisu dokuene. To, istodobno, znai da injenice i spoznaje, koje su dokuene,
ne omogucuju i njihovu provjeru.
3. P('9-'.*/ 4-,*,5. Ovaj tip lanka ne mora sadrati originalne rezultate
istraivanja. Naprotiv, on moe, ali sada na novi i drugaiji nain, prikazati rezultate vec
provedenog i javnosti prezentiranog znanstvenog istraivanja. U njemu, doduse, moe biti i
novih, originalnih i neobjavljenih rezultata istraivanja. Ali, oni ne ine i preteiti i bitni dio
takvog lanka. Prema tome, ukoliko bi ga htjeli detaljnije opisati, za pregledni se lanak
moe reci da ini formu sistematiziranja, ocjene, komentiranja i prezentiranja tudih, ali i
vlastitih rezultata istraivanja. On, sukladno tome, i ima prvenstveno instruktivno znaenje
i funkciju.
4. I?-,9,*&' *, ?*,*1+;'*76 15>2>. Ovaj se tip znanstvenog lanaka esto
oznaava i terminom konferencijsko priopcenje. To, medutim, nije i potpuno tono.
Naime, svako konferencijsko priopcenje ne mora imati i obiljeje znanstvenog lanka. Ali,
istina je da konferencijsko priopcenje moe imati sve elemente znanstvenog lanka, da se,
dakle, tretira kao izvorni znanstveni lanak, prethodno priopcenje ili pregledni lanak. No,
da bi ono bilo tretirano kao neki od znanstvenih lanaka, konferencijsko priopcenje mora
pratiti i odredena recenzija, odnosno znanstvena potvrda ili ocjena, da se radi o nekom od
znanstvenih lanaka, koja treba biti prihvacena i od urednikog ili redakcijskog odbora
znanstvenog skupa. Ukoliko takve ocjene i potvrde nema, konferencijsko se priopcenje ne
tretira kao znanstveni nego samo kao struni lanak.
1.8.2.2. P7&,6 / ;(1+' 1+(>4*/A .&'-,
Kako je vec i istaknuto, strunim se djelom ne otkrivaju nove, nego prikupljaju i
interpretiraju vec poznate znanstvene injenice, spoznaje i teorije, siri i popularizira vec
dostignuta znanstvena spoznaja, ali i traga za nainom njihove primjene.
Iako medu metodolozima ne postoji suglasje u tome sto sve treba svrstati pod
pojam struno djelo, vjerujemo kako je neupitno ukljuivanje barem pet vrsta strunih
djela. To su: struni lanak, prikaz, elaborat, ekspertiza i recenzija.
1. S+(>4*/ 4-,*,5 nije rad koji sadri originalne rezultate istraivanja. U njemu se,
naprotiv, iznose vec poznate spoznaje, u pravilu tudi rezultati istraivanja radi prenosenja
informacija o njima. U strunom se lanku, osim toga, moe opisivati i primjena onoga sto
je vec drugdje primijenjeno. Drugim rijeima, sadrina strunog lanka nije iznosenje novih
znanstvenih spoznaja nego informiranje o njima s ciljem njihove primjene u praksi.
2. P(/5,?. Radi se, u pravilu, o iznosenju stajalista ili shvacanja o nekom
dogadaju, pojavi ili djelu. Najesce se radi o ocjeni odredenog djela, dakle knjige ili lanka,
i njihova predstavljanja znanstvenoj i strunoj javnosti. Takva se ocjena i predstavljanje
pojavljuje najesce u odgovarajucim asopisima i zbornicima, a iskljueno nije ni njihovo
pojavljivanje u dnevnim listovima ili tjednicima. Pri tome je, ipak, vano da takva ocjena
nema ambicija davati konani sud o znanstvenoj i strunoj vrijednosti prikazivanog djela
nego, slijedeci principe konciznosti, objektivnosti, jasnoce i uvjerljivosti, za upoznavanje s
njim pridobiti sto veci broj itateljske publike.
3. E-,87(,+ je oblik strunog djela u kojem se, u pravilu na metodoloski ustaljeni
nain, temeljito obraduje i izlae neki predmet ili pojava. Investicijski elaborat je klasini
29
primjer ovakvog strunog djela. Ali, to vrijedi i za sve ostale elaborate - one o programu
razvoja, unutarnjoj organizaciji itd.
4. E512'(+/?, je oblik strunog djela u kojem odredeni ekspert, ili pak ekspertni
tim, iznosi svoj struni sud o nekom predmetu ili praktinom problemu, njegovom rjesenju
ili ekspertnom videnju. Ceste su, primjerice, ekspertize o uzrocima prometnih nezgoda,
poslovnih gubitaka razliitih gospodarskih subjekata, zdravstvenom stanju poinitelja
razliitih kanjivih djela itd.
5. R')'*?/&, se moe definirati kao pismena kritika ocjena odredenog
znanstvenog ili strunog djela, koju daje priznati ekspert, a kojom se postiu tri bitna cilja, i
to:
a) onemogucuje se objavljivanje nekvalitetnih znanstvenih i strunih djela,
b) osigurava se na suvremen nain citiranje relevantne literature,
c) poboljsava se kvaliteta dostavljenog rukopisa, njegov stil i primijenjena
terminologija, oblikovanje misli i nain prezentiranja rezultata istraivanja itd.
U pravilu se prakticira da se znanstveno ili struno djelo uputi dvojici eksperata,
autoru najesce nepoznatih, s molbom da daju svoju ocjenu, ali i prijedlog o tome sto sa
dostavljenim rukopisom uiniti.
Svaka recenzija sadri etiri osnovne cjeline ili sastavna dijela. To su: I. uvod, II.
opis teme, III. ocjena i IV. zakljuak.
I. $;7. je dio recenzije koji ukljuuje informacije o naslovu recenziranog
rukopisa, obimu rada, karakteru rada, te mjestu koje obradena tema ima u odredenoj
znanstvenoj oblasti.
II. O2/1 +'6' omogucuje uvid u strukturu rada. Opisom se, drugim rijeima, daje
kratki kronoloski pregled rukopisa dostavljenog rada, njegovi glavni naslovi i sastavni
dijelovi u okviru njih. U ovom se dijelu ne iznose i ocjene dostavljenog rada.
III. O)&'*, (>572/1, .71+,;-&'*79 (,., je najznaajniji dio recenzije. U njoj se
iznose i dobre strane, ali i nedostaci, rukopisa dostavljenog djela, a posebno:
a) odgovara li naslov rada njegovu sadraju,
b) koliko je tema uopce sretno odabrana, suvremena, originalna i zanimljiva,
c) da li je za obradu odabrane teme sakupljena sva neophodna grada, dali je ona
savjesno iskoristena, analizirana i interpretirana,
d) sadri li recenzirani rad dovoljno novih, originalnih rezultata istraivanja i kakav
je doprinos znanosti recenziranog rada,
e) da li su u radu koristene znanstvene metode koje su primjerene naravi i
karakteru predmeta istraivanja,
f) odgovara li struktura i kompozicija rada tematici koju on tretira, te postoji li
mogucnost uklanjanja nekih dijelova rada a da se to ne osjeti i na njegovoj
kvaliteti,
g) kako je koristena i citirana relevantna literatura i kako je ona klasificirana,
h) da li je saetak primjereno napisan,
i) koliko je uspjesan u radu koristeni stil izlaganja. Da li je on jasan, precizan,
jednostavan, prirodan i slino. Kakav je ton izlaganja materije - akademski ili
familijaran, jednostavan ili neposredan itd.
j) treba li djelo, i na koji nain, tiskati. Recenzent, u pravilu, moe predloiti jednu
od slijedecih mogucnosti: tiskati rad bez ikakvih intervencija, tiskati ga uz
neznatne promjene, tiskati ga uz znatne intervencije ili uopce ga ne tiskati.
Ukoliko recenzent predloi jednu od triju posljednjih mogucnosti, obvezan ih je
i detaljno obrazloiti. Moe se dogoditi da jedan od recenzenata predloi
objavljivanje, a drugi neobjavljivanje dostavljenog im rukopisa. U tom se
sluaju, u pravilu, angaira i treci recenzent ije je misljenje presudno za
sudbinu zaprimljenog rukopisa.
IV. Z,5-&>4,5, kojim se na jezgrovit, koncizan i argumentiran nain dade osvrt, ali
i ocjena, rada kao cjeline. U zakljuku se, a na temelju iznijetih argumenata u ocjeni, iznosi
i prijedlog o objavljivanju ili neobjavljivanju recenziranog rada, kao i prijedlog eventualnih
intervencija koje se imaju u radu uiniti. Na koncu, u zakljuku se iznosi i potpuno precizan
prijedlog kategorizacije recenziranog rada.
30
1.8.2.3. P7&,6 / ;(1+' ?*,*1+;'*7D1+(>4*/A .&'-,
Izmedu znanstvenih i strunih djela postoji dosta jasna razlika i crta razgranienja.
Ipak, razlikovanje medu njima je izvrseno na logici idealnih tipova. Drugim rijeima,
navedene se razlike prave polazeci od idealnih, oiscenih situacija. Stvarnost je, medutim,
esto drugaija. Tesko je danas pronaci znanstveno djelo a da u njemu nema i elemenata
strunog djela. Vrijedi, dakako, i obrnuto. Pitanje je samo kakav je odnos izmedu
elemenata znanstvenog i strunog, pretee li on, i u kojoj mjeri, na jednu ili drugu stranu.
Dosta se esto moe naici na situaciju da su u jednom djelu u priblino istoj mjeri
zastupljeni elementi i znanstvenog i strunog rada. U tom je sluaju najprirodnije govoriti o
znanstveno-strunom djelu. U tu se skupinu mogu uvrstiti slijedeca djela: 1. udbenici, 2.
enciklopedije 3. leksikoni, 4. praktikumi, 5. rjenici, 6. zbornici radova, te 7. bibliografije.
Stoga nasu pozornost kratko zadravamo na svakom od njih.
1. $.C8'*/5 je osnovno nastavno sredstvo koje se koristi u skolama i na
fakultetima, a u kojem se dacima i studentima, na sustavan i primjeren nain, izlae
odredeno gradivo prema utvrdenom nastavnom planu i programu jedne discipline ili
predmeta. Iz toga slijedi da udbenik mora imati elemente znanstvenog djela, ali mora
ispunjavati i potrebne pedagoske, didaktiko-metodike, tehnike i estetske standarde i
kriterije.
Prihvati li se prethodna definicija udbenika, iz nje slijedi i zakljuak da se njime,
pored tiskane knjige, koja je obino sinonim za udbenik, moe obuhvatiti i razliite vrste
skripta, hrestomatija, zbirki zadataka, prirunika, pa i autoriziranih predavanja.
Navedena definicija udbenika upucuje i na njegova osnovna obiljeja, odnosno
njegove specifinosti kao izvora znanja. U kontekstu ove analize apostrofiramo posebice
slijedeca obiljeja udbenika:
a) U udbeniku se materija, koja je izloena, znanstveno tretira.
b) Da bi izloena materija bila pristupana namijenjenim korisnicima u udbeniku
mora biti udovoljeno didaktiko-metodikim zahtjevima prilagodbe izloene
grade. To, drugim rijeima, znai:
I. da udbenik mora imati odredenu informacijsku funkciju, odnosno sadraj u
njemu mora biti odreden, suvremen, aktualan, ali i podloan promjenama.
II. mora imati i odredenu transformacijsku funkciju, odnosno mora odgovoriti
na pitanje kako jednu informaciju posredovati, pribliiti je korisniku.
c) Udbenik mora odgovarati i utvrdenom programskog sadraju jedne nastavne
discipline ili predmeta.
2. E*)/5-72'./&,. Pod njom se podrazumijeva djelo koje, slijedeci abecedni
poredak, na saet i sustavan nain daje pregled pojedinanih ili skupnih grana ljudskog
znanja. Ovisno o tome moe se praviti razlika izmedu dviju osnovnih vrsta enciklopedija. To
su:
a) ope ili univerzalne enciklopedije, dakle enciklopedije koje sadre, abecednim
redom dat, saet i sustavan pregled svih grana ljudskog znanja, kulturnih,
znanstveno-tehnikih i drugih tekovina.
b) specijalne enciklopedije koje obraduju samo jedno podruje ljudskog znanja.
Takve su, primjerice, medicinska, pomorska, pravna i druge enciklopedije.
Ali, pored ovog razvrstavanje enciklopedija se moe izvrsiti i prema drugim
kriterijima. Prema strukturi se, primjerice, moe praviti razlika izmedu:
a) prirunih enciklopedija, koje obuhvacaju od jedan do etiri sveska,
b) malih enciklopedija, iji obujam moe biti do 18 svezaka,
c) velikih enciklopedija, koje mogu imati i do nekoliko desetina svezaka.
15
Inae, pojmovi ili natuknice, koji se obraduju u enciklopediji, mogu biti razvrstani i
obradeni prema razliitim kriterijima. U principu se prakticiraju dva: 1. da poredak postuje
pravilo abecednog reda, te 2. da se u popisu pojmova postuje pripadanje odredenom
predmetu.
15
Moguci su i drugaiji pristupi u klasifikaciji. amic, primjerice, pravi razlikovanje izmedu opcih i
strunih, univerzalnih i nacionalni, te laikih i religioznih enciklopedija (Vidi detaljnije u amic,
1980.).
31
Prema vrsti i obujmu teksta, kojim je jedan pojam opisan, moe se praviti razlika
izmedu nekoliko natuknica ili pojmova, i to:
a) pregledne natuknice koje se uvijek odnose na znaajne stvari i pojave. Vise
takvih natuknica zaokruuju relevantne informacije o odredenom predmetu
b) ukrtene reference, koja itatelja upucuje da se relevantna informacija moe
traiti i pod drugom rijei. Stoga ga upucuje na bibliografski popis koji je
sastavni dio svake enciklopedije
c) predmetni indeksi koji povecavaju vrijednost svake enciklopedije
3. L'51/57* vodi podrijetlo od grke rijei leksikon, koja znai rjenik, knjigu u
kojoj su abecednim redom poredani i protumaeni razliiti pojmovi. Sukladno tome se moe
reci da leksikoni nisu nista drugo nego odredena vrsta enciklopedijskih rjenika, dakle
rjenika u kojima je odredena masa pojmova, naziva, rijei i predmeta, pojava i injenica
poredana abecednim redom. Zahvaljujuci tome leksikoni mogu posluiti itatelju kao
izvanredan prirunik.
I leksikoni se mogu klasificirati. Najesce je razlikovanje izmedu opih i specijalnih
leksikona.
4. P(,5+/5>6 je takoder specifina vrsta udbenika, odnosno prirunika,
namijenjenog studentima, ali i istraivaima i poslovnim ljudima. Najjednostavnije kazano,
oni predstavljaju vrstu instruktivnih prirunika, odnosno vodia u kojima se na jednostavan
i jasan nain iznose postupci, zadace i operacije kojima se, tono utvrdenim redoslijedom,
rjesavaju odredeni problemi, poslovi, postupci itd. Da bi se postigla maksimalna jasnoca u
postupku i redoslijedu radnji, u praktikumima se najesce koristi metoda rjesavanja
konkretnog sluaja. Taj je sluaj prikazan u samom praktikumu.
Inae, i praktikumi mogu imati univerzalni i specijalistiki karakter ovisno o tome
sadri li instrukcije iz jednog ili vise podruja znanja.
5. R&'4*/5 se moe definirati kao korisno pomagalo u znanstvenom i istraivakom
radu, prirunik koji znanstveniku pomae razumjeti, ili bolje razumjeti, rijei koje tijekom
rada susrece. Postoji veci broj vrsta rjenika. Najznaajniji medu njima su: jednojezini,
dvojezini, mnogojezini, te biografski rjenici. U vezi sa svakim od njih elimo dati barem
osnovne informacije.
a) Bitno je obiljeje &'.*7&'?/4*/A rjenika u tome da sadre rijei samo jednog
jezika. To, dakako, ne znai da i medu njima nema odredenih razliitosti. Naprotiv. Ovisno
o tim specifinostima unutar ove skupine se moe identificirati nekoliko vrsta rjenika.
- Etimoloki rjenici svoj smisao iscrpljuju u desifriranju i pojasnjavanju
podrijetla rijei, bave se njenim korijenom, te osnovom iz koje je nastala
- Povijesni rjenici svoju pozornost koncentriraju na pojasnjavanje pojave i
uporabe rijei u razliitim pisanim dokumentima i djelima iz razliitih
vremenskih perioda.
- Knjievni rjenici se bave analizom rijei koje se rabe u suvremenoj
knjievnosti i knjievnom govoru.
- Enciklopedijski rjenici ili leksikoni daju prikaz jezinih karakteristika i raznih
znaenja rijei koje donose i informacije znanstvenog karaktera.
- Struni rjenici su skoncentrirani na izbor i znaenje rijei odredenog
znanstvenog znaenje, odnosno rijei vezane za odredenu znanstvenu
disciplinu. Takvi su, primjerice, medicinski, filozofski, tehniki, kemijski itd.
rjenik
b) D;7&'?/4*/ rjenici su vjerojatno rjenici koji su najesci u upotrebi. Njihova se
bit sastoji u tome da se rijei jednog jezika objasnjavaju istoznanim rijeima drugog
jezika. Takav je, primjerice, hrvatsko-njemaki, njemako-hrvatski, englesko-hrvatski,
hrvatsko-engleski rjenik itd.
c) M*797&'?/4*/ rjenici su napravljeni na istom principu kao i dvojezini. Razlika
je u tome sto se kod mnogojezinih rjenika rijei jednog jezika objasnjavaju rijeima ili
pojmovima paralelno na vise drugih jezika. Takav je, primjerice, europski rjenik, u kojem
su paralelno dati istoznani pojmovi na hrvatskom, engleskom, njemakom, francuskom,
talijanskom i spanjolskom jeziku.
32
d) %/79(,:15/ rjenici predstavljaju neku vrstu zbornika najznaajnijih ivotopisa.
Drugim rijeima, oni u kratkim crtama oslikavaju ivot, rad i djelo poznatih osoba iz
podruja politike, znanosti, umjetnosti i drugih sfera ivota.
6. Z87(*/)/ (,.7;, su znanstveno-struna djela koja objedinjuju radove vise
autora u vezi s nekom uom tematikom. Povodi nastajanju takvih radova mogu biti razliiti
- obljetnice, simpoziji, znanstveni skupovi itd. Sukladno tome, moe se praviti razlika
izmedu vise vrsta zbornika, kao sto su:
- Opi ili univerzalni zbornik koji tretira razliitu materiju odredenog sireg
podruja. Takav je, primjerice, Zbornik radova ekonomskog fakulteta u
Mostaru,
- Zbornik radova sa znanstvenog skupa, kakav je, primjerice, Zbornik radova sa
znanstvenog skupa Tranzicija gospodarstva, zbornici radova sa znanstvenih
skupova Drustvo i tehnologija itd.
- Jubilarni zbornik, koji je posvecen odredenom jubileju, obljetnici ili neemu
slinom.
7. %/8-/79(,:/&, je tip struno-znanstvenog djela za koji se koristi veci broj naziva.
Takvi su, primjerice, registar, indeks, biblioteka, katalog, lista itd. No, neovisno o tome,
izvjesno je da se bibliografija moe shvatiti na dva naina. U uem smislu rijei ona
podrazumijeva odredeni popis knjiga i drugih publikacija, koji moe biti izraden prema
razliitim kriterijima. U irem smislu, pak, pod njom treba podrazumijevati znanstveno
sakupljanje tekstova, njihovo prouavanje i sistematiziranje.
Iz ovakvog odredenja proizlaze i osnovni zadaci bibliografije. To je, prije svega,
pribavljanje bitnih informacija o tiskanim djelima i ispravama, znanstvenim i drugim
radnicima, ali i njihovo sredivanje, obrada i prezentiranje.
Postoji vise vrsta bibliografije. Postoje i razliiti pristupi u njihovom klasificiranju,
ali i kriteriji klasificiranja. Moguce je, primjerice, praviti klasifikaciju:
a) Prema sadraju i vrstama indeksiranih materijala na:
I. O2@> bibliografiju. Ona obuhvaca popis materijala. Pri tome joj nije vaan
ni sadraj, a ni vrsta materijala.
II. S2')/&,-*> bibliografiju, koja se odnosi samo na odredeno podruje,
disciplinu ili temu.
b) Prema namjeni na:
I. P72/1*' bibliografije koje prave popis materijala s razliitih podruja
II. Z*,*1+;'*' bibliografije. One su pomocno sredstvo znanstvenicima jer ih
upoznaju o publikacijama u kojima se nalaze informacije o pitanjima koja su
predmet njihova istraivanja
III. %/8-/79(,:/&' 5,7 2('27(>5, koje su neka vrsta preporuke itateljima koja
je literatura aktualna.
c) Prema vremenu objavljivanja bibliografije na:
I. T'5>@' bibliografije koje popis vrse prema kronologiji njihova nastajanja
II. R'+(712'5+/;*' bibliografije obuhvacaju popis publikacija do vremena
kompilacije bibliografije
III. P'(12'5+/;*' bibliografije koje ukljuuju pregled publikacija koje se nalaze
u tisku
d) Prema mjestu izdavanja indeksirane literature na:
I. M'B>*,(7.*' bibliografije. One nude popis materijala na stranim jezicima
koji su objavljeni na raznim jezicima.
II. N,)/7*,-*' bibliografije. One ukljuuju popis materijala samo jedne zemlje
ili jednog jezika
III. R'9/7*,-*' bibliografije su vrsta bibliografija iji se popis publikacija
prostire na samo jednu regiju unutar neke zemlje.
Uz prezentirane vrste znanstveno-strunih djela neki autori u ovu skupinu
ukljuuju i jos neke. Takva su, primjerice, prirunici i knjievna djela.
16
16
Pogledati detaljnije klasifikaciju Ratka Zelenike u (Zelenika, 1990., 124.-136.)
33
1.9. O(9,*/?,)/&, ;-,1+/+79 ?*,*1+;'*79 / 1+(>4*79 (,.,
Svaki struni i znanstveni rad podrazumijeva odredeno planiranje, ali i analizu i
kontrolu uradenog - jednostavno, organizaciju. No, da bi se pojedinac tom vrstom rada i
bavio on mora posjedovati i odredene pretpostavke, znaajke koje ga preporuaju za
bavljenje znanstvenim radom. Utoliko je nakana ove cjeline, osim pitanja neposredne
organizacije, prezentacija i najznaajnijih odlika koje karakteriziraju, ili bi trebale
karakterizirati, znanstvenog radnika, zadrati se i na pitanjima osnovnih odlika ili znaajki
znanstvenog radnika, a potom bavljenje i nekim drugim pitanjima koja se, iako samo na
prvi pogled - kao sto su pitanja u vezi s prouavanjem literature i pripremom govora,
predavanja i usmenih izlaganja rezultata znanstvenoga rada - i ne bi trebala naci pod
naslovom koji se bavi pitanjima organizacije.
1.9.1. Z*,4,&5' ?*,*1+;'*79 (,.*/5,
Jasno je da ni znanstveni radnici nisu, vec samim tim sto se bave znanstvenim
radom, i geniji. Naprotiv, u pitanju su ljudi koje, uz nesto veci kvocijent inteligencije od
prosjenoga, krasi visok stupanj koncentriranosti na ono ime se bave, izuzetna marljivost i
spremnost na dugotrajan i mukotrpan rad. No, neka su im svojstva, moci i sposobnosti
imanentniji nego ostalima. U kontekstu ove analize tri grupe tih odlika vrijedi i posebno
apostrofirati.
Prvu grupu ine obiljeja iz grupe tzv. intelektualno-psiholokih znaajki -
inteligencija, intuicija, sklonost razmisljanju na neuobiajen nain, sposobnost analize i
sinteze, nesklonost apriornim stavovima, kritinost, samokritinost i jos neke.
U pitanju je, dakle, prije svega inteligencija, koja je nesto naglasenija od prosjeno
izraene. Obino se smatra da bi se kvocijent inteligencije (QI) kod znanstvenih radnika
morao kretati barem u rasponu 120-130. Povecanje iznad te razine je garancija i vece
kreativnosti. Apostrofiranje inteligencije kao pretpostavke bavljenja znanstvenim radom je,
s druge strane, kao uostalom i obrazovanje, samo logina posljedica poslova koje
znanstveni rad podrazumijeva.
Nema, potom, znanstvenog radnika bez intuicije, sposobnosti da neposredno
zahvatimo i jednim aktom uvidimo cjelinu i njezine dijelove, da bez diskurzivnog misljenja
izravno spoznamo i dokuimo bit nekog predmeta. Intuitivna spoznaja je suprotna
pojmovnom, razumskom razmatranju ili refleksiji (Enciklopedija, MCMLXVI-MCMLXIX,
sv.3., 182.). Zasto je intuicija vana u znanosti? Zato jer vas ini sposobnim za uvidanje
moguceg rezultata i bez dovoljne mase injenica ili nedovoljno jasnih injenica.
Spremnost razmiljanja na neuobiajen nain takoder je jedna od znaajki
znanstvenog radnika. Na taj se nain, uostalom, i doslo do nekih od velikih znanstvenih
otkrica. Parni stroj je, zapravo, samo uvecani ajnik.
Sposobnost analize i sinteze je takoder jedna od nunih odlika bavljenja
znanstvenim radom. Bez te sposobnosti, naime, nelogino je oekivati i uspjesnost u
raslanjivanju cjeline na njezine sastavne dijelove, ali isto tako ni slaganje zasebnih
dogadaja, pojava i injenica u skladne, utemeljene i logine cjeline.
Jedna od bitnih odlika znanstvenog radnika je i nesklonost apriornim stavovima,
odnosno preduvjerenjima i, sukladno tome, sklonost podvrgavanju sumnji svega i stalnom
provjeravanju.
Znanstvenog rada nema ni bez kritinosti kao karakterne crte. Tesko je, primjerice,
napraviti spoj izmedu bavljenja znanstvenim radom i robovanja znanstvenim autoritetima.
Kritinost kao karakterna crta ne iskljuuje, dakako, postivanje autoriteta, ali i obvezuje na
razmisljanje vlastitom glavom i kritiki odnos prema svemu sto se spoznaje, vidi, postigne.
No, znanstvenika nema i bez samokritinosti, nama ga ako, na isti nain kao prema
drugima, nije strog i prema onome sto sam ini, ako ne uvaava i stavove i misljenja koji
ne idu u prilog njegovima, ako nije sposoban priznati i vlastito neznanje.
Sve te osobine, medutim, ne bi bile dovoljne ako izostaju one koje su vezane za
radinost u najirem znaenju rijei. U kontekstu nje se, opet, moe izdvojiti nekoliko odlika
znanstvenog radnika:
34
Ustrajnost, odnosno svijest o tome da u znanosti nema brzih uspjeha, te da se
do njih moe doci samo dugotrajnim i mukotrpnim radom.
Marljivost. Nadahnuce se, priznaje i Cajkovski, rada samo iz rada i za vrijeme
rada.
Tonost, jer bez tonosti u ispunjavanju svojih obveza nema ni ozbiljna
znanstvenog rada.
Dio pretpostavki bavljenja znanstvenim radom je u najuoj vezi s obrazovanjem i
ambicijama koje proizlaze iz njega. Medu njima se, izmedu ostalih, izdvajaju:
Znanje. Nema ozbiljna znanstvenog rada ako se, discipline na koju se taj rad
odnosi, dobro ne poznaje, ako se iz nje ne posjeduje dovoljno i strunog znanja i iskustva.
No, opce struno znanje, vezano za konkretnu disciplinu, nije i jedino potrebno. Nema,
naime, ozbiljna znanstvenog rada ni bez poznavanja metodologije i tehnologije
znanstvenoistraivakoga rada.
Zelja za stalnim strunim usavravanjem, spremnost da se stalno ui, da se,
buduci se koliina znanja neprestano povecava, stara znanja stalno utvrduju, a zastarjela
inoviraju.
Motiviranost na znanstveni rad, bez koje, uostalom, nema ni bilo kakvog drugog
rada. Ravnodusnost, pa onda i nemar i lijenost koji su u vezi s njom, ne moe biti dobar
saveznik opredjeljenju ovjeka da se bavi znanstvenim radom. Motiviranost, doduse, moe
imati ishodiste u razliitim initeljima - vanjskim ili unutarnjim, sferi materijalnog ili
moralnog itd. Bilo u emu da se to ishodiste nalazi, ljubav za znanost mora biti, ne samo
neupitna, nego i izraena intenzitetom da predstavlja svojevrsnu zarazu (Vidjeti,
Kniewald, 1993., 18.).
Stalno prakticiranje znanstvenog rada. Znanstveni rad je, naime, kao i svaki
drugi. Ne prakticirate li ga izvjesno vrijeme za njegov nastavak ce vam potrebno biti novo
uhodavanje. Ono u emu se znanstveni rad razlikuje od ostalih je injenica da on puno
manje od ostalih trpi bilo kakve prekide. Prekid, primjerice, i od samo nekoliko dana moe
za posljedicu imati gubitak ideje, prekid misli, kontinuiteta.
Sposobnost sastavljanja znanstvenog djela. Bez te, dakle sposobnosti jasnog,
loginog i stilski dotjeranog izricanja misli i u usmenoj i u pisanoj formi nema i znanstvenog
radnika. Uostalom, rezultati onoga sto je proizvod njegova rada ne slue samo njemu nego
i javnosti, zajednici, ovjeanstvu.
Uz sve navedeno, medutim, nema znanstvenog radnika bez etinosti i potenja kao
njegovih karakternih crta. Nema znanstvenog radnika bez korektna odnosa prema
znanstvenim ostvarenjima koja su rezultat tudeg rada.
1.9.2. O(9,*/?,)/&, ;-,1+/+79 1+(>4*79 / ?*,*1+;'*79 (,.,
Organizacija rada je odlika svakog rada. No, imanentna je posebice sloenim
oblicima ljudskog rada. Struni i znanstveni rad, dakako, spadaju medu osobite oblike
sloenog rada. Stoga je logino da znanstveni radnici taj rad svaki put moraju dobro
isplanirati, programirati, analizirati i kontrolirati. Takav pristup podrazumijeva pripremu,
utvrdivanje, izradbu i obavljanje veceg broja radnji i operacija, a prije svega: plan rada,
raspored radnog vremena, dnevni program rada, rokovnik, kontrolu ispunjenih rokova,
analizu rada i ostvarenje plana, ocjenu djelotvornosti vlastitoga rada, program samostalnog
vlastitog rada, te analizu ostvarenja programa rada (osic, 1971., 88-89.). U nastavku
analize svakoj od navedenih radnji u organizaciji vlastitog strunog i znanstvenog rada
posvecen ce biti i poseban prostor.
1. Plan rada je, dakle, temeljna pretpostavka svakog samostalnog znanstvenog
rada. Iole, medutim, ozbiljan plan rada podrazumijeva detaljan popis svih zadataka, svih
problema i poslova koje - s ciljem da se zadaci izvrse i zadaci rijese - treba obaviti
17
.
17
Taj popis, ako ga se raslani, podrazumijeva niz radnji: studiranje postavljenih zadataka,
utvrdivanje problema koje treba rijesiti, kontakte koje tijekom obavljanja zadatka treba uspostaviti,
informacije koje treba pribaviti, literaturu koje treba prouiti, obradu informacija koje trebaju sainiti
suradnici, te osnovne analize podataka koje trebaju obaviti suradnici (Vidjeti, Zugaj, 1989., 260.)
35
Navedeni je popis, dakako, dio onoga sto se oznaava terminom osnovni plan. Medutim,
tim se planom i ne zavrsava planiranje. Dapae. On je, s jedne strane, osnova za izradu
posebnih planova i potrebnih rokovnika, a s druge, opet, temeljna pretpostavka da bi se
odredenom strunom ili znanstvenom radu uopce i pristupilo.
2. +as(ored radnog vremena se, kada je organizacija vlastitog strunog i
znanstvenog rada u pitanju, odnosi samo na slubeno radno vrijeme, ono u okviru radnog
mjesta. Raspored tog vremena je, nema dvojbi, od izuzetnog znaaja jer njegovo
nepostojanje moe biti uzrokom i nedovoljne djelotvornosti samostalnog znanstvenog rada.
Radno vrijeme znanstvenog radnika se, doduse, moe organizirati na razliite
naine. Jedan od mogucih, nain koji se smatra dosta racionalnim, organizira radno vrijeme
od poetka do kraja po slijedecem redoslijedu
pregled novina i asopisa,
samostalni vlastiti (istraivaki) rad,
kontakti sa suradnicima,
kontakti sa znanstvenicima iz drugih organizacija i sl.,
interni sastanci (osic, 1971., 90-91):.
Pogleda li se prezentirani raspored, jasno je da je vlastiti istraivaki rad u njemu
pomjeren na sam poetak radnog vremena, dakle u dio radnog vremena u kojem je mozak
najodmorniji i u kojem je stvaralaka kreativnost najizraenija.
3. )nevni (rogram rada nije nista drugo nego do u detalje razraden dnevni plan
rada koji se odnosi na jedan ili vise zadataka. Dnevni program rada se razraduje najesce u
posebnim notesima ili biljenicima, a razlog zbog kojeg ga se radi je striktno utvrdivanje
redoslijeda dnevnih radnji s ciljem da se eliminiraju ili barem na najmanju mogucu mjeru
svede tzv. prazni hod. S tim se ciljem, recimo, utvrduje i da li je neki sastanak, predviden u
tom danu, bas neophodan ili ga se moe odgoditi kako bi se povecalo vrijeme za
samostalan znanstveni rad, planira se nekoliko sastanaka izvan organizacije u danu kada se
iz organizacije izlazi vani i slino. Dnevnim programom rada se, na koncu, jave i pitanja
koja trae da ih se posebno markira, ali i ona koja treba proslijediti prema suradnicima u
organizaciji itd.
4. +okovnik pojedinih zadataka, poslova i kontakata se tretira zasebnim dijelom
organizacije vlastitog strunog i znanstvenog rada. Radi se po principu da se za svaki
pojedini zadatak unosi detaljan rok do kojeg se pojedini zadatak ima izvrsiti, u vezi s njim
se, potom, markiraju obveze pojedinih suradnika i slino. To, drugim rijeima, znai da se,
u sluaju da je vise zadataka, pravi i vise rokovnika - za svaki od njih zaseban. S druge
strane, rokovnici se prave za razliite vremenske intervale. Sukladno tome, svaki
znanstveni radnik mora imati svoje godisnje, mjesene i tjedne rokovnike.
5. ontrola is(unjenja rokova je sastavni dio svakog, pa i samostalnog
znanstvenog rada. Ona je, zapravo, instrument uspjesnog vodenja posla, a moguce ju je
ostvariti jedino pod pretpostavkom da se rokovnici svakodnevno pregledaju, da se po
izvrsenom poslu okonanje posla u rokovnicima zabiljei. Najefikasnija je kontrola
ispunjenja rokova ona koja se vodi ujutro, na samom poetku radnog vremena. Ona se,
osim toga, preporua jer se na taj nain podsjecamo i na dnevne obveze u tom danu i
izbjegavamo mogucnost ponavljanja odredenih radnji.
6. Analiza rada i ostvarenja (lana je aktivnost koju treba prakticirati dnevno, a
ako to nije moguce onda barem tjedno. Tom analizom se, zapravo, snima u kojoj mjeri su
izvrseni odredeni zadaci, u kojoj mjeri je ispunjen postavljeni plan u toku konkretnog dana,
tjedna ili mjeseca.
7. ,cjena djelotvornosti vlastitoga rada. Ona se uvijek vrsi u odnosu na
konani rezultat rada, a najbolje je ako svatko ocjenjuje djelotvornost svoga vlastitog rada.
To se, u pravilu, radi na samom poetku radnog vremena i ocjenjuje se djelotvornost
vlastitoga rada tijekom prethodnoga dana. Takav pristup, smatra se, moe djelovati
stimulativno na novi pristup radu, neovisno o tome je li ocjena rada prethodnoga dana
pozitivna ili negativna. U prvom sluaju vas, naime, motivira na nastavak istog pristupa, a
u drugom na promjenu koja ce rezultirati povecanjem djelotvornosti. Takva se ocjena, osim
onih svakodnevnih, vrsi i na koncu svakog mjeseca, ali i najmanje jednom godisnje. Pri
tome, dakako, ona moe biti kvantitativna i kvalitativna, da se odnosi na fiziku dimenziju
izvrsenosti plana, ali i na nain na koji je plan izvrsen.
36
8. Program samostalnog vlastitoga rada se smatra bitnim jer se bez njega
znanstveni radnik moe izgubiti u masi beznaajnih detalja i pretpostaviti ih obvezama koje
su za njegov rad vanije. Taj program moe ukljuivati razliite radnje i aktivnosti,
primjerice:
susrete sa znanstvenicima i strunjacima iz podruja djelovanja (znanstveno-
nastavni, znanstveni i nastavni radnici s fakulteta, instituta, strunih organizacija, komora,
poslovnih udruenja itd.,
seminare, savjetovanja, simpozije i sl.,
putovanja u inozemstvo,
posjete laboratorijima,
posjete bibliotekama, popis novina, asopisa i pisanih materijala koje valja
prouiti,
popis knjiga koje treba proitati,
usavrsavanje stranih jezika itd. (Zugaj, 1999., 175.-176.)
9. Analiza ostvarenja (rograma rada se mora vrsiti najmanje jednom
mjeseno, dobro je da se izvrsi i tromjeseno, dok godisnja analiza mora biti detaljna. U
biti, analiza obuhvaca sve bitne elemente za ostvarenje programa rada, te rokove za
izvrsenje planiranih zadataka.
1.9.3. P/+,*&, > ;'?/ 1 2(7>4,;,*&'6 -/+'(,+>('
Prouavanje literature je jedna od temeljnih pretpostavki ozbiljnog bavljenja
znanstvenim i znanstvenoistraivakim radom. No, ono je puno kompleksnije nego ga se
esto eli prikazati. U kontekstu ove analize pozornost se usmjerava posebice na etiri
segmenta koja ono - u najsirem znaenju rijei - obuhvaca, i to:
pregled knjiga, asopisa i drugih pisanih materijala,
prouavanje literature
tehnike itanja,
vodenje zabiljeski
Pregled knjiga- .aso(isa i drugih (isanih materijala se esto smatra i prvom
fazom itanja. Razlog tome je i vise nego utemeljen. Danas je, naime, svaki iole ozbiljan
znanstveni radnik bukvalno zatrpan obiljem pisanoga materijala. Njegov je, sukladno tome,
i prvi posao pravljenje svojevrsne selekcije u onome sto mu stoji na raspolaganju -
odvajanje vanog od manje vanog i nevanog, klasificiranje knjiga, asopisa i drugih
pisanih materijala, izdvajanje onih koje, za potrebe konkretnog rada ili iz drugih razloga,
treba proitati itd.
No, da bi se takvo razvrstavanje moglo izvrsiti, minimum zahvata se javlja kao
elementarna pretpostavka. Potrebno je izvrsiti, prije svega, uvid u to tko je - radi li se o
knjizi - autor (ili autori) konkretnog naslova, o emu sam naslov govori, tko je izdava.
Potrebno je, potom, preci preko njezina sadraja, proitati uvod, a iza njega i rezime i
zakljuak. Kod novoprimljenih knjiga se preporua i letimini pregled slika i grafikona,
tabela, naslova i podnaslova, literature i kazala imena i pojmova.
Ako je, pak, u pitanju asopis, prva radnja je pregled sadraja i eventualno
izdvajanje lanaka koji su iz sfere interesa svakog konkretnog znanstvenog radnika.
Kod ostalih pisanih materijala vrsi se svojevrsno sortiranje materijala na one koji
su pisani za odredenu potrebu i sadre konkretnu informaciju u vezi s njom i na one koji
sadre niz znaajnih informacija i podataka, koji predstavljaju odreden tip sinteze.
Redoslijed pregleda i jednih i drugih - koji slijedi nakon izvrsenog sortiranja - je logian. Na
prvom je mjestu pregled sadraja, potom uvid u zakljuke i rezime, a ako su zanimljivi
samo dijelovi pisanog materijala - onda zadravanje samo na poglavljima koja nas
zanimaju i u kojima moemo pronaci podatke koji nas zanimaju (vidjeti, osic, 1971., 111.)
Prou.avanje literature je posao koji se organski nastavlja na prethodni. Pri tome
je vano da je on sastavljen od dvije zasebne faze. U prvoj, fazi preliminarnog prouavanja
literature, koji slijedi odmah nakon pregleda, panja se vise zadrava na samom tekstu.
Drugim rijeima, preko teksta se prelazi relativno brzo, a zadravanje se prakticira na
poecima i zavrsecima poglavlja i pojedinim dijelova poglavlja. Na taj se nain dobiva uvid
37
u opce znaajke teksta, neovisno o tome radi li se o knjizi, asopisu ili nekom drugom
pisanom materijalu. Na koncu, uz takav, relativno letimian uvid, preliminarno
prouavanje, iako se s njim itanje esto zna i zavrsiti, podrazumijeva i obiljeavanje
dijelova teksta na koje se i kasnije treba vracati. Studijsko prouavanje je, medutim, iako i
ono zapoinje s upoznavanjem sa sadrajem teksta kao cjeline, mnogo kompleksnije. Ono,
naime, zapoinje itanjem teksta kao cjeline, da bi se, nakon toga, veca panja posvetila
pojedinim dijelovima teksta, a tek potom poelo traiti i odgovore na neka od pitanja,
olovkom podvlaiti odredena mjesta, na marginama teksta praviti zabiljeske i slino.
U prouavanju literature se koriste razliite tehnike .itanja. Normalnim se,
naime, smatra itanje izmedu dvjesto i etiristo rijei u minuti. No, ono moe biti i ispod, ali
i iznad navedenog raspona. Stoga se mora govoriti o razliitoj brzini itanja. U pravilu,
moguce je praviti razliku izmedu sporog i brzog itanja.
Sporo itanje je, u principu, posljedica pogresnih navika itatelja - navike da se pri
itanju izgovara svaka rije, da se rijei itaju pojedinano, svaka za sebe, a ne u nizu, kao
misao, da se itatelj, najesce zbog nedostatka koncentracije, vraca na tekst koji je vec
proitao itd.
Potrebu za brzim itanjem izaziva sve veca hrpa pisanog materijala kojom je
znanstveni radnik zatrpan. No, brzo itanje, koje se moe kretati u rasponu i do tisucu rijei
u minuti, nije nesto sto dolazi samo od sebe. I njega treba uvjebavati.
U principu se moe govoriti o tri stupnja brzog itanja. Srednje brzo itanje, tako,
u kojem se brzina itanja krece u rasponu 110 000 - 330 000 znakova na sat, poiva na
umijecu jasnog zahvacanja samo vanijih rijei, potom u rijeima njihovih vanijih isjeaka,
i na koncu, u slovima markantnijih dijelova. Za ovu vrstu itanja je karakteristino i to da je
uvijek linearno, da, dakle, prati redove i ne preskae ih.
Ubrzanim itanjem se moe dostici brzina i od 500 000 znakova u jednom satu.
Zasto. Razlog je, prije svega, u injenici da je ono selektivno, da, drugim rijeima, slijedi
logiku itanja na preskok. Sve ono, jos konkretnije, za sto se smatra da je nevano i
nekorisno, se, letiminim pregledom preko njega, preskae. Kada se, medutim, naide na
dijelove teksta koji se smatraju vrijednim i korisnim, itaju se tehnikom srednje brzine, a
neki, osobito vrijedni, ak i sporim itanjem. No, i ono je jos uvijek linearno.
Vrlo brzo ili dijagonalno itanje, medutim, ne slijedi linearnost teksta. Naprotiv,
itateljevo oko leti preko teksta, u njemu gotovo da trai detalj za sebe - ono sto je
otisnuto masnim ili velikim slovima, sto je na poecima odlomaka, sto je iskazano u formi
brojeva. Taj je let preko teksta usmjeren u svim u svim mogucim pravcima - lijevo, desno,
dolje, gore, dijagonalno, a na markiranim se detaljima gradi slika onoga sto se u tekstu
nalazi. Ovakvom se vrstom itanja, doduse, ne moe napraviti i kvalitetan uvid u ono sto
sadraj teksta jeste. Stoga se ono relativno rijetko i koristi - ako se, primjerice, elimo
sasvim povrsno upoznati sa sadrajem nekog pisanog materijala, ako elimo izdvojiti neke
dijelove teksta i slino.
Drugi autori, medutim, prave drugaiju klasifikaciju vrsta itanja. I oni, doduse,
polaze od razlikovanja laganog i brzog itanja, ovisno o tome koliko je savladana sama
vjestina itanja. No, apstrahira li se to, prave razliku izmedu tri vrste itanja i to (vidjeti
Zelenika, 1990., 223.):
Letimino, odnosno itanje na preskok, koje je slino pregledanju materijala, a u
odnosu na pregledanje se razlikuje po tome sto je itanje puno vise zastupljeno nego u
pregledanju u klasinom smislu rijei. U znanstvenoistraivakom radu se koristi posebice u
iznalaenju pojedinih dijelova teksta koji istraivaa posebno zanimaju.
Potpuno ili itanje od korica do korica, koje se u znanstvenoistraivakom radu
dosta rijetko prakticira. Ali, zato ce ga se redovito primjenjivati u recenziranju odredenih
tekstova, u pisanju prikaza ili kritikih ocjena.
Studijsko itanje, koje je neka vrsta kombinacije prethodna dva. Sustina mu je
u tome da znanstveni radnik ide preko teksta tehnikom letiminog itanja, a kada naide na
dio teksta koji mu je, zbog informacija koje sadri, vaan za potreba znanstvenog
istraivanja kojim se bavi, na njemu se zadrava i primjenjuje tehnika potpunog itanja.
Na koncu, jedno od pitanja u vezi s prouavanjem literature, itanjem literarnog
materijala, je i vo/enje i sre/ivanje zabilje0ki. U vezi tim vanima se ine odgovori na
nekoliko vrsta pitanja. Jedno od njih je, nema dvojbi, pitanje: sto treba biljeiti?
38
Najjednostavniji odgovor na to bi mogao glasiti: samo ono sto je za nas novo. No, selekcija
se moe izvrsiti i u okviru toga. Preporua se, primjerice, biljeenje samo najvanijih
podataka, informacija, misli, stavova, zakljuaka. U funkciji argumentacije se, potom,
sugerira koristenje citata, doslovce preuzetih tudih stavova i spoznaja, zakljuaka i
injenica. U sluaju da se koriste citati, nuno je da ih se stavi u navodne znake i navede
bibliografski izvor sa svim bitnim elementima koji uz njega idu.
Dakako, razliite su vrste zabiljeski. S druge strane, njih je moguce i razvrstavati
prema razliitim kriterijima. Prema obliku, primjerice, zabiljeske se mogu javiti kao izvodi
(citati, doslovni ispisi), parafraze (prepriana grada), rezimei itd. Prema sadraju je, opet,
moguce praviti razliku izmedu bibliografskih zabiljeki ili zabiljeki o knjigama,
dokumentarnih, odnosno zabiljeski koje se tiu predmeta, te metodolokih, zabiljeski koje
se odnose na metode. Cesto se, na koncu, koriste i tzv. marginalne zabiljeke, zapisi na
margini tiskanih tekstova.
Zaboraviti se, medutim, ne smije ni jos jedno pitanje: kako biljeske sistematizirati i
odlagati? Moguce je to uiniti na nekoliko naina - da se odlau u:
posebne biljenice, koje se, istina, nesto rjede koriste. Dobra im je strana da se
zabiljeske u njima lako i brzo pronalaze. Nedostatak im je, medutim, da oteavaju nove
sistematizacije vec sredenog materijala.
Fascikle, koje nastaju na nain da se na zasebnim listovima, obino veliine A-4,
i to samo s jedne strane, po odredenoj metodologiji ispisuju zabiljeske i ti listovi slau u
fascikle. Pri tome je korisno pojedine sadraje cjeline odvajati na nain koji omogucuje brzo
snalaenje - pregradnim kartonima razliitih boja ili na neki drugi nain.
Najesce se, medutim, koristi metoda tzv. kartoteka. Radi se o tome da se
zabiljeske vode na posebnim listovima papira ili kartonicima razliite veliine - veliine,
primjerice, polovine, etvrtine ili osmine formata A-4 - koji su poznati pod nazivom fisa, i
koji se lijepe na vece kartonske povrsine. Ako je opredjeljenje za taj nain sistematizacije i
slaganja zabiljeski, vanim se namece nekoliko detalja. Veliina papirica (ili fise), za koji se
opredijelimo, mora se prakticirati u itavoj kartoteci. Svaki papiric - a pise se sa samo
jedne strane papirica - na sebi, moe sadrati samo jednu znanstvenu informaciju, jedan
podatak, ideju ili citat. No, on, pored onoga sto se na njemu biljei, mora sadrati i neke
druge oznake - broj, datum, temu itd.
1.9.4. P(/2('6' >16'*/A /?-,9,*&,
Organizacija vlastitog znanstvenog i strunog rada podrazumijeva, dakako, veoma
esto i usmenu prezentaciju ostvarenih znanstvenih postignuca. Stoga bavljenje
znanstvenim radom ukljuuje obvezu savladivanja i tehnika govornistva. Ono se, drugim
rijeima, takoder ui. Usmeno izlaganje, primjerice, esto nece uspjeti zbog razliitih
razloga - nepovjerenja u vlastite sposobnosti, treme, prekida tijekom izlaganja i slino. Sve
to, opet, nalae potrebu solidnih priprema, ali i pridravanje odredenih pravila u izlaganju
onoga sto se javnosti eli saopciti. Jedno od temeljnih je, nema dvojbi, da se, sve dotle dok
niste sigurni da moete govoriti slobodno i motivirano, preporua izlaganje napisati. To,
dakako, ne znai kako itanje napisanog vrijedi i prakticirati jer se, u tom sluaju, u pravilu
dogada da izlaganja odbijaju pozornost slusatelja.
S druge strane, priprema izlaganja mora voditi rauna o tome da se ono ne sastoji
iz samo jednog dijela. Naprotiv, izdvojiti se daju tri zasebne cjeline izlaganja - uvod,
sredisnji dio izlaganja i zakljuak.
$;7. je, zapravo, svojevrsna forma uspostavljanja kontakta sa slusateljstvom,
publikom. Stoga on mora biti strukturiran na nain da pobudi interes. U principu, medutim,
ni uvod nije jednodimenzionalan. I on se, drugim rijeima, sastoji iz vise dijelova. Svaki
uvod, tako, zapoinje otvorenjem, koje moe biti razliito - da se apostrofira neki lokalni
problem, da se pozove na odredeni autoritet, da se postave odredena pitanja, da se
iskoristi neki citat, da se kod slusatelja izazove odredeni sok itd. Nakon otvorenja slusatelje
je potrebno upoznati s temom o kojoj se kani govoriti. Pri tome se, kako bi se pobudio sto
veci interes, mogu koristiti i razliita pomocna sredstva - slike, dijapozitivi i slino. No, sve
to nece biti dovoljno ako predava nije zanimljiv, ako ne govori provokativno i slikovito, i
time ne odrava koncentraciju publike.
39
"'*+(,-*/ ./7, koji ini glavninu ukupnoga izlaganja, je i najznaajniji. No, ni on
nije jednostavan, sastavljen iz samo jednog dijela. Naprotiv. I u ovom se dijelu dade
izdvojiti manji ili veci broj zasebnih misaonih jedinica ili cjelina, poglavlja izlaganja. Stoga,
priprema izlaganja mora utvrditi te cjeline ili poglavlja izlaganja, svakoj od njih dati naslov,
ali i odrediti materiju koju ce, u okviru svake od njih, izloiti i planirati vrijeme u kojem ce
to uiniti.
Izlaganje, dakako, ima svoj kontinuitet. Stoga se s jedne cjeline na drugu ne mogu
praviti nepovezani skokovi. Dapae. Izmedu cjelina se mora napraviti svojevrsni most,
prijelaz s jedne na drugu.
Nakon prijelaza ostaje obveza da se, u okviru odredene cjeline ili poglavlja
izlaganja, iznesu misli ili skupine misli koje tu cjelinu ine. Same za sebe, medutim, te misli
i ne znae puno. To, drugim rijeima, znai da je sve te misli potrebno potkrijepiti
obrazloenjima, u svrhu njihove argumentacije iznijeti odredene injenice i dokaze.
U sastav svake od cjelina ili poglavlja izlaganja, potom, spada i isticanje kljunih
problema, onih koji, zapravo, kriju i najvaniji sadraj predavanja. U vezi s njima se, po
logici stvari, u tom dijelu izlaganja moraju postaviti i kljuna pitanja. No, ona nisu nesto sto
je neplanirano, sto se dogada na izlaganju spontano, samo od sebe. Naprotiv, ta se kljuna
pitanja moraju prethodno, u pripremi izlaganja predvidjeti. Izlaganje svakog od poglavlja
se, na izvjestan nain, i zavrsava otklanjanjem nejasnoca u vezi s tom vrstom, u izlaganju
postavljenih pitanja, davanjem odgovora na njih, nekom vrstom rekapitulacije.
Pri tome se, dakako, mora voditi rauna i o vremenu. Vrijeme, predvideno za
svaku od misaonih cjelina izlaganja, se mora kontrolirati. Dode li, primjerice, do probijanja
planiranog vremena u nekoj od cjelina izlaganja, to samo potvrduje da izlaganje nije
dovoljno dobro i pripremljeno.
Z,5-&>4,5 je zavrsni dio svakog usmenog govora, predavanja, izlaganja. On se
koristi kako bi se, kroz formu saetka, slusateljima uputila neka kratka i jasna poruka. U
praksi se, dakako, koriste razliite vrste saetaka - sumarne rekapitulacije, rekapitulacije
pomocu pitanja, citata ili pozivom na akciju, sugestivne i druge vrste rekapitulacija.
Uvaavajuci, dakako, sve ove metodoloske natuknice, izvjesno je da se u
usmenom izlaganju mogu markirati razliite vrste pogresaka koje, u krajnjem, umanjuju
dojam slusatelja. Takav dojam, primjerice, moe pokvariti svojevrsni diktatorski kod
predavaa, njegovo uvjerenje kako je u konkretnoj situaciji najvanija osoba, kako je
njemu dopusteno sve, kako niti ne trebaju ulaziti u dugake rasprave i kako su dovoljni
sasvim odsjeni i kratki odgovori na postavljena pitanja itd. Dojam o izlaganju, potom,
mogu pokvariti i neki drugi detalji koji su u vezi s manifestnoscu u izlaganju - pretjerana
setnja u vrijeme predavanja (koja stvara dojam o nedovoljnoj pripremljenosti),
prenaglasena ukoenost (ovjek kip stvara dojam nedovoljne zainteresiranosti i za publiku i
za njezine reakcije), pretjerana leernost, odnosno komoditet (koja zamara slusatelje i
izaziva dosadu), pozicija glumca (u koju predavai ponekad zapadaju, a koja za posljedicu
ima da slusatelji vise prate pokrete nego ono sto se kae). Stoga, te, ali i druge vrste
pogresaka (igru olovkom, kljuevima, drugim predmetima za vrijeme izlaganja) treba, kako
bi se imali sto povoljniji efekti predavanja, izbjegavati koliko je god vise moguce.
Uspjeh u izlaganju, na koncu, ovisi i od koristenja razliitih vrsta vizualnih
pomagala. Danas se, dakako, sve rjede koristi ploa i kreda kao pomagalo, iako jos uvijek
nije i potisnuto. No, zato se, mnogo vise nego ranije, koriste dijapozitivi, grafoskop, te,
razvojem raunalne tehnologije, LCD projektori. Internet tehnologije, na koncu, omogucuju
koristenje dokaza, injenica i argumentacija i upotrebom Interneta.
2. ODNOS ZNANSTVENE METODE I METODOLOGIJE
II.1. $OPEE O ZNANSTVENOJ METODI
Rije 6'+7., je grkog podrijetla (methodos = put, nain, istraivanje) i oznaava
planski postupak ispitivanja i istraivanje neke pojave, odnosno nain rada za ostvarivanje
nekog cilja na filozofskom, znanstvenom, politikom ili praktinom podruju. Sam termin
metoda se moe upotrijebiti u tri temeljna znaenja:
prvo, kao nain obavljanja nekog rada koji je smisljen i ustaljen,
40
drugo, da oznaava gotov model, proceduru, redoslijed ili shemu po kojoj se odvija
neka djelatnost. Takve su, primjerice, metode politike djelatnosti, metode umjetnikog
stvaralastva itd.,
i trece, da se njome oznai misaoni, logiki postupak koji je primijenjen s ciljem da
se znanstvene injenice i podaci obrade sto lakse, tonije, ali i sustavno (znanstvena
metoda).
Jasno je, dakle, da se moe govoriti o veoma razliitim metodama u mnogobrojnim
podrujima ljudske djelatnosti. Ali, pri tome je veoma bitno pravljenje razlike izmedu svih
onih koje se mogu svesti pod zajedniki imenitelj neznanstvene metode i drugih, koje su u
kontekstu ove analize predmet detaljnijeg promisljanja, a koje se oznaavaju zajednikim
imenom kao znanstvene metode.
Kada je u pitanju skupina *'?*,*1+;'*/A 6'+7.,, $ohen i 1agel prave razliku
izmedu tri osnovne vrste ovih metoda. To su:
a) Metoda ustrajnosti, koja se temelji na nekoliko premisa, a prije svega na
vjerovanju u odredenu tvrdnju neovisno o tome koliko je drugi osporavaju,
stalnom i sve prepoznatljivijem uvrscivanju odredenog uvjerenja logikom
upornog i istrajnog ponavljanja, te na spremnosti proglasavanja neznalicama
svih drugih koji ne dijele isto misljenje.
b) Metoda autoriteta, koja nije nista drugo nego pozivanje na autoritete uvijek
kada je ono u funkciji potkrepljivanja i argumentiranja vlastitih uvjerenja.
Pozivanje na autoritet, koji, usput reeno, u znanosti ne mora znaiti nista, se
moe iskoristiti u razliitim formama. Ipak, izdvojiti se mogu osobito dvije
njegove vrste:
I. Pozivanje na autoritet u situacijama u kojima nismo, ili zbog nedostatka
vremena ili zbog nedovoljnog obrazovanja, u mogucnosti rijesiti odredeni
problem. zbog nedovoljnog obrazovanja se, primjerice, prepustamo sudu
lijenika u dijagnozi nase bolesti.
II. Pozivanje na autoritet koje nekim izvorima pripisuje nepogresivost i
konanost i neku vanjsku silu, kakav je sluaj kod religije, poziva da
sankcionira rjesenja tih izvora.
c) Metoda intuicije, koja snagu odredenog uvjerenja temelji na sudovima koji su
toliko "oigledno istiniti da u njih ne treba sumnjati, niti ima potrebe
provjeravati ih. Jasno je da metoda koja se temelji na ovakvim premisama, ne
moe pretendirati na znanstvenost, ako ni zbog ega drugoga onda zbog
injenice da je u znanosti sve podvrgnuto sumnji i potrebi provjere. Intuicija
sama po sebi ne znai. Ona, sama po sebi, ne znai i istinitost. Uostalom, moe
se navesti toliko primjera u povijesti koji su se temeljili na naelu oigledne
istinitosti, a ipak se radilo o velikom pogreskama. Prisjetimo se samo
karakteristinog stradanja Galilea Galileja zbog suprotstavljanja oiglednoj
istini, stradanja, pokazalo se kasnije, zbog istine same.
Govoriti o ?*,*1+;'*/6 6'+7.,6, znai, i to na samom poetku, potrebu
postavljanja i nekoliko temeljnih pitanja. to je, primjerice, znanstvena metoda? Ili, moe li
se o znanstvenoj metodi uopce govoriti?
Izvjesno je da u odgovorima na postavljena, ali i masu drugih pitanja u vezi s
fenomenom znanstvene metode, postoje veoma razliiti teorijski odgovori. Polazeci,
najvjerojatnije, od temeljnog suda da se radi o kategoriji koja je veoma kompleksna, i ije
se znaenje ne moe zaokruiti definicijom u njenoj tradicionalnoj formi, Cohen (Koen) i
Nagel (Nejgel), odgovarajuci na pitanje sto je znanstvena metoda, pribjegavaju
svojevrsnom deskriptivnom pristupu. Znanstvenu metodu radije stavljaju u odnos s
parametrima koji je odreduju.
18
No, ne zadravaju se samo na tom odnosu. Odgovor na
pitanje sto je znanstvena metoda trae i kroz raspravu o nekim njenim osobinama.
19
18
Znanstvenu metodu dovode u odnos s injenicama, s hipotezama, ali i sa svjedoanstvima koja
otklanjaju sumnje.
19
Takva je, po njihovom sudu, primjerice, osobina znanstvene metode da sama sebe ispravlja, ali i
neke druge.
41
!right Mills (Rajt Mils), medutim, ide korak dalje. On govori o dva stila ili dva
modela, dva puta istraivanja u kojima se, ako ih se detaljnije proanalizira, moe
prepoznati da se radi i o metodi. Jedan stil istraivanja, pri tome, oznaava terminom
makroskopski, podsjecajuci da su ga prakticirala najveca svjetska socioloska imena
20
, ali i
precizirajuci da je njegova bit u komparativnom bavljenju globalnim drustvenim
strukturama. Drugi stil istraivanja on oznaava terminom molekularni, precizirajuci da mu
je osnovna znaajka u tome da polazi od problema malog obima i da se uglavnom temelji
na statistikom modelu verifikacije. Mills smatra da optimalno rjesenje u istraivanju
drustvenih pojava ne moe predstavljati ni jedan ni drugi, ni makroskopski ni molekularni
stil istraivanja. Ali, do optimalnog, novog modela moe se doci relativno jednostavno,
svojevrsnim organskim spojem prethodna dva (Vidi o tome, C.W.Mills, u Power, 1963.,
533.-576.).
Ipak, u literaturi se najesce moe susresti pokusaj da se na pitanje, sto je
znanstvena metoda, odgovori na tradicionalni nain, dakle da ju se definira. Veliki je broj
takvih definicija. Karakteristinim svakako treba smatrati i pristup koji pod pojmom
znanstvene metode podrazumijeva skup razliitih postupaka kojima se znanstvenik koristi
u znanstvenoistraivakom radu da bi istraio i izloio rezultate znanstvenog istraivanja u
odredenom znanstvenom podruju, znanstvenom polju, grani, ogranku ili znanstvenoj
disciplini. Istovremeno, znanstvena metoda je i put istraivanja kojim se oblikuje i
izgraduje znanost. Znanstvenom metodom naziva se i svaki nain znanstvenog istraivanja
koje osigurava sigurno, sredeno, sistematino, precizno i tono znanje (Zugaj, 1997.).
21
Uvaavajuci znaenje svih odredenja, uvjereni smo da je biti problema najblie ono
koje polazi od teze da metoda u najsirem smislu obuhvaca tri elementa. Najprije, to je
postupak kako se dolazi do znanja, tj. radnje koje treba izvrsiti da bi se doslo do spoznaje
predmeta. Zatim, to je znanje o samom predmetu, koje omogucuje da se postupak bolje
prilagodi samom predmetu i tako ovaj potpuno spozna. Najzad, to su sredstva pomocu
kojih se predmet moe spoznati, tj. oni konkretizirani specifini postupci, kao i materijalna
sredstva, pomocu kojih otkrivamo one osobine predmeta ija nam spoznaja predstavlja cilj
znanstvenog istraivanja (Lukic, 1976., 47-48.).
Prihvati li se navedeni pristup, a u ovom je pristupu rije upravo o tome, izvjesno
je da se znanstvena metoda moe odrediti i u znaajno reduciranijoj formi, a da se, pri
tome, nista ne izgubi u kvalitativnom smislu. U najsirem znaenju rijei, dakle, znanstvena
metoda se moe oznaiti kao na.in i (ut dolaska do znanstvene s(oznaje o (ojavama
u (rirodi ili dru0tvu.
Razloili li se navedeni nain i put dolaska do znanstvene spoznaje, dakle
znanstvena metoda u najsirem znaenju rijei, na svoje sastavne dijelove, u njoj se daju
identificirati najmanje etiri bitne komponente:
a) postupci dolaenja do znanstvene spoznaje, odnosno faze procesa znanstvenog
istraivanja,
b) metode znanstvenog istraivanja (metode u uem znaenju),
c) tehnike i instrumenti prikupljanja empirijskih podataka, te
d) tehnike obrade prikupljenih podataka.
Redoslijed, kojeg smo naprijed izloili, biti ce u potpunosti postivan i u daljoj teorijskoj
eksplikaciji.

II.2. RAZLIKE IZMEF$ ZNANSTVENE METODE I METODOLOGIJE

Dosta esto se, a zbog neznanja, stavlja znak jednakosti izmedu znanstvenih
metoda i metodologije. Jasno je, medutim, da se radi o razliitim, iako medu sobom jako
povezanim, teorijskim pojmovima. Znanstvena metoda je, ponavljamo, nain i put
dolaenja do znanstvene spoznaje o pojavama u prirodi i drustvu. O njenim osnovnim
znaajkama smo govorili u prethodnom dijelu analize. Stoga im se ne kanimo vracati i
ovdje.
20
Medu njima apostrofira posebice Webera, Marxa, Simmela, Mannheima, Michelsa i neke druge.
21
Slino odredenje se moe sresti i kod Ratka Zelenike (vidjeti Zelenika, 1990., 159.-163.)
42
Metodologija je, naprotiv, a kao bitni dio ili grana logike, znanost, i to znanost o
metodama znanstvenog istraivanja. Kao logika disciplina ona, dakle, izuava metode,
razvija njihova logika naela, ali i nastoji sistematizirati i ocijeniti istraivako iskustvo
jedne znanosti itd.
I ne samo to. Njena bitna funkcija jeste i u takozvanoj logiko-epistemoloskoj
kritici itave znanstveno istraivake prakse u svim njenim logikim, tehnikim,
organizacijskim i strategijskim aspektima (Milic, 1978.). Prihvati li se ta teze, a u ovoj se
analizi upravo o tome radi, onda to znai da se metodologiju ne moe reducirati na puko
prouavanje putova i sredstava kojima znanost nastoji ici dalje. Naprotiv, predmet njenog
bavljenja je i znanstveni sustav uopce, dakle nain na koji su sredene utvrdene znanstvene
spoznaje i znanstveno znaajne pretpostavke.
Ako se na ovaj nain odredi metodologija onda je potpuno izvjesna njena uska
povezanost s gnoseologijom kao teorijom spoznaje, znanoscu o izvorima, mogucnostima i
granicama znanstvene spoznaje, ali i s epistemologijom kao znanoscu o spoznaji. S druge
strane, buduci je i sama dio logike, nesporna je njena isprepletenost i s opom logikom. S
ovim znanstvenim disciplinama se metodologija susrece na vise kolosijeka. O susretu se
moe govoriti kada su u pitanju neke osnovne ontolosko-gnoseoloske pretpostavke o
pitanjima poput, primjerice, ovih: sto je stvarnost, postoji li ona neovisno od ovjeka koji
pokusava da je shvati, je li spoznaja uopce moguca, te, ako jeste, u kojoj mjeri je moguca,
na koji je nain moguca i vjerojatno najuspjesnija itd. Ali, do susreta, i to susreta koji
rezultira mnogo vrscim i isprepletenijim odnosom, neovisno o tome radi li se o vezama u
trokutu ili vezama izmedu metodologije i neke od ostalih dviju apostrofiranih disciplina,
dolazi i izvan navedenih osnovnih ontolosko-gnoseoloskih pretpostavki, na konkretnijim i
uim, ali i kljunijim pitanjima.
Ispitivanje kriterija istinitosti spoznaje i razrada naela njene provjere je,
primjerice, podruje na kojem metodologija i gnoseologija moraju stalno suradivati i na
kojem se veoma pribliavaju. Isprepletenost je neupitna usprkos injenici da ove dvije
znanstvene discipline na razliit nain prilaze osnovnom gnoseoloskom pitanju, pitanju je li
spoznaja uopce moguca. Naime, tom temeljnom gnoseoloskom pitanju metodologija ima
izgraden svojevrsni postulativan pristup. Radi se, dakle, o tome da se onaj, tko ne vjeruje u
mogucnost objektivne spoznaje, nece ni baviti znanstvenim radom. Vrijedi, dakako, i
obrnuto. Onaj tko se odlui na znanstveno istraivanje, ini to, po naravi stvari, zbog svoja
uvjerenja da je objektivna spoznaja moguca.
Slian postulativan pristup metodologije moe se identificirati i kod nekih drugih
kategorija spoznajno-teorijske, ali i ontoloske prirode. Karakteristino je, primjerice, pitanje
postoji li u stvarnosti objektivna uvjetovanost i uzrona povezanost medu pojavama.
Znanstveno uopcavanje, koje se uvijek temelji na otkrivanju nekog reda, neke pravilnosti u
odredenom dijelu objektivne stvarnosti, zapravo i polazi od postulativnog pristupa o
uvjetovanosti i uzrone povezanosti medu pojavama. Metodologija, dakle, i u ovim, ali i u
drugim slinim sluajevima, polazi, i to bez detaljnijeg obrazlaganja, od prihvacanja
odredenih gnoseoloskih rjesenja, a svoje teiste usmjerava na pronalaenje naina i
istraivakih postupaka, pomocu kojih je postulativno prihvacena gnoseoloska rjesenja
moguce sto uspjesnije dokazivati.
Dakako, postulativno pozitivan odnos metodologije prema nekim gnoseoloskim
kategorijama ne znai i potpuno slaganje u vezi s njima. Primjerice, pozitivan stav
metodologije prema temeljnom gnoseoloskom pitanju, pitanju mogucnosti spoznaje
stvarnosti, ne znai i istodobno prihvacanje subjektivizma kao jedne od gnoseoloskih
vrijednosti. Dapae, znanost, sama po sebi, a u nastojanju da dode do spoznaje koja je
objektivna, dakle opcepristupana i provjerljiva, iskljuuje subjektivistiko gledanje na
prirodu spoznaje. Subjektivno uvjerenje, ali i apsolutna sumnja, znanstvenika, koji ne
podlijeu principu provjerljivosti, ne mogu biti osnova znanstvene spoznaje.
Na slian se nain moe pratiti i pitanje povezanosti metodologije sa logikom.
Buduci je metodologija i sama dio logike, nedvojbeno je da su kategorije poput pojma,
definicije, suda, zakljuka, dokaza i sline, koje su po svojoj prirodi logike, istodobno i
temeljni metodoloski pojmovi i kategorije. Njihovom se elaboracijom, medutim, a upravo
zbog injenice da je to posao opce logike, metodologija nema potrebe detaljnije baviti. Ali,
43
nema sumnje da ce ih ona, zato, eksploatirati u rasvjetljavanju bilo kojeg metodoloskog
problema.
Ta injenica, dakako, ne znai i mogucnost poistovjecivanja izmedu ovih dviju
znanstvenih disciplina. Dapae, izmedu logikog i metodoloskog pristupa znanstvenom
istraivanju postoje dosta jasne linije razdvajanja. Primjerice, u prouavanju istraivake
djelatnosti neke znanstvene discipline metodologija ce, usporedo s panjom koju posvecuje
logikom okviru istraivanja, ispitivati i tzv. tehnike istraivanja, dakle sva sredstva koja se
koriste na putu do novih znanstvenih spoznaja. Ili, pored toga sto se koncentrira na
ispitivanje i razvijanje kriterija na provjeravanje onoga sto je spoznato, sto je njena isto
logika funkcija, metodologija ima obvezu i upucivati istraivanja u pravcima u kojima ima
najvise izgleda da ce se postici nove korisne spoznaje. Drugim rijeima, pored logikih
funkcija, koje su ugradene u nju, metodologija je, u izvjesnoj mjeri, i heuristika, u nju su
inkorporirani logiki, ali i heuristiki, pa i tehniki elementi.
II.3. NAELA I ZNAAJKE METODOLOGIJE ZNANSTVENOISTRAIVAKOG RADA
U prethodnom smo dijelu analize nastojali sire pojmovno odrediti metodologiju. Pri
tome smo obvezni dodati da se dosta esto moe susresti podjela na o(2u i (osebne
metodologije. Ovakav dodatak je potreban, izmedu ostalog, i zbog toga jer se sva
obiljeja, koja smo apostrofirali u funkciji pojmovnog odredenja, odnose na opcu
metodologiju. Opa metodologija je, drugim rijeima, onaj dio logike koji za svoj predmet
ima izuavanje opcih putova, zakonitosti i problema ljudske spoznaje. Za razliku od nje,
posebne metodologije u sredistu svoga interesa imaju izuavanje i normiranje putova i
naina dolaenja do znanstvene spoznaje unutar pojedinih znanosti.
Sve reeno ne znai da izmedu ovih dviju metodologija postoji izvjesni jaz. Dapae,
radi se samo o putu od opceg prema posebnom i pojedinanom kao opcem principu
znanstvene spoznaje. Drugim rijeima, ono sto se u posebnim metodologijama moe
identificirati kao posebnost je modifikacija putova kojima se dolazi do znanstvene spoznaje
prema zahtjevima svake posebne znanosti ili skupine znanosti. Jos konkretnije,
metodologije socioloskih, ekonomskih, pedagoskih ili nekih drugih posebnih znanosti
ukljuuju za te znanosti specifine logike, tehnike i druge operacije, primjenjive samo u
njima. S druge strane, neka metodoloska naela i instrumenti mogu biti zajedniki za veci
broj znanstvenih disciplina unutar jedne znanstvene oblasti. U svim znanstvenim
disciplinama unutar skupine drustveno-humanistikih znanosti se, primjerice, mogu
primjenjivati iste ili sline metode, tehnike ili instrumenti znanstvenog istraivanja. U svima
njima je, tako, moguce primijeniti induktivnu i deduktivnu metodu, metodu analize i
sinteze, tehniku ankete ili upitnik kao instrument.
Opci metodoloski principi su, medutim, opcevaeci i unutar svake posebne
metodologije. Takav je, primjerice, princip uzronosti, princip nunosti, princip zakonitosti
itd. Ili, zajedniki svim znanstvenim disciplinama i oblastima su kategorije definicije,
klasifikacije, analize i sinteze, indukcije i dedukcije, pojmovi hipoteze i dokaza i slino.
Stoga se, u okviru odabranog pristupa, ne elimo ni baviti posebnostima pojedinih
disciplina. Vise nas zanimaju opci metodoloski principi. Donja granica posebnosti, koju smo
uvaavali u nasoj analizi, je razina drustveno-humanistikih znanosti, unutar kojih smo
nastojali utvrditi neke zajednike principe, metode, tehnike i instrumente znanstvenog
stvaralastva.
Kad su, pak, u pitanju znaajke znanstvene metodologije, izvjesno je da se moe
govoriti o vecem broju njih. No, vjerujemo da tri od njih zavrjeduju da ih se posebno
apostrofira:
a) Tvrdnje treba iznositi jasno, precizno i drustveno razumljivo (komunikabilno);
b) Znanstvena spoznaja u jednom podruju moraju biti obrazloena i povezana s
drugim spoznajama, jedni se stavovi izvode iz drugih u skladu s logikim pravilima koja
imaju objektivni drustveni karakter;
c) Svi se rezultate znanstvenog istraivanja moraju provjeriti u praksi (Zugaj,
1997., 1.).
II.4. VRSTE METODOLO<KI# PRO%LEMA
44
Iako pristup moe biti i drugaiji vjerujemo da se unutar znanstvene metodologije
moe identificirati najmanje tri njena sastavna dijela ili tri osnovne skupine metodoloskih
problema:
a) logiki
b) tehniko-organizacijski
c) strategijski
a) 3ogi.ki (roblemi metodologije znanstvenoistraivakog rada obuhvaca veci
broj sastavnih komponenti. To su, prije svega, sva pitanja koja se tiu naina formiranja i
analize sadraja formiranih znanstvenih pojmova. U ovu skupinu problema se ubrajaju i
ispitivanja logike strukture znanstvenih uopcavanja, zakona i teorija, pitanja u vezi s
mjestom i ulogom, vrstama i tipovima hipoteza, te pravila kojih se znanstvenik ima
pridravati u procesu donosenja vlastitih sudova, zakljuaka i dokaza. Sve to upucuje na
potrebu poznavanja osnovnih logikih kategorija, bez kojih metodologija ne moe
odgovoriti svojoj temeljnoj zadaci. Takvi su, primjerice, logiki pojmovi kao sto su sud,
zakljuak, definicija, divizija, distinkcija, deskripcija, eksplanacija, zakon, verifikacija, ali i
neki drugi. U kontekstu metodoloske rasprave, medutim, smatramo raspravu u njima i
nepotrebnom i suvisnom. Ali, zato upucujemo na potrebu konzultacije temeljnih sadraja iz
podruja opce logike, koja je neophodna pretpostavka svakog ozbiljnijeg metodoloskog
prosudivanja.
b) Tehni.ko4organizacijski (roblemi metodologije znanstveno-istraivakog
rada se odnose na sva pitanja u vezi s prikupljanjem, sredivanjem i obradom prikupljenih
podataka u procesu znanstvenog istraivanja. U podruju drustvenih znanosti u pitanju su,
prije svega, razliite tehnike u prikupljanju iskustvene grade, kakve su, primjerice, anketa,
analiza sadraja, tehnika skaliranja itd. S druge strane, ova grupa problema obuhvaca i sva
pitanja u vezi s postupcima sredivanja i obrade podataka, kakve su, oito, i statistike
tehnike obrade podataka. Na koncu, u ovu grupu problema treba ukljuiti i sva tehnika
pravila koja se primjenjuju u organizaciji razliitih oblika istraivanja.
Nema sumnje da se ovim dvjema grupama metodoloskih problema u razliitim
fazama razvoja jedne znanosti moe pridavati i razliita razina vanosti. U odredenoj
razvojnoj fazi se teorijski preferira skupina logikih problema, a tehniko-organizacijski se
problemi potpuno zapostavljaju. U nekoj drugoj fazi stanje stvari moe biti potpuno
obrnuto. Primjer razvoja sociologije kao znanstvene discipline najzornije govori o tim
razliitim razvojnim mogucnostima. Od svoje pojave pa sve do dvadesetih godina XX.
stoljeca u sociologiji je prevladavao logiki pristup u socioloskim analizama. O tehnici
socioloskih istraivanja se nije ni govorilo ili se govorilo veoma malo. Medutim, od
dvadesetih godina nastupa razvojni obrat koji, u svojoj najradikalnijoj formi, egzistira sve
do sezdesetih godina ovog stoljeca. On, medutim, jos uvijek nije potpuno eliminiran.
Naprotiv, danas se veoma esto govori o amerikanizaciji socioloske znanosti koja ne znai
nista drugo nego jos uvijek njenu naglasenu orijentaciju na amerikom kontinentu na
istraivanja, u kojima je manifestno preferiranje takozvanog empiristikog tehnicizma,
opterecenost sredstvima i formama prikupljanja iskustvene grade.
Ako bi se htjelo tragati za optimalnim odnosom izmedu ova dva pristupa u razvoju
odredene znanosti, barem kada su u pitanju drustvene znanosti, a prema nasem uvjerenju
to vrijedi i za znanost uopce, vjerujemo kako se on nalazi u svojevrsnoj ravnotei izmedu
logiko-epistemoloske i tehnike dimenzije znanstvene djelatnosti. Preferiranje jedne ili
druge, davanje veceg znaenja jednoj na stetu druge, moe jedino stetiti znanstvenoj
djelatnosti.
c) Strategijski (roblemi, koji se, najjednostavnije kazano, odnose na injenicu
da je u metodologiju ukljuena i heuristika
22
ili barem njeni bitni elementi. Ako bi, pak,
preciznije htjeli odrediti samu znanstvenu strategiju, nemoguce bi bilo izbjeci navodenje
osnovnih elemenata koji je ine. U tom bi se smislu moglo kazati da znanstvenu strategiju
ini odredivanje osnovnih ciljeva znanstvene djelatnosti, razmatranje najsvrsishodnijih
22
Heuristikom se oznaava induktivno-analitiki dio svake znanosti, kojemu je zadaca prikupljanje i
analiziranje podataka s odredenog znanstvenog podruja, te odredivanje njihovih osobina i razlika.
45
putova i sredstava njihova ostvarivanja, te izbor najprihvatljivijih organizacijskih formi
unutar kojih je uspjeh u ostvarivanju postavljenih ciljeva najvjerojatniji.
Operacionalizira li se ova definicija u odnosu na njen dio, koji se tie odredivanja
ciljeva znanstvene spoznaje, nuno je postaviti pitanje koje su to strateske vrste ciljeva
znanstvene djelatnosti. Vjerujemo da se svi oni daju grupirati u dvije velike skupine:
1. Ciljevi koji su vezani za neposredne praktine zadace znanstvene djelatnosti, a
putem ijeg rjesavanja znanost pomae drustvenoj praksi, te
2. teorijski ciljevi, smisao ijeg ostvarivanja je omogucavanje breg razvoja i
same znanosti.
3. !AZE PRO"ESA ZNANSTVENOG ISTRAIVANJA

3.1. OPEENITO O !AZAMA ZNANSTVENOG ISTRAIVANJA
46
Znanstveno istraivanje je veoma kompleksan proces. Kao cjelina on obuhvaca
veci broj, medusobno povezanih radnji koje se mogu klasificirati u vise zasebnih faza.
23
Pristup njihovoj klasifikaciji nije jedinstven. Naprotiv, u odnosu na to postoje znaajne
razlike medu autorima.
+atko 5elenika, primjerice, pravi razliku izmedu sedam faza znanstvenog
istraivanja: 1) uoavanje znanstvenog problema i njegova formulacija, 2) hipoteza, 3)
izbor i analiza teme, 4) izrada orijentacijskog plana znanstvenog istraivanja, 5)
sastavljanje radne bibliografije, 6) prikupljanje, prouavanje i sredivanje literarnog
materijala i 7) utvrdivanje strukture i kompozicije znanstvenog djela (Zelenika, 1990.,
209.).
Miroslav ugaj se opredjeljuje za slijedecu podjelu faza ukupnog procesa
istraivanja (od nekoga preuzeto):
1. Uoavanje problema istraivanja (a) Definiranje problema, (b) Utvrdivanje
svrhe, ciljeva i zadataka istraivanja,
2. Ograniavanje polja istraivanja (a) Izbor sireg znanstvenog podruja, b)Izbor
ueg znanstvenog podruja,
3. Postavljanje hipoteza,
4. Provjeravanje hipoteza,
5. Pismeno uobliavanje tijeka istraivanja,
6. Primjena rjesenja i kontrola. (Zugaj, 1989., 324.)
6ladimir Mui2 pravi razliku izmedu sedam odvojenih cjelina ukupnog procesa
istraivanja: 1. Izbor problema istraivanja; 2. Izrada projekta istraivanja i stvaranja
uvjeta za njegovo izvrsavanje; 3. Sakupljanje podataka o pojavi koju istraujemo. U tu se
svrhu primjenjuju osnovne metode istraivanja i brojni postupci i instrumenti sakupljanja
podataka; 4. Obrada sakupljenih podataka, u emu esto statistika ima istaknutu ulogu; 5.
Interpretacija rezultata koji su dobiveni obradom podataka, kako bi se iz njih izveli zakljuci
o novim spoznajama koje nam je (ili nije) to istraivanje pruilo; 6. Objavljivanje izvjestaja
o istraivanju; 7. Praktina primjena novih spoznaja do kojih se doslo istraivanjem(Muic,
1982., 48.)
Miroslav 6ujevi2 razlikuje ak trinaest razliitih faza cjelovitog istraivakog
procesa u oblasti drustvenih znanosti:
1. Izbor i definiranje problema istraivanja,
2. Odredivanje podruja znanstvene analize,
3. Definiranje pojmova i pojmovna analiza,
4. Odredivanje ciljeva istraivanja,
5. Postavljanje hipoteza
6. Identifikacija i klasifikacija varijabli,
7. Operacionalizacija varijabli,
8. Utvrdivanje nacrta istraivanja,
9. Izbor i razrada metoda za prikupljanje podataka,
10. Planiranje i provodenje terenskog dijela istraivanja,
11. Sredivanje i obrada podataka,
12. Interpretacija podataka,
13. Pisanje znanstvenog izvjestaja (Vujevic, 1990., 41.).
Navedene faze Vujevi dijeli u tri skupine razliitih aktivnosti: teorijsku (od 1. do
5. faze), empirijsku (od 6. do 11. faze) i skupinu koja povezuje teorijski i empirijski dio
procesa istraivanja (12. i 13. faza).
Uvaavajuci sve ostale pristupe u klasifikaciji, smatramo kako se, u okviru
ukupnog procesa istraivanja, moe identificirati sest razliitih faza. To su:
1. Izbor i definiranje predmeta istraivanja,
2. Postavljanje hipoteza i sredivanje varijabli istraivanja
3. Izrada projekta istraivanja,
4. Prikupljanje, sredivanje i obrada empirijskih podataka
23
Pod fazom istraivanja G. A. Gilli podrazumijeva stupanj ukljuenosti nekog istraivanja u neku
konkretnu situaciju: tj. istraivanje u toliko visoj fazi u koliko je uspjelo - kao istraivanje (tj. kao
teorijsko-praktina djelatnost) zauzeti djelatnu ulogu u jednoj situaciji.
47
5. Znanstveno tumaenje i interpretacija podataka,
6. Izvjestaj o rezultatima istraivanja.
U analizi koja slijedi navedene faze ce biti detaljnije razmotrene.
3.2. IZ%OR I DE!INIRANJE PREDMETA ISTRAIVANJA
Cinom izbora i definiranja predmeta zapoinje svako znanstveno istraivanje. Pri
tome pripominjemo da pod izborom i definiranjem predmeta istraivanja podrazumijevamo
dvije skupine radnji:
a) Izbor predmeta istraivanja, koji ukljuuje:
a.1) Traenje znanstvenih informacija, neophodnih za formuliranje predmeta
istraivanja
a.2) Formuliranje predmeta istraivanja
b) Odredivanje ciljeva istraivanja
U analizi, koja slijedi, elimo apostrofirati najznaajnije elemente i jedne i druge
radnje u okviru navedene faze istraivanja.
3.2.1. I?87( 2('.6'+, /1+(,C/;,*&,
Kao predmet istraivanja uvijek se uzima problem koji se ne moe rijesiti ni
uenjem, ni studiranjem. U protivnom, dakle ukoliko se znatielja moe zadovoljiti na taj
nain, problem koji je predmet znatielje ne moe biti i predmetom znanstvenog
istraivanja. O njemu je potrebna spoznaja dokuena, a do nje se moe doci studiranjem
vec dostignutog znanja o predmetu. Drugim rijeima, predmetom istraivanja moe biti
samo problem o kojemu nema dovoljno spoznaja. Put do spoznaja o njemu vodi jedino
preko novog istraivanja.
Doduse, nedovoljnost spoznaje o odredenom predmetu ne znai da se o njemu
nema bas nikakvog znanja. Ali, ono jos uvijek nije dovoljno sto je, samo po sebi, vec
dostatan razlog realizacije novog istraivanja.
S druge strane, uoavanje problema, kojeg treba istraiti, ne treba promatrati
samo kao prvu fazu u procesu istraivanja. Naprotiv, na njega treba gledati i kao na
najatraktivniji posao u ukupnom istraivanju. Koliko se znaenje pridaje upravo uoavanju
problema pokazuje i podatak da ga mnogi smatraju bitnijim ak i od samog rjesenja. Pri
tome se esto citiraju Einstein i &n'eld80 poznata imena iz svijeta znanosti, koji
apostrofiraju znaenje formuliranja problema ak i u odnosu na njegovo rjesenje koje
moe biti stvar puke matematike ili eksperimentalne vjestine. Postaviti nova pitanja,
otkriti nove mogucnosti, sagledati stvarne probleme iz novog kuta zahtijeva stvaralaku
imaginaciju i oznaava stvarni napredak znanosti (prema Maslov, 1982., 78.).
3.2.1.1. T(,C'*&' ?*,*1+;'*/A /*:7(6,)/&, *'72A7.*/A ?, :7(6>-/(,*&' 2('.6'+,
/1+(,C/;,*&,
Traganje za znanstvenim in'ormacijama u vezi s odredenim problemom, dakle
traganje za naslijedem ovjeanstva u pogledu verificirane znanstvene materije i tekucih
podataka o neprestanom traganju ovjeka za spoznajom, se javlja kao bitna pretpostavka
formuliranja i definiranja predmeta istraivanja.
Inae, znanstvene se informacije mogu pojaviti u vise relevantnih formi. Za
znanstvene radnike, medutim, posebno znaenje imaju dvije vrste znanstvenih informacija:
one, koje se tiu rezultata novih istraivanja, te znanstvene informacije koje se odnose na
ve prihvaene spoznaje.
Bitno je, medutim, neovisno o tome radi li se o jednoj ili drugoj vrsti znanstvenih
informacija, da se do njih moe doci na razliitim mjestima, odnosno da se moe govoriti o
postojanju razliitih centara za prikupljanje znanstvenih informacija. Medu njima se istiu
osobito biblioteke, dokumentacijski centri i arhive, a danas ulogu najznaajnijeg centra za
prikupljanje znanstvenih informacija sve vise preuzima Internet.
48
S druge strane, neovisno o kojoj se vrsti znanstvenih informacija radi, bitno je i to
da se svi moguci izvori znanstvenih informacija mogu selektirati na tri temeljne grupe:
- primarne, koji podrazumijevaju originalne radove, poput knjiga, separata,
magistarskih i doktorskih radnji, referata, diplomskih radnji, patenata, prirunika i
udbenika itd.
- sekundarne, u kojima se mogu pronaci samo osnovne informacije o odredenoj
publikaciji ili, eventualno, nesto znaajniji podaci o najbitnijim elementima sadraja
publikacija ili dokumenata. Razliiti registri, kartoteke, bibliografije ili katalozi biblioteka i
centara za dokumentaciju nisu nista drugo nego vrsta sekundarnih izvora znanstvenih
informacija.
- tercijarne - kakvi su rjenici, leksikoni, enciklopedije itd.- dakle svi oni izvori koji
sadre sredene i sistematizirane informacije o odredenom problemu ili podruju.
Traganje za znanstvenim informacijama, koje je u funkciji formuliranja i definiranja
predmeta istraivanja, namece i potrebu rasvjetljavanja postupka, koji se u tom procesu
traganja primjenjuje. Iako se radi o dosta kompleksnom poslu, vjerujemo da se moe
govoriti o svojevrsne dvije faze, ili dvije grupe zadataka, koje taj postupak namece.
Jedna se tie sastavljanja radne bibliografije, a ona podrazumijeva, s jedne strane,
upornost i sistematinost u traganju za razliitim oblicima znanstvenih informacija -
razliitim bibliografijama i bibliografskim biljeskama objavljenim u asopisima i
publikacijama, razliitim katalozima i indeksima znanstvenih biblioteka, raznim
enciklopedijama, leksikonima, fundamentalnim prirunicima i zbornicima radova itd. - a s
druge strane razvrstavanje svih prikupljenih bibliografskih jedinica u zasebne skupine
podataka. U principu se moe praviti razlika izmedu etiri skupine bibliografskih jedinica:
a) knjiga
b) studija, referata i lanaka
c) nepotpisanih radova
d) skupine ostalih bibliografskih jedinica, medu kojima se istiu prirunici,
konvencije, propisi itd.
Druga faza, ili druga grupa zadataka, koje namece postupak traganja za
znanstvenim informacijama, podrazumijeva takoder sloen i obiman posao, posao
prikupljanja, prouavanja i sredivanja prikupljenog materijala. Radi se, zapravo, o poslu
koji ukljuuje tri razliite vrste aktivnosti i to:
I. prikupljanje literarnog materijala, koje se temelji na dva razliita izvora:
a) pisanoj gradi kao temeljem informacija,
b) razgovoru s kompetentnim osobama na znanstvenim skupovima, kongresima
i konferencijama, koji se moe oznaiti usmenim izvorom znanstvenih
informacija
II. prouavanje literarnog materijala, koje mora slijediti logiku, s jedne strane,
prvenstva prouavanja najnovije i najaktualnije literature, a tek tada i ostale, a
s druge strane praksu sredivanja i zapisivanja svih spoznaja i injenica. Pri tome
je vano pripomenuti da se u procesu prouavanja literarnog materijala mogu
koristiti razliite vrste ili tehnike itanja:
a) letimino, odnosno itanje na preskok, koje se prakticira kod pronalaenja
pojedinih dijelova nekog djela,
b) potpuno, ili itanje od korica do korica, koje se prakticira kod pisanja
znanstvenih recenzija i prikaza, ali rijetko i u znanstvenoistraivakom radu,
c) studijsko, koje nije nista drugo nego neka vrsta kombinacije prethodnih dviju
tehnika, a podrazumijeva paljivo itanje samo onih dijelova koji vas posebno
zanimaju.
III. Sredivanje prikupljenog materijala. Ono podrazumijeva, s jedne strane,
vodenje razliitih vrsta biljeaka u vezi s prikupljenim i prouenim literarnim
materijalom
24
, a s druge strane selekciju, analizu i sintezu relevantnih injenica
do kojih se doslo tijekom prikupljanja i prouavanja dostupnog literarnog
materijala.
24
Biljeske mogu biti: a) bibliografske, b) dokumentarne, koje su posebno znaajne jer se tiu
predmeta istraivanja, c) metodoloske, d) marginalne, koje nisu nista drugo nego zapisi na
marginama teksta, e) koristenje sistema podvlaenja teksta itd.
49

3.2.1.2. !7(6>-/(,*&' 2('.6'+, /1+(,C/;,*&,
Putovi i naini dolaska do spoznaje o izabranom i definiranom problemu su dosta
razliiti. Postoji, medutim, suglasje o tome da najdjelotvorniji i najprihvatljiviji put i nain
treba traiti u izraavanju uoenog problema u obliku pitanja jer se i istraivanje, u tom
sluaju, javlja kao svojevrsno traganje za adekvatnim odgovorom.
Temeljno pitanje, koje se, samo od sebe, namece u postavljanju problema
istraivanja, je pitanje naina na koji problem istraivanja treba postaviti. U vezi s tim
postoje razliiti teorijski pristupi. No, prevladava uvjerenje da je najefikasniji onaj nain koji
se temelji na postavljanju problema istraivanja u formi precizno formuliranog pitanja.
Snaga ovakvog uvjerenja poiva na tezi da dobro postavljeno pitanje znai mnogo,
ponekad ak i polovicu odgovora. Pri tome je manje vano hoce li pitanje biti formulirano u
jednoj ili vise reenica.
No, ono sto jeste vano svakako je injenica da je pridravanje odredenih kriterija
bitna pretpostavka svakog izbora predmeta istraivanja. U ovom kontekstu apostrofiramo
tek neke od kriterija izbora predmeta istraivanja, za koje drimo da su najznaajniji:
a) da predmet istraivanja predstavlja novinu i da se izbjegne eventualno
nepotrebno ponavljanje. Istraiva jednostavno mora biti originalan. Da bi bio originalan on
mora imati znanje o tome sto je o problemu vec poznato. Ali, temeljna pretpostavka
posjedovanja takvog znanja je stalno, i to kritiko, itanje koje moe proizvesti i poticaj za
plodno razmisljanje.
Drugim rijeima, temeljito konzultiranje literature ini bitnu pretpostavku izbora
predmeta istraivanja. Ono osigurava izbjegavanje mogucnosti upustanja u istraivanje
vec istraenog problema s jedne, ali i opasnosti od ponavljanja istraivanja problema za
koje ne postoje nikakvi racionalni znanstveni razlozi.
Osiguranje od spomenutih mogucnosti i opasnosti jami injenica da konzultacija
literature istraivaa dovodi u poziciju da postavi veci broj pitanja u vezi s predmetom
istraivanja. U kontekstu ove analize potrebnim smatramo apostrofirati barem neka od njih.
Istraiva mora, primjerice, postaviti pitanje koje su injenice, naela ili generalizacije
proistekle iz istraivanja u oblasti kojoj pripada njegovo istraivanje. Ili, on ne moe zaobici
pitanje, u kojoj se mjeri rezultati istraivanja, u oblasti u kojoj i sam istrauje, uopce
primjenjuju. Upitno se mora razmisljati i o glavnim poteskocama koje se mogu sresti u
realiziranju istraivanja u oblasti kojoj pripada i konkretno istraivanje. Gotovo ista je stvar
kada se razmislja o intenzitetu odnosa izmedu oblasti kojoj pripada konkretno istraivanje i
njoj susjednih oblasti, ali i o pitanju vrste istraivakih postupaka i tehnika koji su razvijeni
u oblasti u kojoj se istraivanje realizira itd.
b) da izabrani predmet ima potrebnu vanost za podruje na koje se odnosi, ali i
pravovremenost i praktinu vrijednost s obzirom na primjenu rezultata i njihove primjene u
ivotu. Ovo, doduse, ne treba shvatiti i u doslovnom znaenju rijei. Naime, ratovi su esto
puta pokazali kako se znanost moe upotrijebiti i za destruktivne svrhe. Stoga svako
drustvo svoju politiku prema znanosti mora postaviti tako da ona jami upotrebu znanja u
korist drustvenog progresa i blagostanja.
c) da za njegovo istraivanje postoji interes, intelektualna radoznalost i tenja
istraivaa da dode do spoznaje. Masa znanstvenika u povijesti je, pisuci svoje
autobiografije, zadovoljenje svoje intelektualne radoznalosti isticala kao svoj glavni motor
pokreta prema pronalascima. Samo takva radoznalost i ivo zanimanje su mogli pokrenuti
jednog Aristotela da se istodobno bavi i filozofijom i psihologijom i logikom, ali i etikom i
politikom i biologijom. U protivnom, dakle u sluajevima kada se ne moe govoriti o
postojanju navedenog interesa, intelektualne radoznalosti i tenje istraivaa, kada se,
drugim rijeima, ne moe govoriti o potrebnoj motiviranosti za istraivanjem, mnogo se
rjede moe identificirati nova spoznaja kao krajnji rezultat, a mnogo se esce radi o
spoznajama koje pogoduju materijalnom i drustvenom statusu istraivaa.
d) da za istraivanje izabranog problema postoji pristupanost odgovarajuih
podataka i prikladne metode. Podaci koji su na raspolaganju moraju zadovoljiti odredene
zahtjeve u pogledu tonosti, objektivnosti i provjerljivosti. Istodobno, izabrani problem
treba sagledati u svijetlu mogucih istraivakih postupaka.
50
e) da je za potrebe istraivanja izabranog problema moguce osigurati
pokroviteljstvo i suradnju razliitih institucija, kakva je, primjerice, suradnja razliitih
ministarstava, drugih ustanova i asocijacija u prikupljanju podataka itd. Ali, pokroviteljstvo
je potrebno i zbog osiguranja drugih pretpostavki istraivanja. Neophodno je, primjerice,
osigurati potrebnu opremu i uvjete rada, ali i financijska sredstva potrebna za pokrivanje
troskova istraivanja.
f) da opasnosti i tekoe, osobne, drutvene i profesionalne naravi, koje proizlaze
iz bavljenja istraivanjem izabranog problema, nisu takve da ugroavaju istraivaev
dignitet, ljudski i profesionalni, ili ak i njegov ivot u socijalnom okruenju u kojem ivi.
Ukoliko one imaju takav karakter, moe se dogoditi da istraiva odgodi odredeno
istraivanje. To ne znai i stalno odustajanje od istraivanja jednog problema nego samo
vrsenje izbora otvorenih oiju.
U formuliranju problema istraivanja esto se mogu pojaviti razliiti tipovi
gre0aka. Najesce se moe identificirati tri tipa takvih greski.
Postoji, prvo, opasnost da se, umjesto izuavanja konkretnog problema, navede
preiroka oblast, s velikim brojem problema, kao predmet istraivake znatielje. Na taj se
nain istraivai nesvjesno dovedu u opasnost da sredisnji problem, kojeg ele istraiti,
razvodne i da se on u toj sirini naprosto izgubi. Drugim rijeima, u definiranju predmeta
istraivanja ne treba strahovati da ce opredjeljenje za istraivanje malog broja problema
znaiti i minoran istraivaki posao. Naprotiv, buduci je predmet istraivanja uvijek neka
uzrono-posljedina veza dviju pojava, nerijetko se istraivaki zahvat zadovolji
ispitivanjem samo jednog uzronog odnosa dviju pojava.
Drugo, postoji realna opasnost da se ode u suprotnu krajnost. Drugim rijeima,
zbog straha od presiroke oblasti istraiva moe u suavanju predmeta istraivanja otici
toliko daleko da on postane preuzak ili beznaajan za istraivanje.
Na koncu, kao greska se esto moe pojaviti i upotreba izraza neznanstvenog,
retorikog ili emocionalnog karaktera, ali i stavljanje naglaska na neobradene podatke ili na
glas iskustva.
3.2.2. O.('B/;,*&' )/-&';, /1+(,C/;,*&,
Svaka ljudska djelatnost ima odredeni cilj zbog kojeg se obavlja. I svaka konkretna
znanost ima svoj cilj - spoznaju dijela objektivne stvarnosti ijim istraivanjem se bavi.
Sukladno tome, tono odredeni cilj ima i svako konkretno istraivanje. Medutim, on je
mnogo konkretniji od cilja neke posebne znanosti ili, jos vise, znanosti uopce. Buduci je u
sredistu konkretnog istraivanja sasvim konkretni problem to je i njegov cilj rasvjetljavanje
konkretnog problema, pronalaenje odgovora na ono sto je definirano kao nepoznato.
Ciljevi po svojoj naravi mogu biti veoma razliiti. Razliitost se moe identificirati i
kod ciljeva znanstvenog istraivanja. Doduse, svi oni se, iako ih ima mnogo, daju grupirati
u dvije osnovne skupine: pragmatine (drustvene) i znanstvene (spoznajne).
Sam naziv (ragmati.ni (drustveni) ciljevi upucuje i na njihov krajnji smisao. Radi
se, dakle, o ciljevima koji upucuju na koristi koje iz istraivanja mogu proisteci. Ali, oni
markiraju i potencijalne korisnike rezultata istraivanja. Na koncu, ovim tipom ciljeva se
odgovara i na pitanje kako se potencijalni korisnici mogu sluiti rezultatima istraivanja.
Jasno je, dakle, da je utvrdivanje svih tih elemenata - drustvene koristi, mogucih korisnika
i naina koristenja - bitna pretpostavka da bi neko znanstveno istraivanje uopce moglo biti
drustveno poduprto.
Sasvim je drugaiji smisao znanstvenih (spoznajnih) ciljeva koji se postavljaju u
znanstvenom istraivanju. Po svojoj biti oni odreduju razinu spoznaje do koje u procesu
istraivanja treba doci. Vec ta injenica govori u prilog tezi kako se u znanstvenom
istraivanju moe identificirati veliki broj ovakvih ciljeva. Ovisno o zadanoj razini spoznaje
moe se govoriti o najmanje pet skupina znanstvenih ciljeva:
a) Znanstvena deskripcija (opis pojave). U pitanju je, oito, osnovni cilj
znanstvenog istraivanja, koji omogucuje najniu razinu spoznaje. Znanstvenom se
deskripcijom postie opci uvid u pojavu ili proces koji je predmet istraivanja. Njome se
opisuje pojava, njezin nastanak, razvoj i nestanak, ali i nain njezina izravnog
doivljavanja. Time se stjeu temeljne pretpostavke koje omogucuju postavljanje visih
51
razina znanstvenih ciljeva kao zadatka istraivanja. Stoga je veoma bitno da je opis pojave
sto objektivniji, sto detaljniji, sto svestraniji i sto potpuniji.
b) Znanstvena klasifikacija. Klasifikacijom se dolazi do bliih spoznaja o pojavama
i procesima, bilo da im se odreduje vrsta ili da ih se dovodi u vezu s drugim pojavama i
procesima. Osnova klasifikacije moe biti dvostruka. Njome se, s jedne strane, pojave
mogu sredivati po nekom njihovom unutarnjem svojstvu, obliku ili fazi razvoja. U tom se
sluaju radi o takozvanoj unutarnjoj klasifikaciji. Ali, klasifikacijom se pojave mogu
sredivati i po njihovom mjestu i redoslijedu pojavljivanja u okviru nekih drugih pojava ili
visih razina klasifikacija.
Zbog svega navedenog, a da bi znanstvena klasifikacija bila sto bolja, ona mora
udovoljavati nekim temeljnim teorijskim zahtjevima. Mora biti dosljedna, dakle sve
klasifikacijske grupe se moraju temeljiti na istom kriteriju diobe. S druge strane,
klasifikacija mora biti i potpuna, ali i iscrpna. Drugim rijeima, mora biti napravljena na
nain koji ostavlja sto je moguce manje sadraja u neodredenim kategorijama.
c) Znanstveno otkrie. Promatra li se fenomen znanstvenog istraivanja u svojoj
sveukupnosti sa sigurnoscu se moe kazati da je otkrivanje i spoznaja odredene pojave i
njegov temeljni cilj. Dakako, i pojam znanstvenog otkrica ne treba promatrati
jednodimenzionalno. Naprotiv, i ono se moe pojaviti u razliitim pojavnim oblicima.
Apostrofirati se mogu najmanje etiri takva oblika ili vrste znanstvenog otkrica:
prvo, otkrice injenica postojanja nekih pojava, njihovih kvalitativnih i
kvantitativnih svojstava , medusobnih odnosa itd.,
drugo, otkrivanje uvjeta, uzroka i motiva ljudskog ponasanja,
trece, otkrivanje zakona nastanka, razvoja i nestanka istraivanih pojava,
i etvrto, otkrivanje znanstvene teorije o nekoj vrsti prirodnih ili drustvenih pojava
kao najvisa razina znanstvenog otkrica.
d) Znanstveno objanjenje (eksplanacija). Kao jedan od tipova znanstvenih ciljeva
znanstveno objasnjenje je utemeljeno na odgovoru na pitanja kako i zato. Drugim
rijeima, znanstveno objasnjenje ima dvije vrste ciljeva. Na jednoj strani je to otkrivanje
povezanosti medu pojavama, ali i smjera i intenziteta te povezanosti. Ali, to nije i njegov
najznaajniji smisao. Ako bi se za tim smislom htjelo tragati moglo bi se reci da se on
nalazi u otkrivanju uzrono-posljedinih veza medu pojavama koje su predmet znanstvenog
istraivanja. U drustvenim znanostima to znai otkrivanje uzroka i motiva ljudskog
djelovanja uopce, ime su, praktiki, stvorene pretpostavke za znanstveno objasnjenje
povijesnog gibanja.
e) Znanstveno predvidanje (prognoza). Uz znanstveno otkrice i znanstveno
objasnjenje pojava ovo je treci bitni cilj svakog znanstvenog istraivanja. Znanstveno
predvidanje prodire u dinamiku drustvene pojave koja je predmet istraivanja a motivirano
je, najjednostavnije kazano, potrebama ljudi da predvide postojanje nepoznatih stvari i
procesa, njihovih tijekova i stanja, t ishoda i rezultata odgovarajucih akcija i djelovanja.
Cesto se, upravo stoga, moe postaviti temeljno teorijsko pitanje o tome sto je,
uistinu, najvisi cilj znanstvenog istraivanja. Je li to znanstveno otkrice ili, ipak, znanstveno
predvidanje? Mora se priznati da odgovor nije ni malo jednostavan, ali i to da ga se ne
moe jednoznano formulirati. Naime, znanstveno se predvidanje javlja, na izvjestan nain,
kao prethodnica znanstvenog otkrica. U njemu se postavljaju hipoteze o jos nepoznatim
pojavama, njihovim svojstvima i odnosima s drugim pojavama. Drugim rijeima, u
znanstvenom se predvidanju predvida.
Ali, i svako znanstveno predvidanje polazi od nekog, vec dostignutog, znanstvenog
otkrica bez kojega i ne bi bilo moguce. Moglo bi se, polazeci s te toke gledista, reci da je
znanstveno otkrice prethodnica, dakle nia razina cilja znanstvenog istraivanja od
znanstvenog predvidanja.
Jasno je, dakle, da je jednoznaan odgovor na postavljenu dilemu jako nepouzdan,
gotovo nemoguc. Znanstveno otkrice i znanstveno predvidanje su dvije strane jedne
organske cjeline koje se nalaze u odnosu obostrane, medusobne uzajamnosti i, naprosto,
jedno bez drugog ne ide.
3.3. POSTAVLJANJE #IPOTEZA I SREFIVANJE VARIJA%LI
52
3.3.1. P71+,;-&,*&' A/27+'?,
Postavljanje hipoteza je jedan od najznaajnijih dijelova ukupnog procesa
istraivanja. Stoga i ne udi da metodolozi odredenju pojma hipoteze posvecuju posebnu
pozornost. Ali, iz te injenice proizlazi i podatak o postojanju istinske raznolikosti i u pitanju
definiranja ovog pojma. U kontekstu ove analize nudi se samo dio najzanimljivijih
odredenja: Hipoteza je teorija u koju istraivai nisu sigurni, Hipoteza predstavlja ono
sto predvidamo, Hipoteza je neki teorijski stav ili zakljuak koji ima izvjestan stupanj
vjerojatnosti, Hipoteza je vise ili manje vjerojatna pretpostavka da postoji neka pojava
kao uzrok ili kao posljedica neke druge pojave, Hipoteza prua rjesenje problema zbog
kojega su istraivanja poduzeta i moe biti provjerena u praksi, Hipoteza je misaona
pretpostavka o predmetima koji se istrauju, o njihovim svojstvima, ustroju, funkciji,
stanju i odnosima s drugim predmetima, Hipoteza pridonosi razvoju znanosti, jer je
njena funkcija da usmjeri istraivanja na pravilan nain medu injenicama, Hipoteza nije
drugo do li jedno pretpostavljeno objasnjenje koje izraavamo u obliku suda (pozitivnog ili
negativnog) a koje moramo tek provjeriti, Hipoteza je propozicija, uvjet ili princip koji je
pretpostavljen, moda i bez uvjerenja u ispravnost, da bi se izvukle njegove logike
posljedice i pomocu te metode provjerilo njegovo slaganje s injenicama koje su poznate ili
koje mogu da se odrede itd.
Analiziraju li se nesto detaljnije navedene definicije, iz njih se moe izvuci i
svojevrsni zajedniki imenitelj u odnosu na shvacanje pojma hipoteze. Sve one, u krajnjem
sluaju, pod hipotezom podrazumijevaju svojevrsni misaoni odgovor o problemu
istraivanja, manje ili vie vjerojatnu pretpostavku da postoji neka pojava kao uzrok ili kao
posljedica neke druge pojave.
Neovisno koju od definicija se prihvati, izvjesno je da sve one upucuju i na nunost
postojanja odredenih izvora iz kojih se hipoteze mogu crpiti. Postoji potreba apostrofiranja
najmanje tri takva izvora:
a) nunost da se, a radi zadovoljavanja sve raznovrsnijih i sve vecih potreba
ovjeka i drustva, postojece spoznaje prosire,
b) potreba da se valjanost steenih spoznaja stalno provjerava. Ova potreba je, a
zbog naglasene promjenljivosti drustvenih pojava, izraena posebice u drustvenim
znanostima, dakle i u istraivanju javnog mnijenja.
c) potreba da se nadvladaju nedostaci vec steenih spoznaja.
Inae, postoje situacije kada se nove hipoteze nuno moraju postaviti. Obino se
apostrofiraju tri takve bitne situacije:
a) neobjasnjene ili nedovoljno objasnjene pojave, dogadaji ili ponasanja ljudi, koji
su stalan izvor brojnih hipoteza o njihovim mogucim uzrocima i posljedicama,
b) kada se istraiva susrece s novom i nepoznatom injenicom, odnosno sa
nespoznatom pojavom u bilo kojoj oblasti ljudske spoznaje,
c) uvijek kada postoje proturjenosti izmedu starih spoznaja, dakle starih teorija i
starih znanstvenih zakona o nekoj vrsti pojava i novokomponiranih pojava ili injenica u
istoj oblasti pojava (vidjeti, esic, 1974., 209.-212.)
Sve to upucuje na obvezu istraivaa da, pri postavljanu odredene hipoteze,
rauna s poteskocama na koje moe naici. Iako su one dosta brojne ini se kako izdvojiti
treba barem neke od njih:
- poteskoce koje mogu proizici iz nedovoljno temeljitog i detaljnog poznavanja
pojave ili pojava na koje se hipoteza odnosi,
- nepoznavanje teorijskog okvira s ijeg se stajalista hipoteza postavlja, ali i
nedostatak sposobnosti koristenja teorijskog okvira zbog neiskustva, nedostatka
inventivnosti ili slinih razloga,
- poteskoce koje se javljaju zbog neadekvatnog kvantificiranja hipoteze, zbog toga
sto je ona postavljena presiroko ili preusko,
- poteskoce u vezi s nepoznavanjem, ili nedovoljnim poznavanjem, metoda
postavljanja, ali i metoda i tehnika provjeravanja adekvatnosti postavljene hipoteze
(vidjeti, esic, 1974., 213.).
53
Upravo zbog navedenih teskoca istraivai se moraju pridravati odredenih pravila i
normi pri postavljanju hipoteza. Samo dobra ili valjana hipoteza ima sansi da bude
pretpostavka dolaenja do novih spoznaja. Ako bi, pak, htjeli odgovoriti na pitanje, sto
mora posjedovati hipoteza da bi zadovoljila kriterij valjanosti, zaobici ne bi mogli navodenje
odredenih normi i pravila koje ona mora udovoljavati. Iako se moe navesti itav niz takvih
pravila i normi, izvjesno je da neka od njih imaju osobitu teinu:
1. Hipoteza mora predstavljati logiki i posebno znanstveno teorijski utemeljenu
pretpostavku spoznajno vrijednog odgovora na postavljeno pitanje.
2. Hipoteza se mora odnositi na predmet istraivanja.
3. Hipoteza ne smije biti presiroka, tj. mora biti dovoljno konkretna i pregledno
specificirana.
4. Hipoteza koja se odnosi na cijelu znanstvenu oblast (teorijska hipoteza) mora
biti dovoljno opcenita, kako ne bi bila preuska.
5. Pojmovno-jezino hipoteza mora biti potpuno jasna i sto preciznije formulirana.
6. Valjana hipoteza mora biti teorijski i iskustveno provjerljiva (vidjeti, esic,
1974., 314.-315.).
Znanstvenu hipotezu ne treba promatrati kao jednoznanu kategoriju. Naprotiv
moe se govoriti o vise vrsta znanstvenih hipoteza.
25
Dakako, metodolozi se najesce
opredjeljuju za svojevrsnu klasifikaciju hipoteza prema odredenim kriterijima.
26
U kontekstu
ove analize elimo apostrofirati podjelu hipoteza prema etiri bitna obiljeja: prema
predmetu (teorijske, realne, fiktivne), po logikoj prirodi (prosto-implikacijske, induktivne,
reduktivne i deduktivne), po openitosti (opce, posebne i pojedinane), te po spoznajnoj
ulozi (hipoteze ad hoc, radne, pomocne i znanstvene).
27
3.3.2. S('B/;,*&' ;,(/&,8-/
Vec je apostrofirano da hipoteza znai odredeni misaoni odgovor o problemu
istraivanja, odredenu pretpostavku o postojanju uzrono-posljedinih veza u prirodi i
drustvu. Misaonim odgovorom, medutim, nije zavrsen sav posao. Naprotiv, zakonitost
procesa istraivanja trai od istraivaa da identificira obiljeje, ili obiljeja, pojave koje se
eli istraivati, a na koje se misaoni odgovor ili pretpostavka odnose. Obiljeje, ili obiljeja,
pojave koja se istrauje ne treba promatrati statino. Naprotiv, ona su uvijek podlona
odredenim promjenama koje omogucuju dinamiku drustvenih pojava. Ta obiljeja, ili
promjenljive veliine, koja omogucuju dinamiku drustvenih pojava, se u znanstvenim
istraivanjima oznaavaju terminom varijabla.
Prema tome, varijabla je svaka veliina koja se moe mijenjati i razlikovati u
vremenu i prostoru. Ona je, drugim rijeima, promjenljiva znaajka neke pojave ili procesa
o kojima se u hipotezi nesto tvrdi. Prvi posao istraivaa je identificirati takve znaajke ili
obiljeja koja se odnose na istraivanu pojavu.
Uzmimo za primjer slijedecu hipotezu: Odnos gradana prema suivotu i toleranciji
bitno odreduje vrijednosna orijentacija medija prema tim kategorijama. U navedenoj
hipotezi se daju identificirati dvije varijable:
a) odnos gradana prema suivotu i toleranciji,
b) vrijednosna orijentacija medija prema suivotu i toleranciji.
Prethodna hipoteza je mogla biti i drugaije formulirana. Primjerice: Odnos
gradana prema suivotu i toleranciji bitno odreduju vrijednosna orijentacija politikih elita i
medija prema tim kategorijama. U ovako formuliranoj hipotezi daju se identificirati tri
varijable:
a) odnos gradana prema suivotu i toleranciji,
b) vrijednosna orijentacija politikih elita
c) vrijednosna orijentacija medija
25
Ratko Zelenika, primjerice, navodi 27 razliitih vrsta hipoteza, koje se mogu sresti u literaturi
26
Miroslav Zugaj vrsi klasifikaciju prema nekoliko temeljnih kriterija: sadraju (kvalitativne,
kvantitativne, kauzalne), stupnju opcenitosti (opce, posebne, pojedinane), stupnju logike
osnovanosti i spoznajne uloge stavova (hipoteze ad hoc, radne, pomocne i znanstvene), te hipoteze
koje nije svrstao ni u jednu zasebnu grupaciju (plodne, prazne, preliminarne, nulte).
27
To je podjela koju je izvrsio Bogdan esic (vidjeti, esic, 1974., 236.-240.)
54
Medutim, vec iz prezentiranog primjera izvjesno je da uloga i ponasanje varijabli u
jednoj drustvenoj pojavi ili procesu nije isto. Drugim rijeima, jedna (ili vise) od njih se
uvijek javlja u formi uzroka, a druga (ili druge) kao posljedica odredene dinamike
promatrane drustvene pojave ili procesa. Varijabla koja se ponasa kao uzrok promjena u
drugoj veliini iz ispitivane drustvene pojave ili procesa, oznaava se kao nezavisna
varijabla. Naspram nje je zavisna varijabla, dakle veliina koja po logici nunosti reagira na
promjene u nezavisnoj varijabli. Promjene u nezavisnoj varijabli po sistemu automatizma
izazivaju promjene i u njoj.
Stoga se, kao zadatak istraivaa, namece i obveza da, pored identificiranja, izvrsi
i klasificiranje varijabli ovisno o njihovom mjestu i ulozi u dinamici promatrane drustvene
pojave ili procesa. Dakle, postoji obveza utvrdivanja jedne (ili vise) nezavisnih i jedne (ili
vise) zavisnih varijabli u istraivanoj drustvenoj pojavi ili procesu.
U prvom ponudenom primjeru postoji jedna nezavisna (vrijednosna orijentacija
medija prema suivotu i toleranciji) i jedna zavisna varijabla (odnos gradana prema
suivotu i toleranciji). Vrijednosna orijentacija medija je varijabla uzrok. Drugim rijeima,
promjene u vrijednosnoj orijentaciji medija ce izravno utjecati i na promjene u odredenom
raspoloenju gradana. Negativan odnos medija prema suivotu i toleranciji ce uvjetovati i
negativan stav gradana prema tim kategorijama, i obrnuto. Stav gradana je samo logina,
ali i nuna, posljedica odredene medijske filozofije.
Navodenje nezavisnih i zavisnih varijabli se ne moe zaobici u odredivanju ciljeva
istraivanja i postavljanju hipoteza. Ali, u problemu istraivanja one ne moraju uvijek biti
eksplicitno navedene. Nain postavljanja problema istraivanja moe biti razliito
postavljen. Medutim, neovisno o tom nainu u problemu istraivanja uvijek mora biti
sadrana najmanje zavisna varijabla dok se nezavisna moe izvlaiti, podrazumijevati
iz ciljeva istraivanja ili postavljenih hipoteza. U nasem primjeru se moe, kao problem
istraivanja, apostrofirati: Kakav odnos imaju gradani prema vrijednostima suivota i
tolerancije? Iz tako apostrofiranog problema se ne vidi varijabla, ili varijable, koje taj
odnos odreduju i profiliraju. Medutim, pogleda li se u ciljeve istraivanja, ili u postavljene
hipoteze, brzo ce se i njih identificirati.
Dakako, varijable se ne javljaju samo u navedena dva oblika. Nezavisne i zavisne
varijable su temeljne. Medutim, znanstveno istraivanje poznaje i druge vrste varijabli koje
na osobit nain odreduju vezu izmedu nezavisne i zavisne varijable. Takve su, primjerice:
- intervenirajue varijable koje se javljaju izmedu nezavisne i zavisne varijable i
uzrokuju karakter veze izmedu njih,
- kondicirajue (specifikatorne), koje uvjetuju intenzitet veze izmedu nezavisne i
zavisne varijable, itd.
Na koncu, nakon specifikacije treba izvrsiti i operacionalizaciju varijabli.
Najjednostavnije kazano, radi se o postupku u kojem se teorijski postulati empirijski
provjeravaju pomocu pokazatelja ili indikatora koji se odnose na danu teoriju. Pri izboru
indikatora za operacionalizaciju varijabli nuno je voditi rauna da udovoljavaju najmanje
slijedecim kriterijima:
a) da budu valjani, dakle da se odnose na varijablu koju se eli mjeriti,
b) da su objektivni, odnosno da rezultati mjerenja ovise o onome sto se, a ne tko
mjeri. Najjednostavniji nain utvrdivanja objektivnosti je opredjeljenje za istodobno
mjerenje iste varijable pomocu istog indikatora od strane veceg broja pojedinaca,
c) da su pouzdani, odnosno da se na njih, pri mjerenju jedne varijable, moemo
bez ostatka osloniti,
d) da su jednoznani, tj. da su tako jasno i precizno definirani da razliiti subjekti
znaju tono na sto se odnose, te
e) da su precizni, odnosno da omogucuju da se pomocu njih registriraju i manje
razlike u veliini varijabli (vidjeti, Vujevic, 1990., 78.-82.)

3.4. IZRADA PROJEKTA ISTRAIVANJA
Struktura projekta istraivanja se razliito postavlja. Razlog tome svakako je
injenica da metodolozi ovu fazu ukupnog procesa znanstvenog istraivanja smjestaju na
razliita mjesta. +udi Su(ek, primjerice, utvrdivanje projekta istraivanja stavlja na prvo
55
mjesto ukupnog procesa istraivanja. Sukladno tome je postavljena i ukupna struktura
projekta kojeg on preferira. Statiki promatrana, ona se sastoji iz sest zasebnih cjelina:
a) formulacije problema, odredivanja ciljeva i predmeta istraivanja;
b) izbora metoda za rjesenje problema i sakupljanja podataka;
c) utvrdivanja populacije ili uzorka populacije za ispitivanje;
d) prikupljanja podataka;
e) analize i obrade podataka;
f) redakcije zakljuaka i preporuke za akciju (vidjeti, Supek, 1961., 51.-53.)
Slini se pristupi mogu sresti i kod jos jednog broja autora.
28
Medutim, u pristupu
kojeg razvijamo projekt istraivanja ini vododijelnicu izmedu teorijskog i empirijskog dijela
istraivanja. Stoga je drugaije i njegovo mjesto u ukupnoj strukturi istraivanja, ali i
struktura samog projekta istraivanja.
Svako istraivanje, po prirodi stvari, prati i odredeni projekt istraivanja. Ukoliko se
radi o manjim istraivanjima, njihove potrebe moe zadovoljiti takozvani orijentacioni
projekt istraivanja. U principu se, medutim, moe govoriti o dvije vrste projekata koji
prate najveci dio istraivanja: idejnom i izvedbenom projektu istraivanja. U emu je
njihova sustina? Postoji li medu njima kakva razlika?
3.4.1. I.'&*/ 2(7&'5+ /1+(,C/;,*&,
Istraivanje je, po prirodi stvari, kreativan, visokointelektualni posao. Da bi ono
uopce bilo moguce nuno je osiguravanje najmanje dvije vrste pretpostavki: spremnost i
potrebna motiviranost, ali i neophodna znanstvena osposobljenost istraivaa s jedne, te
osiguravanje potrebnih, materijalnih i drugih, uvjeta istraivanja s druge strane.
Sama injenica da se jedan znanstvenik priprema za odredeno istraivanje
podrazumijeva i njegovu spremnost i neophodnu motiviranost za taj napor. Moguce je
pretpostaviti i njegovu znanstvenoistraivaku osposobljenost, nunu za takav posao.
Medutim, njemu je u samom startu jasno da njegova spremnost i motiviranost, pa i
osposobljenost, nisu dovoljne da bi se u istraivanje i uslo. Naprotiv, bilo kakvo ozbiljnije i
konkretnije ulaenje u proces istraivanja trai i osiguravanje minimuma materijalnih i
drustvenih uvjeta za to.
Smisao i cilj izrade idejnog projekta istraivanje jeste upravo u tome da se njime
pokusaju osigurati takvi uvjeti. U takvom projektu istraiva, ili istraivaki tim, nastoji, po
odredenoj proceduri, ukazati na problem kojeg se eli istraiti, ali i iznijeti argumentaciju u
prilog potrebe realizacije predloenog istraivanja.
Kakva ce ta argumentacija biti ovisi o karakteru subjekta kojem se istraiva
obraca za potporu. Ukoliko se on, primjerice, za potporu obraca znanstvenoj instituciji,
logino je oekivati da ce u svojoj argumentaciji apostrofirati znanstvene ciljeve
istraivanja. Sasvim ce, medutim, drugaiji biti njegov pristup ukoliko potporu oekuje od
neke druge organizacije, one koja od istraivanja prieljkuje trenutnu korist. U tom ce se
sluaju i argumentacija temeljiti na naglasavanju odredenih instrumentalnih vrijednosti
spoznaje, do koje se istraivanjem treba doci.
No, zbog samog cilja, koji se idejnim projektom eli ostvariti, logino je da je i
njegova struktura znaajno manje kompleksna. Medutim, usprkos injenici da je ona
podredena dobivanju drustvene potpore, u idejnom se projektu ipak ne moe izbjeci
elaboracija nekih bitnih elementa. Iako se oni ne moraju nuno pojavljivati u svim
sluajevima, u idejnim se projektima najesce susrecu posebno razradeni slijedeci
elementi:
28
Apostrofiramo u kontekstu ove analize Ratka Zeleniku, koji govori o idejnom i izvedbenom projektu
istraivanja. U idejni projekt istraivanja on ukljuuje: 1) predmet ili problem istraivanja, 2) cilj
istraivanja, 3)strukturu ili kompoziciju projekta, 4) metode istraivanja, 5) rokove istraivanja,
6)nositelje pojedinih zadataka istraivanja, 7)financijska i druga sredstva potrebna u istraivanju, 8)
doprinos rezultata istraivanja. Za izvedbeni projekt naglasava da je mnogo sadrajniji i konkretniji,
te da sadri sve varijante predloenih rjesenja koja se moraju temeljiti na pouzdanim, egzaktnim
znanstvenim injenicama, uvjerljivim i provjerljivim dokazima (vidjeti o tome, Zelenika, 1990.,
220.).
56
a) predmet ili problem istraivanja, u kojem se apostrofira vanost problema,
prua nuna informacija o tome sto je do tada uradeno, navodi najznaajnije autore koji su
navedeni problem do tada istraivali itd.
b) cilj (ili ciljevi) istraivanja, koji mogu biti razliiti
c) struktura projekta
d) metode i tehnike istraivanja
e) orijentacijski kalendar radova
f) sastav ekipe istraivanja
g) financijska i druga sredstva potrebna za istraivanje
h) projekcija rezultata i koristi koje se mogu oekivati od realiziranog istraivanja
Idejni projekt, dakle, ima za cilj osigurati sredstva za konkretno istraivanje. Pri
tome je, dakako, vano da se u njegovoj izradi vodi rauna i o strukturi koju svaki idejni
projekt mora zadovoljavati (vidjeti Kniewald, 1993., 114.-115.).
3.4.2. I?;'.8'*/ 2(7&'5+ /1+(,C/;,*&,
Izvedbeni se projekt moe ozbiljiti jedino u sluaju da je idejni projekt naisao na
adekvatnu drustvenu potporu. Po pristupu, kojeg razvijamo, izvedbenim projektom
istraivanja se utvrduju uvjeti istraivanja koji omogucuju provjeravanje postavljenih
hipoteza. Drugim rijeima, njime se odluuje o najbitnijim detaljima istraivanja. Iako je
njegova struktura gotovo identina strukturi idejnog projekta, izvjesno je da su u njemu
pitanja realizacije razradena do najsitnijih detalja. Medu tim pitanjima treba, izmedu
ostalog, apostrofirati i slijedece:
1. koje tehnike ce se koristiti u prikupljanju podataka potrebnih za istraivanje,
2. tko moe dati najbolje podatke koji istraivaa zanimaju,
3. da li istraivanje primijeniti nad cijelom populacijom ili nad odredenim uzorkom,
4. ako je opredjeljenje za uzorak, kakav uzorak izabrati,
5. kada, gdje i u kojim uvjetima prikupiti podatke koji istraivaa zanimaju,
6. ako je opredjeljenje za uzorak, postoje li mogucnosti eventualnih generalizacija
na temelju dobivenih rezultata,
7. koje ce se tehnike obrade podataka upotrijebiti, a ako je izbor na statistikim
tehnikama, identificirati sve faze statistike obrade,
8. precizirati sastav ekipe koja provodi istraivanje, razdiobu dunosti unutar nje,
principe rada koje slijedi itd.,
9. odrediti detaljan kalendar pojedinih radova, te
10. utvrditi predraun predvidivih troskova istraivanja.
Ovisno od opredjeljenja, obzirom na navedene, ali i neke druge detalje, moe se
govoriti o razliitim tipovima izvedbenog projekta istraivanja.
29
U kontekstu ove analize
postoji potreba identifikacije dva temeljna tipa projekta istraivanja:
a) deskriptivni (opisni) projekt istraivanja. Znakovito je za njega da omogucuje
opci uvid u neko obiljeje ili, u najboljem sluaju, klasifikaciju navedenog obiljeja, bez
ikakvih pretenzija da se upusta u njegovo objasnjenje. Uz to, ovim se projektom
istraivanja treba odluiti i o jos nekim detaljima istraivanja, kao sto su:
- tko nam moe dati najadekvatnije podatke o predmetu kojeg istraujemo,
- na koji nain te podatke treba prikupiti. Drugim rijeima, hocemo li se u
prikupljanju podataka posluiti promatranjem, anketom, intervjuom, analizom sadraja ili
nekom drugom tehnikom.
- gdje eljene podatke treba prikupiti. Treba li to initi na radnom mjestu, u mjestu
stanovanja, na nekom drugom odredistu,
- kada potrebne podatke treba prikupljati. Treba li to initi tijekom radnog
vremena, nakon njega, u neko drugo vrijeme itd.
29
M. Vujevic nabraja sukcesivni nacrt istraivanja, prosireni sukcesivni nacrt istraivanja,
komparativni nacrt istraivanja, kontrolni eksperimentalni nacrt, transverzalni nacrt istraivanja, te
longitudinalni nacrt istraivanja. (vidjeti o tome, Vujevic, 1990., 88.-90.)
57
b) kauzalni (uzroni) projekt istraivanja. On sebi, u naelu, postavlja zadatak
ispitivanja uzrono-posljedinih odnosa u predmetu istraivanja. Drugim rijeima, on
ukljuuje i objasnjenje, ili tumaenje, nekog obiljeja, pojave ili procesa. Stoga je ovaj
projekt istraivanja znatno siri od deskriptivnog. Zapravo, on u sebe ukljuuje deskriptivni
projekt istraivanja. Ali, on, uz to, mora zadovoljiti i niz dodatnih kriterija. Primjerice, uz
eksperimentalnu grupu on, u procesu istraivanja, mora osigurati i kontrolnu grupu, a mora
zadovoljiti i niz logikih pravila. Apostrofirati treba, prije svega, pravilo slaganja, pravilo
razlike, pravilo ostatka i pravilo popratnih promjena.
3.5. PRIK$PLJANJE I O%RADA PODATAKA
Fazom prikupljanja podataka znanstveno istraivanje dospijeva u podruje
objektivne stvarnosti, u kojoj treba provjeriti ispravnost teorijskih postulata. Tehnike
prikupljanja podataka, utvrdene projektom istraivanja, a koje mogu osigurati osluskivanje
dijelova stvarnosti o kojima se misli, detaljno se razraduju. Tek takva razrada omogucuje
planiranje i provodenje terenskog dijela istraivanja, nunog za dobivanje traenih
podataka.
Prikupljanje podataka podrazumijeva i jos dvije veoma znaajne radnje:
a) sredivanje podataka koji su na terenu skupljeni. To je, zapravo, i pretpostavka
da se dode do informacije o kvaliteti prikupljenog materijala, te
b) statistiku obradu prikupljenih i sredenih podataka. Ona je, svakako, nuan
preduvjet za svako znanstveno tumaenje dobivenih podataka. Dakako, pri tome je bitno
voditi rauna da se u statistikoj obradi primijene adekvatni statistiki postupci.
30
3.6. ZNANSTVENO T$MAENJE I INTERPRETA"IJA PODATAKA
Podaci koji su prikupljeni, sredeni i statistiki obradeni, slue kao dokazni materijal
kojim se postavljena hipoteza potvrduje ili odbacuje. Zapravo, znanstveno tumaenje i
interpretacija dobivenih rezultata istraivanja obvezuju istraivaa da vodi rauna posebice
o nekim momentima:
prvo, da dobivene podatke dovede u vezu s postavljenim hipotezama i ustanove da
li ih ti podaci potvrduju ili pobijaju,
drugo, da dobivene podatke dovede u vezu s podacima slinih istraivanja, a time
vrsi i njihovo testiranje, bilo da osnai njihovu valjanost ili izrazi sumnju u njihovu
vrijednost,
trece, da dobivene podatke dovede u vezu s primijenjenim postupcima u
istraivanju, te
etvrto, da potvrdenu hipotezu dovede u vezu s teorijom od koje je posao u
istraivanje.
Dakako, da bi uopce bilo moguce ispravno znanstveno tumaenje i interpretacija
dobivenih rezultata istraivanja, neophodno je da su ispunjene neke pretpostavke. U
kontekstu ove analize naglasavamo osobito dvije:
a) poznavanje podruja koje se prouava, posebice ueg problema koji je predmet
istraivanja, te
b) poznavanje metodologije znanstvenog istraivanja u podruju drustvenih
znanosti
U protivnom, nije nemoguce da se u interpretaciji rezultata istraivanja pojave i
odredene pogreke. One zaista mogu biti mnogobrojne i raznovrsne. No, vjerujemo kako
posebnu teorijsku pozornost zasluuju barem dvije skupine takvih pogreski:
prvo, pogreske koje su vezane za prebrzu generalizaciju ili neprecizno izraenu
generalizaciju, te
drugo, pogreske u vezi s dokazivanjem uzrono-posljedinih veza. Iz ove skupine
postoji potreba posebnog naglasavanja nekih od njih. Takve su, primjerice:
30
O statistikoj obradi podataka, ali i postupcima obrade, vidjeti poglavlje br. 6. o statistikim
tehnikama obrade empirijskih podataka
58
a) Pogreska poznata kao skok u zakljuivanju (salutus in concludeno). Radi se o
pogresci koja se javlja skoro redovito kada se neka sluajna povezanost izmedu
pojava interpretira kao uzrono-posljedina povezanost.
b) Prividna ili lana konzekventnost (fallaciae consequentis). Radi se o pogresci
koja je dosta esta, a ija se sustina sastoji u svjesnom ili nesvjesnom
opredjeljenju istraivaa da u analizi uzroka odredenih pojava ili procesa svu
analitiku pozornost usmjeri prema jednom uzroku, a znaenje svih ostalih
zapostavi ili ak i potpuno iskljui.
c) Prividna ili lana disjunktnost (fallaciae disjunctionis). U pitanju je tip pogreske
koji je vezan za interpretaciju sloenih uzrono-posljedinih veza i procesa.
Radi prividno lakse interpretacije se nastoji te sloene veze ili oblike prikazati
jednostavnima. Nain da se to uini je svodenje svega na oblik dileme u njenoj
klasinoj verziji, dakle na isticanje crno-bijelog kontrasta.
d) Zakljuivanje na temelju neeg to je i samo neistinito. Ovaj je tip pogreske
dosta est, ali u pravilu i namjeran. Sustina joj je u tome da se, s ciljem da se
dokae hipoteza koja je prirasla srcu, uzima samo onaj dio rezultata
istraivanja koji je u funkciji takvog cilja.
3.7. IZVJE<TAJ O REZ$LTATIMA ISTRAIVANJA
Cilj je izvjestaja, zapravo, upoznati javnost s tim sto je, i na koji nain, radeno u
procesu istraivanja, do kojih se rezultata u tom poslu doslo, kako su rezultati dobiveni,
obradeni i tumaeni. Izvjestaj, dakle, ima informativnu funkciju. Stoga je uputno da je
pisan razumljivim jezikom jer ne slui istraivau nego publici koja je u ulozi konzumenta.
Doduse, i izvjestaj o rezultatima znanstvenog istraivanja mora postivati odredena
pravila. U principu, moe se govoriti o deset osnovnih dijelova izvjestaja. To su:
1 Naslov, kojim se izraava osnovni sadraj provedenog istraivanja. Dobar je
onaj naslov koji je kratak, jasan, precizan i inventivan.
2 Sadraj, iji je osnovni smisao da itatelju dade informaciju o karakteru
istraivanja, ali i da mu, ukoliko se opredijeli da ga proita, olaksa snalaenje.
3 Uvod. Smisao uvoda je uvodenje itatelja u bit istraivanja, a time i izazivanje
njegove radoznalosti da istraivanje paljivo proita.
4 Primijenjene metode, tehnike i opis postupka pri istraivanju. Opis postupka
mora biti detaljan, kako onaj u uem smislu rijei, tako i opis primijenjenih instrumenata,
opis ispitanika i nain odredivanja uzorka (ako je koristen uzorak), opis ispitivaa itd.
5 Rezultati i interpretacija istraivanja. Rezultati se mogu iznijeti u razliitim
formama: tekstualno, tabelarno, grafiki. Pri tome treba paziti da se iznosenje istih
podataka ne ponavlja kroz razliite forme. Interpretacija se po svojoj naravi razlikuje od
rezultata istraivanja. Naime, rezultati istraivanja obino znae kvantificiranu prezentaciju.
Interpretacija, medutim, znai uvijek tekstualnu prezentaciju istih nalaza, ona je prijelaz s
injenica na razmisljanje.
6 Zakljuak. Radi se o zavrsnom dijelu izvjestaja u kojem se u skracenoj formi
iznosi hipoteza, te podaci koji je potvrduju ili odbacuju. Dakako, u ovom se dijelu moe
apostrofirati i potreba novog istraivanja kao jedan od rezultata koje je poluilo provedeno
istraivanje.
7 Saetak, koji se, pored jezika kojim je pisano istraivanje, pise u pravilu i na
jednom od svjetskih jezika, a kojim se omogucuje znanstvenoj italakoj publici u svijetu
da se upozna s rezultatima provedenog istraivanja.
8 Popis literature (bibliografija), kojom se daje pregled koristene literature
tijekom istraivanja. Ona se moe dati na dva naina: abecednim navodenjem autora ili
klasifikacijom literature prema odredenim kriterijima (osnovna, pomocna, izvorna,
udbenici itd.)
9 Indeks (kazalo) pojmova i imena, koji omogucuje brzo pronalaenje u tekstu
odredene misli, podatka, pojedinosti ili imena.
Uz ove dijelove, izvjestaj o provedenom istraivanju moe sadravati i jos neke
dijelove. U prednjem dijelu rada, izmedu naslova i predgovora, mogu se naci:
59
1. Moto, koji je, u naelu, neka izreka ili citat iz nekog djela, a kojim autor hoce
izreci odredenu poruku u vezi s izvrsenim istraivanjem,
2. Posveta, kojom se autor eli posebno nekome zahvaliti na inspiraciji, pomoci,
potpori ili razumijevanju tijekom provodenja istraivanja,
3. Predgovor, koji se uvijek tie provedenog istraivanja, a u kojem autor iznosi
razloge zbog kojih se odluio na odredeno istraivanje. U predgovoru autor eksplicitno ili
implicitno navodi kome je istraivanje namijenjeno, a markira i teskoce na koje je tijekom
istraivanja naisao. Predgovor, da bi bio dobar, moraju karakterizirati i kratkoca i
opcenitost.
4. Prilozi, koji obuhvacaju materijale koji itatelju nisu nuni pri itanju izvjestaja,
ali su mu potrebni u sluaju da u izvjestaj i kontrolu rezultata eli detaljnije uci - primjerice,
prijepisi vanijih a tee dostupnih dokumenata, tabele i grafikoni koji nisu neophodni u
samom tekstu, opisi statistikih postupaka koji su primijenjeni u istraivanju itd.
Dijelovima izvjestaja znanstvenog istraivanja detaljnije se kanimo vratiti u okviru
posebnog poglavlja ove knjige
31
.
4. METODE ZNANSTVENOG ISTRAIVANJA

IV.1. KLASI!IKA"IJA METODA ZNANSTVENOG ISTRAIVANJA
Pitanje klasifikacije metoda znanstvenog istraivanja je takoder jedno od pitanja
kod kojih se mogu identificirati znaajne razlike u teorijskom pristupu razliitih autora. Bez
detaljnijeg ulaenja u razloge, na dio tih razlika elimo ukazati i u ovoj analizi. Bitno je, pri
tome, da se u klasifikaciji metoda znanstvenog istraivanja najesce slijedi logika
dihotomijskog pristupa. U ovom pregledu apostrofiramo nekoliko dihotomijskih klasifikacija:
a) Podjela svih metoda znanstvenog istraivanja na o(2e i (osebne.
Problematizirajuci pojam metode, 7ogdan 8e0i2, primjerice, povlai dosta ostru crtu
31
Detaljnije pogledati poglavlje 8.1. Dijelovi znanstvene knjige i 8.2.
60
izmedu dva temeljna tipa znanstvenih metoda. Na jednu stranu svrstava ope - kakve su
statistika, analitiko-deduktivna, te metoda modeliranja - a na drugu takozvane posebne,
medu kojima apostrofira analitiko-sintetiku, metode apstrakcije i konkretizacije, metode
generalizacije i specijalizacije, metode klasifikacije, te metode indukcije i dedukcije.
32
b) Podjela na metode znanstvenog istraivanja (heuristike metode) i metode
znanstvenog sistematiziranja. Slijedeci takvu podjelu, Sera'im "rka2 u prve, dakle
heuristike, metode ubraja analizu, sintezu, zapaanje, eksperimentiranje, indukciju,
dedukciju, analogiju i hipotezu, a u metode znanstvenog sistematiziranja definiciju, dokaz i
diviziju ili klasifikaciju.
c) Razlikovanje izmedu tehni.kih i logi.kih metoda znanstvenog istraivanja.
Opredjeljenje na ovaj tip razlikovanja
33
polazi od toga da pod tehnikim metodama treba
podrazumijevati metode kojima se osiguravaju optimalni uvjeti za dolaenje do
upotrebljivih znanstvenih podataka, da su one po svom znaenju pomocne i da variraju od
jedne do druge znanosti, a pod pojmom logike metode treba podrazumijevati metode
kojima se utvrduju uvjeti koji su neophodni za dolaenje znanstvene istine, zbog ega one
ine i osnovni predmet metodologije. Podjela, zasnovana na ovoj dihotomiji, u tehnike
metode ubraja promatranje, eksperimentiranje, tono brojenje i mjerenje, a u logike sve
ono sto se tie znanstvene obrade podataka, izvodenja zakljuaka i gradenja teorija i
sustava.
d) Ostale dihotomijske podjele. Mladen 5vonarevi2, raspravljajuci o tome, navodi
etiri tipa dihotomijskih podjela:
I. Podjela na teorijske i em(irijske metode, koja oznaava i dvije osnovne
operacije ljudskog misljenja, teorijsku, koja se temelji ponajvise na
dedukciji, i empirijsku, koja svoju snagu crpi iz indukcije.
II. Podjela na em(irijsko4analiti.ke i historijsko4kom(arativne, pri emu
se pod prvima podrazumijevaju sve one koje su usmjerene na analizu
prikupljenih podataka, a pod drugima metode ija je osnovna zadaca
mogucnost pruanja odredene sinteze i generalizacije za cjelovito
znanstveno misljenje
III. Razlikovanje izmedu 'aktogra'skih i analiti.kih metoda koja se temelji na
tome je li jedna metoda usmjerena na prikupljanju podataka i injenica ili na
njihovu analizu.
IV. Razlikovanje izmedu metoda i (ostu(aka, a ponekad se u to razlikovanje
ubacuje i treci element, tzv. tehnike (vidjeti u Zvonarevic, 1989., 47.-48.).
U uvodnom dijelu knjige, u raspravi o pojmu znanstvene metode, smo napravili
razliku izmedu znanstvene metode u najsirem znaenju rijei, apostrofirajuci i njena etiri
bitna sastavna dijela, i metoda znanstvenog istraivanja, odnosno metode u uem znaenju
rijei, koja je predmet ovog dijela rasprave.
Polazeci od navedenih naznaka skloni smo razlikovanju o(2ih i (osebnih
metoda znanstvenog istraivanja. Pri tome, pod opcim metodama znanstvenog
istraivanja podrazumijevamo metode koje su opceprimjenjive, dakle opcevrijedece u svim
znanostima. Takve su, primjerice, metode analize, sinteze, apstrakcije, konkretizacije,
generalizacije, specijalizacije, indukcije, dedukcije, klasifikacije, komparacije, deskripcije,
metoda idealnih tipova, metoda modeliranja, historijska metoda, genetika metoda itd. Za
razliku od njih, pod posebnim se metodama podrazumijevaju metode specifine samo za
odredene znanosti. U tom se smislu moe govoriti o metodama ekonomskih znanosti,
socioloskim metodama, metodama pravnih znanosti, psiholoskim metodama itd.
U dijelu analize koji slijedi smo se opredijelili za detaljniju eksplikaciju
najznaajnijih opcih metoda znanstvenog istraivanja, koje se koriste u podruju drustvenih
znanosti.
34
32
On, doduse, govori i o opcim metodama drustvenih znanosti, istiuci osobito nekoliko njih:
pozitivistike metode, metodu razumijevanja, komparativnu metodu, metodu idealnih tipova,
metodoloski strukturalizam i funkcionalizam, te dijalektike metode (vidjeti esic, 1974.)
33
Slijedi ga se u Enciklopediji Leksikografskog zavoda, sv.1-6, JLZ, Zagreb, MCMLXVI - MCMLXIX.
34
Prema jednoj podjeli, u podruje drustvenih znanosti se ubrajaju antropologija, ekonomske
znanosti, pravne znanosti, politologija, organizacijske znanosti, sociologija, obrazovanje (pedagogija
61

IV.2. OPEE ZNANSTVENE METODE
4.2.1. M'+7.' /*.>5)/&' / .'.>5)/&'
4.2.1.1. M'+7., /*.>5)/&'
Indukcija se moe shvatiti na dva naina: kao nain misljenja i zakljuivanja, ali i
kao znanstvena metoda. Radi se o dva pojma koji su medusobno isprepleteni zbog ega ih
neki i identificiraju. U tome, medutim, nisu u pravu. Zbog ega? Iz jednostavnog razloga jer
kao nain misljenja i zakljuivanja indukcija podrazumijeva zakljuivanje od pojedinanog i
posebnog na opce. Radi se, dakle, o zakljuivanju koje se temelji na promatranju
pojedinanog ili posebnog, na temelju kojeg se izriu opci sudovi, zakoni itd. No, sluajno
induktivno zakljuivanje ne znai i primjenu metode indukcije kao znanstvene metode
dolaenja do novih znanja o prirodi i drustvu. Naprotiv, metoda indukcije uopce nije nuni
pratilac indukcije kao naina misljenja i zakljuivanja.
Ali, ista pravilnost ne vrijedi i u obrnutom sluaju. Naprotiv, metoda indukcije je
nuno sistematska i dosljedna primjena induktivnog naina misljenja i zakljuivanja s ciljem
dokazivanja ili otkrivanja istine. Njome se zakljuuje iz pojedinanog na opcenito, tj. iz
uinaka na uzroke, iz injenica na zakone, iz posljedica na principe (Hrkac, 1999., 28.).
Navedena definicija znai da se opci sud, zakon ili princip moe izvesti iz
pojedinanog ili vise pojedinanih sluajeva. Mogucnost velike sarolikosti, kada je u pitanju
broj sluajeva koji se koriste u funkciji teorijskog generaliziranja, koja proizlazi iz prethodne
definicije, znai i razliitu vrijednost odnosno osnovanost zakljuaka, utemeljenih na
induktivnom nainu zakljuivanja. U kontekstu ove analize apostrofiramo etiri najbitnija
initelja, od kojih ovisi vrijednost i osnovanost induktivnog zakljuivanja.
1. S povecanjem broja istraenih sluajeva i povecanjem broja njihove
raznovrsnosti raste i vrijednost induktivnog zakljuivanja. Zakljuivanje na temelju
promatranja nekoliko sluajeva je, u pravilu, manje pouzdano od onog koje je utemeljeno
na promatranju velikog broja injenica i sluajeva.
2. Induktivni zakljuak, bez obzira na kolikom broju pojedinanih sluajeva se
zasniva, osim ako je plod promatranja svih sluajeva, nikada ne moe biti i potpuno
pouzdan. On je, naprotiv, uvijek samo manje ili vise vjerojatan.
3. Bez obzira na to koliko je veliki broj pozitivnih sluajeva, samo jedan negativan
sluaj ponistava istinitost univerzalnog istinitog zakljuka.
4. U induktivnom zakljuivanju zakljuak je osnovaniji i sigurniji ukoliko se
koristene injenice tiu bitnijih svojstava predmeta koji je predmet izuavanja, ukoliko su
one, dakle, reprezentativnije za odredenu pojavu. Srednje mjesene temperature za
odredeno doba godine, koje se zabiljee u nekoliko uzastopnih godina, su reprezentativna
injenica za teorijsko generaliziranje o srednjim mjesenim temperaturama u tom dobu
godine od bilo kakvog temperaturnog ekscesa, zabiljeenog samo jedne godine.
U sluaju koristenja injenica koje oslikavaju bitnija svojstva predmeta
spoznavanja se generalni, ali i nesumnjivo toni sudovi, principi i zakonitosti mogu izreci i
na temelju svega nekoliko sluajeva. Primjerice, na temelju promatranja strukture
kraljenice samo jednog ovjeka moe se izreci opci i teorijski siguran sud o strukturi
kraljenice kod ovjeka uopce.
4.2.1.1.1. V(1+' /*.>5)/&'
Ovisno o tome kakav je odnos broja promatranih i ukupnog broja sluajeva koji su
predmet istraivanja, indukcija se moe pojaviti u razliitim oblicima. U ovom pregledu se
zadovoljavamo predstavljanjem samo najznaajnijih.
1. P7+2>*, /*.>5)/&,. U pitanju je zakljuivanje koje nastaje kao rezultat
potpunog nabrajanja svih pojedinanih sluajeva pojave koja je predmet istraivanja.
Zakljuci, koji nastaju primjenom potpune indukcije, su potpuno istiniti. Ne postoji, dakle,
i defektologija), socijalna geografija, kineziologija, informacijske, interdisciplinarne drustvene
znanosti, te ostalo (vidjeti Zugaj, 1997., 18.).
62
ni najmanja mogucnost njihove neistinitosti iz prostog razloga jer su u zakljuivanje
ukljueni svi sluajevi analizirane pojave. Medutim, ovakav se tip indukcije u praksi veoma
rijetko koristi. Zapravo, njeno koristenje je praktino moguce samo kod onih predmeta
istraivanja koji su sastavljeni od relativno malog broja lanova. Kod svih drugih, koje
karakterizira veliki broj lanova, potpuna indukcija je neopravdana i ne prakticira se.
2. N'27+2>*, /*.>5)/&, je indukcija koja zakljuke stvara na osnovu odredenog,
manjeg ili veceg, ali u svakom sluaju ogranienog, broja pojedinanih sluajeva odredene
pojave. U stvarnosti se svako zakljuivanje o masovnim pojavama temelji na nepotpunoj
indukciji. Buduci ona ne obuhvaca sve sluajeve odredene pojave, to je i zakljuak, koji
nastaje temeljem nje, uvijek samo manje ili vise vjerojatan, a nikada i potpuno istinit. To,
dakako, ne znai i da se zakljuci, nastali temeljem nje, ne mogu smatrati relativno
opcenitim i pouzdanim. Naprotiv.
No, i nepotpuna se indukcija moe pojaviti u razliitim oblicima. Takvi su,
primjerice:
a) N'271('.*, *'27+2>*, /*.>5)/&, u kojoj se relativno opci i vjerojatan
zakljuak o pojavi formira na temelju izvjesnog broja primjeraka. Poseban oblik ovakve
indukcije je i statistika indukcija, dakle indukcija u kojoj se koristi statistika, a koja se
dosta esto koristi kao osnova znanstvenog zakljuivanja u drustvenim znanostima.
b) T/2/4*, ili 2('./5+/;*, /*.>5)/&,, koja nije nista drugo nego zakljuivanje od
jednog, poznatog broja sluajeva na drugi, nepoznati broj sluajeva neke pojave, ili od
jednog dijela populacije na drugi dio te iste populacije. To, drugim rijeima, znai da je ona
kao metoda podesna za razliite tipove predvidanja. Na temelju srednje vrijednosti padalina
u listopadu u nekoliko zadnjih godina ste u mogucnosti predvidjeti da ce priblino ista
koliina padalina biti i u prvom slijedecem listopadu. Ili, na temelju stavova jednog dijela
populacije do dvadeset godina o odredenoj drustvenoj pojavi ste u mogucnosti predvidjeti i
stavove dijela te iste populacije u drugom dijelu zemlje, kraja, grada i slino
c) A*,-735, /*.>5)/&,. Samo joj ime upucuje na to da se zakljuci u njoj izvode
po analogiji, dakle s jednog pojedinanog sluaja na drugi pojedinani sluaj, ili s grupe
sluajeva na drugu grupu sluajeva.
4.2.1.2. M'+7., .'.>5)/&'
Po svojoj biti metoda dedukcije je suprotna metodi indukcije. Ona se, drugim
rijeima, temelji na suprotnom, dakle deduktivnom, nainu misljenja i uvijek predstavlja
spoznavanje posebnog i pojedinanog na temelju znanja o opcim svojstvima. Kod nje je,
zapravo, postupak zakljuivanja obrnut: iz opcenitog na pojedinano, tj. iz principa na
posljedice, iz uzroka na uinke, iz zakona na injenice. Polazna toka kod dedukcije je
"opca istina, zakon ili princip, pa iz njih izvodimo partikularne istine. Primjer: Treba ljubiti
dobro. Krepost je dobro. Dakle, krepost treba ljubiti" (Hrkac, 1999., 28.).
Ako je to tako, a jeste, to onda podrazumijeva i jedan dodatak. Mogucnost
koristenja deduktivnog naina misljenja i metode dedukcije pretpostavlja posjedovanje
opcih znanja, koja omogucuju poznavanje opcih stavova i naela, zahvaljujuci kojima je
moguce razluivati opce od posebnog i pojedinanog.
Promislja li se dalje ovom logikom, izvjesno je da su podruje primjene ove metode
prije svega logiko-matematike znanosti, dakle znanosti kojima temelj ini matematika.
Takvo su podruja geometrije, teorijske fizike, ali i neka druga koja bi bez dedukcije bila
nemoguca. Ali, izvjesno je da dedukcija, i kao nain misljenja i kao metoda, svoj trijumf
doivljava prije svega u kibernetici.
4.2.1.3. P7;'?,*71+ / (,?-/5' /?6'B> /*.>5)/&' / .'.>5)/&' 5,7 6'+7., / *,4/*,
?,5-&>4/;,*&,
I indukcija i dedukcija u sredistu svoga interesa imaju odnos izmedu pojedinanog,
posebnog i opceg. To su im zajedniki elementi bez kojih ne bi mogle egzistirati ni jedna ni
druga. Razlika je tek u smjeru djelovanja. Dedukcija ide od opceg prema posebnom i
pojedinanom a indukcija od pojedinanog i posebnog prema opcem. Ali, vezu, pa i
63
svojevrsno jedinstvo izmedu pojedinanog, posebnog i opceg uspostavljaju i izgraduju i
jedna i druga.
Dakako, medu njima se mogu identificirati i bitne razlike. U kontekstu ove analize
apostrofirati treba barem nekoliko od njih:
1. Promatraju li se indukcija i dedukcija kao zasebni procesi znanstvene spoznaje
izvjesno je da se indukcija moe oznaiti kao poetni, a dedukcija kao zavrsni proces u
znanstvenoj spoznaji. Razlog tome je dosta jednostavan. Naprosto, svaka spoznaja
zapoinje spoznajom pojedinanog ili posebnog, a zavrsava se deduktivnom spoznajom
pojedinanog ili posebnog na temelju opceg.
2. Razlike izmedu ove dvije metode se tiu i njihova predmeta i njihovih ciljeva.
Predmet i cilj indukcije je uvijek spoznaja opcenitijeg na temelju znanja o pojedinanom i
posebnom. Razlike se mogu pojaviti samo u razini opcenitosti nove spoznaje. Izvjesno je,
medutim, da je ona uvijek iznad razine opcenitosti znanja o pojedinanom ili posebnom,
kojima se raspolae i s kojima se ulazi u proces otkrivanja novih znanstvenih spoznaja.
Predmet i cilj dedukcije je, medutim, potpuno suprotan ovome. On je uvijek usmjeren
prema spoznaji posebnog i pojedinanog na temelju znanja opceg. Drugim rijeima, razina
opcenitosti nove spoznaje je uvijek ispod razine znanja opceg od koje se u proces
otkrivanja novih spoznaja ulazi.
3. Na koncu, a to proizlazi i iz prethodnog, razlike medu ovim dvjema metodama
su u vezi i sa razlikama u smjeru misaonog procesa. Drugim rijeima, misaoni proces kod
njih je potpuno suprotan. Kod indukcije se on krece od pojedinanog ka opcem, a kod
dedukcije od opceg prema pojedinanom.
4.2.2. M'+7.' ,*,-/?' / 1/*+'?'
4.2.2.1. M'+7., ,*,-/?'
Nesporno je da su predmeti ljudskih spoznaja, nekada vise a nekada manje
kompleksni. Sastavljeni su iz veceg broja dijelova koji su medusobno povezani i
isprepleteni. Na njih utjee veliki broj raznovrsnih initelja. Na koncu, predmeti ljudske
spoznaje se nalaze i u veoma raznovrsnim vezama s drugim predmetima objektivne
stvarnosti. Sve to metodu analize ini nezaobilaznom u procesu njihova spoznavanja,
osobito ako su u pitanju predmeti znanstvene spoznaje u podruju drustvenih znanosti. Do
spoznaja o njima je nemoguce doci bez uoavanja njihovih dijelova, strana, aspekata,
medusobnih odnosa.
Postavlja se pitanje: kako odrediti, odnosno definirati, analizu kao metodu
znanstvene spoznaje? Izvjesno je da se u literaturi moe susresti veliki broj medusobno
razliitih definicija. Primjerice, analiza je:
1. napredovanje od sloenoga prema jednostavnome,
2. proces raslanjivanja pojmova,
3. rastavljanje sloenoga, odnosno neke cjeline na elemente, sastavne dijelove,
4. postupak pri kojem se putem razlaganja, razdvajanja itd. djelatnost subjekta
postupno razvija od neke kompleksne cjeline, kao polazne toke istraivanja, k
pronalaenju i utvrdivanju elemenata, sadraja, initelja danog objekta i
odnosa tih initelja u njemu.
Najprikladnijim nam se, dakako, ini odredenje analize kao misaonog teorijskog i
praktinog rastavljanja svakog sloenog predmeta spoznaje na njegove initelje ili sastavne
dijelove, momente i aspekte, rastavljanja opeg na posebne momente, te rastavljanja
cjeline na dijelove (esic, 1974.).
Za bilo koju, medutim, od navedenih definicija se opredijelili, sve one upucuju na
zakljuak kako je analizi svojstvena usmjerenost prema unutra radi otkrivanja prirode
stvari i pojava. Cilj joj je, dakle, traganje za odgovorima na pitanja tipa - od ega su
sastavljene, kakva im je struktura i i sastavni dijelovi, kako se ti dijelovi i skupovi jedinica
integriraju u cjelovit sistem, sto je to sto ih dri na okupu, koji od elemenata ili dijelova je u
cjelini, sistemu, dominantan itd.
Sve to, dakako, ne znai i kako analiza nuno mora doprijeti do najmanje jedinice
strukture. Naprotiv. Ona se, u principu, orijentira na ono sto je najblia, a ne i posljednja
64
jedinica odredene strukture. No, ponekada moe ici i dalje od toga, na nie, manje dijelove
strukture. Dokle ce se njome ici ovisi o svakom konkretnom sluaju, o interesu istraivaa,
ali i svrsi zbog koje se analiza vrsi.
S druge strane, raslanjivanje na sastavne dijelove nije i krajnji domet analize.
Dapae. Krajnji cilj analize je, zapravo, objasnjavanje cijelog sustava. No, rastavljanje
cjeline na njezine sastavne dijelove je zato najprivlaniji dio, i oblik dakako, analize. Razlozi
tome su visestruki. Jedan od njih svakako je vezan i za injenicu da je rastavljanje cjeline
na sastavne dijelove i prvi korak u prodiranju u bit neega, u pokusaju da se zaviri ispod
povrsine stvari. Doduse, sastavni dijelovi cjeline mogu, u svakom pojedinanom sluaju,
imati veliki broj pojavnih oblika. Njih, drugim rijeima, ne treba doivljavati kao isto
fizikalne modele. Analiza, naprotiv, ukljuuje i akcije, procese. Istodobno, relativno je i sto
podrazumijevati pod cjelinom. I shvacanje cjeline je, dakle, stvar istraivaeva polazista u
njegovu misljenju.
Sve naprijed, u vezi sa sustinom analize, apostrofirano upucuje na zakljuak da sve
analize nisu iste. Drugim rijeima, medu njima se moe identificirati, manja ili veca razlika.
Sukladno tome se moe govoriti i o razliitim vrstama analize, pa i o njihovoj klasifikaciji
prema razliitim kriterijima. U kontekstu ove analize apostrofiramo razlikovanje analiza
prema nekoliko najznaajnijih kriterija klasifikacije.
1. Prema gnoseolokoj funkciji se moe praviti razlika izmedu deskriptivne i
eksplikativne analize.
a) Deskriptivna analiza, koju neki nazivaju i formalnom, se zadovoljava
opisivanjem elemenata neke cjeline. Osnovna joj je slabost u injenici da se
ona zaustavlja na mehanikom opisu, da dio i cjelinu shvaca kao potpuno
izolirane kategorije izmedu kojih nema nikakvih veza i odnosa. Zbog takvog
pristupa ona mora biti jednostrana, ograniena, povrsna, statina i, na koncu,
vise ili manje pogresna, osobito ukoliko su predmet analize sloeni predmeti i
pojave.
b) Eksplikativna analiza ide korak dalje pokusavajuci cjelinu objasniti preko
njenih dijelova, te objasnjavajuci relacije ovisnosti medu dijelovima cjeline.
2. Prema kriteriju sloenosti se moe praviti razlika izmedu elementarne, kauzalne
i funkcionalne analize.
a) Elementarna analiza se takoder zadrava na osnovnim spoznajama. Ona se
zadovoljava traganjem za elementima cjeline. Ambicije joj, dakle, ne idu i u traganje za
kompleksnijim odnosima medu dijelovima, ali ni u traganje za mjestom i ulogom pojedinog
elementa u cjelini.
b) Kauzalna analiza, medutim ide korak dalje. Nju zanimaju uzrono-posljedine
veze izmedu dijelova unutar odredene pojave ili predmeta spoznaje. Drugim rijeima, njena
je ambicija uvijek utvrditi dio cjeline koji funkcionira kao uzrok, ali i onaj koji se javlja kao
posljedica. Ta je znaajka ini i najsloenijim oblikom analize uopce, ali i glavnom polugom
na putu do znanstvene spoznaje.
c) Funkcionalna analiza je takoder kompleksniji oblik analize. Njome se ispituju
medusobni odnosi i ovisnost dijelova odredene pojave, ali i funkcije pojedinih elemenata ili
dijelova istraivane pojave. Ovisno o tome koji tip funkcija, odnosa i ovisnosti se ispituje
funkcionalna se analiza moe pojaviti u razliitim oblicima - kao statika ili dinamika, kao
kvantitativna ili kvalitativna itd. Uostalom, i kauzalna je analiza samo oblik manifestacije
funkcionalne analize.
3. Prema predmetu i cilju analize razlikuju se strukturalna, komparativna i
genetika analiza.
35
a) Strukturalnom se analizom utvrduje struktura pojave, predmeta ili dogadaja.
To, drugim rijeima, znai da je ona potrebnija ukoliko je konkretna struktura kompleksnija
b) Komparativna analiza ulazi u usporedbu svojstava, strukture i zakonitosti dviju
ili vise pojava otkrivajuci tako njihove strukturalne, funkcionalne ili druge jednakosti,
slinosti ili razliitosti.
c) Genetika analiza nastoji istraivati razvoj odredene pojave ili predmeta
istraivanja i to na nain da u njoj otkriva sve promjene, njen postanak i prestanak.
35
Bogdan esic prema predmetu i cilju istraivanja razlikuje: Analizu sadraja, strukturalnu,
funkcionalnu, kauzalnu, komparativnu i genetiku analizu (vidjeti esic, 1974., 70.)
65
4. Prema znanstvenom podruju mogu se razlikovati ekonomske, socioloske,
psiholoske, povijesne, matematike i druge analize.

4.2.2.2. M'+7., 1/*+'?'
Meto da sinteze je drugi lan iz ovog metodoloskog para. Po svome znaenju je,
zapravo, metoda sa sasvim drugaijom sustinom. Stvarnost i pojave u njoj ova metoda
objasnjava logikom spajanja, objedinjavanja jednostavnijih predmeta i pojava u sloene i
sloenih u jos sloenije. No, i u nastojanju da se nju definira postoje razliiti pristupi. Za
jedne je ona proces uopcavanja u kojem nastaju sve apstraktniji pojmovi u usporedbi s
prethodnima. Za druge je naprosto povezivanjem analizom dobivenih elemenata. Treci u
njoj vide proces spajanja dijelova i elemenata u cjelinu. Svaka od ovih definicija moe
zadovoljiti osnovne teorijske zahtjeve dobre definicije.
I metoda sinteze se moe klasificirati prema kriterijima koji vae za metodu
analize. Dakle:
1. prema gnoseolokoj funkciji treba praviti razliku izmedu deskriptivne i
eksplikativne sinteze,
2. prema cilju se razlikuju genetika i strukturalna sinteza,
3. prema sloenosti postoji elementarna, kauzalna i funkcionalna sinteza
4. prema karakteru djelatnosti sinteza se moe pojaviti kao reproduktivna i
produktivna. Razlika je u tome sto se reproduktivna sinteza zadovoljava pukim
sakupljanjem i spajanjem dijelova utvrdenih analizom, dok produktivna sinteza
ide korak dalje. Ona za rezultat ima neki novi objekt, pojavu, kvalitetu.
5. prema znanstvenom podruju se takoder moe praviti razlika izmedu socioloske,
ekonomske, povijesne i drugih sinteza.
4.2.2.3. S-/4*71+/ / (,?-/5' /?6'B> ,*,-/?' / 1/*+'?'
Medu analizom i sintezom se mogu identificirati znaajne razlike, pa i suprotnosti.
Apostrofiramo najznaajnije:
a) Analiza je poetni a sinteza zavrni proces poznaje odredenih pojava. Cilj
poetnog procesa spoznaje je spoznaja initelja, dijelova, strana sloenih
pojava. Cilj sinteze je sastavljanje tih dijelova i initelja u cjelinu.
b) Po kretanju miljenja u njima analiza i sinteza su metodski suprotni procesi.
Naime, kod analize se misljenje krece od cjeline prema dijelovima, a kod sinteze
upravo suprotno.
c) Suprotnost izmedu analize i sinteze se manifestira i u onome sto se njima
otkriva. Analizom se, naime, otkrivaju raznovrsnost i dijelovi, a sintezom
jedinstvo i cjelina pojave.
Ali, analiza i sinteza imaju i niz zajednikih odlika. Zajedniki su im, medu inim:
a) predmet istraivanja,
b) konani cilj istraivanja,
c) medusobno se pretpostavljaju iz jednostavnog razloga jer se cjelina moe
razumjeti jedino razumijevanjem dijelova, ali i dijelovi se mogu shvatiti samo
kao dijelovi cjeline.
4.2.3. M'+7., .75,?/;,*&, / 727;(9,;,*&,
D75,?/;,*&' se moe definirati kao izvodenje istinitosti jednog stava na osnovu
istinitosti nekog drugog ili drugih stavova za koje se zna da su istiniti ili barem vjerojatno
istiniti (esic, 1974., 261.). Definira li ga se na taj nain onda je jasno da su u
dokazivanju inkorporirane sve posebne metode i procesi spoznaje - analiza i sinteza,
indukcija i dedukcija, generalizacija i specijalizacija, apstrakcija i konkretizacija itd.
Prihvati li se, s druge strane, apostrofirana definicija, iz nje proizlaze i bitni
elementi od kojih je sastavljeno dokazivanje, a to su:
1. Teza, stav kojeg treba dokazati, za kojeg se pretpostavlja da je istinit, i za
dokazivanje kojeg se koriste razliiti argumenti ili razlozi.
66
2. Argumenti (razlozi), odnosno injenice, stavovi, sudovi pomocu kojih se teza
dokazuje, te
3. Demonstracija dokaza odnosno uspostavljanja logike veze izmedu teze i
argumenata. Demonstracija je, drugim rijeima, misaono izlaganje argumentacije.
Moguce je, dakako, govoriti o razliitim vrstama dokaza. Moguce je, medu inim,
praviti razliku izmedu:
1. Induktivnog i deduktivnog dokaza. Induktivni dokaz je onaj koji slijedi
induktivni oblik zakljuivanja, dokaz, dakle, kod kojeg se navode odredeni posebni stavovi
kao argumenti koji slue kao dokaz za unaprijed danu tezu.
Induktivan je, primjerice, slijedeci dokaz, koji se odnosi na tezu Tvrtka 'Aluminij'
iz Mostara je napredna, a koji ima slijedecu strukturu:
Aluminij ostvaruje plan proizvodnje u planiranom roku.
Aluminij proiruje proizvodnju i asortiman proizvoda.
Aluminij zadrava svjetsku razinu proizvodnosti rada.
Aluminij ima zadovoljne radnike
Zakljuak: Tvrtka 'Aluminij' iz Mostara je napredna
Suprotno tome, deduktivno dokazivanje slijedi deduktivni oblik zakljuivanja, kod
kojeg opci stavovi slue kao argument za jedan poseban stav kao tezu. Deduktivan je,
primjerice, slijedeci dokaz:
Sustavno marketinko znanje ima samo student koji je do u detalje prouio,
razumio i usvojio sve teorije marketinga.
Student X nije do u detalje prouio, ni razumio i usvojio sve teorije marketinga.
Zakljuak: Student X nema sustavno marketinko znanje
2. Analitikog i sintetikog dokaza. Analitiki je dokaz onaj u kojem se stav teze
izvodi analizom stavova argumenata. Dokazivanje ovog tipa, drugim rijeima, poiva na
analizi teze, pronalaenju posljedica koje se u njoj skrivaju ili traenju pretpostavki za tu
tezu. Suprotno tome, sintetiki je onaj dokaz u kojem se teza izvodi sintezom stavova
argumenata, dokaz koji se izvodi povezivanjem posebnih stavova koji idu u prilog teze
unaprijed postavljene. Apostrofirani dokaz u sluaju Aluminija moe posluiti kao primjer i
sintetikog dokaza.
3. Neposrednih i posrednih (direktnih i indirektnih) dokaza. Neposredni je, pri
tome, svaki dokaz kod kojeg se dokaznim postupkom neposredno iz istinitosti stavova
argumenata izvodi istinitost stava teze. Cilj mu je, dakle, dokazivanje istinitosti teze.
Pretpostavimo tezu: Svi su ljudi smrtni. Neposredan dokaz ove teze izvodi se na nain da
se navodi veci broj argumenata iz kojih neposredno proizlazi da je ona istinita.
Suprotno tome, posredni je dokaz u kojem se istinitost teze dokazuje dokazom
neistinitosti antiteze, u kojem se pobija suprotnost teze. Pretpostavimo opet tezu Svi su
ljudi smrtni. Posredan dokaz ove teze izvodi se dokazom neistinitosti antiteze Neki ljudi
nisu smrtni, teze iju istinitost ivot svakodnevno opovrgava. Iz neistinitosti ove antiteze,
medutim, proizlazi i istinitost teze.
Bez obzira, medutim, o kojoj se vrsti dokaza radi, pri dokazivanju se moraju
postivati i odredena pravila. Apostrofirati treba posebice slijedeca pravila dokazivanja
(esic, 1980., 142):
1. Teze moraju imati odredeno znaenje za znanstvene spoznaje, a to imaju ako
imaju osnovu u ranije utvrdenom znanju i ako predstavljaju hipoteza objasnjenja novih
injenica koje protivrijee starim teorijama
2. Teze mora biti jasno odredene i precizno formulirane jer, u protivnom, ni
dokazivanje ne moe biti uspjesno.
3. Argumenti teze moraju biti jasni, precizno formulirani i znanstveno vrijedni (ili
istiniti ili vjerojatni).
67
4. Argumenti dokaza teze moraju biti nezavisni od same teze jer, u suprotnom,
ne bi ni mogli predstavljati dokaz.
5. Dokazivanje mora biti sukladno pravilima logikog dokazivanja, strogo logiki
izvedeno.
6. Tijekom cijelog postupka dokazivanja teza mora ostati neizmijenjena
O27;(9,;,*&' je metodski postupak, suprotan dokazivanju istinitosti teze.
Opovrgavanjem se teza, drugim rijeima, odbacuje, pobija. Ono je dokazivanje neistinitosti
teze. I kod opovrgavanja se, dakako, moe praviti razlika izmedu neposrednog i posrednog.
Neposredno opovrgavanje se sastoji u dokazivanju lanosti teze. Pretpostavimo,
primjerice, tezu Njemaka spada u red nerazvijenih zemalja. Ona se neposredno
opovrgava na slijedeci nain:
Njemaka je medu zemljama s najveim bruto nacionalnim proizvodom.
Njemaka je medu zemljama s najviim standardom.
Njemaka je medu zemljama s najveim brojem putovanja u druge zemlje u
vrijeme godinjih odmora.
Zakljuak: teza Njemaka spada u red nerazvijenih zemalja je neistinita.
Posredno (indirektno) opovrgavanje se sastoji u dokazivanju netonosti teze
posrednim putem - dokazom istinitosti antiteze ili, pak, izvodenjem pogresnih, ak
apsurdnih posljedica iz teze koja se opovrgava, temeljem ega se, onda, zakljuuje i da
takva teza ne moe biti istinita, da se mora odbaciti.
4.2.4. M'+7., 5-,1/:/5,)/&'
Klasifikacija je, najjednostavnije kazano, podjela ili rastavljanje jednog opeg na
posebne pojmove koja je sistematska, dosljedna i potpuna. Uzmimo primjer klasifikacije
znanosti. Znanost se dijeli, primjerice, na prirodne i drustvene. Svaka od tih grupacija se,
opet, dalje dijeli. Drustvene se znanosti mogu podijeliti na opce i posebne. Svaka od tih
grupa se sastoji od pojedinanih znanstvenih disciplina itd.
Usvoji li se ovakva definicija, iz nje proizlazi i zakljuak da je klasifikacija dvostruki
spoznajni proces. Ona je, s jedne strane, unutarnja klasifikacija pojava koje su predmet
istraivanja ili pak nekih svojstava tih pojava. S druge strane, medutim, klasifikacija
podrazumijeva i odredivanje mjesta istraenih pojava u okviru nekih drugih pojava ili, pak,
neke vise, kompleksnije klasifikacije.
Usvoji li se prethodno odredenje klasifikacije, izvjesno je da je ona osnova ili
polaziste za mnoge druge aktivnosti unutar znanstvenoga istraivanja - za sistematsko
promatranje, za procjenjivanje, brojanje i mjerenje. Razlog tome treba potraiti u injenici
da bez odredenih klasa sve te tehnike ne bi mogle imati svoje neophodno znaenje.
Ponetko je, nema dvojbi, klasifikaciju sklon reducirati na stavljanje sluajeva u
postojece, dobro poznate kategorije. Takav je pristup, medutim, pogresan. Klasifikacije,
naime, nema bez klasa, a njihovo pravljenje je mukotrpno i zna trajati stoljecima.
Najuvjerljiviji je dokaz tome vremenski doista duga evolucija pojma klase kemijski
element, koja se moe pratiti jos od vremena stare grke, vremena kojih sest stoljeca
prije Krista.
S druge strane, dosta esto se moe naici i na sud da predmeti koji su nam poznati
spadaju prirodno u grupe na osnovu nekih, po sebi oevidnih znaajki, te da su te grupe
nepromjenjive, da je kod njih veoma primjetna tendencija bipolarizaciji, kalupi po principu
crno i bijelo. Takvi sudovi, medutim, nisu na tragu trendova suvremene znanosti. Ona,
naime, nudi masu dokaza da bilo koja klasa predmeta ima tako mnogo varijacija da se
javlja masa pitanja u vezi s pokusajem odredivanja po emu one pripadaju istoj klasi.
Klasifikacija je, potom, uvijek i odredeno selektivno udruivanje, i to udruivanje
koje slui odredenom cilju. Pri tome, dakako, treba voditi rauna da se sve moe
klasificirati na bezbroj razliitih naina. Zamislimo, primjerice, pojam ovjeanstvo,
odnosno na koliko sve naina moemo klasificirati ljudska bica. Iz mnogih korisnih razloga,
tako, ovjeanstvo se moe dijeliti u razliite klase - prema dravljanstvu, boravistu, dobi,
68
spolu, razini obrazovanja, obiteljskom stanju, prihodima, stupnju bliskosti itd. Mogucnost
takvih klasifikacija je doista izvanredno bogata. Medutim, smisla imaju samo one
klasifikacije koje su selektivne, i to selektivne u vezi s nekim ciljem
Dosta su razliiti pristupi tipologizaciji klasifikacija. 7ogdan 8e0i2, primjerice,
pravi razliku izmedu formalno-logistike i dijalektike klasifikacije. Pri tome, pod :7(6,-*7D
-79/1+/4576 podrazumijeva klasifikaciju koja se temelji na egzaktnosti i preciznosti
pojmova, ali i na striktnoj primjeni odredenih pravila. Za razliku od nje, ./&,-'5+/5,
5-,1/:/5,)/&, je znaajno elastinija, bez obveze strogog pridravanja formalnih pravila, uz
uvaavanje specifinih sluajeva itd. Neki drugi autori, pak, prave razliku izmedu 2(/(7.*/A
i >6&'+*/A klasifikacija (vidjeti, Zajearanovic, 1977., 112.).
Neovisno o toj vrsti razlika, medutim, vecina autora se slae u identifikaciji
najznaajnijih pravila klasifikacije.
36
Pri tome se apostrofira posebice pet takvih pravila:
a) Princip odredenosti predmeta klasifikacije. Opci pojam koji se klasificira mora
biti jasno odreden i u pogledu obujma i u pogledu sadraja. U protivnom, ni klasifikacija
nece biti uspjesna.
b) Princip jedinstvenosti klasifikacije. Citava klasifikacija mora poivati na
jedinstvenom principu, principu diobe, recimo na osobini koja karakterizira itavu klasu
pojava. Odstupi li se od toga, primijene li se, primjerice, razliiti principi diobe u razliitim
fazama ili na razliitim razinama klasifikacije, velika je vjerojatnost da takva klasifikacija
nece biti i uspjesna. Kako to izgleda moe se pokazati na primjeru klasifikacije
stanovnistva. U Bosni i Hercegovini ta je klasifikacija moguca po razliitim principima - po
nacionalnom (na Hrvate, Bosnjake, Srbe), regionalnom (Banjaluani, Biscani, Tuzlaci,
Mostarci, Trebinjci), kvalifikacijskom (nekvalificirani, kvalificirani, stanovnici sa srednjom,
visom skolom i fakultetom) itd. Ali, pogresno bi na jednoj razini klasifikacije bilo vrsiti
podjelu prema nacionalnom, a na drugoj prema principu regionalnog pripadanja. Takva
klasifikacija ne bi dala znanstveno validne rezultate.
c) Princip potpunosti, odnosno iscrpnosti i adekvatnosti. U protivnom, klasifikacija
nece moci biti znanstveno validna. Princip potpunosti je, primjerice, oigledan kod podjele
etverokuta prema kriteriju paralelnosti njihovih strana na trapezoide (etverokute bez
ijednog para paralelnih strana), trapeze (etverokute s jednim parom paralelnih strana) i
paralelograme (etverokute s dva para paralelnih strana). Razlog tome je injenica da su
tim principom podjele obuhvaceni bas svi etverokuti. Ako, medutim, podjelu vrsimo po
drugom, principu podjele na rombove, pravokutnike i kvadrate, podjela nije potpuna jer
njome nisu obuhvaceni i romboidi. To, drugim rijeima, znai da podjela ne smije biti ni
presiroka, ali ni preuska, nego adekvatna i iscrpna, dakle potpuna.
d) Princip relativne posebnosti svakog lana podjele u okviru opceg pojma koji se
dijeli. Drugim rijeima, lanovi diobe se moraju medusobno razlikovati, moraju biti precizno
i jasno razgranieni jedni od drugih. Opci pojam ovjek se, primjerice, moe podijeliti na
posebne pojmove muskarac i ena jer su, i ako su, medusobno jasno i precizno
razgranieni.
e) Rod kao najvisi pojam klasifikacije mora sadravati karakteristiku sadraja
vrste, odnosno svojstvo koje je karakteristino svim vrstama i podvrstama u okviru roda,
ali i svim lanovima u okviru svake od vrsta ili podvrsta. Rod svima njima mora,
metaforino kazano, biti zajedniki imenitelj.
4.2.5. M'+7., 5762,(,)/&'
Kompariranje ili usporedivanje pojava ima dugu povijest. Za neke, kompariranje je
staro koliko i ljudsko misljenje. Usporedno tumaenje drustava, ali i pojava u njima, razvili
su vec stari Grci. Novovjekovna znanost je, pak, komparaciju razvila kao znanstvenu
metodu. Pri tome se misli prije svega na ulogu koju metoda komparacije ima u matematici i
prirodnim znanostima - astronomiji, fizici, geografiji, biologiji. No, zaostajala nije ni u
razvoju jezinih i knjievnih istraivanja, a potom ni u podruju drustvenih znanosti. Na
ozbiljnosti usporedivanja kultura razliitih drustava istrajavala je posebice socijalna
36
Gotovo identian pristup se, u odnosu na to, dade uoiti kod Miroslava Zugaja, Ratka Zelenike,
Bogdana esica i nekih drugih autora.
69
antropologija. Na koncu, metoda komparacije postaje prepoznatljiva i u svim drugim
drustvenim znanostima.
Nisu, dakako, rijetki oni koji metodu komparacije smatraju jednim od najosnovnijih
metodskih postupaka ljudske spoznaje i da je stavljaju u istu ravan s analizom i sintezom.
Postavlja se, medutim, pitanje kako tu metodu i definirati? Zadovoljavajucom bi se, za
potreba ove analize, mogla smatrati ona koja komparativnu metodu shvaca kao postupak
usporedivanja istih ili srodnih injenica, pojava, procesa i odnosa, odnosno utvrdivanja
njihove slinosti u ponasanju i intenzitetu i razlika medu njima (Zelenika, 1990., 184.).
Bilo kako da ju se definira, metoda komparacije ima svoju spoznajnu ulogu. Ona
se, medu ostalim, sastoji i u injenici da bez usporedbe nije moguce konstatirati ni slinosti,
niti razlike i suprotnosti izmedu nekih pojava i objekata. A bez toga, dakako, nema ni
znanstvene spoznaje. Kada je, medutim, metoda komparacije po srijedi, bitan je detalj i u
vezi s predmetom njezina istraivanja. A njega ine srodne ili sline pojave jednog istog
roda pojava. Drugim rijeima, da bi se komparacija mogla primijeniti nuan uvjet tome je
postojanje istih ili barem slinih svojstava kod vise vrsta pojava. Pri tome se radi, prije
svega, o vezama i odnosima slinosti i razliitosti izmedu najmanje dviju vrsta pojava istog
roda, pri emu se one, slinosti i razliitosti, mogu ticati razliitih svojstava - njihova
sadraja, oblika, kvalitete, strukture, funkcija, naina nastanka itd.
Komparativnu metodu, prema 8e0i2u (vidjeti, esic, 1974., 142.), bitno odreduje
nekoliko momenata:
1. Utvrdivanje odredenih osnovnih slinosti ili istovjetnosti kod od ranije poznatih
pojava i kod novih pojava koje se istrauju.
2. Postavljanje osnovne hipoteze da i nova pojava ima slina svojstva, slinu
strukturu, organizaciju, sline oblike, veze, procese, odnose i ponasanja kao i poznata
pojava.
3. Provjeravanje postavljene osnovne hipoteze i njezinih specifinosti u oblasti
nove pojave, a tom provjerom i spoznaja osobina nove pojave koja se istrauje pomocu
metode komparacije.
4. Sustavno i to potpunije usporedivanje svojstava od ranije poznate pojave i
novo spoznate pojave.
5. Klasifikacija nove pojave ili nove vrste pojava u okviru ili sustavu prosirene
spoznaje.
ei detaljnije elaborira i osnovne ciljeve metode komparacije. Tri medu njima se
posebice apostrofiraju (Ibid., 142-143):
1. Opis strukture, funkcije i ponaanja dviju ili vie pojava koje istraujemo, a s
ciljem da se: a) otkriju slinosti i razlike izmedu njih, b)na osnovu usporedbe otkrije priroda
neke nove pojave, te c) otkriju prednosti i nedostaci oblika organizacije i upravljanja itd.
2. Klasifikacija novo spoznatih stvari i pojava i njihova sistematizacija, odnosno
odredivanju mjesta svakoj od njih u sustavu tih pojava.
3. Otkrie ili praenje razvoja, dakle evolucije, stagnacije ili nazadovanja
odredene vrste pojava
Komparativna metoda, dakako, omogucuje usporedivanje drustva i kulture, ali i
iste pojave unutar razliitih drustava i razliitih kultura. Zahvaljujuci njoj moguce je,
primjerice, u razliitim drustvima usporedivati sklapanje braka i obitelji, ubojstava i
samoubojstava, drustvene stratifikacije i pokretljivosti itd. Sukladno tome, kada su
drustvene znanosti, odnosno ljudsko drustvo, u pitanju, razliku je moguce praviti izmedu tri
vrste komparacije:
1. Komparacija u okviru konkretnog drutva, kojom se utvrduje homogenost
socijalnog sastava, ui i siri dijelovi tog drustva.
2. Komparacija u okviru razliitih drutava istog tipa, kojom se dolazi do osnovnih
znaajki njihovih struktura, ali i stupnja slinosti i razlika medu njima.
3. Komparacija u okviru ovjeanstva kao cjeline kao najvisi moguci domet
primjenom ove metode.
I kod metode komparacije se, kao i kod ostalih, daju identificirati njezine prednosti,
ali i njezine poteskoce i nedostaci. Kada su prednosti po srijedi, jedna od njih je, primjerice,
u vezi s mogucnoscu dobivanja cjelovitih podataka o oblicima drustva jer ni jedna druga
metoda ne prua toliko mogucnosti obuhvata cjeline kao dobro realizirana komparacija. S
70
druge strane, koristenjem metode komparacije ovjeku dostupnim postaje i sagledavanje
drustvene dinamike, ali i sve injenice u vezi s razvojem pojedinih ljudskih cjelina. Bez te
metode, drugim rijeima, na minimum je svedena, kako prilika da se otkriju dinamike
pravilnosti, tako i razvojnost pojava, promjenjivost oblika drustva itd.
Ne treba, medutim, ignorirati ni poteskoce i nedostatke u vezi s metodom
komparacije. Medu njima izdvojiti treba posebice:
poteskoce u vezi s formiranjem pouzdane komparativne evidencije
poteskoce koje proizlaze iz injenice da metoda komparacije poiva na shvacanju
evolucije kao teorijskoj osnovi poretka stvari, a evolucija je, zapravo, samo jedan od vidova
tumaenja ljudskog drustva
ogranienja koja su u vezi s vremenom i prostorom. Usporedivanje izrazito
dinaminih drustvenih pojava, naime, traje dugo, skupo je i trai brojne ekipe.
Cesto se, medutim, navode i neke druge poteskoce, medu njima i slijedece (vidjeti,
Zugaj, Dumiic, Dusak, 1999., 80.):
istraiva ne smije biti opterecen predrasudama;
rjesavanje samo praktinih problema, a zanemarivanje sirih, teorijskih
istraivanja koja mogu nesto reci i o slinostima i o razlikama;
nedostatak, nepotpunost i nepouzdanost podataka
esto se dobiveni podaci nedovoljno kritiki provjeravaju i ocjenjuju itd.
4.2.6. M'+7., 67.'-/(,*&,
Metoda modeliranja je specifina u odnosu na ostale jer nema dugaku tradiciju.
Inae, gnoseoloska bit ove metode je da model predstavlja prikaz nekog predmeta ili
stvari, procesa ili pojave iz stvarnog svijeta. On je, drugim rijeima, sredstvo pomocu kojeg
znanstvenici istrauju strukturu ili svojstva pojedinih sustava ili pojava iz realnog svijeta.
Da bi uopce mogao postojati model, neophodno je postojanje dva sustava medu kojima
postoji odredena slinost i u svojstvima i u ponasanju, pri emu se jedan javlja kao model a
drugi kao original.
Ako se pode od takvog odredenja, izvjesno je da je model idealizirani odraz
stvarnosti, ali pojednostavljen do te mjere da su zadrana samo bitna svojstva, dok sva
ostala, bez obzira sto su i ona vana, mogu biti potpuno zanemarena. Cilj modeliranja,
prema tome, jeste da se sto tonije i sto dublje spozna bilo koji predmet, stvar ili proces i
njihove strukture i funkcije, odnosno ponasanja. Da bi taj cilj uopce bio moguc, neophodno
je i da su ispunjeni odredeni uvjeti. Tri medu njima zasluuju posebnu panju:
a) model mora biti slian originalu, bez obzira o kakvom se originalu radi, je li u
pitanju predmet, nain ponasanja, nain funkcioniranja itd.
b) model mora biti predstavljati odredeni i teorijsko-spoznajni i praktini odraz,
odnosno analogan originalu,
c) na bazi prethodne dvije osobine model mora pruiti odredenu informaciju o
originalu.
Buduci se idealizirani odraz stvarnosti reducira samo na bitna svojstva, u
izuavanju metode modeliranja je jedno od bitnijih i pitanje njegove 1+(>5+>('. Cetiri su
bitna sastavna elementa ili initelja te strukture:
a) predmet modeliranja, dakle pojava koja se primjenom ove metode istrauje.
To moe biti bilo koja pojava u prirodi i drustvu.
b) istraivai, pojedinci ili grupe, koji grade odredeni model i preko njega
istrauju odredeni predmet, pojavu, postupak itd.
c) sredstva i oruda, od kojih se i pomocu kojih se gradi model, te
d) Poloaj u objektivnoj stvarnosti i uvjeti u kojima se model gradi. Model za
odredeni predmet ili pojavu moe biti bilo kakva skica, slika, maketa itd.
Iako je metoda modeliranja jedna od mladih metoda suvremene znanosti, mnogo
se koristi i u teorijskom i u praktinom radu.
Inae, modeliranje je kompleksan proces koji je sastavljen od vise faza. Cetiri od
njih su, po misljenju mnogih, i najznaajnije faze modeliranja. To su: postavljanje zadatka,
71
izbor ili stvaranje modela, istraivanje modela, te prijenos spoznaja s modela na original
stvari, predmeta ili pojave.
Razliite su i funkcije metode modeliranja. Tri su posebno znaajne:
a) Primijenjeno-praktina funkcija, odnosno injenica da se modeli koriste u
rjesavanju praktinih problema, posebice u tehnikim znanostima.
b) Demonstrativna funkcija zbog mogucnosti da se modeli koriste u edukativne
svrhe. U obrazovnom procesu se, naime, koriste razliiti crtei, makete, sheme itd.
c) Znanstvenoistraivaka funkcija, buduci se ova metoda koristi u svim
podrujima znanstvenog rada u cilju istraivanja stvari i pojava i otkrivanja novih
znanstvenih spoznaja.
U teoriji se susrecu razliiti pristupi klasifikaciji modela, odnosno modeliranja.
Acko' i 7u''a, primjerice, razlikuju tri osnovne skupine modela:
a) Slikovni modeli, koji stvarnost prikazuju u obliku crtea, slike ili dijagrama. U
tu skupinu modela spadaju, primjerice, zemljopisne karte, mikroskopske slike itd. Za njih je
karakteristino da su stvarnosti slini, ali s njom nisu i istovjetni. Od stvarnosti mogu
odstupati po veliini, obuhvatnosti, ali i nekim drugim znaajkama. Zemljopisna karta ne
prikazuje sve objekte i dijelove prirode, ali je priroda prikazana u njoj i manja od stvarne.
b) Analogni modeli. Oni utvrduju odnose izmedu varijabli u sustavu i onih u
modelu. Ovi su modeli, u pravilu, opcenitiji od slikovnih.
c) Simboliki modeli. Veoma su pogodni za prikazivanje svojstava ili relacija
stvarnog svijeta pomocu znakova ili simbola. Iako pravilno formuliranje ovih modela
omogucuje jednostavno rukovanje, za njihovo koristenje ne potreban mnogo veci kvantum
informacija nego u prethodna dva.
7ogdan 8e0i2 se, naprotiv, ne opredjeljuje uopce za klasifikaciju modela.
Umjesto toga on navodi etrnaest razliitih metoda modeliranja:
1. Teorijski ili apstraktni modeli, kakvi su logiki i matematiki modeli izraeni
formulama.
2. Praktini ili konkretni, odnosno modeli koji predstavljaju oruda ili rezultate
neke praktine aktivnosti.
3. Realni modeli, koji predstavljaju realne sisteme.
4. Idealni modeli, odnosno modeli koji na idealiziran nain predstavljaju
originalne predmete (model atoma i jezgre, ili model idealnih tipova u sociologiji).
5. Jednostavni, odnosno modeli ija je struktura i funkcija relativno jednostavna
(model pisaceg stroja).
6. Sloeni, dakle modeli ija je struktura i funkcija sloena (model raunala).
7. Modeli strukture, koji predstavljaju strukturu originala (modeli geometrijskih
tijela).
8. Funkcionalni, modeli koji predstavljaju funkcije dinamikih sistema originala
(kibernetski modeli ponasanja).
9. Parcijalni, dakle modeli koji predstavljaju samo neka obiljeja predmeta-
originala (samo dio strukture ili samo jedan nain ponasanja).
10. Globalni, odnosno modeli koji predstavljaju cjelinu predmeta originala
11. Analitiki, ili modeli koji se sastoje od skupa analitikih relacija u obliku
jednadbi i nejednadbi, kojima se matematiki modeliraju dinamiki procesi ili ponasanje
sloenih dinamikih sistema.
12. Topoloki i mreni modeli kojima se, u obliku prostornih shema, predstavljaju
proizvodni i drugi procesi.
13. Deterministiki, odnosno modeli koji imaju strogo utvrdeni nain
funkcioniranja, te
14. Stohastiki i statiki, dakle modeli sluajnih i vjerojatnih dogadaja, odredeni
relacijama vjerojatnosti.
Najesca je, ipak, klasifikacija modela koja polazi od pet kriterija, i to:
a) Prema :>*5)/&/0 moguca je podjela na:
- deskriptivne ili opisne modele
- predikativne, odnosno modele koji u odnos stavljaju nezavisne i zavisne
varijable po principu da ce se nesto dogoditi ako za to budu ispunjene
odredene pretpostavke,
72
- normativne, modele koji sugeriraju najprihvatljivije rjesenje problema.
b) Prema 1+(>5+>(/ modeli, kako smo vec naveli, mogu biti slikovni, analogni i
simboliki.
c) Prema ;('6'*157& 7.('B'*71+/ postoji razlika izmedu statikih (koji ne
respektiraju vremenske promjene) i dinamikih, odnosno modela koji vrijeme
tretiraju kao nezavisnu varijablu.
d) Prema 1+>2*&> ;&'(7&,+*71+/ moguce je praviti razliku izmedu:
- deterministikih, modela kod kojih je rezultat pod poznatim uvjetima
siguran
- probabilistikih, odnosno modela kod kojih postoji vjerojatnost razliitih
distribucija na strani ulaza, pa nakon procesa i na strani izlaza.
- igara, dakle modela koji pokusavaju razviti optimalna rjesenja u uvjetima
potpune neizvjesnosti ili nesigurnosti.
e) Prema 72@'*/+71+/ se pravi razlika izmedu opih (modeli koji obuhvacaju
veci broj funkcija) i posebnih, odnosno modela koji se mogu primijeniti samo
na tono odreden problem.
5. TE#NIKE PRIK$PLJANJA EMPIRIJSKI# PODATAKA
U istraivanju drustvenih pojava koristi se veci broj tehnika znanstvenog
istraivanja, odnosno istraivakih procedura i postupaka na putu do novih znanstvenih
spoznaja. Medu njima se, svojim znaenjem, istiu +'A*/5' /12/+/;,*&,0 2(76,+(,*&'0
5-,1/:/5,)/&, / 6&'('*&'0 '512'(/6'*+0 te ,*,-/?, 1,.(C,&,. Stoga im, i u kontekstu ove
analize, treba posvetiti vise panje.
5.1. TE#NIKE ISPITIVANJA
Tri su najznaajnija pojavna oblika prikupljanja podataka primjenom tehnike
ispitivanja - 2(/5>2-&,*&' 27.,+,5, 2767@> ,*5'+*79 >2/+*/5,, te +'1+/(,*&' i
15,-/(,*&'. Prvi medu njima, prikupljanje empirijske grade pomocu anketnog
upitnika, opet, obuhvaca dvije zasebne tehnike - ,*5'+> i /*+'(;&>.
5.1.1. P(/5>2-&,*&' 27.,+,5, 2767@> >2/+*/5,
73
Zasto na anketu i intervju gledamo kao na dvije pojavne forme jedne te iste
tehnike prikupljanja empirijske grade? Razlog je relativno jednostavan. I jednoj i drugoj
zajedniko je da u prikupljanju empirijske grade koriste upitnik kao instrument. No, to nije
dovoljan argument da bi izmedu njih stavili i znak istosti. Razdvajaju ih, naime, razlike koje
medu njima postoje. Te razlike proizlaze iz tehnologije koja se, u prikupljanju empirijske
grade pomocu upitnika, kod ankete i intervjua koristi. Anketa, naime, znai pismeno, a
intervju prikupljanje podataka koristenjem razgovora. Iz te razlike, opet, proizlaze i neke
druge osobenosti, koje karakteriziraju anketu i intervju. Stoga im se, i jednom i drugom,
treba posvetiti i posebna pozornost.
Radilo se, medutim, o jednom ili drugom, anketi ili intervjuu, u itav proces je
ukljueno nekoliko sudionika - naruitelj posla, istraiva, anketar, te ispitanik. Buduci su
njihove uloge i oekivanja od prikupljanja podataka pomocu upitnika razliiti, iz te injenice
mogu nastati i dosta razliite vrste problema, posebice na relaciji izmedu naruitelja i
istraivaa. No, u kontekstu ove analize njima se ne kanimo baviti.
5.1.1.1. A*5'+,
Pojam ankete odreduje se na razliite naine. Miroslav 6ujevi2, primjerice, pravi
razliku izmedu ueg i sireg smisla ankete. Pri tome, pod anketom u sirem smislu
podrazumijeva svako prikupljanje podataka uz pomoc postavljenih pitanja. No, buduci se
pitanja mogu postavljati na razliite naine i sa razliitom svrhom, Vujevic pravi razliku
izmedu ankete u uem smislu, intervjua i testa (Vujevic, 1990., 99.). Pravljenje razlike
izmedu ankete u sirem i uem znaenju, pri emu se pod tim pojmovima podrazumijevaju
druge stvari, moe se sresti i kod nekih drugih autora (vidjeti Zvonarevic, 1976., 117).
Zbog pristupa, medutim, za koji smo se opredijelili, pod anketom
podrazumijevamo 2/16'*7 2(/5>2-&,*&' 27.,+,5, 7 1+,;7;/6, / 6/3-&'*&/6,0 57&' 1'
>? 2767@ >2/+*/5, 2(7;7./ *, ('2('?'*+,+/;*76 >?7(5>. Iz te se definicije dosta
zorno moe uoiti da anketu odreduju dvije bitne znaajke:
a) podaci o stavovima i misljenjima prikupljaju se pismenim putem uz pomoc
upitnika,
b) za prikupljanje podataka, buduci da se oni najesce odnose na velike populacije
kod kojih je gotovo nemoguce pribaviti podatke od svih lanova, koristi se uzorak, dakle
manji broj ispitanika koji se izdvajaju iz ukupne populacije.
Iz prezentiranog jasno slijedi da se u vezi s anketom moraju temeljitije razjasniti
dva pojma. Jedan je pojam upitnika, a drugi pojam uzorka. Za to je, dakako, u kontekstu
ove analize predviden i zaseban prostor. U okviru ovoga se, stoga, zadravamo na
osnovnim pojmovima.
$2/+*/5, dakle, nije nista drugo nego tehniko sredstvo, instrument za provodenje
ankete, za prikupljanje podataka, a sastoji se od niza pitanja u vezi s predmetom
istraivanja na koja se trai odgovor.
S druge strane, >?7(,5 je dio ukupne populacije koji se podvrgava anketiranju.
Taj dio ispitivane populacije, dakle uzorak, mora biti reprezentativan, tj. mora posjedovati
sve znaajke skupine koju predstavlja.
Anketu je moguce realizirati na vise naina. Istie ih se, ali i prakticira, pet:
1. Individualni dodir s ispitanikom. On prua mnogo vecu vjerojatnost da su
dobiveni podaci vjerodostojni, jer se ispitanicima, ako je to u funkciji boljeg razumijevanja,
mogu dati i dodatna objasnjenja uz svako od pitanja. No, ova forma realiziranja ankete ima
i svojih slabih strana. Prije svega, mnogo je skuplja. Zbog naina na koji se realizira
razumljivo je da je i sporija u odnosu na druge forme. Na koncu, njome ipak nije moguce
osigurati apsolutnu anonimnost. Stoga se prakticira samo u sluajevima kada se radi s
malim uzorkom;
2. Grupno anketiranje odnosno anketiranje koje podrazumijeva istodobno
anketiranje veceg broja ispitanika. Ono takoder osigurava visok stupanj vjerodostojnosti,
kao i individualni kontakt, ali ima i znaajnu prednost - mnogo je bre i jeftinije. Dakako, u
odnosu na individualni kontakt grupno anketiranje ima i odredenih slabosti. Jedna od
bitnijih je, bez dvojbi, vezana uz injenicu da se njime esto nije u mogucnosti osigurati
reprezentativnost uzorka, pa, onda, ni podatke koji mogu biti u funkciji poopcavanja. Za
74
anketiranje cemo, primjerice, zamoliti sudionike okruglog stola, studente na predavanju i
slino. No, takvi uzorci su selekcionirani i ne mogu posluiti za uopcavanja. Jer, sudionici
okruglog stola podrazumijevaju tono odredenu vrstu ispitanika, onu koja pokazuje interes
za jednu vrstu problema, koja ima i odredeno obrazovanje, koja esto dijeli i odredeni
svjetonazor i tome slino. A uopcavanja se odnose i na sve ostale, one koji na takvim
skupovima ne sudjeluju, a koji se u pravilu bitno razlikuju od sudionika okruglog stola ili
njemu slinog skupa. Ili, na predavanjima sudjeluje samo dio studentske populacije.
Uopcavanja se, medutim, odnose i na sve ostale iako njihove karakteristike nisu iste
samom injenicom da jedni interes za predavanja pokazuju a drugi ne. Drugim rijeima,
selekcionirani uzorak, htjeli ili ne, za posljedicu ima i selekcionirane podatke, a potom i
uopcavanja koja ne odgovaraju stvarnosti;
3. Potanski upitnik. Upitnik se, drugim rijeima, dostavlja ispitanicima postom,
zajedno s adresiranom omotnicom koju ce vratiti istraivau. Anketiranje putem
postanskog upitnika ima i svojih prednosti, ali i svojih mana. Prednost mu je, primjerice, jer
zahtjeva minimum napora i sredstava, jer omogucuje siri geografski kontakt s ispitanicima,
jer se njime moe zahvatiti veci uzorak, jer omogucuje due promisljanje o odgovorima,
potom jer omogucuje grupnu konzultaciju radi davanja validnijeg odgovora, ali i privatniji
osjecaj ispitanika, jer se njime izbjegava efekt prisutnosti anketara i tome slino (Miller,
1970., 77.)
Opredjeljenje na ovakvo realiziranje ankete, medutim, moe biti i visestruko
problematino. Upitno je, prije svega, hoce li ispitanici, kojima je upitnik poslan, isti i
ispuniti i vratiti. Upitno je, potom, hoce li ga popuniti onaj kome je i poslan ili ce to za njega
uraditi netko drugi - brat ili sestra, suprunik, prijatelj itd. Upitno je, na koncu, i uvanje
anonimnosti, koja je pri prikupljanju podataka jedna od najvanijih stavki. Jer, ako ona nije
zajamena stvara se i sumnja kod ispitanika o stvarnim ciljevima ankete, ali i javlja strah
od mogucih posljedica sudjelovanja u njoj. S tim u vezi, koristenje postanske ankete je
ogranieno i moguce ju je koristiti samo ako se pitanja u upitniku odnose na injenice koje
ne podrazumijevaju potrebu anonimnosti. Odnose li se, medutim, ona na misljenja i
stavove o delikatnim problemima iz sfere politikog, socijalnog ili osobnog, logino je
oekivati da bi participanti prema sudjelovanju u ovom tipu anketiranja mogli biti krajnje
rezervirani, ali i - u sluaju da se na sudjelovanje u njemu odlue - neiskreni u
odgovorima.
4. Telefonsko anketiranje. Radi se o anketiranju nasuminim ili planiranim
okretanjem brojeva telefonskih pretplatnika. Ovaj se tip anketiranja najesce koristi u
ispitivanju politikog raspoloenja biraa. Dobra mu je strana sto je najbri oblik
prikupljanja podataka koji istraivaa zanimaju, ali je istovremeno i najnesigurniji oblik
anketiranja. To praktino znai da su podaci, njime dobiveni, veoma diskutabilni, na njih se
istraiva ne moe u potpunosti osloniti niti raunati s pouzdanoscu zakljuaka na njima
utemeljenim.
Anketa, inae, spada u najstarije tehnike prikupljanja podataka. Iskljuiti, prema
nekima, ne treba mogucnost da je, pri popisu stanovnistva, koristena i u Mojsijevo doba.
Neki podaci, potom, upucuju na zakljuak da je, za potrebe oporezivanja, koristena u
Starom Rimu, pa pri popisu vlasnika zemlje tijekom XI. stoljeca u Engleskoj. Intenzivnije
se, i to prvo u Engleskoj i SAD, poinje primjenjivati u XIX. stoljecu, a za njom, motivirani
razliitim potrebama, poseu vlade, tiskovine, politike partije, pa i pojedinci. No, u formi
koja nalikuje danasnjoj anketa se javlja tek poetkom XX. stoljeca. Prvu takvu anketu
proveo je ameriki asopis The Literary Digest 1916. godine nastojeci utvrditi predizborno
raspoloenje biraa. U narednim godinama tu vrstu anketa ovaj je asopis i intenzivirao.
Medutim, u istraivanjima koja je provodio dogadala su se velika odstupanja i pogreske u
rezultatima. Dosta dugo su se, naime, te ankete zasnivale na prigodnim, uzorcima koji ne
odgovaraju kriterijima reprezentativnosti. Otuda je i logina bila posljedica da su i pogreske
u dobivenim rezultatima bile znaajno vise od onih koje karakteriziraju suvremena
anketiranja, utemeljena na reprezentativnim uzorcima. Ta ce vrsta nedostataka, medutim,
biti otklonjena pojavom Georgea Gallupa koji sredinom tridesetih godina XX. stoljeca
zapoinje s politikim i znanstvenim anketama. Kao tehnika anketa se, potom, nastavlja
razvijati udruenja za istraivanje javnog mnijenja. Vec 1948. godine formirano je
Ameriko udruenje za istraivanje javnog mnijenja, a dvije godine poslije i Evropsko
75
udruenje za istraivanje javnog mnijenja i trista. Tijekom sedamdesetih i osamdesetih
godina XX. stoljeca, uvodenjem telefonskog anketiranja, napravljen je novi pomak u
tehnologiji provodenja ankete, a nakon toga, uvodenjem u upotrebu kompjuterske
tehnologije, i pomak u razvoju pojedinih faza anketnoga istraivanja. Kompjuterska
tehnologija je bitan napredak omogucila u, primjerice, izboru uzorka, kompjuterski
podranom intervjuiranju putem telefona, unosu anketom dobivenih podataka, njihovoj
kontroli i analizi pomocu razvijenih softvera itd.
Moe se, dakako, obzirom na njihov domet i sadrajnost, govoriti o razliitim
vrstama anketa. Apostrofiramo posebice dvije:
O2/1*' ankete. Bitna im je znaajka da omogucuju samo grube informacije o
velikim skupovima jedinica (muskaraca ili ena koji gledaju TV)
A*,-/+/45' ankete koje, osim pukog opisa, ulaze i u analizu pojedinih
segmenata osnovnog skupa, medusobnih odnosa i utjecaja tih segmenata,
razlika koje medu njima postoje.
5.1.1.2. I*+'(;&>
Intervju je, takoder, tip ankete. On, naime, kao i anketa, koristi pitanja da bi se
doslo do odgovora o predmetu istraivanja. Ali, u usporedbi s anketom, razlikuje se u
najmanje dvije znaajke. Prvo, u intervjuu se pitanja postavljaju usmeno, u razgovoru s
ispitanikom. Ta znaajka intervju ini pogodnim sredstvom samo za manje skupine
ispitanika. S druge strane, za razliku od ankete koja u vecini sluajeva predvida veoma
kratke odgovore ili odgovore sa da ili ne, intervju u naelu podrazumijeva odgovor koji
se sastoji od najmanje jedne reenice, a obino i od nekoliko njih. To oteava obradu
podataka, bez obzira na tip intervjua koji se primjenjuje. Istina, tako dobiveni podaci
mnogo vise i bolje oslikavaju pravi odnos ispitanika prema predmetu znanstvenog
istraivanja.
Dakako, injenica da se u intervjuu pitanja postavljaju usmeno, da se kao forma
koristi razgovor, intervju se ne moe poistovjetiti s razgovorom. Razlike izmedu razgovora i
intervjua su visestruke (vidjeti, Zvonarevi, 1976., 130.). Za razliku od razgovora intervju
se, primjerice, vodi s odredenim ciljem i po tono utvrdenom planu. U obinom su
razgovoru, potom, osobe koje razgovaraju medusobno ravnopravne. U intervjuu, medutim,
ta ravnopravnost, psiholoski promatrano, izostaje jer se tono zna tko je voditelj razgovora,
a tko ispitanik. Na koncu, za razliku od obinog razgovora intervju bitno obiljeavaju
napetost, rezerviranost, sumnja i bojazan.
U socioloskim istraivanjima se koriste razliiti tipovi intervjua. G77. i S),+'1,
primjerice, razlikuju slijedece tipove intervjua:
1. Prema funkciji (dijagnostiki, terapeutski i istraivaki);
2. Prema broju osoba koje sudjeluju (individualni i grupni);
3. Prema duljini kontakta (kratki kontakt, dui kontakt);
4. Prema ulogama koje su prihvatili ispitiva i ispitanik u odnosu na
sociopsiholoski proces interakcije;
Slobodni intervju (nekontrolirani, koji nije voden, nepripremljen)
Usmjereno intervjuiranje (dubinski intervju)
Ponovljeno, naknadno intervjuiranje, da bi se pratio razvoj socijalnih i
sociopsiholoskih procesa, kao sto je pracenje progresivnih reakcija nekog
glasaa u formiranju njegova misljenja u kampanji za predsjednike
izbore (vidjeti, Good i Scates, 1967, 513)
Uvaavajuci navedenu, i sve druge tipologizacije, smatramo da su relevantna
posebice dva tipa intervjua: standardizirani i slobodni (nestandardizirani). Po emu ih je
moguce razlikovati?
Standardizirani intervju sadri unaprijed utvrdena pitanja, i voditelj intervjua ih
svakom ispitaniku postavlja istim redom i u istom obliku. On, dakle, ne poznaje nikakva
odstupanja od unaprijed utvrdenog plana vodenja intervjua.
Slobodni (nestandardizirani) intervju, naprotiv, nema nikakvih, unaprijed
pripremljenih pitanja. Voditelj intervjua ima na umu samo nekoliko tema o kojima treba
razgovarati, a pitanja slobodno postavlja na licu mjesta, sam ih oblikuje i trai od ispitanika
76
da odgovore na neka od njih objasni i prosiri. Takav intervju asocira, zapravo, na obian
razgovor, a podaci koji se njime dobiju obino se smatraju manje pouzdanima iako ovaj tip
intervjua iskljuuje mogucnost nejasnoca, a prua mogucnost detaljnijeg upoznavanja sa
stavovima i misljenjima ispitanika.
U socioloskim istraivanjima koriste se i drugi tipovi intervjua. Postoji potreba da
se istaknu barem tri:
a) Intervju sa zatvorenim pitanjima. Ovaj tip intervjua, a radi lakseg sredivanja i
usporedne analize, ima strogo utvrden plan, redoslijed i formulaciju pitanja. Ispitanik ne
moe odgovarati slobodno nego, kao i u anketi, bira jedan od ponudenih odgovora ili
odgovara sa da ili ne;
b) Ponovljeni intervju. Rabi se, prvenstveno, za ispitivanje promjena u stavovima i
misljenjima neke skupine pod utjecajem vanjskih initelja kojima je izloena. Cesto se rabi i
u ispitivanju promjena u raspoloenju birakog tijela nakon nekog poteza vladajuceg
establischmenta, politikih stranaka ili znaajnih politikih osoba;
c) Usmjereni (dubinski) intervju. Radi se o tipu intervjua koji je prvi primijenio
ameriki sociolog +obert # Merton. Karakterizira ga, prije svega, dubina izvjestaja jer,
sve sto se biljei nije na istomm psiholoskom nivou, ali je dio istog kontinuuma. Na dnu
toga kontinuuma se, tako, nalaze opisi koji su na razini razgraniavanja pozitivnih i
negativnih odgovora, ili malo iznad toga. Na visim razinama, medutim, ti opisi se
transformiraju u prikaze razliitih psiholoskih dimenzija i iskustava - uznemirenja,
strahova, osjecaja itd. Glavni je zadatak ovog intervjua stvoriti dijagnozu nivoa dubine na
kojem njegovi subjekti djeluju u danom momentu i pomaknuti nivo u bilo kojem pravcu
'kontinuuma dubine' koji se smatra prikladnim u tom sluaju (Good i Scates, 1967, 514).
Dubinsko intervjuiranje, prema tome, tei spoznaji strukture motivacije pojedinca,
odgovoru na pitanje: sto ga tjera da ini odredene stvari? Do odgovora na tu vrstu pitanja
se, dakako, ne moe doprijeti povrsnim razlozima. To je moguce samo razlozima ili
motivacijama koji su kompleksni. Te razloge, jos konkretnije, ne moraju znati ni oni na koje
se oni odnose - ili zbog toga sto ih ne ispituju, ili zato sto ih i same zbunjuje iskazivanje
istine, razgolicavanje vlastitih motiva, nada, frustracija.
Na intervju kao tehniku prikupljanja empirijskih podataka utjecaja mogu imati i
pozitivni i negativni motivi. Na njima se detaljnije zadrava Mladen 5vonarevi2 (vidjeti
Zvonarevic, 1976., 132.-134.). Medu 27?/+/;*/6 67+/;/6, intervjua, pri tome,
apostrofira posebice:
$9-'. /*1+/+>)/&' koja provodi istraivanje, a koji moe potaknuti ispitanika na
uvjerenje kako i on sam, pristajanjem na intervju, sudjeluje u radu takve institucije;
Z*,+/C'-&, /12/+,*/5, koja se javlja pri svakom ispitivanju, a koju treba
iskoristiti, upoznajuci ispitanika s nekim detaljima koji mu znatielju mogu pobuditi i na
sudjelovanje u intervjuu ga stimulirati;
$-&>.*71+ / 2(/1+7&*71+ onoga tko intervju obavlja ispitanika moe motivirati
da u intervjuu sudjeluje iako namjeru te vrste i nije imao;
Ljude u pravilo karakterizira 12('6*71+ ., .,&> 1;7&' 6/3-&'*&'. Stoga im je,
u fazi pristupa, uputno pojasniti da se intervjuom eli dobiti njihovo misljenje o odredenim
problemima;
Pozitivan motiv za sudjelovanje u intervjuu moe biti i /?(,;*, 6,+'(/&,-*,
1+/6>-,)/&, - izravno placanje za sudjelovanje u intervjuu, participacija u intervjuu kao
ulaznica za izvjesno lutrijsko nagradivanje i tome slino.
Poticajno moe djelovati i 2('+A7.*7 78,;&'3+,;,*&' /12/+,*/5, o dolasku
anketara i o svrsi istraivanja jer cijelom poslu daje dodatnu ozbiljnost.
No, u intervjuu se mogu javiti i *'9,+/;*/ 67+/;/ /*+'(;&>,. Zvonarevic
apostrofira najznaajnije i medu njima, posebice:
da /12/+,*/5 7.6,A *' ;/./ )/-& / 1;(A> /*+'(;&>,;
da se 87&/ 1>.&'-7;,*&, > /*+'(;&>> ?879 ';'*+>,-*/A 271-&'./),. Zadaca
anketara je, prema tome, da, pruajuci i odredene garancije, ispitanika oslobodi te vrste
straha;
zbog injenice da ne zna odgovore na neka pitanja /12/+,*/5 1' 2-,3/ ., *'
/12,.*' *'?*,-/),;
77
Neka pitanja kod ispitanika mogu /?,?;,+/ (';7-+. U takvim se situacijama
preporua prelazak na slijedeca pitanja, te vracanje na pitanje koje je revolt izazvalo u
kasnijoj fazi intervjua;
Negativan motiv za ispitanika moe biti i ?,1/@'*71+ /*+'(;&>/6, zbog
injenice da je u relativno kratkom vremenu intervjuiranju bio podvrgavan vise puta;
Na koncu, negativan uinak moe imati i injenica da se ispitanika nakanom
intervjuiranja 76'+, > *'576 *&'97;> 271->. Izlaz je u odgadanju intervjua i
zakazivanju nekog drugog termina.
Hocemo li se, u svakom konkretnom sluaju, opredijeliti za anketu ili intervju, ovisi
o vecem broju initelja. U nekim sluajevima je, u pravilu, orijentacija na intervju. To su,
dakako, sve one situacije koje se istodobno govore i o prednostima intervjua u odnosu na
anketu. Jedna od takvih situacija je, primjerice, da je sadraj pitanja takav da trai
uspostavljanje privatne atmosfere. Zahvaljujuci toj injenici intervjuom se moe saznati
ponesto sto je drugim tehnikama prikupljanja podataka, ukljuujuci i anketu, tesko
dostupno. Pri tome se misli, prije svega, na podatke koji se tiu intime. U osobnom
kontaktu, i u uvjetima privatne atmosfere, ispitanik ce, naime, reci i ono sto inae ne bi
napisao u anketnom upitniku. Intervju ce se koristiti i u sluaju da treba dati dodatna
objasnjenja. On je, drugim rijeima, i ako je standardiziran i ako je slobodan, fleksibilniji od
ankete. To, doduse, ne podrazumijeva i mogucnost svakodnevnog, nevezanog razgovora,
ali podrazumijeva mogucnost njegova prilagodavanja ispitaniku i tijeku razgovora. Prednost
intervjua je, potom, i injenica da se njime u ispitivanje mogu ukljuiti i nepismeni. Prema
tome, ukoliko u populaciji takvi ine znaajniji dio, ili ukoliko se radi predispitivanje na
malom uzorku, logino je da se pribjegne intervjuu kao tehnici. Opredjeljenje za intervju je
logino i ako se do ispitanika dolazi pojedinano. Na koncu, intervju omogucuje istraivau
da, temeljem ispitanikova dranja, procjenjuje govori li mu on istinu ili ne.
Medutim, intervju ima i ozbiljnih nedostataka (vidjeti Vujevic, 1990., 118.,
Bakovljev, 1997., 80). On, prije svega - zbog injenice da jedan anketar u razgovoru s
jednim ispitanikom potrosi vremena koliko bi, u grupnom anketiranju, utrosio s pedesetak
njih - poskupljuje ispitivanje. Njime, potom, nije moguce osigurati standardne uvjete jer se
obavlja u razliitim situacijama i pod vodstvom veceg broja anketara. Intervju relativizira i
objektivnost dobivenih podataka. On, naime, podrazumijeva interakcijski odnos koji bitno
odreduje i izvjesna prisnost s ispitanikom, a moe znaajno umanjiti objektivnost i
znanstvenu upotrebljivost dobivenih podataka. Objektivnost intervjua moe doci u pitanje i
u sluaju da se intervju ne snimi odgovarajucim tehnikim sredstvima, sto za posljedicu
moe imati da interpretacija njegovih odgovora nije dovoljno objektivna. Na koncu,
ispitanik u intervjuu ne moe ostati anoniman, a taj detalj stvara probleme kod odgovora
na pitanja koja zadiru u podruje njegove intime.
Zbog svega navedenog, istraivau koji se opredijelio da podatke o izuavanoj
pojavi prikupi tehnikom intervjua pomoci moe nekoliko elementarnih preporuka:
a) Intervjuiranje je potrebno provesti po napisanom planu, kojim se mora
predvidjeti mjesto na kojem ce se intervjuiranje obaviti (preporua se da to budu prostorije
koje ispitanicima nisu strane, na koje su se oni navikli), vrijeme intervjuiranja, teme o
kojima ce se razgovarati, te nain biljeenja ili snimanja ispitanikovih odgovora.
b) Uiniti sve da poetak razgovora ispitaniku bude zanimljiv i prijatan - jer od toga
moe ovisiti i tijek itava intervjua - da se ispitanika zainteresira za predstojeci razgovor i
sarmira i izazove povjerenje prema sebi.
c) U sluaju da ce se razgovarati i o osjetljivim pitanjima, ispitaniku je neophodno
obecati diskreciju, da nikada i nikome nece biti saopcena imena ispitanika od kojih su
dobiveni odgovori na takva pitanja.
d) U anketarevu stavu treba eliminirati svako ponasanje koje je isljedniko i
ocjenjivako, a ispitanika treba uvjeriti kako su iskreni, a ne odgovori koji bi zadovoljili
anketara, najbolji moguci.
e) Sukladno prethodnom, anketar ne smije ni u jednom momentu, niti u vezi s
odgovorom na bilo koje pitanje, pokazati kako mu se ispitanikov odgovor svida ili ne svida.
To, dakako, ne znai da ispitaniku, za koga se ocijeni da daje iskrene odgovore, ne treba
pruiti podrsku odnosom kojim mu se pokazuje kako ga se uvaava kao sugovornika.
78
f) Na koncu, intervju, iako ga treba temeljito pripremiti, mora biti sto fleksibilniji,
formulacija i redoslijed unaprijed sastavljenih pitanja prilagoden individualnim osobinama
ispitanika i tijeku razgovora.

5.1.1.3. $2/+*/5
$2/+*/5 je, kako je naznaeno, tehniko sredstvo, instrument za provodenje
ankete, odnosno za prikupljanje podataka, a sastoji se od niza pitanja u vezi s predmetom
istraivanja na koja se trai odgovor. Cesto se, doduse, govori o dvije vrste instrumenata
za prikupljanje podataka ili injenica. Jedan od njih, Questionary, je instrument za
prikupljanje podataka i injenica, a drugi, Opinioner, za prikupljanje podataka i stavova.
No, i jedan i drugi se, u praksi, najesce podvode pod zajedniki nazivnik - upitnik ili
anketni list. Cesto se, na koncu, znade dogoditi da anketni list ima i jednu i drugu vrstu
pitanja.
Inae, u prikupljanju empirijskih podataka potrebnih za znanstveno zakljuivanje
uloga upitnika je najmanje dvostruka. Njime se, prije svega, u formi posebnih pitanja od
kojih je upitnik sastavljen, izraava ciljeve konkretnog istraivanja. S druge strane, opet,
uloga je upitnika i da pomogne ispitivau (anketaru) kako bi ispitanika doveo u
raspoloenje koje mu pomae da sto lakse i dragovoljnije iskae svoje misljenje i stavove.
Kako? To, izmedu ostalog, ovisi i o nainu postavljanja pitanja. Puno je situacija,
primjerice, u kojima se bolji rezultati dobiju s direktnim (izravnim) pitanjima. No, nerijetke
su i situacije u kojima se takva pitanja ne preporuaju. Takve su sve one u kojima ispitanici
nisu spremni izravno odgovoriti na postavljena im pitanja. U takvim sluajevima puno vece
uinke ce proizvesti indirektna ili neizravna pitanja.
5.1.1.4. P(,;-&'*&' ,*5'+*79 >2/+*/5,
Vizualno, upitnik ili anketni list u pravilu sadri dva dijela. Prvi je zaglavlje. Ono se
nalazi na poetku ili na kraju upitnika. U zaglavlje se unose podaci o ispitaniku - ime (ako
anketa nije tajna), spol, uzrast, skolska sprema, nacionalna i vjerska pripadnost, visina
primanja itd. Drugi, sredisnji dio upitnika je sastavljen od dvije kolone - lijeve, u kojoj su
ispisana pitanja i desne, koja je predvidena za upisivanje odgovora. Ova potonja, kolona za
odgovore, moe biti prazna (ako je pitanje s otvorenim odgovorima) ili su u njoj navedeni
moguci odgovori od kojih ispitanik treba izabrati i oznaiti onaj koji mu odgovara (ako je
pitanje s zatvorenim odgovorima).
S druge strane, da bi imao vrijednost upitnik mora biti i teorijski utemeljen. Ta,
teorijska utemeljenost upitnika obuhvaca tri podruja (vidjeti, Vujevic, 1990., 105):
1. Teorijsku utemeljenost na spoznajama o predmetu koji se istrauje. O
utemeljenosti na spoznajama o predmetu koji se istrauje se moe govoriti ako su pitanja
zasnovana na valjanim indikatorima varijabli koje su izvedene iz hipoteza i ako su hipoteze
odgovor na precizno formuliran problem i zasnovane na teoriji znanosti unutar kojih se
istraivanje provodi (Vujevic, 1990., 105).
2. Teorijsku utemeljenost na spoznajama psihologije stavova i misljenja. O ovoj
vrsti utemeljenosti se radi ako su pitanja postavljena na razini habitualnih misljenja, tj.
ako se pitanja odnose na ponasanje koje je pokazatelj stavova (Vujevic, 1990, str. 105).
3. Teorijsku utemeljenost na spoznajama iz metodologije anketnih istraivanja. O
toj vrsti utemeljenosti moe se govoriti ako se dobro poznaje i metodologija anketnih
istraivanja, ali i ako se dobro poznaje i primjenjuje metodologija znanstvenih istraivanja
uopce.
U pravljenju upitnika, medutim, o nekim detaljima se mora voditi rauna. Veoma
je, primjerice, vano +57 @' /12>*&,;,+/ 57*5('+*/ >2/+*/5. Jos konkretnije, vano je
kakvo je obrazovanje onih kojima je upitnik namijenjen, kakve su njihove psiholoske
znaajke, jesu li optereceni kakvim predrasudama i slino. Ovisno o tome kakve su te, i
njima sline znaajke, razlikovati ce se, primjerice, i terminologija svakog upitnika. Ona im
mora biti prilagodena jer, u protivnom, upitnik nece moci odigrati funkciju koja mu treba
biti namijenjena.
79
Vano je, s druge strane, kakav je i /?9-'. >2/+*/5,. Nije, naime, nebitno je li
upitnik, sto se njegovog dizajna tie, lijep ili ruan, kao sto nije nevano ni je li kratak ili
dugaak, pregledan i raznovrstan ili jednolian. Od svih tih detalja, u vecoj ili manjoj mjeri,
zavisi i spremnost ispitanika da u anketiranju sudjeluje.
Time se lista detalja, o kojima se pri pravljenju upitnika ima voditi rauna, uopce
ne iscrpljuje. Dapae. Vano je, isto tako, &' -/ >2/+*/5 2(/-,97B'* (&'4*/5> /12/+,*/5,,
271+7&/ -/ /-/ *' - ako se radi o intervjuu - 1-/&'. 2/+,*&, 57&/ 1' 1+(797 /6, 273+7;,+/,
7. 57-/57 &' 2/+,*&, >2/+*/5 1,1+,;-&'*, 57&/ &' )/-& >2/+*/5, - utvrdivanje injenica i
znanja ispitanika ili, eventualno, njihovih vjerovanja, misljenja i stavova, 57&/ +/2 78(,.'
27.,+,5, /? >2/+*/5, @' 8/+/ 2(/6/&'*&'* itd.
Pozornost se, potom, mora posvetiti i vecem broju detalja u vezi s /?87(76
2/+,*&, koja ce se ukljuiti u upitnik. Vano je, primjerice, da se u upitnik ukljue samo
ona pitanja koja se neposredno odnose na problem istraivanja. Ili, u upitnik ne treba, osim
ako ih elimo iskoristiti kao kontrolna, ukljuivati pitanja na koja se odgovori mogu pribaviti
iz nekih drugih izvora. Veoma je vano, potom, da se s pitanjima koja zadiru u osobni ivot,
buduci da odgovori na njih mogu biti neiskreni, postupa krajnje obazrivo. U upitnik je, na
koncu, uputno ukljuivati samo ona pitanja za koja se moe pretpostaviti da ih zna vecina
ispitanika. U protivnom, takva nam vrsta pitanja ne moe osigurati put do cilja kojeg smo
sebi postavili.
Po 1;7&'6 78-/5>, pitanja u upitniku mogu se pojaviti: kao otvorena i kao
zatvorena (pitanja fiksiranog izbora). U emu su njihove specifinosti i medusobne
razlike?
Osnovno obiljeje otvorenih (itanja je u injenici da se njima ne nude nikakvi
odgovori. Ispitaniku je, dakle, ostavljena potpuna sloboda u kreiranju odgovora. Kod ovog
oblika pitanja moguce je identificirati i njihove prednosti, ali i njihove nedostatke (vidjeti
Vujevic, 1990., 105.-106.). Medu prednostima se, bez dvojbi, neke i posebice istiu.
Otvorena pitanja je, prije svega, lako sastaviti. S druge strane, ona ne usmjeravaju
ispitanika na odredeni odgovor. Veca je, potom, i heuristika vrijednost ovog oblika pitanja.
Na koncu, odgovori na otvorena pitanja mogu veoma dobro posluiti za sastavljanje
zatvorenih pitanja jer upucuju na uestalost odredene vrste odgovora a time i sugeriraju
koju vrstu odgovora treba u upitnik ukljuiti. Drugim rijeima, ovu vrstu pitanja je, zbog
njihovih prednosti, preporuljivo koristiti u pripremnim fazama procesa istraivanja.
Ignorirati, medutim, ne treba ni slabosti otvorenih pitanja. Ona, primjerice, trae
dobru pismenost ispitanika, malo se dobije odgovora na takva pitanja, nije moguce
postaviti veci broj pitanja, tea je obrada dobivenih podataka (njih je moguce obradivati
jedino pomocu analize sadraja), a zaboraviti ne treba ni injenicu da ovaj oblik pitanja
ispitanike stavljaju pred tei zadatak - posebice neke od ispitanika - zbog ega mogu
djelovati i na njihovu motivaciju da sudjeluju u anketiranju.
Za razliku od njih, zatvorena pitanja ((itanja 9'iksiranog izbora:) ispitaniku
nude izvjestan broj odgovora izmedu kojih treba da se opredijeli. Ali, time se istovremeno
smanjuje i sloboda ispitanika u odgovaranju. Prema tome, upitnikom sa zatvorenim tipom
pitanja se i dobiva, ali i gubi.
Dobitak ili prednost zatvorenih pitanja je u injenici da upitnik, sastavljen od takvih
pitanja:
ne trai vecu pismenost ispitanika,
veci broj ispitanika daje odgovor na ovakva pitanja,
ispitanici se nalaze pred laksim zadatkom jer je lakse zaokruiti odgovor nego
ga ispisati svojim rijeima,
moe se postaviti veci broj pitanja,
mnogo lakse i jednostavnije srediti dobivene odgovore, izvrsiti njihovu
sistematizaciju i klasifikaciju,
veca je verifikacijska vrijednost takvih pitanja.
Ignorirati se, medutim, ne smije ni slabosti ili nedostatke zatvorenih pitanja. Neke
od njih i apostrofiramo:
tee ih je napraviti,
80
njima se smanjuje se sloboda odgovaranja, ispitaniku se nude odgovori koji ga
esto ne mogu zadovoljiti
ogranienost na odredeni broj odgovora ispitanika moe i pasivizirati
manja je heuristika vrijednost ove vrste pitanja.
Inae je moguce praviti razliku izmedu dviju vrsta zatvorenih, odnosno pitanja
fiksiranog izbora. Prva su tzv. 2/+,*&, 1 27*>B'*/6 7.97;7(/6, *,8(,&,*&,. Broj
tako ponudenih odgovora ponekada moe biti i neuobiajeno velik. Pretpostavimo da se
pitanjem trai zaokruivanje svega onoga sto posjedujete u domacinstvu. Broj odgovora,
koje moete zaokruiti, moe biti tako velik da obuhvati sve ono sto u svojem kucanstvu
posjedujete. Dakako, pri tome je svaki od takvih odgovora zasebno dihotomno pitanje,
pitanje na koje se odgovara s da - ne ili odgovorima toga tipa. Druga vrsta zatvorenih
pitanja su tzv. 2/+,*&, 1 27*>B'*/6 7.97;7(/6, /*+'*?/+'+,. Pri tome su vane dvije
vrste natuknica. S jedne strane, u principu se koristi serija od pet intenziteta jer ona
najbolje odraava stav ispitanika. S druge strane, ponudeni intenziteti mogu varirati u
jednom ili u dva pravca. Ako se radi o jednosmjernoj varijaciji intenziteta onda se ona
krece na skali od pet stupnjeva i to od nedovoljnog do odlinog. Ako se, pak, radi o
variranju varijable u dva smjera, onda je to variranje obino od neutralnog do maksimalnog
zadovoljstva na jednoj, te od neutralnog do maksimalnog nezadovoljstva na drugoj strani.
Postoji, medutim, jos jedna podjela koja se tie naina postavljanja pitanja. Naime,
pitanja u upitniku mogu biti postavljena kao izravna (direktna), i neizravna (indirektna).
Izravnim ili direktnim pitanja se ispitanika pita tono ono sto se eli znati. Takva se
vrsta pitanja koristi u svim situacijama za koje se pretpostavlja da ispitanici nece imati
poteskoca u davanju iskrenih odgovora.
Neizravna ili indirektna su pitanja kojima se do odgovora dolazi zaobilaznim putem.
Koriste se u situacijama kada se pretpostavlja da bi ispitanici mogli imati poteskoca u
davanju iskrenih odgovora. Drugim rijeima, njima se olaksava davanje takvih odgovora.
Bez obzira na tip pitanja - jesu li ona otvorena ili zatvorena, izravna ili neizravna -
u njihovu formuliranju moraju se koristiti rijei koje ce biti jamstvo da ce pitanje razumjeti
svi ispitanici. Istovremeno, mora se obratiti panja da postavljena pitanja ne sugeriraju
odgovore.
5.1.1.4.1. !7(6>-,)/&, 2/+,*&, 1 78?/(76 *, *&/A7; 16/1,7
Nain na koji se pitanje u upitniku formulira u pravilu utjee i na njegov smisao.
Dakako, u razumijevanju pravog smisla pitanja iz upitnika mogu se esto pojaviti i
odredene vrste poteskoca. Izvori tih poteskoca mogu biti veoma razliiti. U kontekstu ove
analize neke od njih i apostrofiramo.
Jedan od takvih izvora je, nema dvojbi, i 679>@*71+ ., 1' 271+,;/ *'7.('B'*7
/ *'.7;7-&*7 &,1*7 2/+,*&' jer ono nece omoguciti ni jasan odgovor. Analizirajmo,
primjerice, pitanje: Smatrate li da je motivacija za rad nakon demokratskih promjena
veca, ista ili manja nego prije njih. Naizgled, radi se o krajnje jasnom pitanju. Stvarno,
medutim, u njemu se nalazi niz nejasnoca. Na koje vrijeme nakon demokratskih
promjena se misli - na ono neposredno nakon prvih visestranakih izbora, na vrijeme
kada se pitanje postavlja, na itav period od prvih visestranakih izbora itd? Ili, sto znai
ono prije njih? Misli li se na vrijeme neposredno prije prvih visestranakih izbora, na
vrijeme od okonanja Drugog svjetskog rata do prvih visestranakih izbora itd? Na
motivaciju za rad koga se misli - radnika u proizvodnji, dravnih inovnika, prosvjetnih
djelatnika ili neke druge skupine gradana? Ili, eventualno, svih njih?
Izvor poteskoca u razumijevanju pravog smisla pitanja, potom, i 1+'('7+/2*/
1+,;7;/ / 2('.(,1>.' u sluaju da su, na bilo koji nain, involvirani u pitanje. Takve su,
primjerice, nacionalne i konfesionalne predrasude, koje bitno opterecuju i zemlje nastale
raspadom bivse Jugoslavije, rasne predrasude i slino. Velika je vjerojatnost da ce pitanja
tipa Koja je religija najprimjerenija ovjeku?, rezultirati odgovorima koji se poklapaju s
religijskom pripadnoscu ispitanika.
Do poteskoca u razumijevanju pravog smisla pitanja mogu dovesti i 2(';/3'
27&'.*71+,;-&'*, 2/+,*&,, odnosno pitanja iji sadraj nije dovoljno opisan jer ona mogu
dovesti do odgovora koji ne odgovaraju i stvarnom misljenju ispitanika. Pretpostavimo
81
pitanje tipa Koji narod je najnapredniji?. Ovako pojednostavljeno formulirano pitanje
moe dovesti do veoma razliitog shvacanja smisla pojma naprednost - naprednost kao
razvijenost ivotnog standarda, kao razvijenost kulture, knjievnosti i umjetnosti, ili bilo sto
drugo. Pitanju, dakle, nedostaje potreban opis sadraja, na koju se vrstu naprednosti
naroda misli, u emu napredan?
Izvor poteskoca moe proizlaziti i iz injenice da je 2/+,*&' 2('.>9,457 ili, pak,
da je > 7.97;7(> 27*>B'* 2(';'-/5 8(7& 679>@*71+/. U prvom sluaju nije iskljueno
da ispitanik ne uspije uoiti toan smisao pitanja. U drugom, opet, lako se moe dogoditi
da, zbog velikog broja ponudenih odgovora one koji su pozicionirani na prvim rednim
brojevima pone zaboravljati.
Neka pitanja, isto tako, zbog svoga karaktera, 679> /6,+/ 16/1-, 1,67 ?, ./7
272>-,)/&'. Za sve ostale ona su, iz istih razloga, besmislena. U istraivanju, provedenom
na Univerzitetu u Tuzli, postavljeno je pitanje, kojim se eljelo doci do misljenja
zaposlenika - profesora, asistenata i administrativnog osoblja - jeli korupcija na njihovu
univerzitetu veca bila prije rata, nakon potpisivanja Daytonskog sporazuma ili danas. Oko
polovice svih zaposlenika je na to pitanje, sto je i logino, odgovorilo ne znam jer prije
izbijanja rata u BiH 1992. godine na ovoj visokoskolskoj asocijaciji nije ni radila. Na to je
pitanje, dakle, odgovarati mogao samo dio danasnjih zaposlenika, oni koji su sve to vrijeme
u ovoj visokoskolskoj asocijaciji bili uposleni.
Postoje, na koncu, i pitanja na koja su 1+'('7+/2*/ 7.97;7(/, odnosno odgovori
koji su u suglasju s opceprihvacenim vrijednostima, potpuno logini. Na pitanja, primjerice,
tipa Vjerujete li u slobodu govora, logino je oekivati potvrdan odgovor najveceg dijela
ispitanika. Ako, medutim, ispitanicima s tom vrstom odgovora postavite pitanje Vjerujete
li u slobodu govora u mjeri da bi fasistima, u mjestu gdje ivite, tolerirali govor mrnje
prema drugim narodima?, najvjerojatniji odgovor vecine ispitanika je negativan. A iz
dobivenih se odgovora na postavljena pitanja izvuci mogu barem dvije vrste zakljuaka -
prvi, da su odgovori na dva pitanja medusobno nespojivi, nepovezivi i drugi, da su i logini
jer su u suglasju s opceprihvacenim vrijednostima - sa neupitnoscu slobode govora s
jedne, ali i s netoleriranjem fasistikih ideja i ispoljavanju mrnje prema drugom i
drugaijem.

5.1.1.4.2. V'(8,-*, :7(6>-,)/&, 2/+,*&,
Nain na koji je pitanje u upitniku formulirano uopce nije nebitan. Dapae. Razlike
u odgovorima, koje, ovisno o nainu na koji je odredeno pitanje formulirano, mogu nastati,
mogu dostici razinu i do dvadesetak postotaka. A to, opet, znai, da uinak rezultata
odredenog anketiranja, ovisno o nainu na koji su pitanja u upitniku formulirana, moe u
isto takvom postotku varirati.
U vezi s verbalnom formulacijom pitanja, sukladno navedenom, mogu se pojaviti i
dosta razliiti problemi i poteskoce. Tri su najznaajnije skupine takvih problema i
poteskoca: oni koji su u vezi sa smjestajem pitanja na upitniku, potom u vezi s oblikom
alternativa i, na koncu, problemi koji su u vezi s odstupanjima od objektivnog formuliranja
pitanja. Izvori tih poteskoca mogu biti veoma razliiti. U kontekstu ove analize neke od njih
i apostrofiramo.
P(;, 9(>2, 2(78-'6, / 27+'357@, je, kako je i naznaeno, povezana sa
16&'3+,&'6 2/+,*&, > >2/+*/5>. Radi se, naime, o tome da mjesto pitanja u upitniku
izaziva razlike u percepciji o tome koliko je ono, u odnosu na druga pitanja iz istog upitnika,
znaajno. Konkretno, pitanja na poetku upitnika kod dijela, ako ne i vecine, anketiranih
moe stvoriti uvjerenje da se radi o pitanju s vecim znaenjem. Vrijedi, dakako, i obratno.
Naravno, taj utjecaj nije identian kod svih pitanja. Naprotiv. Ako je stav, ili znanje,
ispitanika o odredenom pitanju manje siguran i pouzdan, u tom ce sluaju veci biti utjecaj
mjesta pitanja na strukturu odgovora. Neophodno je, prema tome, kod pozicioniranja
pitanja u upitniku, voditi rauna o odredenim zahtjevima. Jedan medu njima ima posebno
znaenje. Pitanja, naime, moraju biti pozicionirana tako da odgovor na jedno pitanje ne
utjee na drugo, posebice ako se pitanja u konkretnom upitniku odnose na isti predmet.
D(>9, 9(>2, 2(78-'6, / 27+'357@, je u vezi s 27*>B'*/6 ,-+'(*,+/;*/6
2/+,*&/6,, dakle pitanjima kod kojih su ponudene alternative dio i samog pitanja. Medu
82
njima posebno mjesto zauzimaju oni u vezi s pitanjima s ./A7+76*/6 7.97;7(/6,, dakle
pitanjima koja nude odgovore tipa da - ne, slaem se - ne slaem se, tono -
netono, dobro - lose, odobravam - ne odobravam itd. Istina, doduse, jeste da
ova vrsta pitanja ima i svojih prednosti. Pitanja trae malo vremena za odgovore,
jednostavna je statistika obrada podataka itd. No, poteskoce stvaraju slabe strane ove
vrste pitanja. Ako je, primjerice, slabo razumljen smisao pitanja, dihotomija u odgovorima
moe izazvati potpuno obrnut odgovor. Takva je mogucnost, u sluaju ponudene skale
odgovora, svedena gotovo na minimum. S druge strane, dihotomija, u pravilu, ne dopusta
mogucnost graduacije stava ispitanika. Kod ponudene skale takva mogucnost je, naprotiv,
veoma realna. Stoga se, ako i postoji opredjeljenje na pitanja s dihotomnim odgovorima, u
pravilu prakticira mogucnost i treceg izbora, onog tipa ne znam, svejedno, ni jedno
itd. Jer, ta mogucnost, ako nista drugo, daje mogucnost nesvrstavanja onima koji se ne
opredjeljuju ni za jedan od odsjenih odgovora. No, esce od toga se orijentira na pitanja s
visestrukim izborom jer ona, pored ostalog, daju mogucnost i graduacije u opredjeljenju,
stavu i slino. O njima, medutim, nesto kasnije.
Kod pitanja s dihotomnim odgovorima je, zbog svega naznaenog, veoma vano i
kako je pitanje formulirano. Vano je, prije svega, da su alternative jasno izraene. U
protivnom, postoji mogucnost razliitog znaenja dobivenih odgovora. Pretpostavimo,
primjerice, pitanje u upitniku Jeste li pristalica da studij novinarstva traje etiri godine?.
Jedan od dihotomnih odgovora je i odgovor ne. to, medutim, znai taj odgovor.
Objektivno, on moe znaiti barem nekoliko stvari. Da se, prije svega, protivite trajanju
studija od etiri godine. Da se, potom, zalaete za studij koji traje vise ili manje od etiri
godine. Na koncu, vase ne moe znaiti i da nemate opredjeljenja u vezi s tim. Stoga se
preporua formulacija pitanja koja takvu mogucnost iskljuuje. U konkretnom sluaju,
recimo, uputno bi bilo postaviti pitanje Jeste li pristalica ili protivnik da studij novinarstva
traje etiri godine?.
Odredenu ulogu, potom, kod pitanja s dihotomnim odgovorima imaju i rijei kojima
su alternative formulirane. Neke od njih jae, a druge slabije naglasavaju ponudene
alternative, a time izazivaju i razliite odgovore. Pogledajmo, primjerice, utjecaj glagola
zabraniti i dopustiti na mogucu distribuciju odgovora. U jednom te istom pitanju ta dva
glagola mogu izazvati potpuno neuravnoteenu distribuciju odgovora. Pretpostavimo jedno
od pitanja s ta dva glagola. Prvo bi moglo glasiti Smatrate li da bi vlada morala zabraniti
homoseksualne brakove?, a drugo Smatrate li da bi vlada morala dopustiti
homoseksualne brakove?. Struktura odgovora koji upucuju na opredjeljenje za zabranu u
jednom i drugom sluaju ce, po svemu sudeci, biti primjetno razliita. Razlog tome je
upravo u efektima koje izazivaju upotrijebljene rijei. Prosjeni ispitanik je, naime, relativno
blagonakloniji prema terminu dopustiti nego onom zabraniti. Stoga se preporua da
se, u situacijama ovog tipa, pitanje formulira na nain da se u njemu nadu oba glagola. A u
tom bi sluaju, dakako, pitanje moglo glasiti Smatrate li da bi vlada morala zabraniti ili
dopustiti homoseksualne brakove?.
Na koncu, iako se time popis intervencija ne iscrpljuje, kod pitanja s dihotomnim
odgovorima se, mada ona mogu biti postavljena alternativno, ostavlja mjesto i za neku
formu srednjeg odgovora. Pretpostavimo, primjerice, pitanje tipa Smatrate li da ce cijene
prehrambenih proizvoda u nasoj zemlji tijekom ove godine biti vise ili nie od
proslogodisnjih?. Izvjesno je da mogucnost dihotomnog opredjeljivanja postoji. No, u
konkretnom sluaju postoji i ono trece, srednje rjesenje. U ovom sluaju bi ono moglo biti
formulirano na u formi otprilike iste. Mislimo da ovu vrstu takozvanih srednjih odgovora
ne treba apostrofirati i u pitanju. No, njih je preporuljivo dati u ponudenim odgovorima.
Relativno znaajno esca od ove vrste su 2/+,*&, 1 ;/3'1+(>5/6 /?87(76. Radi
se, najjednostavnije kazano, o pitanjima koja nude mogucnost veceg broja odgovora, a
ispitanik je stavljen pred obvezu izbora samo jednog od njih. Ova vrsta pitanja, nema
dvojbi, ima znaajnih prednosti. Njima se, prije svega, daje mogucnost manifestacije veceg
broja nijansi u misljenjima i stavovima. S druge strane, takvim se pitanjima daje i
mogucnost da sva, ili najznaajniji dio, misljenja dode do izraaja.
Dakako, kod takve vrste pitanja vaan je, pored ostalog, i nain na koji su pitanja
postavljena. Ako se, primjerice, na postavljena pitanja ispitaniku, na posebnoj kartici, nude
i svi ponudeni odgovori, vecina je ispitanika, kod odgovora izraenim u brojkama, sklona
83
odgovoru srednjih vrijednosti ili onom koji je ponuden u sredini. Dakako, ispravan odgovor
moe odstupati i po jednoj i po drugoj osnovici - tendirati, primjerice, krajnjim
vrijednostima. Zaokruivanje srednje vrijednosti ili po poziciji srednjeg odgovora u tom
sluaju samo upucuje na zakljuak kako se radi o ispitaniku kod kojeg je evidentno
nepoznavanje konkretne materije.
S druge strane, postoji mogucnost i da se izvjestan broj ispitanika u orijentacionom
anketiranju, iji je temeljni zadatak testiranje upitnika, pored injenice da im je ponuden
odreden izbor odgovora na postavljena pitanja, opredijeli za one koji nisu ponudeni. Ako
takva pojavnost nije usamljena onda ona upucuje na zakljuak kako ponudena lista
odgovora nije dovoljno iscrpna, te kako je treba dopuniti i onima koji se u orijentacionom
anketiranju uestalije pojavljuju. Jer, za pretpostaviti je da ce u anketiranju, koje tek treba
realizirati, ta vrsta odgovora za sebe takoder vezati izvjestan postotak populacije, a time
utjecati i na krajnju distribuciju dobivenih odgovora.
Za razliku od prethodne situacije moguca je i ona koja izaziva potrebu ogranienja
izbora. Jos konkretnije, moguca je situacija, primjerice, da je neki od ponudenih odgovora
pri izboru ispitanika toliko dominantan da onemogucuje uvid druge, po sebi sekundarne
ideje. Zamislimo, primjerice, pitanje kojim elimo saznati koji su faktori relevantni u
donosenju odluke pri kupovini nekog proizvoda. Pretpostavka je, nema dvojbi, da relativno
vece, a moda i presudno znaenje u odnosu na ostale, imaju faktor cijene proizvoda i
visina primanja ispitanika. No, kako bi utvrdili utjecaj i drugih varijabli na donosenje odluke
o kupnji, logino bi bilo oekivati da se ispitanicima ponudi pitanje tipa Ako izuzmemo
cijenu i visinu placa, koje faktore za donosenje odluke o kupnji smatrate najznaajnijima?.
Kod pitanja s visestrukim izborom jedno od znaajnih je i pitanje unutarnje
ravnotee. Radi se, drugim rijeima, o tome da se odgovori ne smiju ponavljati u drugim
varijacijama, da se jedan odgovor ne smije ponistavati drugim. Zamislimo, primjerice,
pitanje: to smatrate najvanijim u kupovini odijela?. Ako se u ponudenim odgovorima,
medu ostalima, nalaze i odgovori dobar izgled i vanjstina, radi se o klasinom primjeru
ponavljanja jednog odgovora u drugaijoj varijaciji.
Na koncu, kod pitanja s visestrukim izborom nimalo nevano nije ni pitanje kolika
je mogunost izbora dana. Ona, teorijski moe ici od tri do beskonano. No, nedvojbeno je
da rast broja ponudenih odgovora ima i granicu iznad koje njegova vrijednost postaje
upitna. Pretpostavimo da odredeno pitanje nudi mogucnost izbora izmedu petnaest-
dvadeset odgovora. Efekti takvog opredjeljenja su dvostrani. Pozitivni se manifestiraju u
mogucnosti vece nijansiranosti ispoljenih misljenja i stavova. No, u takvim situacijama veci
moe biti uinak negativnih efekata. Jedan od njih je, primjerice, i sklonost zaboravljanju
odgovora koji se nalaze na poetku liste ponudenih. Stoga krajnje opredjeljenje i ne mora
odraavati pravo raspoloenje. Da bi takva opasnost bila eliminirana preporua se
ograniavanje broja ponudenih odgovora. Vjerujemo kako je takvu granicu uputno, u
principu, stavljati na brojku od sest ponudenih odgovora.
Kod ponudenih alternativnih pitanja susresti se moe i takozvana 7+;7('*,
2/+,*&,. Radi se, zapravo, o pitanjima koja omogucuju davanje odgovora u obliku koji na
najprecizniji nain izraava stav ili misljenje svakog konkretnog ispitanika. Ovakva se
pitanja, u pravilu, dosta rijetko koriste. Preporua ih se, primjerice, u orijentacijskim
istraivanjima, onima kojima se testira sainjeni upitnik. Objasnjiv je i razlog. Takvim se
pitanjima, naime, bolje nego svim drugim vrstama, omogucuje uvid u rjenik ispitanika.
Preporua ih se, potom, i u produbljenim ispitivanjima stavova i misljenja. No, u anketama
ih se, u pravilu, izbjegava. Dakako, i to je objasnjivo. Takve odgovore je, naime, nemoguce
kodirati pri obradi podataka u nekoj od primijenjenih statistikih tehnika. A kod pitanja s
ponudenim odgovorima takvo kodiranje je stvar iste rutine.
Na koncu, +('@, 9(>2, 2(78-'6, / 27+'357@, u vezi s verbalnom formulacijom
pitanja je ona koja se odnosi na 7.1+>2,*&, 7. 78&'5+/;*79 :7(6>-/(,*&, 2/+,*&,.
Razlog navedenog odstupanja, dakako, moe biti razliit. Jedan od njih se, primjerice,
odnosi na >9-'.. Ljudi su osjetljivi na misljenja i stavove uglednih linosti. Njihov pozitivan
stav o neemu, sto je predmet anketiranja, za posljedicu ce, ako im se osobni stav u
pitanju apostrofira, imati i povecan udio onih koji ce se istom stavu takoder prikloniti.
Vrijedi, dakako, i obrnuto - ako je stav poznatih linosti negativan. Buduci je to neupitno, u
84
sastavljanju pitanja treba paziti na to da se ne koriste simboli koji u oima ispitanika imaju
poseban ugled.
Treba se, potom, paziti i +'*.')/7?*/A ili 2(/1+(,*/A (itanja. A do takvih pitanja
mogu dovesti razliite vrste pogresaka. Jedna od njih je, primjerice, pogreka u uvodu.
Naime, u uvodu se moe dati objasnjenje koje istinito, ali i potie na pristranost u
odgovoru. Pretpostavimo, uostalom, pitanje tipa: Veto jednog lana Vijeca sigurnosti, koje
je rezervirano samo za njegove stalne lanove, moe blokirati rad itavog Vijeca. Slaete li
se ili ne slaete s pravom veta u Vijecu sigurnosti?. Navedenom pitanju, dakle, prethodi
kratko objasnjenje. Ono je, nema sumnje, istinito. Ali, ono stvara atmosferu pristranosti i
usmjerava ispitanika da bude protiv. Navedeno se objasnjenje, prema tome, isko je istinito,
moe smatrati prije propagandom nego uputom i pomoci ispitaniku. Ignorirati, potom, ne
treba ni pogreku u isticanju nekih pojmova u upitniku koji, objektivno, vode jaanju
izvjesnih predrasuda. Zamislimo, primjerice, da se u konkretnim hrvatskim okolnostima,
postavi pitanje tipa Smatrate li da Srbi u Hrvatskoj imaju suvise moci i utjecaja?. Kod
onih, koji su pod utjecajem frustracija hrvatsko-srpskog rata s kraja XX. stoljeca, ovako
formuliranim pitanjem se taj tip frustracija i dojam o nerazmjernom utjecaju domicilnih
Srba samo dodatno pothranjuju i u odgovoru na konkretno pitanje pojaavaju.
Sva apostrofirani, ali i mnogi drugi problemi i poteskoce u vezi s verbalnom
formulacijom pitanja, tjeraju na razmisljanje sto je to, na sto treba paziti kako bi se svi ti
problemi i poteskoce amortizirali ili u potpunosti izbjegli. Listu preporuka u vezi s tim je
kompletirao R>./ S>2'5 (vidjeti, Supek, 1961.). Neke od njih apostrofiramo i u kontekstu
ove analize:
Koristi jednostavne rijei koje su poznate svim potencijalnim ispitanicima, dakle
i najmanje inteligentnima u populaciju u kojoj se anketiranje hoce realizirati;
Uini da pitanja budu saeta koliko god je vise moguce;
Formuliraj pitanje na nain da sadri tono eljeno obavjestenje;
Izbjegavaj visesmislena pitanja;
Izbjegavaj dvosmislene odgovore;
Izbjegavaj pitanja koja sugeriraju odgovor;
Vodi rauna o utjecaju uglednih linosti;
Dopusti sve moguce odgovore, ak i drugaije od ponudenih;
Alternative u pitanjima s visestrukim izborom uini realistinima;
Izbjegavaj pitanja koja izazivaju odgovore prema socijalno prihvacenim
normama i vrijednostima, a kod pitanja kojih bi do izraaja mogao doci jaki
konformizam koristi logiku neizravnih pitanja.
5.1.1.4.3. R'.71-/&'. 2/+,*&, > >2/+*/5>
Upitnik, dakako, nije nasumce nabacana hrpa pitanja. Naprotiv, u njegovu su
strukturiranju jako vana pravila kojih se je potrebno pridravati. Jos vise, moe se govoriti
i o strategiji strukturiranja upitnika, posebice strategiji strukture i redoslijeda pitanja. Ili jos
konkretnije, moguce je govoriti o dva temeljna redoslijeda ili strategije na kojima se mora
temeljiti svaki ozbiljno strukturiran upitnik - psiholoskoj i logikoj.
P1/A7-735, 1+(,+'9/&, profiliranja anketnog upitnika ima zadacu, zapravo,
odgovoriti na pitanje kako uspostaviti kontakt s ispitanikom i kako bi se on, obzirom na
sadraj pojedinih pitanja, mogao ponasati tijekom ispitivanja. Da bi, naime, upitnik uopce
mogao djelovati kao dobro povezana cjelina, nuno je osiguranje odredenih pretpostavki.
Medu njima apostrofiramo posebice slijedece:
da interes raste postupno tijekom anketiranja svakog pojedinanog ispitanika, a
to je moguce samo ako je sudjelovanje ispitanika tijekom anketiranja sve jae i
sve neposrednije;
da je prijelaz od laksih na tea pitanja neprimjetan, bez velikih skokova;
da se izbjegne opasnost preuranjenog ili iznenadujuceg pitanja jer se njime
ispitanika moe blokirati, pa i stimulirati ga na odustajanje od sudjelovanja u
nastavku anketiranja;
85
da se izbjegnu pitanja koja mogu izazvati zabunu. Ako takvih pitanja i ima, uz
njih obvezno, kako bi se zabuna preduprijedila, mora ici komentar.
Da bi se odgovorilo zahtjevima uspjesne psiholoske strategije neophodno je, s
druge strane, voditi rauna i o specifinostima pojedinih grupa pitanja. Potrebno je,
primjerice, znati tono sto je osnovna zadaca i smisao 274'+*/A ili 2(/1+>2*/A, >;7.*/A
pitanja. A on se, u biti, svodi na to da se izazove interes ispitanika, ali i izbjegne prerano
poticanje kontroverzi, odnosno spornih stavova. Stoga se, bez obzira o kojem tipu
pristupnih pitanja se radilo - a ona se mogu pojaviti kao informativna, pitanja kojima nas
ispitanik obavjestava o nekom dogadaju, svome misljenju ili nekom drugom osobnom
detalju, kao pitanja kojima se trai savjet, kao objanjavajua, pitanja kojima se ispitaniku
daju odredena obavjestenja i objasnjenja kako bi i sam mogao stvoriti odredeni smisleni
sud itd. - preporua se da se anketiranje zapoinje s neutralnim i manje znaajnim
pitanjima jer u protivnom moe lakse doci do odustajanja svakog konkretnog ispitanika od
nastavka sudjelovanja u anketiranju. S druge strane, potrebno je pridravati se pravila
strukturiranja upitnika na nain da je u njemu ispostivana logika 2(/&'-,?, 7. -,53/A *,
+'C, 2/+,*&,. Razlog je jednostavan. to anketiranje dalje odmie veca je vjerojatnost da
ce ispitanik tee prekinuti anketiranje ili intervju nego ako se dilema sto uiniti pojavi u
samom startu. To, opet, znai, da se, sto anketiranje odmie, povecava i spremnost
ispitanika da odgovori na 71&'+-&/;, pitanja, a iz toga proizlazi i sugestija kako se takvu
vrstu pitanja - iako na povecavanje spremnosti utjee i umjesnost anketara da se priblii
ispitaniku - treba postavljati u drugoj polovici upitnika. Vaan je, potom, i 2(/&'-,? 7.
&'.*' 15>2/*' 2/+,*&, *, .(>9>. Pri tome posebnu pozornost treba obratiti na to da on
ne bude nagao jer takav moe narusiti, pa i prekinuti donekle uspostavljeni kontakt s
ispitanikom, ali izazvati i druge negativne uinke. Kako bi se takve posljedice izbjegle
preporua se tijekom anketiranja prakticiranje povremeno rezimiranje prijedenog,
podsjecanje ispitanika da se anketiranje nastavlja prijelazom na novu skupinu pitanja i
tome slino.
L79/45, 1+(,+'9/&, profiliranja anketnoga upitnika, s druge strane, ima zadacu
odgovoriti na pitanje kako postupno prodrijeti u strukturu pitanja ili stavova koji nas
zanimaju, a s ciljem dolaenja do sto tonijih odgovora na njih. Da bi se, medutim,
odgovorilo na tu vrstu pitanja nije dovoljno rijesiti problem strukture samo jednog pitanja iz
upitnika, nego itavog niza pitanja koja se odnose na isti problem, i koja u taj problem
omogucuju cjelovit uvid. Taj, prema tome, niz ili baterija pitanja pomau da se potpunije
otkrije sirina i dosljednost misljenja, utvrdi do koje su mjere odredeno misljenje ili stav
suvisli, duboki itd.
U konstruiranju niza ili baterije pitanja vaan je, medu inima, i 1-/&'. 2/+,*&,. to
to znai? Najjednostavnije, da se u redoslijedu pitanja prati logiku samog ispitanika, da
redoslijed pitanja sto prirodnije prate tijek njegovih misli. Pri tome se, dakako, moe misliti
na razliite dimenzije navedene logike. Jedna od njih se odnosi i na stu(anj o(2enitosti u
upitniku postavljenih pitanja. Obzirom na to slijed pitanja moe pratiti dvije moguce
putanje - putanju lijevka i putanju izokrenutog lijevka. Putanja lijevka u slijedu pitanja
prema stupnju njihove opcenitosti znai zapoinjanje s najopcenitijim i najmanje
ogranienim i put od njih prema sve konkretnijim i sve specifinijim pitanjima. Ciljevi
takvog pristupa su visestruki. No, medu njima treba izdvojiti i spreavanje ranog
uvjetovanja ili pristranosti odgovora na pitanja koja tek trebaju uslijediti. S druge strane,
putanja izokrenutog lijevka podrazumijeva potpuno suprotnu putanju - zapoinjanje, dakle,
s konkretnim i specifinim i postepeni prijelaz od njih prema opcenitijim i najopcenitijim
pitanjima. Vec na prvi pogled je izvjesno da se ovakvim pristupom slijedu pitanja gubi
osnovna prednost putanje lijevka. No, putanja izokrenutog lijevka ima i nekih prednosti.
Ispitaniku, primjerice, koji nema izgradeno misljenje, ona pomae da zauzme stav u
zasebnom, izdvojenom sluaju, a potom da ga, putem misaone indukcije, postepeno
prosiruje do opcenitijih stavova.
Jednu od stroih formi manifestacije logike slijeda pitanja predstavljaju i skale
stavova. No, o njima ce biti rijei u zasebnom poglavlju.
37
37
Vidjeti o tome poglavlje 5.1.3. Skaliranje
86
5.1.1.4.4. Z,5-&>4*' 1>9'1+/&' ?, 2(,;-&'*&' >2/+*/5,
Sve ono sto je, u vezi s pravljenjem anketnoga upitnika, do sada apostrofirano,
potrebno je, po nasem sudu, saeti u preporuke ili sugestije, kojih se pri pravljenju upitnika
treba pridravati. Medu njima ukazujemo posebice na slijedece:
Dio upitnika, koji slijedi odmah nakon kratke obavijesti ispitanicima sto je cilj
ankete i i u kojoj se apelira na njihovu suradnju u njezinoj realizaciji
38
, su osobni podaci o
ispitaniku. Oni se, doduse, iako smo skloni uvjerenju da je to manje dobro - jer se osobnim
podacima, ako su na samom poetku, ispitanika takoder uvodi u postupak anketiranja i
pridobiva za suradnju - mogu naci i na kraju upitnika. Izabrali, medutim, jedno ili drugo,
vano je da osobni podaci moraju biti grupirani zajedno, a nikako na nain da ih se dio
nalazi na jednom, a dio na drugom mjestu. Osobni podaci, osim u rijetkim sluajevima - a
tada se to saopcava i ispitaniku - ne ukljuuju ime i prezime ispitanika. Dapae, anketa je
u pravilu anonimna, a to se apostrofira i u samom zaglavlju anketnog upitnika. Stoga,
pored imena i prezimena od ispitanika se ne preporua traiti ni druge podatke koji - kao,
primjerice, datum i mjesto rodenja - posredno mogu otkriti identitet ispitanika.
Izuzmu li se osobni podaci - i u sluaju da se oni nalaze na poetku - upitnik u
pravilu zapoinje pitanjima neutralnog emocionalnog znaenja za ispitanike, ali u vezi s
problemom koji se ispituje i s osnovnim zadatkom da se njima izazove interes i usmjeri
panja ispitanika na upitnik. Pored pitanja o osobnim podacima to su najesce ona koja se
tiu opcih tema i problema.
U planiranju redoslijeda pitanja preporua se logika putanje od laksih prema
teim pitanjima jer je ona najefikasniji nain da ispitanik sto bre osjeti napredak i vee se
da istraje do kraja. Kada se, sukladno tome, i u sluaju da je upitnik veci, oekuje da bi kod
ispitanika - dijelom i zbog teine pitanja - mogao nastupiti zamor, preporua se ubacivanje
nekolicine laksih pitanja koja ga ponovno stimuliraju.
Teska i delikatna pitanja, ili ona koja izazivaju dosadu, u pravilu treba smjestiti
u dio upitnika kada se oekuje da ispitanik vec dobro suraduje.
Pitanja se najesce grupiraju prema sadraju ili predmetu informacije. Pri tome
se prijelaz od jedne grupe pitanja na drugu osigurava pogodno sroenim frazama tipa,
primjerice, Sada nas zanima Vase misljenje o ili Sada cemo prijeci na pitanja o i
tome slino. U svakom sluaju, treba upotrijebiti odredenu frazu koja informira ispitanika
da je s jednom grupom pitanja zavrseno i da promjena smisla u pitanju koje slijedi nije
nista sto bi mu trebalo izazvati nevjericu.
Ako u strukturiranju upitnika postoji opredjeljenje i na izvjestan broj otvorenih
pitanja - mada se ona, zbog oteane statistike obrade podataka, najesce izbjegavaju -
potrebno je voditi rauna da se ispitaniku za odgovor ostavi dovoljno prostora.
Na kraju upitnika, posebice ako ga popunjava sam anketar, unose se i podaci o
datumu anketiranja, te ime anketara, jer oni slue za lakse sredivanje i obradu upitnika.
Na koncu, pitanja trebaju biti formulirana na nain da, prostorno promatrano,
zauzmu sto manje mjesta, pri emu to ne smije biti uinjeno na stetu preglednosti i lakog
itanja.
Nista manje od navedenih, medutim, vane nisu ni slijedece sugestije:
Terminologija i verbalni oblik pitanja trebaju biti prilagodeni naobrazbi i rjeniku
ispitanika. Ako su oni kod ispitanika razliiti, terminologija i verbalna formulacija moraju biti
prilagodeni ispitanicima s najlosijom naobrazbom i najsiromasnijim rjenikom.
Anketom, buduci je anketiranje jedan od skupljih izvora informacija, ne treba ni
traiti podatke koji se mogu pribaviti iz drugih izvora.
Raspored pitanja u anketnom upitniku mora biti takav da odgovor na jedno ne
utjee i na odgovor na drugo pitanje. Ako su, primjerice, u upitniku jedno za drugim
naredana pitanja koja se tiu misljenja ispitanika o cijenama, snabdjevenoscu trgovina
proizvodima itd. - koja kod njih po zakonu vjerojatnosti izazivaju ljutnju, negodovanje -
nije preporuljivo odmah iza njih postaviti i pitanja kojima se eli doci do misljenja o
postenju trgovca ili tome slina jer ce, u stanju osobne ljutnje, ispitanik biti vise kritian i
38
O tome vidjeti poglavlje 5.1.1.5.2. Uvod anketi
87
prema osoblju. Takva pitanja, drugim rijeima, treba odvojiti i smjestiti ih u dio upitnika za
koji je pretpostaviti da je, obzirom na vrijeme izmedu pitanja, omogucio relativno hladenje
ispitanika, a time i stvorio mogucnost za iskren odgovor.
Iako se lako obraduju, pitanja s dihotomnim odgovorima tipa da - ne,
odobravam - ne odobravam i slinima, nezgodna su za opredjeljivanje ispitanika jer se
izmedu tako formuliranih krajnosti tesko odluiti. Zato ta vrsta pitanja esto, ponekada i
najgusce frekventan imaju odgovore tipa ne znam.
Ako i postoji opredjeljenje na pitanja s dihotomnim odgovorima, pozornost se
preporua obratiti na rijei kojima se alternative formuliraju jer neke od njih jae, a druge
slabije naglasavaju ponudene alternative, a time izazivaju i razliite odgovore. U takvim
sluajevima - kakva su, primjerice, pitanja u kojima se koriste rijei dozvoliti i
zabraniti - se preporua isticanje u pitanju i jedne i druge rijei.
Za razliku od pitanja s dihotomnim odgovorima prevelik broj ponudenih
odgovora u pravilu ce dovesti do nepotrebnog usitnjavanja izabranih alternativa iako se, u
biti, radi o istoj vrsti misljenja ispitanika. Stoga se preporua izbjegavanje i te vrste
krajnosti, tim prije jer prosjeni ispitanik, prema misljenju mnogih metodologa, moe
pamtiti najvise do sest razliitih, alternativno ponudenih odgovora.
Paziti se, isto tako, treba i predugako formuliranih alternativnih odgovora jer
oni mogu dovesti do nerazumijevanja pravog smisla, a u nekim sluajevima i do
odustajanja ispitanika jer ih zamara due razmisljanje za koju od ponudenih alternativa se
opredijeliti.
Na rezultat anketiranja moe utjecati i redoslijed ponudenih odgovora. Znaajan
dio ispitanika, onih koji nemaju znanje ili izgradene stavove u vezi s konkretnim pitanjem,
opredjeljuje se za odgovore pozicionirane u sredini ili malo iznad toga, te za odgovore
srednjih vrijednosti. Stoga je, pri izradi upitnika, uputno voditi rauna da je je polovica
pitanja, lociranih u razliitim dijelovima upitnika, sloena na taj nain, a druga polovica po
potpuno suprotnoj logici - da joj se toni odgovori nalaze u drugoj polovici ponudenih
odgovora.
U formulaciji pitanja se preporua izbjegavanje njihove personalizacije jer se
prosjeni ispitanik lakse opredjeljuje ukoliko se s njim komunicira u trecem licu nego u
prvom.
Neophodno je uvati se nejasnih pitanja jer ona ne omogucuju ni jasne
odgovore. Takvo je, primjerice, pitanje tipa Jeste li zadovoljni nasim proizvodom? jer se
iz njega ne vidi ni kojim proizvodom, ni ime u vezi s njim - cijenom, dizajnom ili neim
trecim.
Izbjegavati, dakako, treba i pitanja koja sadre stereotipne stavove jer ona za
rezultat imaju i stereotipne odgovore a ne onakve kakvi odraavaju stvarne stavove
ispitanika.
Izbjegavati, na koncu, treba i pitanja koja se odnose samo na jedan dio ukupne
populacije, pa prema tome i na samo jedan dio ispitanika ukljuenih u uzorak. Razlog je
jednostavan. Za sve ostale, na koje se takva pitanja ne odnose, ili oni ne znaju njihovo
znaenje, takva su pitanja i besmislena.
5.1.1.5. A*5'+/(,*&'
Neovisno o tome radi li se o anketi kao pismenom prikupljanju podataka ili
intervjuu, u postupku prikupljanja podataka pomocu upitnika daju se identificirati neke
zajednike osobitosti.
Prvo, anketiranje ne podrazumijeva samo suhoparne odgovore na pitanja u
anketnom upitniku. Dapae. Provodenju ankete, naime, esto prethodi i (redis(itivanje
ija je funkcija provjera upitnika ili pojedinih njegovih dijelova, te dogradnja istih ukoliko se
za to pokae potreba. S druge strane, odgovorima na pitanja u upitniku uvijek prethodi i
svojevrstan uvod, razgovor anketara s ispitanikom. Faktiki, anketiranje je sastavljeno od
tri vrste radnji - predispitivanja, uvodenja u anketiranje i provodenja ankete.
5.1.1.5.1. P('./12/+/;,*&'
88
Predispitivanje je postupak koji se prakticira i prije izrade anketnoga upitnika, ali i
nakon njegove izrade, a prije terenskog provodenja anketiranja. Cini li se to prije izrade
anketnog upitnika ciljevi mogu biti razliiti - da se provjeri valjanost razliitih indikatora
koji se u upitniku kane koristiti, da se sistemom otvorenih pitanja dode do odgovora na
pitanje koju to vrstu zatvorenih pitanja primijeniti, na sto se ona trebaju odnositi i slino.
Predispitivanje se, medutim, esto prakticira i nakon izrade anketnoga upitnika, a
prije provodenja ankete. Ono takoder ima visestruku funkciju. U funkciji je, prije svega,
generalne probe, svojevrsnog testa valjanosti izradenog anketnog upitnika - je li anketni
upitnik dovoljno zanimljiv da moe motivirati ispitanike, koliko je vremena neophodno
potrositi za provodenje jednog anketnog ispitivanja, koliko ce anketara biti neophodno za
njezinu realizaciju, koliko ce terenski rad stajati novca i tome slino.
Svi ti detalji naizgled mogu izgledati i beznaajnima. Stvarno, medutim, njihovo je
znaenje i vise nego relevantno. Pogreska, primjerice, u procjeni trajanja jednog
anketiranja pod znak pitanja moe dovesti itav posao i to iz razliitih perspektiva. S jedne
strane, produljeno trajanje prosjenog anketiranja povecava troskove terenskoga dijela
posla, produljuje rokove, a destimulirajuce, ako je prekoraenje vece, moe djelovati i na
same ispitanike. Sline efekte izazvati moe i nedovoljna motivacijska snaga uradenog
upitnika, njegova monotonija i dosada kao posljedica te injenice. Drugim rijeima, funkcija
predispitivanja je izbjegavanje svih tih, ili tome slinih, posljedica.
5.1.1.5.2. $;7. ,*5'+/
Uvod u anketu je, zapravo, sastavljen od dva dijela. Jedan od njih je sastavni dio
samog anketnog upitnika. U njemu, a on prethodi pitanjima koji ine predmet anketiranja,
ispitanika se nastoji uvesti u anketnu situaciju. Sukladno tome, taj dio anketnoga upitnika i
ima zadatak odgovoriti na nekoliko elementarnih pitanja - sto se anketiranjem eli postici,
ubog ega se anketa provodi, zasto se od ispitanika oekuje da u anketi sudjeluje i dade
iskrene odgovore, istaknuti anonimnost koja je anketom osigurana, te zahvaliti ispitanicima
na suradnji i iskrenim odgovorima. Primjer takvog uvoda, odnosno upute, prikazan je i u
sluaju ankete o lokalnim izborima, provedenim u BiH 2004. godine, i oekivanjima u vezi s
njima kod gradana ove zemlje.
UNDP
URED U SARAJEVU
ANKETA
LOKALNI IZ%ORI I OEKIVANJA GRAFANA %I#
U nasoj zemlji upravo su obavljeni lokalni izbori, znaajni i po tome sto
smo na njima prvi put bili u prilici da neposredno biramo opcinske naelnike.
Ishod izbora, odnosno struktura osvojenih mandata po strankama uglavnom je
poznata, mada definitivni slubeni rezultati jos uvijek nisu objavljeni.
Svakako da ste i osobno upoznati s rezultatima opcinskih izbora. Stoga
Vas molimo da se odazovete ovoj anketi, kroz koju elimo, preko
reprezentativnog uzorka populacije, utvrditi odnos gradana prema ovim
izborima i njihovim rezultatima, te Vasa oekivanja od novoizabranih opcinskih
naelnika i novih saziva opcinskih skupstina.
Zelimo Vas podsjetiti da je anketa anonimna i da ce Vasi odgovori biti
koristeni iskljuivo u svrhu sociolosko-politoloske analize. Iskreno se nadamo
da cete suradivati u ovom nasem zajednikom poduhvatu.
UNDP SARAJEVO
Drugi dio uvoda u anketu je razgovor kojeg, prije samog anketiranja, s ispitanikom
obavlja anketar. Njegov je smisao da se ispitanika dobije za suradnju i potakne na slobodne
i iskrene odgovore. Da bi se to i osiguralo anketar se svakom od ispitanika ima obvezu
predstaviti i navesti instituciju koja provodi istraivanje. S druge strane, mora uspostaviti
89
komunikaciju i atmosferu kojom kod ispitanika izaziva povjerenje prema sebi i instituciji u
ime koje nastupa. Na koncu, u takvom mu je razgovoru obveza i da pojasni temu
anketiranja.
Takvim pristupom anketar, zapravo, nastoji izazvati motivaciju ispitanika za
sudjelovanjem u anketiranju. Forme te motivacije su, dakako, dosta razliite. Motivacija se,
jos konkretnije, moe pojaviti u formi altruistike - motivacije koja proizlazi iz spoznaje da
ispitanik svojim sudjelovanjem u anketiranju pomae znanstvenom osvjetljavanju problema
kojeg se istrauje - pragmatine, odnosno motivacije koja je vezana za spoznaju da se od
anketiranja ima i odredena korist pa se ta korist i posebno apostrofira, itd. Dio motivacije,
primjerice, moe biti vezan i za spoznaju da, buduci je anketa anonimna, ispitanici na
postavljena pitanja mogu odgovarati bez bojazni, slobodno i iskreno.
5.1.1.5.3. P(7;7B'*&' ,*5'+'
Provodenje ankete se, kako je i istaknuto, moe realizirati na vise naina -
individualnim kontaktom s ispitanikom, grupnim anketiranjem, postanskim upitnikom, te
telefonskim anketiranjem. Neovisno, medutim, o tome koji od naina se primijeni, od toga
kako se anketa provede ovise i dobiveni rezultati, ali i troskovi njezina kostanja. Od toga,
opet, sto anketom elimo dobiti ovisi i koji je nain za njezino provodenje najefikasniji. Zeli
li se, primjerice, prikupiti podatke koje ispitanik smatra dijelom svoje intime, tesko da se do
njih moe doci individualnim anketiranjem. Grupno anketiranje je u takvim sluajevima
puno efikasnije.
S druge strane, o vrsti i sadraju istraivanja ovisi i nastup anketara. On takoder, s
obzirom na atmosferu koju anketar stvara, moe biti slojevit. Apostrofiramo posebice tri
moguca nastupa anketara:
a) Blago ispitivanje, koje se koristi u predispitivanjima ili kao dodatno ispitivanje u
znanstvenim istraivanjima. Odlikuje ga strpljivost anketara i spremnost na slusanje onoga
sto mu ispitanik pripovijeda. Razlog takvom stavu anketara je svijest da se na takav nain
ispitanika moe motivirati na otvaranje i spremnost da kae i ono sto inae ne bi.
b) Neutralno anketiranje, koje je najuestalije, i koje podrazumijeva standardan
postupak uspostavljanja normalne atmosfere u komunikaciju dviju osoba na zadatku koji je
ipak specifian.
c) Strogo istraivanje, za razliku od prethodna dva, karakterizira injenica da je
pod veoma strogom kontrolom anketara, da on inzistira na odgovorima koji su konkretni i
bez pokusaja zaobilaenja. Naravno, da bi takvo anketiranje uopce bilo moguce neophodan
je, nakon sto ga se o karakteru ispitivanja detaljno informira, prethodni pristanak
ispitanika.
5.1.1.6. $?7(,5

$?7(,5 je dio ukupne populacije koji se podvrgava anketiranju. Taj dio ispitivane
populacije, dakle uzorak, mora biti reprezentativan, tj. mora posjedovati sve znaajke
skupine koju predstavlja.
Uzorak se moe pojaviti u dva oblika: kao sluajni i kao stratificirani. U emu su
njihove specifinosti?
Sluajni uzorak je dio populacije koji se podvrgava anketiranju, a koji se dobiva
odabirom nasumce. Bira se, dakle, svaki drugi, ili treci, peti lan skupine itd. Medutim,
tako sastavljen uzorak moe biti reprezentativan, ali i ne mora.
Stratificirani (slojeviti) uzorak ima posve drugo naelo konstitucije. Do njega se
dolazi tako da se ukupna populacija, na temelju odredenih znaajki, dijeli na tipine
slojeve - npr. po spolnoj, dobnoj, profesionalnoj, stratifikacijskoj i drugim znaajkama - a
onda se iz njih nasumce uzima odreden broj ispitanika prema udjelu njihove skupine u
ukupnoj populaciji. Prema tome, stratificirani uzorak iskljuuje mogucnost da ne bude
tipina slika skupine. Stoga je i mnogo pouzdaniji kao primijenjeni postupak u znanstvenim
istraivanjima.

5.1.1.6.1. P7&,6 >?7(5,
90
Kad god se eli saznati javno misljenje u vezi s neim, ima se posla s masovnom
pojavom. Zelimo, primjerice, utvrditi kakvo misljenje o novom proizvodu na tristu imaju
potrosai, kakav je odnos studentske populacije prema reformi visokoga obrazovanja, sto
gradani misle o socijalnoj politici vlade itd. Do takvog javnog misljenja ili stavova, onoga
dakle sto se odnosi na ukupnu populaciju jednog mjesta, dijela drave ili drave u cjelini,
moguce je doci na dva naina:
a) Potpunim popisom, odnosno obuhvatom svake jedinice odredene populacije
(radne ili stambene jedinice, mjesta ili njegova dijela, kraja, dijela drave ili drave kao
cjeline itd.). Ovaj se, medutim, nain prikupljanja empirijskih podataka veoma rijetko
koristi ako se radi o masovnim skupinama. Vise je razloga tome. On je, prije svega, vrlo
skup i trai mnogo vremena, kako za terenski dio njegova provodenja, tako i za posao
obrade dobivenih podataka. Njime se, potom, ne moraju uvijek dobiti toni i pouzdani
podaci. Naprotiv. Na koncu, tijekom takvog prikupljanja empirijskih podataka kod
stanovnistva mogu biti izazvane i reakcije koje za posljedicu imaju rezultate koji nisu odraz
njihovih normalnih reakcija i stavova.
b) pomocu uzorka, odnosno manjeg, ali reprezentativnog presjeka ukupne
populacije koji se podvrgava anketiranju. Iskustvo s njegovim koristenjem, naime,
pokazuje da rezultati, do kojih se koristenjem reprezentativnog uzorka dode, mogu vjernije
od potpunog popisa oslikavati raspoloenje, stavove i misljenje ukupne populacije koja je
predmet znanstvenog interesa.
U vezi s odabirom uzorka pozornost zasluuje nekoliko temeljnih pojmova. U
kontekstu ove analize apostrofiramo ih pet:
a) Pojam osnovnog skupa, odnosno masa obuhvacena obiljejem (ili obiljejima)
koje se eli ispitati. Ona, dakako, moe biti razliito odredena. Osnovni skup, drugim
rijeima, mogu initi svi gradani jedne drave - npr. itelji BiH, svi koji u BiH ive. Osnovni
skup mogu biti pripadnici jednog naroda - recimo jedne etnike skupine koji ive u BiH, ali i
svugdje drugdje u svijetu. Osnovni skup, potom, moe initi jedna dobna, spolna,
profesionalna, obrazovna ili neka druga skupina unutar jedne zemlje ili dijela zemlje -
primjerice, djevojke izmedu 20 i 25 godina ivota, studentska populacija, samo muska
populacija itd.
Posebno je, u ovom kontekstu dakako, i pitanje odnosa osnovnog skupa i
podskupa, odnosno stratuma. O emu se radi? Jos konkretnije, kako definirati podskup ili
stratum? Najjednostavnije, u pitanju je dio sireg skupa. Ako se, primjerice, kao skup
definiraju itelji jedne zemlje, onda su muskarci i ene dva podskupa ili stratuma tako
definiranog osnovnog skupa. Uzmu li se, medutim, samo muskarci, ili samo ene, kao
osnovni skup, njihovi podskupovi ili stratumi su skupine prema dobnoj strukturi, prema
obrazovnoj strukturi, regionalnom pripadanju i slino.

b) Odabiranje ili projektiranje uzorka, odnosno postupak zahvaljujuci kojem se
preko dijela cjeline omoguci opis ili ocjena izvjesnih obiljeja i osobina itave te cjeline.
Ono, dakako, moe biti utemeljeno na razliite naine. Dva medu njima su najbitnija. Jedno
je odabiranje utemeljeno na raunu vjerojatnosti ili sluajno odabiranje. U pitanju je,
zapravo, odabiranje kod kojeg za svaki element u osnovnom skupu postoji ista vjerojatnost
da bude izabran u uzorak. Na tom tipu odabiranja nastaju, primjerice, jednostavni sluajni
uzorak, stratificirani sluajni uzorak, te razliiti tipovi grupnih uzoraka. Drugo je, opet,
odabiranje koje ne poiva na raunu vjerojatnosti. Na tom tipu odabiranja nastaju prigodni,
kvotni i namjerni uzorak.
Dakako, nemoguce je dati recept kada i koji od navedenih tipova odabiranja
koristiti. Izvjesno je, naime, da svaki od njih ima svojih i dobrih i losih strana. Odabiranje
na raunu vjerojatnosti, tako, omogucuje da se strogo matematikim putom odredi
reprezentativnost uzorka. Odredene prednosti, medutim, imaju i odabiranja koja nisu
utemeljena na raunu vjerojatnosti. Bolje se, primjerice, prilagodavaju uvjetima ispitivanja,
ekonominija su u pogledu troskova itd. Prema tome, koji ce od ovih tipova odabiranja biti
primijenjen ovisi, prije svega, od predmeta i ciljeva ispitivanja.
91
c) Reprezentativnost uzorka, odnosno svojstvo da uzorak odraava svojstva itave
populacije u odnosu na obiljeje koje je predmet ispitivanja, tj. da se iz uzorka mogu
oekivati rezultati identini onima koji bi se dobili i iz itave populacije. Kod izbora uzorka
za istraivanje stavova, vjerovanja, potrosakih sklonosti i elja obraca se pozornost da
uzorak bude reprezentativan posebice u odnosu na neka obiljeja - visina primanja, dob,
spol, mjesto stanovanja, a u visenacionalnim drustvima - kakvo je, primjerice, bosansko-
hercegovako - i u odnosu na nacionalnu pripadnost.
d) Preciznost i tonost uzorka. to podrazumijeva jedno, a sto drugo? Pod
preciznou se podrazumijeva razina u kojoj se niz mogucih ocjena, dobivenih na osnovu
uzorka, poklapa s pravim vrijednostima populacije. Kakva ce ona biti ovisi, prije svega, od
naina na koji je odabran uzorak. to su, primjerice, pogreske ili pristranosti uvjetovane
izborom uzorka, manje, preciznost ce biti veca. Vrijedi, dakako, i obrnuto.
Promatrano samo za sebe, sto je uzorak veci, sto se on pribliava osnovnom
skupu, trebao bi biti i precizniji. No, ne mora biti tako. Veci je, dakle, broj varijabli od kojih
to ovisi. Jedna od njih je, primjerice, varijabilnost obiljeja koje se mjeri. Manji uzorak kod
ispitivanja inteligencije sestogodisnje djece biti ce pouzdaniji od veceg kod ispitivanja istog
obiljeja odraslih jer je varijabilnost inteligencije sestogodisnje djece objektivno manja od
one odraslih ljudi. Jedna od varijabli, potom, u vezi je i s veliinom jedinice uzorka. Uzorak,
primjerice, na kojem se ispituju odredeni stavovi gradana BiH, nije isto pouzdan - bez
obzira sto je iste veliine - ako je sastavljen od odredenog broja osoba samo jedne, recimo
hercegovake regije i u sluaju da u njegov sastav ulaze gradani iz svih dijelova te zemlje.
Jasno je da ce ovaj drugi vjernije oslikavati navedeno obiljeje gradana BiH kao osnovnog
skupa. Veci uzorak, na koncu, ne znai i vjerniju sliku osnovnoga skupa ukoliko on nije i
vjerna slika stratifikacije drutva, ili dijela drustva koje se kao osnovni skup pojavljuje. Veci
uzorak, primjerice, koji je sastavljen od pripadnika samo jednog socijalnog, spolnog,
obrazovnog i dobnog sloja puno je manje vjerna slika drustva od manjeg ako on odraava i
tu strukturu.
S druge strane, tonost ili pedantnost podrazumijeva odsustvo ili barem svodenje
na minimum pristranih, nestatistikih ili sistematskih pogresaka do kojih moe doci u
prikupljanju ili, pak, obradi prikupljenih podataka. Takve se pogreske daju izbjeci paljivim
planiranjem, ali i realiziranjem i kontrolom anketnih postupaka.
e) Veliina uzorka. Cesto se, naime, postavlja pitanje koliko je veliki uzorak
potreban da bi se dobila pouzdana slika osnovnoga skupa? Cesto se, potom, moe naici i na
logiku kako je veci uzorak automatski i pouzdaniji. Istina je, medutim, da veliina, sama za
sebe, kako je vec navedeno, automatski ne osigurava pouzdanost odredenog uzorka.
Dapae. Pouzdanost vise zavisi od reprezentativnosti uzorka nego od broja jedinica koje on
obuhvaca. I neuobiajeno mali uzorci, naime, ako su reprezentativni, osiguravaju
pouzdanost uopcavanja dobivenih rezultata na ukupnu populaciju koja je predmet
istraivanja. S druge strane, ni neuobiajeno velik uzorak, ako nije reprezentativan, nece
za rezultat imati pouzdano uopcavanje dobivenih rezultata na ukupnu populaciju. No, istina
je i to da je veliina uzorka bitan initelj njegove pouzdanosti. Promatrano, naime, izvan
utjecaja ostalih varijabli pouzdanost uzorka odgovara drugom korenu njegove veliine. To,
drugim rijeima, znai da sesnaest puta veci uzorak ne daje i sesnaest, nego tek etiri puta
vecu pouzdanost.
5.1.1.6.2. V(1+' >?7(5,
Podjelu uzoraka moguce izvrsiti na razliite naine. U kontekstu ove analize
preferirana je podjela prema tri osnovna kriterija. Po osnovu njih, jos konkretnije, moguce
je govoriti o tri najuestalije grupe uzoraka:
- uzorci koji nisu odabrani na osnovu teorije vjerojatnosti,
- uzorci nastali na osnovu teorije vjerojatnosti, te
- mjesoviti tipovi uzorka
Navedene grupe uzoraka su, dakako, i predmet analize koja slijedi.
92
5.1.1.6.2.1. $?7()/ 57&/ */1> 7.,8(,*/ *, 71*7;> +'7(/&' ;&'(7&,+*71+/
U ovoj grupi esce od ostalih pojavljuju se posebice tri vrste uzoraka - prigodni,
kvotni i namjerni. O kakvim se, dakle, vrstama uzoraka radi?
Prigodni uzorak je sastavljen od niza sluajeva do kojih se u odredenom
momentu jedino moglo doci ili su nam se sluajno, zahvaljujuci odredenoj prigodi, nasli pri
ruci. Takav nam uzorak, primjerice, moe predstavljati skupina studenata koja nam se u
odredenom momentu nalazi na predavanju. Takvim se uzorkom, potom, ako nam je
nakana, primjerice, ispitivanje mogucnosti suivota u BiH, mogu smatrati i misljenja
itatelja koji o toj vrsti pitanja pisu u jednom ili vecem broju bosanskohercegovakih
tjednika, i tome slino.
Koja je, medutim, vrijednost prigodnih uzoraka? Mogu li se oni smatrati
reprezentativnima? U naelu, radi se o tipu uzoraka koji nisu reprezentativni. No, postoje
situacije kada to mogu biti. Takve su, primjerice, situacije kada se istraivanje odnosi na
funkcionalne i dinamike osobine pojedinaca ili grupa - ako se, recimo, ispituju zakonitosti
interakcije i uopce grupne dinamike one, iako su izvedene iz prigodnog uzorka, mogu biti
reprezentativne za itavu grupu slinih pojedinaca kao sto je grupa iste dobi, istog spola,
istog socijalnog statusa i slino.
votni uzorak se najesce koristi u ispitivanju javnog misljenja, a temelji se na tri
osnovna postupka, i to na:
- izboru utvrdenih obiljeja populacije koja slue i kao osnova za odabir uzorka,
- odredivanju proporcija populacije koja posjeduje ova obiljeja, te
- odredivanju kvota za anketare koji trebaju odabrati odredeni broj osoba s
utvrdenim obiljejima tako da odgovaraju proporcijama svake grupe ili podgrupe
u ukupnoj populaciji
Izbor, dakle, obiljeja koja se moraju podudarati izmedu uzorka i ukupne
populacije je jedan od osnovnih postupaka u utvrdivanju kvotnog uzorka. Radi li se o
ispitivanju javnog misljenja, u funkciji tog tipa obiljeja najesce su spol, dob, veliina i
karakter mjesta stanovanja, socijalno-ekonomski status, a nerijetko i nacionalna, religijska
i rasna pripadnost, obrazovanje i slino. Kako se formira kvotni uzorak pokazuje i slijedeci
primjer:
KVOTE NAZNACENE ANKETARU ZA JEDAN GRAD
Osnovna srednja Visoka Total
Kvote po spolu
Muskarci
Zene
10
11
20
22
8
7
38
40
21 42 15 78
Kvote po dobi
Do 35
Iznad 35
7
14
23
19
10
5
40
38
21 42 15 78
Prethodni primjer je sastavljen od kvota po osnovu dva obiljeja - spola i dobi. No,
u njemu su prikazane i tri potklase po osnovu obrazovanja. Struktura kvota je, dakako,
mogla biti sloenija i po osnovu osnovnih obiljeja - kvota, ali i po osnovu svrstavanja u
potklase. Takva sloenost strukture u pravilu i prati kvotne uzorke.
U emu je, prema tome, bit utvrdivanja kvota? Tajna je, jednostavno, u tome da
istraiva odreduje postotak pojedinaca s odredenim obiljejem koji je zastupljen u uzorku,
kako bi on odgovarao njihovoj zastupljenosti u osnovnom skupu. Bit kvota je, prema tome,
u tome da omoguce reprezentativnost uzorka. S druge strane, odabir u okviru utvrdenih
kvota je prepusten anketaru na principu prigodnog odabira. Princip kojeg se, pri tome,
anketar ima pridravati jeste princip rasprsenosti uzorka u ukupnoj populaciji, te dovoljan
broj sluajeva unutar svake kvote kako bi valjana mogla biti i analiza dobivenih podataka.
1amjerni uzorak, koji se koristi posebice u istraivanju javnog misljenja i trista,
je proizvod namjernog odabira sluajeva za koje se smatra kako su najtipiniji za
populaciju koja se istrauje. Dvije su pretpostavke takvog odabira posebno relevantne -
dobar uvid u odredenu populaciju s jedne, te dobro prosudivanje o tome koji sluajevi
93
mogu biti tipini, odnosno mogu dati zadovoljavajuce rezultate za potrebe svakog
konkretnog istraivanja. Dakako, pri tome je vano da se utvrdi i sto se ima smatrati
tipinim, da se, drugim rijeima, izdvoje objektivni parametri u utvrdivanju onoga sto je
tipino obiljeje za neku populaciju.

5.1.1.6.2.2. $?7()/ *,1+,-/ *, 71*7;> +'7(/&' ;&'(7&,+*71+/
U grupi uzoraka, nastalih na osnovu teorije vjerojatnosti, izdvajaju se dvije vrste
njih - jednostavni i stratificirani sluajni uzorak. to su odlike jednog, a sto drugog?
O jednostavnom slu.ajnom uzorku se radi u sluaju ako je izbor ispitanika
takav da se svakom lanu osnovnog skupa, svakom lanu populacije koja je predmet
istraivanja, osigura ista vjerojatnost da bude izabran u uzorak. Sluajnost izbora osigurava
se razliitim postupcima. Apostrofiramo posebice dva:
a) Lutrijski izbor za koji je neophodna pretpostavka prethodno napravljen popis
svih jedinica osnovnog skupa i to s rednim brojem ispred svake od njih. Nakon toga se
redni brojevi napisu na posebne papirice koji se izmijesaju, a potom ih se izmedu njih
nasumice izvlai onoliko koliko se jedinica hoce izabrati u uzorak.
b) Tabela sluajnih brojeva, koja itav postupak bitno skracuje. I ona, doduse,
podrazumijeva popis svih jedinica populacije koja je predmet istraivanja. Ali, za razliku od
lutrijskog izbora kod nje s brojevima ispisane papirice zamjenjuje tabela u kojoj su brojevi
vec lutrijski rasporedeni i samo ih treba oitavati. Nain na koji se to radi prikazan je u
slijedecem primjeru.
Jednostavni sluajni uzorak ima i svojih prednosti i svojih nedostataka. Prednost
mu je, primjerice, da za formirati ga nije uopce potrebno poznavanje obiljeja populacije
koja slui kao osnovni skup, da bolje pokazuje varijabilnost populacije, a to, onda, znai da
se uzorak, sto se vise povecava, vise i podudara s osnovnim skupom, obiljejima ukupne
populacije koja je predmet istraivanja itd. Nista manji mu, medutim, nisu ni nedostaci. Za
jednostavni sluajni uzorak je, recimo, potrebno imati prethodno potpuno kategoriziranu
masu iz koje ga se odabira a to, objektivno trai vise i vremena i novca.
Strati'icirani slu.ajni uzorak je vrsta uzorka koja u mnogome podsjeca na
kvotni. U njemu se, naime, kao i u kvotnom, prema nekim obiljejima populacije prethodno
utvrde odredeni razredi i li grupe. No, razlika postoji. Kod kvotnog se uzorka, kako je vec i
navedeno, jedinice iz svakog razreda ili grupe izvlae po principima prigodnog uzorka. Kod
stratificiranog sluajnog uzorka se, medutim, one izvlae po principu sluajnog odabiranja.
S druge strane, stratificirani sluajni uzorak se moe formirati na razliite naine.
Ovisno o tome koji je nain primijenjen moguce je govoriti o dvije podvrste ovih uzoraka.
Jedan je proporcionalni stratificirani sluajni uzorak kod kojeg svi razredi ili podgrupe
zadravaju proporcije koje imaju i u osnovnom skupu ili populaciji koja se istrauje. Drugi
se oznaava kao neproporcionalni stratificirani sluajni uzorak a odlika mu je da su
proporcije iz osnovnog skupa u uzorku napustene. Razlozi za to su racionalni. Primjerice,
moguce je da su neke grupe u populaciji koja se istrauje slabo zastupljene. Ako bi se
postivao princip proporcije takve bi grupe u uzorku bile toliko beznaajno zastupljene da bi
bila nemoguca obrada dobivenih rezultata istraivanja u vezi s njima. Stoga se njihov udio
u uzorku uvecava u odnosu na onaj koji bi proizlazio iz zakona proporcije s osnovnim
skupom.
Dakako, i stratificirani sluajni uzorak ima i svojih prednosti i svojih nedostataka.
Prednost mu je, primjerice, sto onemogucava da iz istraivanja bude ispustena ijedna iz
populacije zanimljiva grupa. Nedostatak mu je, medu inim, i to sto stratifikacija
podrazumijeva dobro poznavanje raspodjele odredenih obiljeja u osnovnom skupu,
odnosno populaciji koju se istrauje.
5.1.1.6.2.3. Z7*15/ >?7(,5 5,7 ;(1+, 6&'37;/+79 +/2, >?7(,5,
Mjesoviti tipovi uzoraka su esta pojava kod tzv. vise-etapnih, odnosno uzoraka
kod kojih se u jednoj etapi moe primijeniti jedan, a u drugoj sasvim drugi postupak izbora
jedinica u uzorak. Jedan od onih koji pripada ovom tipu uzoraka, je tzv. zonski uzorak. U
pitanju je vrsta uzorka koja se esto primjenjuje u ispitivanju javnog misljenja, a koja ima
94
odredenih prednosti u odnosu na kvotni. Najbitnija od njih je vezana uz injenicu da se kod
zonskog uzorka iskljuuje zavisnost od kvota iji izbor je, u pravilu prepusten anketaru.
Umjesto toga, kod zonskog su uzorka unaprijed odredene jedinice koje ulaze u uzorak.
Dakako, da bi to bilo moguce neophodna je pretpostavka posjedovanje pouzdanih
demografskih podataka, koji se dobivaju popisima stanovnistva, iz kojih je moguc uvid u
gustocu i obiljeja stanovnistva za populaciju koja je predmet istraivanja - na razini
zemlje, pojedinih njezinih dijelova, gradova itd.
Kako se, dakle, pravi zonski uzorak? Ako je predmet istraivanja stanovnistvo
cijele zemlje, nju se prvo treba podijeliti na veci broj regija ili zona, u kojima ce se vrsiti
ispitivanje, a potom izmedu njih postupkom sluajnog odabira izabrati izvjestan broj regija
pravilno rasporedenih po cijeloj zemlji. Time, medutim, podjela i ne zavrsava. Tako
dobivene zone se, potom, dijele na gradske i seoske zone, a njih, opet, na pojedine
segmente - u gradu blokove kuca, a u selu zaseoke ili kvartove. Iz tih segmenata, blokova
kuca ili dijelova sela, se po istom principu, postupkom sluajnog odabira, izabere dio njih
kao uzorak koji ce biti podvrgnut istraivanju. No, sve pretpostavke provodenju ispitivanja
ni time nisu dovrsene. Naprotiv. U slijedecoj, trecoj po redu etapi se imaju pobrojati sve
stambene jedinice koje se nalaze unutar jednog bloka ili dijela sela. U toj fazi postoji
mogucnost izbora izmedu dviju mogucnosti - da se ide u ispitivanje svih stambenih jedinica
u jednom bloku, ili da se napravi i uzorak od stambenih jedinica. U prvom su sluaju cilj
istraivanja, u pravilu, domacinstva, a u drugom lanovi domacinstava. Tek nakon toga se
anketarima odreduju blokovi, dijelovi sela ili stambene jedinice u kojima ce anketiranje
provesti po strogo utvrdenim uputama i bez mogucnosti da naprave bilo kakvu izmjenu.
Rezultati koji se dobiju zonskim uzorkom veoma su pouzdani, a uzorak se
primjenjuje posebice za potrebe ispitivanja iz podruja urbane sociologije u velikim, prije
svega milionskim gradovima.
5.1.1.7. G('35' / 2(/1+(,*71+/ > ,*5'+/(,*&>
Tijekom anketiranja neophodno je raunati i s razliitim vrstama pogresaka koje se
pri tome mogu pojaviti. Pri tome je, medutim, potrebno praviti razliku izmedu
sluajnih promjena, koje za ovaj tip analize nisu ni zanimljive, i pristranosti,
odnosno pogresaka koje su stalne, sustavne i tesko se otkrivaju. Neke od njih se, u
analizi koja slijedi, i detaljnije problematizira.
Medu njima izdvojiti treba, prije svega, 279('35' > /*+'(,5)/&/ /?6'B> ,*5'+,(, /
/12/+,*/5,. Tijekom anketiranja se, naime, izmedu anketara i ispitanika uspostavlja
intenzivna dvosmjerna interakcija u kojoj je pozicija svakoga od njih bitno razliita.
U toj interakciji, naime, posao anketara je da postavlja pitanja, motivira ispitanika
na iskrene i potpune odgovore, trai dodatna objasnjenja na date odgovore, date
odgovore ispitanika biljei itd. S druge strane, pozicija ispitanika je da na
postavljena pitanja formulira svoje stavove, daje odgovore, trai objasnjenja u vezi
s postavljenim pitanjima ako su mu potrebna itd.
Kakva ce ta dvosmjerna interakcija biti ovisi o vecem broju faktora. Medu njima
apostrofirati treba, prije svih, osobne, dakle faktore koji su povezani s osobnim
znaajkama i anketara i ispitanika - dob jednog i drugog, njihov spol, religijsku,
nacionalnu i rasnu pripadnost, socijalno-ekonomski status itd. Te osobine, naime, u
postupak anketiranja unose i anketar i ispitanik. Ako su medusobnih razlika u njima
svjesni u tom se sluaju mogu i postaviti na nain koji postupak anketiranja moe
odvesti u potpuno pogresnom pravcu. Ti faktori, naime, utjeu na percepcije, motive
i oekivanja i anketara i ispitanika, a oni, u formi intervenirajucih varijabli, mogu
bitno utjecati na sam postupak anketiranja, posebice obavlja li se on u formi
intervjua.
Na karakter dvosmjerne interakcije izmedu anketara i ispitanika, potom, utjeu i
tzv. psiholoki faktori, odnosno percepcije, stavovi, oekivanja i motivi koji jednog i
drugog pokrecu. Ispitanik, naime, moe kod anketara percipirati neke osobine i
odgovori koje mu daje mogu, sukladno percepcijama mu, i ovisiti o onome sto
ispitanik pretpostavlja da od njega anketar oekuje.
95
Na koncu, na karakter dvosmjerne interakcije anketar-ispitanik utjecati mogu i
faktori ponaanja, faktori koji se javljaju tijekom razgovora i sam razgovor mogu
skrenuti i u pravcu kojeg sugovornici nisu oekivali. Ti su faktori, kada je anketar u
pitanju, dosta raznoliki. Medu njima apostrofirati treba, primjerice, razliite vrste
pogresaka koje on ini tijekom antekiranja - pogreske u postavljanju pitanja,
pogreske u produbljivanju, u motiviranju ispitanika, u biljeenju dobivenih odgovora
itd. No, utjecaja faktora ponasanja tijekom ispitivanja osloboden nije ni ispitanik. U
pitanju su, prije svega, odgovori koje daje na postavljena mu pitanja - jesu li oni
toni ili ne, adekvatni ili ne itd.
Na pristranosti odreden utjecaj mogu imati i 17)/7'57*7615' / .'679(,:15'
?*,4,&5' ,*5'+,(,. Naime, socioekonomski status anketara moe, sam po sebi,
biti izvor odredenih pristranosti. Za pretpostaviti je, tako, da ce anketar iz
siromasnijih drustvenih slojeva biti opterecen potrebom vece sklonosti ispitivanju
onih iz visih drustvenih slojeva zbog uvjerenja kako su njihova misljenja meritornija.
Za pretpostaviti je, potom, kako bi, ako mu nisu zadati parametri, anketar iz
srednjih slojeva drustva mogao biti skloniji anketiranju radnike populacije, i on iz
uvjerenja kako oni ine osnovnu masu drustva i kako su njihova misljenja najblia
vjernoj slici misljenja cijele populacije. No, i u jednom i u drugom sluaju se radi o
pristranosti koja utjee na objektivnost provedene ankete.
Izvor pristranosti, medutim, mogu biti i neke od demografskih znaajki. U pitanjima,
primjerice, koja zadiru u odnose medu spolovima utjecaj spolne pripadnosti
anketara i ispitanika na njihovu dvosmjernu interakciju i iskrenost odgovora moe
imati odredenog utjecaja. Odredenog utjecaja, potom, mogu imati i rasne
predrasude u sluaju da su anketar i ispitanik razliite rasne pripadnosti. U
odredenim sluajevima, u drustvima koja su opterecena - ili su to bila u blioj
proslosti - medunacionalnim sukobima i frustracijama, isti efekt izazvati mogu i
nacionalne predrasude.
Izvor pristranosti u anketiranju, potom, mogu biti i odredena 21/A7-735, 78/-&'C&,
,*5'+,(,. Buduci je anketriranje dvosmjerna interakcija, stavovi anketara mogu
esto biti presudni na karakter odgovora koje mu ispitanik daje. Razlog je u injenici
da odgovori koje mu ispitanik daje ne odraavaju i stavove ispitanika nego su dani u
skladu s oekivanjima anketara. Ta oekivanja mogu biti rezultat percepcije, koju je
u vezi s njima ispitanik izgradio, a mogu biti i nedvojbena, proizlaziti iz polemike i
nastojanja anketara da svoje stavove nametne i ispitaniku kao njegove vlastite.
Kako, medutim, sve te, i mnoge druge pristranosti koje se tijekom anketiranja mogu
pojaviti, kontrolirati? Teorijski, dva su moguca pristupa - kontrola anketara i
kontrola ispitanika, ili eventualno kontrola i jednih i drugih. Stvarno, pak, realno je
moguca samo kontrola anketara. A ona se, opet, ostvaruje i paljivim izborom
anketara, ali i davanjem potrebnih uputstava onima koji su izabrani. Jasno je,
primjerice, da je izgled anketara bitan - da svojim izgledom ne izazivaju otpor, da
se za obrazovane ispitanike biraju i obrazovani anketari itd. Jos bitniji od toga je,
medutim, nain njegova na koji se on ponasa i na koji uspostavlja kontakt - znade
li, recimo, uspostaviti aferu srdanosti i povjerenja i slino.

5.1.2. T'1+/(,*&'
Testiranje i test, iako se izmedu njih esto stavlja znak jednakosti, nisu
istoznanice. Testiranje je, naime, jedan od triju oblika prikupljanja podataka primjenom
tehnike ispitivanja. Ono je, drugim rijeima, i samo jedan od postupaka, odnosno tehnika
prikupljanja podataka. S druge strane, test je instrument pomocu kojeg se taj postupak,
odnosno tehnika prikupljanja podataka provodi.
Kada je, pak, po srijedi test kao instrument, on se sastoji od niza medusobno
povezanih zadataka ijim se rjesavanjem neko svojstvo mjeri i ustanovljuje. Pri tome je
vano da se radi o zadacima koji su isti za sve ispitanike. Utvrdenom metodologijom su,
potom, precizirani naini njihova rjesavanja, kao i naini ocjenjivanja i vrednovanja
ostvarenih rezultata u postupku testiranja.
96
Testiranje se, u pravilu, moe realizirati na dva osnovna naina - kao individualno i
kao grupno. Kod prvog, individualnog testiranja uradenim testom se ispituje pojedinac, a
kod drugog, grupnog testiranja objekt ispitivanja je grupa osoba. No, i tada svaki od
lanova grupe sam za sebe rjesava zadatke iz testa.
Na koncu, konstrukcija testa niposto nije jednokratan posao. Dapae. I kod nje je
moguce identificirati veci broj faza. Najznaajnije medu njima treba i posebno apostrofirati:
1. Sastavljanje zadataka kojima ce se mjeriti ono sto se eli mjeriti. U prvoj fazi
tih je zadataka puno vise nego sto ce u konanici biti i potrebno. Razlog tome je injenica
da se unaprijed ne moe znati koji ce se zadaci u konanici moci i ukljuiti u finalnu verziju
testa
2. Sastavljanje prve verzije testa koji sadri vise zadataka od finalne verzije, ali
manje od broja zadataka koji su sastavljeni u prvoj fazi
3. Provodenje testa u njegovoj prvoj verziji na relativno malom i paljivo
odabranom broju ispitanika.
4. Utvrdivanje metrijskih karakteristika testa, posebice analiza postignutih
rezultata u rjesavanju svakog pojedinanog zadatka u testu, kako bi se provjerila njihova
diskriminativnost, svojstvo da postavljeni zadaci nisu ni pretjerano laki, ni pretjerano teski.
5. Eliminiranje iz testa zadataka koji se nisu pokazali dovoljno diskriminativni -
koji su ili pretjerano su laki ili pretjerano teski - kao i onih koji nemaju zadovoljavajuce
druge metrijske karakteristike.
6. Testiranje reprezentativnog uzorka ispitanika konanom verzijom testa.
7. Badarenje testa i odredivanje njegovih konanih metrijskih karakteristika na
osnovu ulaznih podataka, dobivenih testiranjem reprezentativnog uzorka
5.1.2.1. V(1+' +'1+7;,
Podjela testova se moe izvrsiti po razliitim kriterijima. U kontekstu ove analize
apostrofiramo samo podjele prema najznaajnijim kriterijima.
Prema *,4/*> (&'3,;,*&, ?,.,+,5, testovi se, tako, dijele na:
a) Usmene testove, kod kojih se postavljeni zadaci rjesavaju usmeno. Takvi su,
primjerice, testovi kojima se provjerava izgovor u stranom jeziku. Zbog karaktera koji ga
odlikuje usmeni je test uvijek individualan, odnosno testiranje se izvodi uvijek u izravnom
kontaktu istraivaa s ispitanikom-pojedincem.
b) Pismeni ili Papir-olovka testovi. Rjesenja na postavljene zadatke u njima se
pisu. Zbog toga su i najesci jer se, primjene li se njih, istodobno moe raditi s vecim
brojem ispitanika.
c) Testove radnji, kojima je cilj provjera sposobnosti izvodenja odredenih radnji. Te
sposobnosti se provjeravaju na konkretnoj spravi, stroju, kompjutoru, materijalu itd.
Tri vrste testova je moguce razlikovati i ako se kao kriterij podjele uzme *,6&'*,
+'1+,. To su:
a) Testovi za mjerenje postojeeg stanja, a na namjenu im upucuje i sam naziv.
b) Prognostiki testovi, a cilj im je prognoziranje uspjeha ispitanika u daljem
skolovanju, profesiji za koju se osposobljavaju, drugim buducim aktivnostima. Ova vrsta
testova se, sukladno tome, u nekim obrazovnim sustavima koristi kod izbora zanimanja
koje bi najbolje odgovarala testiranoj osobi.
c) Dijagnostiki testovi, kojima je cilj uci u sustinu uzroka odredene pojave - nekih
ispitanikovih poteskoca u obavljanju odredenih djelatnosti itd.
Podjelu testova moguce je izvrsiti i ako se kao kriterij uzme ;(/&'6' *&'97;,
/12>*&,;,*&, /-/ (,?/*, 6&'('*79 1;7&1+;,. Po tom kriteriju je moguce praviti razliku
izmedu testa brzine i testa razine.
Test brzine ima za cilj utvrditi moe li ispitanik dovoljno brzo rijesiti odredeni
zadatak. Zbog toga je i vrijeme za rjesenje danog zadatka strogo ogranieno, i to u mjeri
da ono nikome od ispitanika nije dovoljno da bi do kraja testa i dosao.
Test razine odlikuje nastojanje da se njime utvrdi razina mjerenog svojstva -
znanja, sposobnosti, umijeca. Kod njega je, drugim rijeima, teiste na tonosti rjesavanja
postavljenih zadataka. To, dakako, ne znai kako se svakom od ispitanika iz tog razloga
97
moe dati i neogranieno vrijeme. Naprotiv. Testiranje se, u pravilu, prekida u momentu
kada 90-95% ispitanika ispuni test.
Moguce je, potom, praviti i razliku izmedu standardiziranih i nestandardiziranih
testova. Za standardizirane testove je karakteristino da se konstruirani test primjenjuje na
reprezentativnom uzorku radi dolaenja do skala koje omogucuju usporedivanje u
testiranju postignutih rezultata s utvrdenim normama ili standardima. Tu mogucnost
usporedivanja, medutim, nemaju nestandardizirani testovi, i po tome se od standardiziranih
i razlikuju.
No, nesumnjivo je najznaajniji kriterij podjele testova ono 3+7 1' +'1+/(,0 3+7 1'
6&'(/. Prema tom kriteriju moguce je praviti razliku izmedu testova mogunosti i ostalih
testova ili testova linosti. Zbog znaaja, medutim, kojeg imaju posvecen im je i poseban
prostor.
5.1.2.1.1. T'1+7;/ 679>@*71+/
Testovi mogucnosti (abilities) su poznati i kao testovi u uem smislu rijei. Njima
se testiraju znanja, umijeca i sposobnosti zbog ega ih se, ponekada, pod tim nazivom -
kao testove znanja, umijeca i sposobnosti - moe i sresti. U ovoj vrsti testova izdvojiti je
moguce dvije vece grupe - testove ostvarenja i testove sposobnosti.
T'1+7;/ 71+;,('*&, (achievements) se nazivaju i testovi postignuca, testovi
uspjeha, testovi znanja i umijeca. Njima se mjere mogucnosti koje ovise od uenja,
odnosno rezultati uenja. Ovo je i najvise primjenjivana vrsta testova mogucnosti. Unutar
nje, opet, najesce se koriste pismeni, papir i olovka testovi, koji mogu sadravati
razliite zadatke. Osnovne su etiri vrste tih zadataka, i to:
a) Zadaci biranja odgovora ili zadaci prepoznavanja, kod kojih je ispitaniku
ostavljena mogucnost da izmedu ponudenih izabere odgovor koji je, po njemu, toan.
Unutar ove grupe zadataka, opet, moguce je razlikovati dvije podgrupe. Prvu ine tzv.
zadaci alternativnog dvolanog izbora, koji se rjesavaju na nain da se odgovori je li neka
tvrdnja tona ili netona, treba li nesto potvrditi ili negirati - i to zaokruivanjem odgovora
da ili ne. Takav je, primjerice, zadatak tipa:
Obitelj je najveca drustvena grupa
Marketinska strategija polazi od interesa potrosaa
Informacija je jedan od elemenata komunikacije
DA NE
DA NE
DA NE
Kod te vrste zadataka, i upravo zbog naina njihova rjesavanja, treba izbjegavati
zadatke s vise od jedne tvrdnje. Razlog je jednostavan - na njih se mogu odnositi razliiti
odgovori ili, pak, jedna od tvrdnji moe biti i netona pa time i stvarati nesigurnost, dileme
itd. Takva je, primjerice, tvrdnja Oblast oko junog pola ima hladniju klimu od sjeverne
polarne oblasti i naziva se Arktik. Tono je, naime, da oblast oko junog pola ima hladniju
klimu. No, netono da se oblast naziva Arktik. Ta injenica, medutim, moe unijeti i
nesigurnost u opredjeljenju za odgovor da ili ne, do opredjeljenja da se, potom,
zaokrui i da i ne itd. No, da i nije tako, zadatak bi i dalje bio pogresno formuliran jer
u sebi sadri vise od jedne tvrdnje.
Drugu podgrupu unutar zadataka biranja odgovora, opet, ine zadaci viestrukog
izbora. Odlika im je da na postavljeno pitanje nude vise, najesce pet, odgovora pri emu
je samo jedan od njih toan. Odgovor na postavljeni zadatak se daje zaokruivanjem
rednog broja (ili slova) ispred jednog od ponudenih odgovora.
b) Zadaci sparivanja, zdruivanja (matching) sadre dva niza podataka. Ispitanik
ima obvezu da lanove jednog niza povee s odgovarajucim lanovima drugog niza. Pri
tome je uobiajeno da desni niz ima nesto vise lanova od lijevog. Obino je taj omjer, iako
ne i nuno, 5:3. Pogledajmo, uostalom, primjer takvog zadatka.
U donjem zadatku u lijevoj koloni navedeni su simboli tri kemijska
elementa, a u desnoj nazivi pet kemijskih elemenata. Ispred
98
svakog od tri simbola treba upisati broj koji stoji ispred naziva
kemijskog elementa na koji se simbol odnosi
___________Al
___________Au
___________Cu
1. Srebro
2. Bakar
3. Olovo
4. Aluminij
5. Zlato
Zadatak ispitanika je, dakle, u konkretnom sluaju da ispred svakog od tri simbola
u lijevoj koloni upise broj ispred naziva kemijskog elementa u desnoj koloni - ispred
simbola Al, primjerice, broj 4 ispred naziva kemijskog elementa Aluminij itd.
c) Zadaci sredivanja su sastavljeni od niza podataka koje je potrebno srediti prema
odredenom kriteriju - kronoloski, po veliini ili na neki drugi nain. Primjerice:
Prema vremenu povijesnog pojavljivanja, kronoloski, brojevima
od jedan do pet razvrstaj imena slijedecih filozofa:
_______Karl Manheim
_______Aristotel
_______Toma Akvinski
_______Immanuel Kant
_______Thomas Hobbes
U konkretnom sluaju, dakle, broj jedan ce se naci ispred Aristotela, redni broj 2
ispred Tome Akvinskog itd.
d) Zadaci navodenja trae da se, u postavljenom zadatku, odredeni podaci navedu.
Dakako, razliita moe biti forma navodenja. Utoliko se moe praviti razlika i izmedu vise
tipova zadataka navodenja. Jedan od njih su i zadaci dovravanja ili dopunjavanja
(completition). Zadatak se, naime, sastoji od nepotpunog iskaza kojeg treba kompletirati.
Primjerice: Jedna od novih drava, nastalih raspadom SFRJ, je Bosna i ______________.
Zadatak ispitanika je da upise dio naziva novonastale drave koji nedostaje. Dakako, da bi
ovakvi zadaci bili moguci vano je da postoji samo jedno rjesenje kojim se dopuna moe
izvrsiti. U konkretnom sluaju to je samo dopuna Hercegovina i ni jedna vise.
T'1+7;/6, 127178*71+/ (aptitudes) se, za razliku od testova mogucnosti, mjere
mogucnosti koje ne ovise izravno od uenja (prije svega skolskog), vec od naslijeda i opceg
ivotnog iskustva. Oni, drugim rijeima, mjere sposobnost za uenje, preduvjeta za uspjeh
u uenju, pa ih se esto naziva i testovima prirodnih sposobnosti. U ovoj grupi testova je
takoder moguce izdvojiti vise njih. Apostrofiramo tri tipa testova sposobnosti:
testovi senzornih sposobnosti - kakvi su testovi vizualnih, auditivnih i drugih
sposobnosti
testovi mentalnih, te
testovi motornih sposobnosti.
Najesci medu njima su, dakako, testovi mentalnih sposobnosti. Unutar njih se,
opet, moe praviti razlika izmedu testova opih mentalnih sposobnosti, tj. testova
inteligencije i testova posebnih, specijalnih mentalnih sposobnosti. Ovi drugi su, istina,
mnogo rjedi, zbog ega im ne kanimo ni posvecivati posebnu pozornost.
Pozornost, medutim, zavrjeduju testovi inteligencije, testovi sastavljeni od
zadataka, najesce verbalnoga tipa, koji se rjesavaju uglavnom rasudivanjem. Razliiti,
potom, moe biti i karakter zadataka - zadaci verbalne analogije, zadaci popunjavanja
reenice, brojane serije u kojima u produetku treba staviti broj kojemu je tu mjesto,
zadaci za provjeru razumijevanja odredenih rijei itd. U nastavku teksta slijedi nekoliko
primjera takvih zadataka:
a) Primjer zadatka za provjeru razumijevanja odredenih rijei:
99
Rije koja znai skoro isto sto i opak je:
1. ljut
2. zao
3. pakostan
4. pokvaren
5. osvetoljubiv
b) Primjer zadatka popunjavanja reenice:
Sunce izlazi na istoku, a zalazi na __________
1. zapadu
2. poetku noci
3. kraju dana
c) Primjer brojane serije u kojoj u produetku treba staviti broj kojem je tu
mjesto:
Koji broj treba staviti u produetku niza 2,3,5,8, 12,? To je broj____
d) Primjer zadatka verbalne analogije:
Uenik je za uitelja isto sto i bolesnik za
1. bolnicu
2. medicinsku sestru
3. lijenika
4. farmaceuta
U vezi s testovima inteligencije mnogi autori vaan smatraju je i jos jedan pojam -
intelektualni kvocijent ili kvocijent inteligencije. Radi se o parametru koji oznaava odnos
izmedu mentalne razvijenosti i starosti. Taj se parametar, kada je djeji uzrast u pitanju,
dobije po formuli
IQ = MA . 100
CA
pri emu IQ (intelligence quotient) oznaava kvocijent inteligencije, MA (mental age)
mentalni uzrast, a CA (chronological age) kronoloski uzrast. U izraunavanju kvocijenta
inteligencije se mentalni i kronoloski uzrast iskazuju u mjesecima. Pri tome je vano znati i
to da se mentalni uzrast izraunava temeljem rijesenih zadataka u testu inteligencije i skale
zrelosti koja ide uz takav test.
Ovakav nain izrauna kvocijenta inteligencije je, medutim, pogodan samo u
djejoj, po mnogima dobi do navrsene trinaeste godine ivota. Razlog je u uvjerenju da se
nakon toga mentalni uzrast razvija usporenije od kronoloskog ili dobnog. No, tom se
dimenzijom izraunavanja kvocijenta inteligencije ne kanimo i detaljnije baviti.
Za neke od autora, medutim, inteligenciju nije moguce opisati pomocu kvocijenta
inteligencije jer se ona ne svodi samo na opcu mentalnu sposobnost. Za Thurstona
(Terston), primjerice, u strukturi inteligencije sudjeluje ak sedam osnovnih mentalnih
sposobnosti (vidjeti o tome Ivic, Milinkovic, Rosandic, Smiljanic, 1976., str. 32-33). To,
drugim rijeima, znai i da je inteligenciju moguce potpuno opisati samo ako se koristi svih
tih sedam osnovnih ili primarnih sposobnosti, a nikako ne i jedino kvocijent inteligencije.
5.1.2.1.2. T'1+7;/ -/4*71+/
Za razliku od testova mogucnosti, koji su poznati i kao testovi u uem smislu rijei,
ostali testovi ili testovi linosti su poznati i kao testovi u sirem smislu. Ovom vrstom testova
se ispituju sloenije osobine - stavovi, interesi, karakter, temperament, voljne osobine,
emotivna svojstva itd. No, svi oni su testovi samo uvjetno. Naime, testovi linosti nisu
sastavljeni od zadataka koje ispitanik treba rjesavati. Naprotiv, smisao pitanja u ovim
testovima je da se na njih sto iskrenije odgovori.
100
U testove linosti je moguce ubrojiti tri temeljne vrste testova: sociometrijski test,
inventar ili test linosti i projektivni test.
S7)/76'+(/&15/ +'1+7;/ su vrsta testova kojima se dolazi do podataka o
interpersonalnim odnosima u relativno malim grupama - podacima o medusobnim
naklonostima, odbojnostima i indiferentnosti njihovih lanova - a potom i statusu lanova u
tim grupama. U toj vrsti testova ispitanici, drugim rijeima, odgovaraju na pitanja s kim bi
od lanova svoje grupe eljeli (ili ne bi) sudjelovati u odredenoj aktivnosti, koga bi od njih
izabrali za suradnika, a koga ne. Pri tome, dakako, izbor moe biti samo pozitivan, a moe i
pozitivan i negativan, izbor koji, drugim rijeima, podrazumijeva navodenje i jednih i drugih
lanova grupe. Ponekad se, potom, izbor ograniava na samo jednu osobu, jednog lana
grupe, a nekada se ispitanicima daje mogucnost navodenja svih lanova grupe s kojima bi
nesto eljeli ili ne bi eljeli initi.
I*;'*+,( (+'1+) -/4*71+/ je vrsta upitnika za ispitivanje karaktera i temperamenta,
a sastavljen je od vise, naizgled beznaajnih pitanja o svakodnevnom ponasanju na koje se
odgovara s da ili ne ili, pak, po principu visestrukog izbora. Primjerice:
Ako u nekom drustvu, u kojem se nalazis, netko tvrdi nesto sto je
oigledno netono, ali nije od vece vanosti, ti obino postupas na
slijedeci nain (zaokrui broj ispred odgovarajuceg odgovora)
1. Uljudno ga, ali odluno, ispravljas, dokazujuci mu da nije u pravu.
2. Pustis druge da ga isprave, ali ako to nitko ne uini - ispravljas ga
ti, na uljudan nain i s potrebnim dokazima.
3. Ne poduzimas nista, ali mu izrazom lica dajes na znanje da se s
njim ne slaes.
4. Uopce ne reagiras, ali samo zato jer se ne radi o vanom pitanju.
5. Ne bi reagirao ni da se radi o vanom pitanju, jer se ustruavas
polemizirati, neprijatno ti je pred drugima se s nekim raspravljati
(preuzeto od, Bakovljev, 1997., 123.).
P(7&'5+/;*/ +'1+7;/ se koriste s ciljem da se upoznaju ona svojstva i procesi koje
testirane osobe skrivaju ili ih, pak, nisu ni svjesne. No, podaci koji se njima stjeu su
nepouzdani. Stoga ih se moe koristiti samo kao dopunu drugih, pouzdanijih podataka. Vise
je vrsta ovih testova. Najpoznatije medu njima su dvije - Rohrschachove mrlje od mastila i
slike tematske apercepcije.
Ova vrsta testova se, dakako, mada ne i iskljuivo, najvise koristi u radu s onima
kod kojih treba otkriti i otkloniti uzroke odstupanja od normalna ponasanja. No, zbog
njihova karaktera mogu ih primjenjivati samo istraivai koji, pored opcih znanja, raspolau
i specifinim tipom strunosti jer je jedino u tom sluaju moguce oekivati i koliko toliko
pouzdanije tumaenje rezultata dobivenih testom.
5.1.3. S5,-/(,*&'
5.1.3.1. P7&,6 15,-/(,*&,
Skaliranje je - uz prikupljanje podataka pomocu anketnog upitnika i testiranje -
takoder jedan od triju oblika prikupljanja podataka tehnikom ispitivanja.
Koristenjem razliitih skala, kao instrumenata kojima se ovaj postupak, odnosno
tehnika koristi, skaliranjem se procjenjuju stupnjevi izraenosti onih svojstava koje
je tesko, pa i nemoguce, kvantificirati. Pogodno je, primjerice, za prouavanje
stavova, interesa, kvalitete odredenih proizvoda i slino. Podaci o prouavanim
pojavama se, pri tome, prikupljaju putem posrednoga mjerenja - rangiranjem i
kategoriziranjem.
Ako je, naime, broj osoba, stvari ili pojava koje se procjenjuju manji - do dvadeset
- procjenjivanje se, pod uvjetom da ih procjenjiva dobro poznaje, vrsi rangiranjem,
svrstavanjem u rang-listu, odnosno skalu rangova od najboljeg do najlosijeg. Kako
bi rangiranje, odnosno procjena, bilo pouzdanije, realnije, preporua se, kad je god
101
to moguce, da rangiranje vrsi vise procjenjivaa istodobno, nezavisno jedan od
drugog.
Ukoliko se, pak, broj osoba, stvari ili pojava koje se procjenjuju, krece u rasponu od
dvadeset do trideset, postupak rangiranja se dijelom uslonjava. U tom je sluaju
moguce primijeniti jednu od dviju procedura. Moguce je prvo izdvojiti ekstreme, po
dvije do tri osobe, stvari ili pojave kod kojih je procijenjena osobina najvise,
odnosno najmanje izraena, podom preostale osobe, stvari ili pojave rangirati po
vec opisanoj proceduri, i na koncu dobivenu rang listu dopuniti i izdvojenim
ekstremima. Moguce je, medutim, postupiti i na nesto drugaiji nain - da se osobe,
stvari ili pojave koje se rangira prvo rasporedi u tri grupe - jednu u kojoj je
procjenjivana osobina najvise, drugu u kojoj je ona najmanje izraena, te trecu u
kojoj su svi ostali sluajevi. Rangiranje se, potom, obavi u svakoj od izdvojenih
grupa, a u konanici se dobivene rang-liste spoje u jednu.
Ako je, pak, broj procjenjivanih osoba, stvari ili pojava koje se procjenjuju, veci od
trideset, umjesto rangiranja je uputnije koristiti drugi tip posrednoga mjerenja -
svrstavanje u veci broj - najesce tri do pet - kategorija, takozvano kategoriziranje.
I u ovom se sluaju - kao i kod rangiranja - i s ciljem da bude realnije, preporua
da kategoriziranje istodobno, i nezavisno jedan od drugog, vrsi vise procjenjivaa.
5.1.3.2. V(1+' 15,-,
Za potrebe kategoriziranja se, kao instrumenti na koje se ono oslanja, koriste skale.
Najesce upotrebljavane su, doduse, tri vrste tih skala - deskriptivne, grafike i
numerike.
a) D'15(/2+/;*' ili verbalne su skale, kod kojih se rijeima opisuju razliiti stupnjevi
procijenjenog svojstva, izborom izmedu kojih procjenjiva odabire onaj koji, po
njegovu sudu, najbolje odgovara odredenoj osobi, stvari ili pojavi koje se
procjenjuje. Pretpostavimo, primjerice, da je, kao svojstvo koje se procjenjuje, u
pitanju odnos sefa marketinske slube prema sugestijama suradnika u utvrdivanju
marketinske strategije na tristu odredenih proizvoda. Kao primjer moe posluiti
deskriptivna skala kojom se ispituje misljenje zaposlenika u marketinskoj slubi o
jednoj od osobina voditelja te slube.
Ako se nase misljenje razlikuje od misljenje voditelja marketinske
slube u izboru marketinske strategije za odredenu vrstu proizvoda, a mi
ga, i pored toga, pred voditeljem elimo iznijeti, voditelj marketinske
slube
ohrabruje iznosenje drugaijih misljenja
prima drugaija misljenja sa zanimanjem
hladno prima drugaija misljenja
prima drugaija misljenja s negodovanjem
zabranjuje nam da iznosimo drugaija misljenja

Izborom jedne od ponudenih osobina, i njihovim zbrajanjem dobije se i slika
misljenja ispitanika, u ovom sluaju zaposlenika u marketinskoj slubi tvrtke, o
tome koja je dominantna osobina ili svojstvo njihova pretpostavljenog.
Jedna od varijanti ove, dakle deskriptivne, skale moe biti i tzv. kontrolna lista, koja
se koristi za procjenu kvalitete proizvoda, a koja je sastavljena od niza
karakteristika. Na procjenjivau je da u odnosu na svaku od njih procijeni posjeduje
li je procjenjivani proizvod ili ne.
Posebnu vrstu deskriptivnih skala, potom, ine i skale stavova, pomocu kojih se
procjenjuju stavovi i misljenja ispitanika o pojavama, zbivanjima, shvacanjima, i to
na nain da se o pojavi, o kojoj se stavovi ele ispitati, napravi skala od vise
razliitih tvrdnji, a ispitanicima se prepusti izbor izmedu ponudenih tvrdnji. Medu
skalama stavova i misljenja se, kao najpoznatije, izdvajaju posebno dvije - skala
Likertova tipa i skala Thurstonova tipa.
102
Skala Likertova tipa se temelji na pet intenziteta u vezi s odredenom tvrdnjom, pri
emu ispitanik stupanj svoga slaganja s navedenom tvrdnjom iskazuje
zaokruivanjem jednog od ponudenih intenziteta. Ti se intenziteti iskazuju
odgovorima tipa: potpuno se slaem, uglavnom se slaem, niti se slaem niti
se ne slaem, uglavnom se ne slaem i uopce se ne slaem, ili njima slinima.
Upotrijebimo i ovdje, sada doduse preformulirano, prethodno pitanje.
Ako se nase misljenje razlikuje od misljenje voditelja marketinske
slube u izboru marketinske strategije za odredenu vrstu proizvoda, a mi
ga, i pored toga, pred voditeljem elimo iznijeti, voditelj marketinske
slube ohrabruje iznosenje drugaijih misljenja
potpuno se slaem,
uglavnom se slaem,
niti se slaem niti se ne slaem,
uglavnom se ne slaem
uopce se ne slaem
Buduci je skala Likertova tipa, u pravilu, sastavljena od 15 do 20 tvrdnji, za svakog
se ispitanika, nakon sto zaokruivanjem jednog od ponudenih intenziteta iskae
svoje slaganja sa svakom od navedenih tvrdnji, zbrajaju brojevi odgovora koje je o
pojedinim tvrdnjama dao. Tom se radnjom, prema tome, dobiju dva niza podataka.
Za svakog se ispitanika, naime, raspolae s odgovorom na svaku pojedinanu
tvrdnju, a istodobno i zbroj za odgovore na sve, u skalu ukljuene tvrdnje.
Posjedovanjem i jednog i drugog, opet, moguce je izraunati i korelaciju izmedu
odgovora na svaku pojedinanu tvrdnju i ukupnoga rezultata koji se dobije
zbrajanjem svih odgovora. Tvrdnje, za koje se ispostavi da nisu u korelaciji s
ukupnim rezultatom, se odbacuju jer je za pretpostaviti da ukupan zbroj, dakle sve
tvrdnje zajedno, bolje mjere odredeni stav nego samo jedna od njih.
Za mjerenje stavova i misljenja koristi se i skala Thurstonova tipa. Za razliku od
skale Likertova tipa, koja koristi pet intenziteta slaganja s odredenom tvrdnjom,
skala Thurstonova tipa koristi vise, obino jedanaest stupnjeva slaganja. Tako
uredeni stupnjevi slaganja se primjenjuju na relativno veliki broj jednostavnih
sudova ili izreka, koje mogu biti indikator stava i misljenja u vezi s onim za sto se
hoce napraviti skala. O tako konstruiranoj masi jednostavnih sudova ili izreka se,
koristenjem jedanaest intenziteta slaganja sa svakom od njih, izjasnjava veca grupa
ocjenjivaa, zaokruujuci brojeve intenziteta od jedan do jedanaest kod svake od
njih. Pri tome, redni broj jedan kod skale intenziteta slaganja indikator je
najpozitivnijeg, a redni broj jedanaest najnegativnijeg stava u vezi s odredenom
tvrdnjom. Redni broj sest, u takvoj skali stupnjeva intenziteta, oznaava stav koji je
u odnosu na odnosnu tvrdnju neutralan. Takvim sistemom vrednovanja se, potom,
iz mase jednostavnih sudova ili izreka izdvajaju one u vezi s kojima je suglasnost,
iskazana uestaloscu pojedinih stupnjeva intenziteta od krajnje pozitivnog do krajnje
negativnog, najveca. Ostali se sudovi ili izreke odbacuju. Ako je broj stupnjeva
slaganja s odredenim sudom ili izrekom jedanaest, iz mase tretiranih sudova ili
izreka ce se, radi konstrukcije skale, biti izdvojeno takoder njih jedanaest. Tako
konstruirana skala se, na koncu, uvrstava u upitnik.
b) G(,:/45' skale su, za mnoge, i najpopularnije. Bitna im je znaajka da se svaki
sud, o svojstvu kojeg se procjenjuje, obiljeava odredenom tokom na grafikoj
liniji, pri emu svaka toka oznaava i odredeni stupanj intenziteta onoga sto se
procjenjuje. Dvije su osnovne vrste tih grafikih linija - vertikalne i horizontalne.
Iako se u nekim sluajevima vertikalnim linijama moe dobiti vjernija slika pracene
pojave ili nekog njezina svojstva, horizontalne skale se esce koriste. No, i medu
njima ima razlika. Slijedeci primjer to na najzorniji nain i pokazuje:
A B C

103
Potpuno se Uopce se
slaem ne slaem
Ili:
A B C
Potpuno se Niti se slaem Uopce se
slaem niti se ne slaem ne slaem
Ili:
A B C
Potpuno se Uglavnom Niti se slaem Uglavnom se Uopce se
slaem se slaem niti se ne slaem ne slaem ne slaem
U prvoj su skali, oito je, date samo ekstremne vrijednosti, a nanosenjem toke u
rasponu izmedu njih ispitanik definira i svoj odnos prema odredenom sudu, stavu ili
misljenju. U konkretnom sluaju toka A znai puno blii odnos potpunom slaganju -
iako se o potpunom slaganju jos uvijek ne radi - nego potpunom neslaganju. U
drugoj skali, medutim, unijeta je neka vrsta prosjeka, srednja vrijednost - u
konkretnom sluaju stupanj slaganja definiran kao Niti se slaem, niti se ne
slaem - koja omogucuje nesto precizniji uvid o stvarnom odnosu ispitanika prema
sudu koji se procjenjuje. Jasno je, u konkretnom sluaju. U trecem sluaju,
medutim, stupanj preciznosti u odredenju stvarnog odnosa ispitanika prema sudu
koji se procjenjuje je dodatno povecan. On, naime, omogucuje da se, u konkretnom
sluaju, vidi da se slaganje, iskazano tokom A, nalazi u rasponu izmedu vrijednosti
uglavnom se slaem i niti se slaem, niti se ne slaem, ali i relativno znaajno
blie sudu uglavnom se slaem. U konkretnom sluaju je, medutim, kod
najrazudenije skale, iskoristeno pet stupnjeva iskazivanja odnosa prema odredenom
sudu, stavu, misljenju. No, broj tih stupnjeva moe biti i veci, ali u pravilu se ne
koristi vise od sedam njih. Ovakva, dakle sloenija gradacija grafike skale puno
slikovitije pokazuje stvarni odnos ispitanika prema sudu koji se procjenjuje od
odnosa koji se moe vidjeti u deskriptivnoj skali. U konkretnom sluaju, primjerice,
ona omogucuje uvid samo u svrstavanje uz jedan od navedenih pet sudova.
Grafika skala, pak, omogucuje i uvid kojem od ostalih navedenih sudova
svrstavanje tendira. No, u toj injenici je istodobno i problem jer ona, po logici
stvari, oteava sredivanje podataka za obradu, njihovo grupiranje, kategoriziranje.
c) Naziv *>6'(/45' 15,-' upucuje i na osnovnu znaajku ove vrste skala. Radi se,
naime, o tome da se uz verbalni, opisni odnos prema sudu koji se procjenjuje stavlja
i odreden redni broj - obino u rasponu 1-7 jer se u tom rasponu krecu i verbalne,
opisne kvalifikacije odnosa prema sudu kojeg se procjenjuje - koji je numeriki izraz
toga odnosa. U sluaju kojeg koristimo kao primjer to bi izgledalo na slijedeci nain:
1. potpuno se slaem,
2. uglavnom se slaem,
3. niti se slaem niti se ne slaem,
4. uglavnom se ne slaem
5. uopce se ne slaem
U konkretnom sluaju, dakle, broj 1 je simbol za potpuno slaganje, a broj 5 za
potpuno neslaganje sa sudom kojeg se procjenjuje. Ovaj primjer, medutim, upucuje
i na jos jedan zakljuak. Numerike skale se esto pridodaju deskriptivnim, pa i
grafikim skalama.
104
Pored triju navedenih, medutim, postoje i jos neke, vise-manje specifine skale.
Dvjema izmedu njih - skalogramu i skali proizvoda - posvecujemo i dodatnu
pozornost.
S5,-79(,6 je vrsta skale u kojoj je svaka kategorija kumulativna, sadri u sebi sve
prethodne, u odnosu na nju nie kategorije. O emu se radi govori i slijedeci primjer
(vidjeti, Muic, 1982., str. 350):
S uenikom koji je _______________ nacionalnosti
a) Prihvatio bih da ide u istu skolu sa mnom.
b) Prihvatio bih da bude u skoli u istom odjeljenju sa mnom.
c) Prihvatio bih da zajedno sa mnom ui.
d) Prihvatio bih da ivi u istom stanu.
e) Prihvatio bih da bude lan moje obitelji.
U prethodnom se primjeru na najzorniji nain moe vidjeti sto znai kumulativnost
kategorija u skalogramu. Podrazumijeva se, primjerice, da, onaj tko prihvaca da s
njim u istom odjeljenju bude uenik testirane nacionalnosti, prihvaca i da ide u istu
skolu s njim. Ali, podrazumijeva se, isto tako, da, onaj tko prihvaca da mu uenik
testirane nacionalnosti bude lan obitelji, prihvaca i sve prethodne kategorije
konkretnog skalograma - da uenik testirane nacionalnosti ivi s njim u istom stanu,
da s njim zajedno ui, da u skoli bude s njim u istom odjeljenju i, na koncu, da s
njim ide u istu skolu.
S5,-> 2(7/?;7., G>127('B/;,*&' 1 >?7()/6, *, 15,-/H karakterizira da
procjenjiva, koristeci ovu skalu, usporeduje ono sto procjenjuje s uzorcima koji se
nalaze na skali. Cilj usporedbe je ustanovljavanje je li, ono sto se usporeduje, bolje
ili losije, ljepse ili runije - i tome slino - od svakog pojedinog uzoraka koji se
nalazi na skali proizvoda. Kada, koristeci tu metodu, utvrdi koje mjesto na skali
proizvoda pripada onom sto procjenjuje, procjenjiva ce procjenjivani proizvod i
oznaiti odgovarajucom vrijednoscu konkretne skale.
5.1.3.3. N'.71+,)/ 15,-/(,*&,
Uz sve dobre strane kod skaliranja se mogu identificirati i odredeni nedostaci,
odnosno pogreske u koje je moguce upasti. Neke od njih zasluuju i posebnu
panju.
P79('35, )'*+(,-*' +'*.'*)/&' je vezana za ustruavanje od ekstremnih -
najvisih i najniih - stupnjeva na skali. O emu se, dakle, radi? Oni, naime, koji
sudjeluju u vrednovanju odredenog svojstva - bilo da se ono odnosi na ovjeka,
grupu, stvari i proizvode ili nesto drugo - ustruavaju se da procjenjivano svojstvo
oznae najvisom ili najniom vrijednoscu na ponudenoj skali. Vratimo se, primjera
radi, skali koju smo vec koristili, a koja sadri pet stupnjeva - potpuno se slaem,
uglavnom se slaem, niti se slaem niti se ne slaem, uglavnom se ne
slaem, uopce se ne slaem. Slaganje se u konkretnom sluaju koncentrira oko
tri srednje vrijednosti na skali, dok istodobno postoji svojevrsno ustezanje onih koji
u procjenjivanju sudjeluju da zaokrue vrijednosti potpuno se slaem i potpuno
se ne slaem. Ovoj vrsti pogreske skloni su, prije svega, oni koje odlikuje
neodlunost kao karakterna crta.
P79('35' '51+('6*79, 1>., su svojstvene osobama koje su sklone ocjenama
tipa crno-bijelo. Sukladno tome, i pogreska je potpuno suprotna prethodnoj,
pogreski centralne tendencije. Manifestira se, drugim rijeima, u sklonosti onih, koji
procjenjivano svojstvo vrednuju, da se opredjeljuju za ekstremne vrijednosti - u
nasem sluaju oni ce birati upravo vrijednosti potpuno se slaem i potpuno se ne
slaem.
P79('35, A,-7D':'5+ takoder nije rijetka. Radi se, zapravo, o pogresci koja je
posljedica precjenjivanja ili podcjenjivanja procjenjivanog svojstva odredene osobe,
grupe, stvari, proizvoda ili pojava. Razlog se tome nalazi u impresioniranosti nekim
od njihovih svojstava, utjecaju prvog dojma na kasnije procjene svojstva koje se
105
procjenjuje. Drugim rijeima, na procjenu konkretnog svojstva moe utjecati
procjenjivaevo misljenje o nekom drugom svojstvu osobe, stvari ili pojave koji se
procjenjuju, njegov opci dojam o njima, ali i njegov prvi dojam o tim osobama,
stvarima i pojavama.
S+'('7+/2/&, je, kao pogreska, takoder moguca. Oni koji procjenjuju svojstva osoba
skloni su ponekada tim osobama pripisati svojstva koja karakteriziraju i grupu kojoj
te osobe pripadaju. Pri tome se, medutim, zanemaruje da izmedu pojedinaca unutar
svake grupe, pa prema tome i pojedinca i grupe kojoj pripada, postoje znaajne
razlike.
5.2. PROMATRANJE
5.2.1. P7&,6 2(76,+(,*&,
Promatranje je jedna od najstarijih, ali istodobno i osnovna tehnika prikupljanja
podataka svake znanosti. Jos konkretnije, svaka znanost, na izvjestan nain, promatranjem
zapoinje, ali promatranjem i zavrsava. Stoga ne udi da je promatranje i danas
najrasirenija tehnika prikupljanja podataka.
to je osnova, odnosno temelj promatranja? Najjednostavnije kazano, percepcija,
ulno opaanje u kojem procesi u stvarnom svijetu djeluju na nasa ula - oi i usi prije
svega. Promatranje je, drugim rijeima, prikupljanje podataka o pojavama putem njihova
neposrednog ulnog opaanja, obavjescivanje o pojavama u njihovom spontanom
dogadanju, tijeku.
Pode li se od takvog odredenja, nemoguce je zaobici i sud kako promatranje ima i
svojih prednosti, ali i svojih ogranienja i poteskoca. Prednosti su mu vezane za nekoliko
njegovih osobina. Predmet prouavanja, prije svega, a to su iskustvene pojave, ulazi
neposredno u ulni opaaj onoga tko taj predmet izuava. Promatranjem se, potom, bitno
prosiruje i istraivaevo primarno iskustvo. Na koncu, promatranje olaksava istraivau i
stjecanje osjecaja cjeline izuavanog predmeta. Jos konkretnije, jedino se trajnim
promatranjem moe dobiti cjelovita predstava o prirodnim, materijalnim, drustvenim,
organizacijskim i kulturnim uvjetima ivota neke zajednice ili organizacije i o ljudima koji u
njima ive i djeluju.
Zaboraviti, medutim, ni na ogranienja i poteskoce u promatranju drustvenih
pojava. Apostrofiramo najznaajnije medu njima.
a) Promatrati se mogu samo aktualni drustveni sadraji, ono sto postoji ili se
dogada u vrijeme promatranja. To, drugim rijeima, znai da ono nema potrebnu
vremensku dubinu koja je potrebna u prouavanju drustvenih pojava, buduci se one
potpunije mogu razumjeti samo kao rezultat duljeg ili kraceg razvojnog procesa.
b) Prikladno je jedino za prikupljanje podataka o vanjskim manifestacijama
drustvenog ivota, ali ne i o unutarnjoj, psihikoj dimenziji ovjekova i pojedinanog i
drustvenog ivota.
c) Prikupljanje podataka pomocu njega je, ako su predmet promatranja dui
razvojni procesi, vrlo skupo.
d) Promatranje ponasanja, u vezi s kojima se informacije smatraju povjerljivima ili
privatnima, moguce je samo pod uvjetom da se za njega dobije pristanak.
Ipak, nije svako promatranje i znanstveno korisno. Drugim rijeima, treba praviti
razliku izmedu obinog i znanstvenog promatranja.
O8/4*7 2(76,+(,*&' nije planirano. Ono je, dakle, sluajno, nesistematizirano i
rezultati mu mogu biti netoni. Ono, prema tome, ne moe biti siguran temelj za
znanstveno zakljuivanje.
Z*,*1+;'*7 2(76,+(,*&' je, naprotiv, sistematsko i planski vodeno. U njegovom
se planiranju utvrduje i predmet promatranja, ali i vrijeme i prostor u kojemu ce ono biti
izvrseno, te instrumentarij koji ce, pri tome, biti primijenjen. Takvim pristupom se
omogucuje dobivanje kompleksne slike pojave ili procesa koji se promatra, njihove
evolucijske transformacije, pozitivni i negativni utjecaji, koje na promatranu pojavu ili
proces imaju pojedini initelji ili uvjeti itd. U analizi koja slijedi ono ce, stoga, i biti predmet
naseg interesa.
106
5.2.2. V(1+' ?*,*1+;'*79 2(76,+(,*&,
5.2.2.1. I?;7(/ 1>;('6'*/A 78-/5, 2(76,+(,*&,
Kao tehnika prikupljanja podataka u podruju drustvenih znanosti, sociologije prije
svega, promatranje je utemeljeno na odredenim izvorima. Na tri od njih, medutim, postoji
potreba i zadrati se.
Prvi je vezan uz '+*7-79/&> / 17)/&,-*> ,*+(727-79/&>, odnosno kompleksno
antropolosko promatranje nerazvijenih drustava koje su promovirali Malinovski i njegova
funkcionalistika skola u Engleskoj, Boasova (Boa) skola u SAD i jos neki. Na to, medutim,
da se promatranje razvije u ovim disciplinama utjecalo je nekoliko detalja:
one izuavaju drustva koja su obino nepismena, a to, onda, znai i da u vezi s
njima nema pouzdanih pisanih izvora,
takva su drustva u pravilu veoma segmentirana, sastavljena od autarkinih
lokalnih zajednica
istraiva takvih drustava u pravilu ne poznaje jezik kojim ona komuniciraju.
Drugi izvor suvremenih znanstvenih promatranja u podruju drustvenih znanosti,
sociologije posebice, je vezan uz :/-,*+(7215' .&'-,+*71+/ i Cikaku kolu. Ta vrsta
promatranja, doduse, nije tako sloena kao ono unutar socijalne antropologije i etnologije.
S druge strane, usmjereno je na promatranje specifinih drustvenih pojava - obino onih
koje odstupaju od drustvenih normi, koje, u pravilu, spadaju u podruje drustvene
patologije. Prevedeno na jezik pragme, predmet promatranja su skitnice, beskucnici,
alkoholiari, prostitucija itd., zbog ega je i samo promatranje pod jakim utjecajem
medicinske klinike prakse.
Na koncu, kao jedan od izvora suvremenih znanstvenih promatranja, onih u
podruju sociologije prije svega, moe se markirati i podruje 17)/&,-*' 21/A7-79/&',
tonije razvoj empirijskih pravaca u njoj pod utjecajem prirodnih znanosti
5.2.2.2. V(1+' 2(76,+(,*&,
I znanstveno promatranje, koje i jeste predmet interesa u ovoj analizi, moe se
pojaviti u razliitim oblicima. Moguca je, sukladno tome, i njegova podjela prema razliitim
kriterijima. Primjerice, prema nainu promatranja znanstveno se promatranje moe pojaviti
kao izravno (neposredno) i neizravno (posredno). Obzirom na broj promatranih sluajeva
moguce je, potom, razlikovati pojedinano od masovnog promatranja. Prema poloaju
sudionika u promatranju, promatranje moe biti sa sudjelovanjem i bez sudjelovanja. Na
koncu, prema vrstama razlikuje se jednokratno od etapnog promatranja.
A. P7.&'-, *, /?(,;*7 / *'/?(,;*7 G*'271('.*7 / 271('.*7H 2(76,+(,*&' se
temelji na tome sudjeluje li promatra osobno u promatranju drustvenih pojava ili se podaci
o istraivanim pojavama dobivaju neposrednim opaanjem nekih drugih pojava, koje su u
vezi s istraivanom pojavom.
S izravnim, neposrednim ili promatranjem u uem smislu, imamo posla u sluaju
da se promatra pojavu koja se dogada u momentu promatranja, i to onakva kakva ona u
prirodi ili drustvu, bez vanjskog utjecaja, stvarno egzistira. Dakako, i unutar ove vrste
promatranja mogu se identificirati razlike te se, sukladno tome, moe govoriti o dvije vrsta
i ovog, dakle izravnog promatranja - slobodnom i planskom. Slobodno izravno promatranje
je takoder i plansko i sistematino, ali je rastereceno krute sheme i prilagodeno je
opservaciji objekta promatranja. Drugim rijeima, njegov je plan dosta elastian i
promjenjiv. Stoga se ovaj tip promatranja primjenjuje uglavnom u prvim fazama
empirijskog uvida u odredenu pojavu ili proces. Za plansko slobodno promatranje je, sto
mu i sam naziv sugerira, indikativan tono utvrdeni plan promatranja. Ono, prema tome,
gubi gipkost i elastinost koja karakterizira slobodno promatranje. Ali, zato je, zahvaljujuci
njemu, moguc dublji uvid u odredene podatke koji pojavu ili procese, koje promatramo,
karakteriziraju.
107
Za neizravno, posredno, a neki ga zovu i promatranje u sirem smislu rijei,
karakteristino je da se ne promatra izravno pojava ili drustveni proces koji su predmet
znanstvenog istraivanja. Naprotiv, promatra se jedna ili vise drugih pojava koje su s njom
u vezi, a temeljem njihova promatranja dolazimo do sudova i o pojavi koja je predmet
istraivanja. Osim toga, promatranje ne mora vrsiti promatra sam nego, naprotiv, to ini
preko nekog drugog promatraa. Sukladno navedenom odredenju, neizravno promatranje
se moe pojaviti takoder u dva oblika. Moguce je, prije svega, kao promatranje preko
informatora, a to, drugim rijeima, znai da promatrau kao neka vrsta oka slui sudionik-
informator. Ovaj tip promatranja primijeniti ce se uvijek kada jezino-kulturne barijere
promatrau onemogucuju da promatranje obavi sam, bez posrednika, bez informatora koji
komunikacijskih problema nema. Ali, neizravno promatranje je moguce i kao promatranje
dokumenata, u kojem kao izvor promatranja slue obavjestenja sasvim druge vrste, ona
koja nisu ciljano namijenjena promatranju. Takvi su, primjerice, dokumenti ili registri koji
sadre podatke o odredenim drustvenim pojavama, ili statistiki podaci o tim pojavama koji
se, recimo, prikupe analizom sadraja kao zasebnom znanstvenom tehnikom.
%. R,?-/57;,*&' /?6'B> 27&'./*,4*79 / 6,17;*79 2(76,+(,*&, se temelji na
tome koliki je broj promatranih sluajeva.
Pojedinano promatranje karakterizira injenica da su objekt promatranja
pojedinani sluajevi ili ista vrsta pojava. U znanosti je takvo prikupljanje podataka o
sluaju poznato kao Case study, odnosno studija sluaja. Pored studije pojedinanog
sluaja u ovu grupu promatranja se svrstava i tzv. kliniko promatranje, koje je razvijeno u
medicini i psihijatriji, a koje za cilj ima ostvarivanje izravnog kontakta izmedu promatraa i
pacijenta, ali i dobivanje cjelovitih podataka o bolesti i njezinim uzrocima.
Masovno promatranje, medutim, istovremeno obuhvaca veci broj sluajeva ili
grupa istih ili razliitih pojava. Na taj se nain, zapravo, vrsi neka vrsta registriranja
injenica na vecem broju ili itavoj masi sluajeva, sto, opet, omogucuje upoznavanje
sastava pojave ili ak i njezin razvoj.
". P7.&'-, *, 2(76,+(,*&' 1, 1>.&'-7;,*&'6 / 8'? 1>.&'-7;,*&,. O kojem od
njih se radi ovisi o tome ukljuuje li se istraiva u ivot i rad odredene sredine ili tu
sredinu i pojave u njoj promatra bez aktivnog sudjelovanja u njezinu ivotu i radu.
Promatranje bez sudjelovanja karakterizira da se promatra ne pridruuje grupi
koju promatra. Ono je, prema tome, veoma blisko drugim vrstama, prije svega izravnom
(neposrednom) promatranju.
Kod promatranje sa sudjelovanjem, naprotiv, stanje je potpuno drugaije.
Promatra je, naime, sudionik pojave o kojoj pribavlja podatke, komunicira sa subjektom
promatranja. Jos konkretnije, promatra se pridruuje grupi koju promatra, postaje
sudionik njezinih radnji, a time, u izvjesnoj mjeri, i u mogucnosti da utjee na njezino
ponasanje ili procese koji se u njoj dogadaju i koje prati. Dva su razloga zasto primjena ove
vrste promatranja ima svoju svrhu. Jedan je u injenici da su mnoge grupe - sekte, elite,
tajna udruenja itd., - zatvorene i nedostupne promatranju, zbog ega je postajanje
njihovim sastavnim dijelom i prividni gubitak vlastitog identiteta, i nuni uvjet da se o njima
dobiju potrebni podaci. Drugi je isto tako uvjerljiv. Ovakvim se integriranjem u grupu,
zapravo, savladava onaj neugodni odnos postvarenog objekta s jedne, te vladavine
subjekta s druge strane. Umjesto toga, medu njima se uspostavlja odnos iste vanosti. I
jedni i drugi se podjednako osjecaju subjektom.
Dakako, i unutar ovog, promatranja sa sudjelovanjem moe se govoriti o vise
tipova njegove manifestacije. Gold i ;unker, primjerice, razlikuju etiri tipa promatranja sa
sudjelovanjem:
1. Promatranje u kojem se znanstvenik pojavljuje kao potpuni sudionik. Radi se,
drugim rijeima, o promatranju u kojoj promatrana sredina uopce ne zna da u njoj ivi
znanstvenik sa zadatkom da je promatra, da je promatraeva stvarna funkcija namjerno
prikrivena. Dva su moguca oblika ovog tipa promatranja: eksperimentalno ispitivanje, iji
je smisao da se eksperiment ne primijeti, te tzv. prodiranje u zatvorene drutvene grupe -
medu kriminalce, vjerske sekte itd.
108
2. Promatranje u kojem se znanstvenik pojavljuje kao sudionik promatra.
Promatra, dakle, u ispitivanoj sredini preuzima neku od uloga koja u njoj normalno
postoji, sredina, potom, zna da on, pored uloge koju vrsi, ima i odredenu promatraku
zadacu. No, izmedu dviju njegovih uloga dominantna je, ipak, praktina, ona koju je
promatra preuzeo dolaskom u grupu.
3. Promatranje u kojem se znanstvenik pojavljuje kao promatra sudionik. Uloga
promatraa i ovdje je, kao u prethodnom sluaju, poznata ispitivanoj sredini. No, postoje i
razlike. Razlika u odnosu na prethodno je u injenici da promatra nije vezan ni uz jednu
stalnu ulogu, da ih moe mijenjati kako bi, obavljajuci ih, imao mogucnost sto lakseg i sto
potpunijeg promatranja. Takva, relativno slobodnija pozicija mu, medutim, stvara i vise
mogucnosti da svoja zapaanja biljei jer nije zauzet zadacima trajno preuzete obveze. Na
koncu, u odnosu izmedu praktine i uloge promatraa ova druga, uloga promatraa, je
dominantnija. Stoga se i smatra kako je ovaj tip promatranja najelastiniji i najprikladniji.
4. Promatranje u kojem se znanstvenik pojavljuje kao isti promatra. Veza koju
ima s ispitivanom sredinom je krajnje povrsna, a promatra ima ulogu jednog od
mnogobrojnih gledatelja. Iako je pogodno za promatranje ponasanja koje je potpuno javno,
postavlja se pitanje moe li se ovaj tip promatranja uopce smatrati jednim od pojavnih
oblika promatranja sa sudjelovanjem.
Uvaavajuci Gold-Junkerovu klasifikaciju, postoji razlog da se ona dopuni i petim
tipom promatranja sa sudjelovanjem, onim u kojem promatra nastupa u ulozi istraivaa,
znanstvenog promatraa. Znanstvenik u njemu, dakle, ne preuzima nikakve druge
formalne uloge, on je samo znanstveni promatra i ta mu je uloga poznata promatranoj
sredini. Osim toga, tijekom boravka u njoj znanstvenik je, ako je boravak vremenski dulji,
u mogucnosti stvarati neformalne odnose s izvjesnim brojem pojedinaca i grupa sto mu,
opet, olaksava sudjelovanje u razliitim oblicima drustvenog ivota te sredine.
D. J'.*75(,+*7 / '+,2*7 2(76,+(,*&'. Za jednokratno promatranje je
karakteristino da se primjenjuje samo u jednom momentu, obino onom koji je kljuan za
odvijanje nekog procesa, koji je za taj proces krucijalan. Taj moment u odvijanju procesa
se, na izvjestan nain, fotografira, i na taj nain prati kako eventualne promjene u njemu
utjeu na dalje odvijanje procesa ili razvoj pojave. Za razliku od njega etapno promatranje
karakterizira injenica da se proces promatranja ukljuuje u razliitim sekvencama
odvijanja odredenog procesa ili razvoja pojave i to sa zadatkom da se uoe promjene u
duem vremenskom periodu, a ne samo u tono odredenom, krucijalnom momentu.
5.2.2.3. R',-/?/(,*&' 2(76,+(,*&,
Neovisno, o kojoj vrsti znanstvenog promatranja se radilo, da bi ono bilo valjano,
mora udovoljiti odredenim zahtjevima. Neophodno je, prije svega, da je predmet
promatranja dobro odabran i definiran, da je tono i krajnje jasno definiran cilj opaanja
jer, u protivnom, samo promatranje moe naici na masu problema, te da su sve radnje u
njemu planirane po unaprijed odredenom redu, tj. da se unaprijed zna mjesto promatranja,
sredstva koja ce biti koristena, nain registriranja dobivenih podataka, njihova daljnja
obrada itd. Promatranje, dakako, mora biti objektivno i nepristrano, njime treba zahvatiti
samo one pojave koje su predmet prouavanja, mora biti precizno i tome slino. Dakako,
da bi sve to bilo moguce neophodno je i da se imaju kvalificirani promatrai, ljudi koji imaju
potrebna teorijska znanja, ali i iskustvo u primjeni ove tehnike prikupljanja podataka.
No, u osiguravanju svih tih pretpostavki esti su problemi razliite vrste. Jedna od
tih vrsta problema je, primjerice, vezana i za 27+'357@' 57&' 7+'C,;,&> 271+/?,*&'
1/1+'6,+/4*71+/ 2(76,+(,*&,. Dvije vrste tih poteskoca zasluuju i posebnu panju:
I. Potekoe objektivnog tipa. U pitanju je, prije svega, poteskoca u vezi s
ogranienou opaajnog polja, a ta ogranienost je izravna posljedica tenje da se
promatranjem sto manje mijenja tok promatranih dogadaja. U pitanju je, potom, poteskoca
koja je u vezi s injenicom da je proces opaanja potpuno podreden spontanom ritmu
dogadaja. U pitanju su, na koncu, i potekoe koje su u vezi s vrlo razliitom pravilnou
raznih drutvenih pojava. to je, primjerice, neka drustvena pojava manje regularna tee
109
ju je unaprijed pripremiti za promatranje i na vrijeme se opredijeliti za metodu koja je
najoptimalnija. Ili, promatra ne moe ocijeniti gdje je najkorisnije da se u odredenom
momentu nade itd.
II. Potekoe znanstvene naravi. Promatranju, naime, nije dan znaaj kojeg ono
objektivno zasluuje. Klasifikacijski sustavi za razvrstavanje podataka, primjerice, nisu
dovoljno razradeni. Nije, potom, poklonjena dovoljna pozornost kretanju promatraa u
vremenu i drustvenom prostoru koji treba osigurati sistematinost podataka itd.
Inae, promatranje je kompleksan proces koji se sastoji od veceg broja radnji. To,
drugim rijeima, znai da je i za njegovo izvodenje potreban odredeni plan u kojem su te
radnje detaljno i razradene. U kontekstu ove analize pozornost je zadrana samo na
terenskom dijelu posla - pripremi za odlazak na teren, te biljeenju prikupljenih podataka.
A. P(/2('6, ?, 7.-,?,5 *, +'('*. Dobra priprema je i jedna od temeljnih
pretpostavki uspjesnog promatranja. Ona, dakako, obuhvaca veci broj radnji. Neke od njih
posebno apostrofiramo:
1. Koristenje razliitih posrednih izvora s ciljem da se dobiju informacije o sredini
u koju se dolazi. To, izmedu ostalog, podrazumijeva i:
upoznavanje proslosti, te opcih drustvenih i kulturnih obiljeja kraja u koji
se dolazi,
upoznavanje pozitivnih propisa u vezi s onim sto se eli promatrati,
prikupljanje znanstvene literature i statistikih podataka o sredini u koju se
dolazi, ali i lokalnoga tiska,
razgovor s onima koji poznaju mjesne prilike i ljude.
2. Odravanje dobrih odnosa s prouavanom sredinom. Istraiva treba,
primjerice, izbjegavati mogucnost pojave zategnutih odnosa s rukovodecom lokalnom
grupom. Uputno je, potom, i prakticiranje razgovora s pojedincima jer oni mogu dovesti do
medusobne bliskosti, pa i nekonvencionalnih poziva istraivau da navrati u goste. A to je,
onda, prilika da itav posao bude i daleko uspjesniji.
3. Osobnim odnosom i ponasanjem pokazivanje, i to u svakoj mogucoj prilici,
razumijevanja prema drustvenim normama dotine sredine. Pri tome, dakako, ne treba
glumiti i potpunu identifikaciju s tom sredinom jer to moe stvoriti nepovjerenje ljudi i
osjecaj da je istraiva neiskren i licemjer.
%. P(/5>2-&,*&' / 8/-&'C'*&' 27.,+,5, 2(76,+(,*&,. Prikupljanje podataka
mora biti tehniki sto raznolikije i zasnivati se na komplementarnoj upotrebi razliitih
postupaka. Pri tome se, dakako, preferiraju dua i kompleksnija promatranja zbog
prednosti koje imaju. Prednost im je, prije svega, da omogucuju razgovor s ispitanicima u
vise navrata sto omogucuje sistematinije i iscrpnije prikupljanje podataka. Prednost im je,
potom, i sira mogucnost neposredne kontrole dobivenih informacija. Istraiva, na koncu,
kroz dulje vrijeme prikuplja verbalne iskaze ljudi da bi ih kasnije, nakon sto je vidio
ispitanike i prilike u kojima ive, sam sredivao i analizirao.
Bitna je i tonost i preciznost u biljeenju prikupljenih podataka. Biljeenje
prikupljenih podataka, naime,
mora biti sistematino - da se, drugim rijeima, podaci sto prije zabiljee, da se
pri tome unese sto vise pojedinosti, te
da se, sto je moguce prije, i srede - klasificiraju koristenjem razliitih tipova
klasifikacije.
Na koncu, za prikupljanje i sredivanje podataka promatranja bitna je i tzv. osobna
jednadba promatraa, pojavnost koja se kod ankete manifestira kao anketarska pogreska.
Osobnom jednadbom promatraa se eli utvrditi veliina i vrsta iskrivljavanja opaajnih
podataka zbog razloga razliite vrste - zbog osobnih psihikih karakteristika promatraa,
njegova psihikog stanja u trenutku promatranja itd. Inae, osobna jednadba promatraa
ovisi u vecem broju elemenata. Najznaajniji medu njima su:
Brzina, preciznost i strukturne karakteristike opaaja, a on, u biti, ini jedinstvo
dvaju elemenata - ulnog osjeta i elemenata zakljuivanja na osnovu ranijeg iskustva.
Razliita sposobnost za psihiku koncentraciju u opaanju. Kod ljudi, primjerice,
koji su skloni ivciranju, panja znade jako oscilirati.
110
Individualne osobine pamenja, koje su bitne posebice ako se podaci ne mogu
neposredno biljeiti.
Trenutano psihiko raspoloenje, jer este promjene raspoloenja utjeu na
neujednaenost vrijednosti promatranja.
Drutvene karakteristike promatraa. Promatrai, naime, posjeduju razliitu
sposobnost uspostavljanja drustvenog kontakta s drugim osobama
Kako, postavlja se pitanje, otkloniti stetan utjecaj osobne jednadbe promatraa?
U funkciji toga, pored ostalog, moe biti i slijedecih nekoliko sugestija:
apostrofiranje vanosti istraivaeva samopromatranja i vodenja dnevnika rada
u kojem se biljee i svoja vlastita raspoloenja,
rad u grupama, te
prakticiranje da pojedina istraivanja u cjelini izvode neki drugi istraivai.
5.3. KLASI!IKA"IJA I MJERENJE
Klasifikacija i mjerenje su svojevrsno sredstvo za otkrivanje reda medu pojavama,
a istodobno i rezultat nastojanja da se otkriju neke dublje zakonitosti toga reda. U procesu
prikupljanja podataka i stvaranja iskustvene evidencije, jos konkretnije, izdvojiti se mogu
tri najznaajnije faze:
I. Prikupljanje izvornih informacija i stvaranje izvorne grade
II. Izdvajanje izvornih podataka iz izvorne grade. U toj su, dakle funkciji
izdvajanja, kao osnovna pojmovna i tehnika sredstva, upravo klasifikacija i mjerenje.
III. Stvaranje sintetikih oblika iskustvene evidencije na temelju relativno
homogenih i medusobno usporedivih podataka
5.3.1. K-,1/:/5,)/&,
Klasifikacija (lat. classis = razred) je u stvari, dosljedna i potpuna podjela opceg
pojma na posebne, koje taj pojam obuhvaca. Npr. opci pojam znanosti klasificira se na
pojedinane i univerzalne znanosti. Pojedinane se mogu dalje klasificirati na realne i
formalne. Realne se opet dalje dijele na prirodne i kulturne. Pojam znanosti dijeli se na
itav niz klasa, a sve opet dalje na 'podklase' (Petrovic, 1977., 49).
Iz navedenog je odredenja jasno kako je klasifikacija tehnika koja je prisutna u
svim znanstvenim disciplinama, ali ujedno i jedna od najstarijih znanstvenih tehnika uopce.
Svaka znanost, jos preciznije, poinje, vise ili manje razvijenom klasifikacijom. Promatranje
slinosti medu odredenim stvarima i pojavama i njihovo grupiranje po odredenim
kriterijima predstavljaju ujedno i prvi pokusaj da se, u naoko kaotinoj stvarnosti, s kojom
se susretao ljudski um, otkrije neka vrsta reda. Klasifikacija se, pri tome, sastojala u
svrstavanju tih razliitih stvari i pojava u drustvu i prirodi u grupe prema njihovoj slinosti,
po neemu sto im je zajedniko, po nekim zajednikim svojstvima i slino.
Dakako, taj posao razvrstavanja, klasificiranja, prolazio je razliite razvojne faze. U
svojim je zaecima on bio u funkciji praktinih ciljeva, u funkciji koristi koju je mogao imati
za ovjeka. Takvo je, primjerice, razvrstavanje na korisne i stetne biljke. No, te prve
klasifikacije su se esto zasnivale na povrsnim slinostima ispod kojih su, ne tako rijetko,
skrivane i veoma znaajne razlike. Dogadalo se, dakako, o obrnuto - da se, zahvaljujuci
povrsnim razlikama, od svrstavanja u iste rodove, klase ili podklase odustajalo iako su
ispod njih se znale naci i sustinske slinosti.
Kako se, medutim, znanost razvijala, objektivnijima i prirodnijima su postajale i
klasifikacije jer se, umjesto na praktinu korist za ovjeka, panja usmjeravala vise na bit,
prirodu stvari ili pojava.
Znanstvena klasifikacija, da bi bila utemeljena, mora slijediti i odredena *,4'-,.
Pet naela klasifikacije se, medutim, najesce i apostrofiraju (vidjeti esic, 1974., 89-90.):
1. Naelo odredenosti predmeta podjele. Opci pojam koji se dijeli, odnosno
klasificira, mora biti odreden, kako u pogledu svoga obujma, tako i u pogledu svoga
111
sadraja, tj. mora biti jasan i razgovijetan. Da bi, primjerice, klasificirali pojam obitelj,
moramo tono znati sto sve spada u taj pojam.
2. Naelo jedinstvenosti - sistematska podjela mora poivati na jednom te istom
naelu. Inae je ona i heteronomna i nejedinstvena. U podjeli stanovnistva, primjerice,
mora se slijediti naelo jedinstvenost - moe ga se dijeliti ili prema nacionalnoj pripadnosti,
ili prema vjerskoj pripadnosti ili prema regionalnoj pripadnosti ili prema spolnoj pripadnosti
itd., a nikako da se u jednoj te istoj podjeli nadu sve te karakterne crte. Tesko je,
primjerice, zamisliti podjelu tipa: Srbi, Sarajlije, zapadni Hercegovci, muskarci, fakultetski
obrazovani.
3. Naelo relativne posebnosti svakog lana podjele u okviru opeg predmeta,
odnosno opceg pojma koji se dijeli. Svi lanovi podjele se, drugim rijeima, moraju
medusobno razlikovati, imati svoju posebnost, i to posebnost istog reda i iste vrste. Inae
je podjela ili nemoguca ili konfuzna. Opci pojam ovjek, primjerice, moguce je podijeliti
na posebne pojmove ena i muskarac samo ako su oni odredenog i razliitog,
suprotnog spola. U sluaju hermafroditizma ovakva je podjela nemoguca ili konfuzna.
4. Naelo jedinstva posebnih lanova. Svi, dakle, posebni lanovi, iako razliiti, pa i
suprotni, moraju imati i izvjesne zajednike sadrajne odrednice, initi jedinstvo opceg
predmeta ili pojma. Pojmovi muskarac i ena mogu biti lanovi opceg predmeta i
pojma ovjek samo ako, i pored spolne suprotnosti i drugih razliitih osobina, imaju i
zajednika opca svojstva koja ih ine ovjekom.
5. Naelo potpunosti podjele. Podjela, dakle, odredenog predmeta, odnosno
njegova pojma mora, u okviru principa odredene podjele i predmeta podjele, biti iscrpna i
potpuna. Podjela, primjerice, etverokuta, prema principu paralelnosti njihovih strana, na
paralelograme, trapeze i trapezoide, potpuna je jer su njome obuhvaceni svi etverokuti
obzirom na paralelnost strana - jer obuhvaca one s nijednim parom paralelnih strana
(trapezoid), jednim (trapez), odnosno oba para paralelnih strana (paralelogram). Suprotno
tome, podjela paralelograma na rombove, pravokutnike i kvadrate nepotpuna je jer u
paralelograme spadaju i romboidi.
Kako se stvaraju klasifikacije? Osnova klasifikacije mogu biti dosta razliiti kriteriji.
Tri kriterija klasifikacije, medutim, vrijedi i posebno apostrofirati:
Genetiko-strukturalni kriterij. Slijedi li se on u pitanju je klasifikacija koja se
nalazi na visoj razini opcenitosti i sistematinosti. Klasifikacije koje slijede ovaj kriterij
oznaavaju se kao prirodne klasifikacije.
Ekoloki kriterij. Klasifikacije koje ga slijede u obzir uzimaju ekoloske uvjete u
kojima se odredene pojave javljaju. Klasifikacije, nastale na ovom kriteriju, ne spadaju u
red osnovnih, fundamentalnih klasifikacija
Pragmatino-teleoloski kriterij. Klasifikacije koje ga slijede koriste se u prirodnim
znanostima.
Iste se pojave, dakako, mogu klasificirati na razliite naine. Koji od njih ce biti i
primijenjen zavisi od toga koje su osobine klasificiranih pojava, ali i koje su veze s drugim
pojavama koje su u centru interesa. Na koncu, razliite klasifikacije ce slijediti i razliite
ciljeve. U pravilu se, medutim, moe praviti razlika izmedu dvije grupe klasifikacija -
elementarnih i kompleksnih, odnosno visedimenzionalnih.
Elementarne klasifikacije su jednodimenzionalne. Zasnivaju se, drugim rijeima, na
jednoj osobini, odnosno jednom obiljeju klasificiranih pojava. Izrazito su, potom,
analitikog karaktera, apstraktne i nedovoljne za razvrstavanje kompleksnih pojava.
Kompleksne ili viedimenzionalne klasifikacije nastaju najesce ukrstanjem
nekoliko elementarnih klasifikacija, u svojim jedinicama zdruuju po nekoliko osobina
sloenih pojava, a time je u mogucnosti i da se mnogo vise priblii realnim kompleksnim
pojavama. Ovaj tip, odnosno grupacija klasifikacija ima veci znaaj u drustvenim nego u
prirodnim znanostima.

5.3.2. M&'('*&'
112
Mjerenje je, u najopcenitijem smislu, usporedivanje dviju istovrsnih veliina s
ciljem da se utvrdi njihov omjer. Ono se, medutim, moe definirati i kao postupak
utvrdivanja vrijednosti nekog ekstenzivnog svojstva ili kvantitete pomocu nekog pribora ili
instrumenta. Drugim rijeima, mjeriti se mogu samo ekstenzivna svojstva kakva su,
primjerice, duina, sirina, volumen, temperatura, gustoca i slino. No, mjeriti se ne mogu i
intenzivna svojstva ili kvaliteta. Nemoguce je mjeriti, primjerice, pokvarenost, duhovitost,
lukavost i slino. Pode li se, pak, od toga, prva je pretpostavka mogucnosti mjerenja uopce
postojanje tih ekstenzivnih svojstava ili kvantitete.
Da bi se, s druge strane, moglo uopce mjeriti neophodno je i postojanje odredenih
6&'(*/A &'./*/),, odnosno dogovorom utvrdene konstantne vrijednosti fizikalne veliine
koja ima i posebni naziv. Duljinu mjerimo metrom, masu kilogramom, elektrinu struju
amperom itd. Prema tome, usvajanje mjernih jedinica je preduvjet svakog mjerenja. U
znanstvenom i strunom radu u upotrebi je iskljuivo Medunarodni sistem mjernih jedinica
(SI) koji je sastavljen od sedam osnovnih jedinica. Metar se koristi kao jedinica za duljinu,
sekunda za vrijeme, kilogram za masu, amper za jakost elektrine struje, mol za koliinu
tvari, kandela za intenzitet svjetlosti, te kelvin za termodinamiku temperaturu.
Mjerenja nema ni bez odredenih /*1+(>6'*,+, ili pribora za mjerenje, odnosno
sredstava koja slue za utvrdivanje kvantitativnih osobina veliine koja se mjeri. Razliite
su vrste tih instrumenata. Medu njih se ubrajaju, prije svega, razliiti fizikalno-kemijski
instrumenti, kakvi su, primjerice, vaga, metar, Gajgerov broja itd. U instrumente se
ubrajaju i testovi u najsirem smislu rijei, od onih koji slue za mjerenja znanja i stavova
do testova za mjerenje interesa i drugih osobina. Na koncu, specifini instrument je i sam
ovjek, bez kojeg nema nikakvog mjerenja.
Za mjerenje je bitno poznavanje i tonosti mjerenja. Dosta je esta situacija, pri
tome, da postoji izvjesna razlika izmedu izmjerene vrijednosti i stvarne vrijednosti fizikalne
veliine. Ta razlika se oznaava terminom 279('35, 6&'('*&,. Ona se moe izraziti u dva
oblika. Prvi je takozvana apsolutna pogreska mjerenja, dakle razlika izmedu izmjerene
vrijednosti i stvarne veliine. Drugi je poznat kao relativna pogreska, odnosno omjer
izmedu apsolutne pogreske i stvarne veliine izraen u postotcima ili promilima.
Promatra li ga se, medutim, kao jednu od tehnika prikupljanja empirijskih
podataka za znanstveno zakljuivanje, mjerenje predstavlja bitan nain usavrsavanja i
preciziranja znanstvenog opisa i analize raznih drustvenih pojava, a sukladno tome i
sredstvo za povecanje egzaktnosti drustvenih znanosti. Svako se mjerenje, potom, moe
shvatiti i kao samo manje ili vise preciznija klasifikacija. To, opet, znai da se mjerenje ne
zaustavlja samo na kvantitativnoj dimenziji, nego zadire i u kvalitativno izuavanje
odredene pojave. Pode li se od takvog razumijevanja mjerenja, ono se, onda, moe
definirati i kao oznaavanje iskustvenih pojava (kompleksnih pojava, pojedinih njihovih
osobina, odnosa i procesa) pomou brojanih simbola koji se mjerenim pojavama pridodaju
na osnovi preteito utvrdenih pravila, koja, opet, mogu biti vrlo razliita - jasna i precizna,
strogo uniformna, sto manje podlona iskrivljavanjima itd.
Definira li ga se, pak, na taj nain, moguce je, onda, praviti razliku izmedu tri,
medusobno povezane, :>*5)/&' 6&'('*&, - opisne, pojmovne i analitike.
1. Opisna funkcija mjerenja je, zbog naina njihova opisivanja iskustvenih pojava,
izraena posebice u teorijskim znanostima. Glavna zadaca teorijskih istraivanja je, naime,
ispitivanje i objasnjavanje odnosa izmedu iskustvenih pojava. Ova se funkcija, inae,
sastoji u omogucavanju preciznijeg opisa sloenih pojava i odnosa izmedu razliitih pojava
uvijek kada opis mora sadrati neke koliinske odredbe.
2. Pojmovna funkcija mjerenja se, u biti, sastoji u stvaranju tehnikih mogucnosti
preciznijeg povezivanja znanstvenih pojmova sa stvarnoscu.
U izravnoj vezi s ovom funkcijom dugo je bio i operacionalizam, teorija prema kojoj
znaenje, pripisano nekom pojmu, poiva na operacijama koje dopustaju da se jedan
pojam mjeri. Prema 3undbergu (Landberg), jednom od najpoznatijih predstavnika
operacionalizma u sociologiji, moguce je izraditi znanstveno upotrebljivo mjerilo i bez
prethodne teorijske analize predmeta mjerenja.
Pri tome se, kada su operacionalisti u pitanju, apostrofira tehnika strana mjerenja.
U onom momentu, medutim, kada se poinje traiti bilo kakav kriterij adekvatnosti
113
mjerenja, napusta se i operacionalistiko stajaliste da je predmet mjerenja jedino ono sto
se mjerilom mjeri, da se taj predmet moe odrediti jedino strukturom samog mjerila.
Nastanak znanstvenih pojmova i odgovarajucih mjerila upravo je suprotan
operacionalistikom shvacanju. Znanstveni pojmovi, naime, ne polaze od gotovih mjerila.
Dapae. Mjerilo za odredeni pojam se izraduje na temelju shvacanja odnosa izmedu toga
pojma, iskustvenih injenica i drugih znanstvenih pojmova
3. Analitiku funkciju mjerenje ima ako se izvorni podaci stvaraju pomocu
preciznijih mjerenja. to, medutim, podrazumijevaju preciznija mjerenja? U pitanju je,
najjednostavnije, mogucnost da se, primjenom kompleksnijih matematiko-analitikih
postupaka, a oni su detaljnije obradeni u svakom udbeniku statistike, preciznije ispitaju
razni iskustveni odnosi.
5.3.2.1. V(1+' 6&'('*&,

U znanstvenim se istraivanjima koriste razliite vrste mjerenja. Inae, podjela
mjerenja se moe izvrsiti prema razliitim kriterijima. Tri kriterija podjele zasluuju i
posebnu teorijsku panju.
I. Prema *,4/*> /?;7B'*&, moguce je praviti razliku izmedu dviju vrsta
mjerenja - osnovnih i izvedenih.
Osnovna mjerenja su ona kod kojih su metriki standard i jedinica mjerenja iste
kvalitete kao i predmet mjerenja. Zahvaljujuci toj injenici ovim se mjerenjima postie vrlo
visok stupanj preciznosti. Inae, sva osnovna mjerenja karakterizira i to da imaju prirodnu
nultu toku, odnosno toku u kojoj mjerena pojava isezava, ne postoji. Na koncu, osnovna
mjerenja slue kao osnova mnogim izvedenim mjerenjima, ali i kao kriterij provjere njihove
tonosti.
Izvedena mjerenja su mnogo raznovrsnija od osnovnih. Prema nainu izvodenja,
primjerice, dijele se na mjerenja koja se izvode na osnovi nekog zakona i ona koja se
izvode na osnovi dogovora. Kada su u pitanju prva, mjerenja koja se izvode na osnovi
nekog zakona, takav zakon predstavljaju, primjerice, stabilne uzrono-funkcionalne veze
izmedu predmeta, mjerenja i pojava pomocu kojih se ono izvodi. Stabilnost takvih mjerenja
ovisi od vise varijabli - od stabilnosti zakonske veze (npr. mjerenje tjelesne temperature
pomocu toplomjera), od toga moe li se ta veza izraziti pomocu precizne matematike
funkcije itd.
S druge strane, mjerenja koja se izvode na osnovi dogovora su mjerenja koja
izraavaju svojevrsni matematiki odnos izmedu predmeta mjerenja i jedne ili vise vrsta
drugih mjerljivih pojava. Tri su pojavne forme ovakvih mjerenja:
a) Mjerenja na osnovi kolinika, koja pokazuju kolika je relativna uestalost
odredene vrste pojava u nekoj drustvenoj sredini, kakve su, primjerice, demografske stope.
b) Mjerenja izvedena na osnovi podataka o unutarnjoj strukturi nekih pojava,
kakva su razna sociometrijska mjerenja, te
c) Mjerenja koja se zasnivaju na nekom modelu vjerojatnosti, kod kojih je od
presudne vanosti koliko je primijenjeni model vjerojatnosti realistian.
II. Mjerenja prema :7(6,-*/6 5,(,5+'(/1+/5,6, -&'1+;/), 57&' 57(/1+'. Slijedi
li se Stivensova klasifikacija, moguce je praviti razliku izmedu etiri vrste ljestvica -
nominalnih, ordinarnih, intervalnih i ljestvica kolinika.
Nominalne ljestvice su rezultat kvalitativne klasifikacije. Clanovi te ljestvice su,
preciznije, kvalitativne grupe, a mjerenje se sastoji u prebrojavanju sluajeva koji
pripadaju odredenoj kvalitativnoj grupi. Takva je, primjerice, klasifikacija zanimanja. Ova
mjerenja mogu biti vrlo precizna.
Pomocu ordinarnih ljestvica se, medutim, utvrduje samo redoslijed, ili poloaj du
nekog kontinuuma, ali ne i razlike u apsolutnim veliinama.
Intervalne ljestvice i ljestvice kolinika su medusobno dosta sline. I jednima i
drugima se moe utvrditi, ne samo redoslijed pojava u nekom nizu, nego i apsolutna
veliina razlika. I jedne i druge, potom, imaju jednake, ekvivalentne jedinice. No, u jednom
se detalju i razlikuju. Ljestvice kolinika, naime, posjeduju prirodnu nultu toku, toku,
114
dakle, u kojoj mjerena pojava uopce ne postoji. Ako je, pak, nulta toka konvencionalno
izabrana - kao sto je sluaj kod, primjerice, mjerenja temperature tijela - tada ona nije
prirodna.
III. Prema 5762-'51*71+/0 1+>2*&> 1-7C'*71+/ moe se praviti razlika izmedu
prostih i sloenih (kompleksnih) mjerenja.
Prosta mjerenja se zasnivaju na uzrono-funkcionalnom ili konvencionalnom
odnosu dviju promjenljivih pojava.
Kod sloenih (kompleksnih) se mjerenja, medutim, esto moe naici i na odredene
poteskoce. Obino se, naime, tei da rezultat tih mjerenja bude izraen u jedinstvenom
sintetikom indeksu jer se njime lakse dalje operira podacima. Generalno, biti toga indeksa
je u injenici da se polazi od pretpostavke da razne komponente sloenog deterministikog
spleta sasvim nezavisno djeluju na mjerenu pojavu, a indeksna je vrijednost zbroj njihovih
odvojeno uzetih vrijednosti. No, to uvijek i ne mora biti tono. Razlog tome je sto se
pojedini initelji u raznim spletovima mogu ponasati na razliit, ponekada ak i suprotan
nain. Primjer za to je i tzv. nekristalizirani drutveni poloaj, sluaj, primjerice, da osoba
ima obrazovanje koje je nie od njezina drustvenog poloaja. Zbog takvih mogucnosti
poznavati se mora i opu indeksnu vrijednost i indeksnu vrijednost sastavnih dijelova
pojave koja se ispituje, posebice ako se oni ne krecu u jedinstvenom pravcu nego su vise ili
manje divergentni i odstupaju od opcih pravilnosti.
5.4. EKSPERIMENT
Pod pojmom eksperiment podrazumijevaju se razliite stvari. Za jedne, svako
znanstveno istraivanje je, na odreden nain, i svojevrsni eksperiment. Za druge, opet,
eksperiment podrazumijeva znanstveno-istraivaku metodu koja utvrduje uzrono-
posljedine veze i odnose izmedu pojava. U kontekstu ove analize, medutim, pod
eksperimentom podrazumijevamo tehniku prikupljanja znanstvenih podataka.
Iz povijesne perspektive promatrano eksperiment se, u svojim zaecima dakako,
susrece vec u aleksandrijskoj skoli. No, o znaajnijem se razvoju ne moe govoriti sve do
novog vijeka. Procvat moderne znanosti znaio je istodobno i procvat eksperimenta. Pri
tome, prva opsenija primjena eksperimenta zabiljeena je u mehanici. Galilei je,
primjerice, koristeci eksperiment, utvrdio zakone slobodnog pada, a pomocu njega je
prouavao i gibanje tijela niz kosinu i horizontalni hitac. Kasnije je, iz podruja fizikalnih
procesa, eksperiment prenijet i na izuavanje bioloskih pojava. Osnivaem moderne
eksperimentalne fiziologije se, primjerice, smatra francuski fiziolog Bernard (1813.-1876.),
koji u postupku istraivanje jedne pojave pravi razliku izmedu pet faza. Tri od njih su,
medutim, vezane za eksperiment.
39
Unutar drustvenih znanosti eksperiment se, medutim, razvija tek poetkom XX.
stoljeca. Jedan od, primjerice, prvih socioloskih eksperimenata vezan je za ime Ste<arta
)odda (Stjuart Dod), koji je izmedu 1931. i 1933. godine u Siriji ispitivao utjecaj
organizacije zdravstvenog prosvjecivanja na promjene shvacanja o higijeni i zdravstvenoj
zastiti stanovnistva. Medutim, najveci utjecaj na razvoj ove tehnike prikupljanja podataka u
sociologiji nije izvrsio on nego Ste<art $ha(in (Stjuart Capin) i urt 3e<in# Vec 1948.
godine Lewin pise o svom uvjerenju da se u sociologiji mogu izvrsiti znanstveni
eksperimenti kao i u kemiji i fizici.
Postavlja se, dakako, pitanje gdje treba traiti razloge ovom zakasnjenju pojave
eksperimenta u drustvenim znanostima. Oni se, medu inim, kriju i u injenici da drustvene
pojave esto nije ni lako ni poeljno izazvati. U sredistu interesa drustvenih znanosti su,
primjerice, ratovi, kriminal, strajkovi i demonstracije, narkomanija i drugi tipovi
devijantnosti itd. No, njih je, ako vec postoje, moguce pratiti i iskustveno istraivati.
Drugim rijeima, u drustvenim znanostima eksperiment oznaava svako znanstveno
39
Navedenih pet faza, o kojima govori Bernard, su: 1) formiranje hipoteza (znanstvena ideja), 2.
mogucnost podvrgavanja eksperimentu i ispitivanje posljedice hipoteze, 3. sastavljanje plana
eksperimentiranja, 4. izvrsenje eksperimenta (samo eksperimentiranje), te 5. analiza rezultata i
zakljuci o prirodi same pojave.
115
prikupljanje podataka u kojem se odredena pojava ili proces nalaze pod kontroliranim
uvjetima, neovisno o tome je li ona nastala sama od sebe, prirodno, ili je izazvana umjetno.
Kako, dakle, definirati eksperiment? U literaturi se, dakako, moe sresti veci broj
definicija. Prema jednoj od njih, primjerice, Eksperiment je postupak kojim se izaziva neka
prirodna pojava, radi opaanja, istraivanja i tumaenja (Enciklopedija Leksikografskog
zavoda, sv.2., 212.). Iz navedene je definicije, dakako, evidentno da se pojam eksperiment
reducira samo na podruje prirodnih pojava, dakle prirodnih znanosti.
U socioloskoj literaturi, opet, eksperiment se esto definira na nain kako je to
svojedobno uinio i 6ojin Mili2. Po tom pristupu, eksperiment je znanstveno promatranje
u precizno odredenim i kontroliranim uvjetima, s ciljem da u ispitivanoj oblasti utvrdi ili
provjeri postojanje i prirodu nekog pretpostavljenog drustvenog odnosa (Milic, 1978.,
680.). On, dakle, podrazumijeva promatranje pojave, koja je umjetno izazvana, radi
provjere prethodno postavljene hipoteze o postojanju nekog uzrono-posljedinog odnosa.
Pri tome je znaajno da se pretpostavljeni odnos nastoji ispitivati u sto istijem obliku sto,
opet, trai umjetno pojednostavnjivanje situacije.
I ova definicija eksperimenta je, doduse, nedostatna jer dijapazon eksperimenta
reducira samo na podruje drustvenih odnosa. Taj se, medutim, jaz redukcije na samo
prirodne ili na samo drustvene pojave u nekim definicijama eksperimenta prevladava. Medu
njima je i definicija, kojom se eksperimentom oznaava tehnika kojom se namjerno i
planski u odredenim uvjetima i okolnostima izazivaju pojave ili procesi u svrhu njihova
promatranja, prouavanja, istraivanja i tumaenja (Zugaj, Dumiic, Dusak, 1999., 58.).
Za nase potrebe, medutim, opredjeljujemo se za odredenje eksperimenta, po kojem je on
plansko izazivanje promjena u cilju prouavanja njihovih posljedica, i to u strogo
kontroliranim uvjetima i s mogunou mjerenja posljedica izazvanih promjena
(Bakovljev, 1997., 49.)
Medu znanstvenim eksperimentima postoje znaajne razlike. Medutim, usprkos
tome, za strukturu svakog znanstvenog eksperimenta neki dijelovi su zajedniki. ugaj,
)umi.i2 i )u0ak ih navode ak sedam. To su:
eksperimentator kao istraiva (pojedinac, skupina, kolektivi) koji planira,
teoretski priprema i praktino realizira eksperiment;
predmet ili objekt pokusa (to su pojave ili procesi bilo kojeg dijela stvarnosti);
sredstva i oruda eksperimenta (epruveta, metar, mikroskop, itd.);
niz operacija koje obavlja eksperimentator (npr. odabiranje predmeta pokusa,
izdvajanje iz grupe, rukovanja, mjerenje i dr.);
sam objektivni proces eksperimenta (fiziki, kemijski, fizioloski);
rezultati eksperimenta, tj. podaci o ponasanju predmeta eksperimentiranja;
tumaenje rezultata eksperimenta i izvodenje znanstvenih teorija i zakona,
odnosno korigiranje postavljenih hipoteza ili postavljanje novih hipoteza.
(vidjeti, Zugaj, Dumiic, Dusak, 1999., 59.-60.)
5.4.1. V(1+' '512'(/6'*,+,
Identificirati je moguce razliite vrste eksperimenata. Kada su drustvene znanosti u
pitanju, prije svega sociologija, socijalna psihologija i pedagogija, ali i ostale, podjelu
eksperimenta je moguce izvrsiti prema dva osnovna kriterija - uvjetima izvodenja, te
prema broju i tretmanu obuhvacenih grupa ispitanika.
A. Podjela na 2(/(7.*' i -,87(,+7(/&15' eksperimente, utemeljena na >;&'+/6,
/?;7B'*&, eksperimenta. Jedni se, drugim rijeima, izvode u prirodnim, a drugi u
laboratorijskim uvjetima. Pri tome se, doduse, daju identificirati i razlike u odnosu na to sto
se podrazumijeva pod prirodnim uvjetima. Jedni, primjerice, prirodnim eksperimentom
smatraju onaj u kojem ispitanici ne znaju da su ukljueni u eksperiment, u protivnom se
radi o laboratorijskom. Za druge je, medutim, za podjelu eksperimenta na prirodni i
laboratorijski odluujuce mjesto izvodenja eksperimenta. Radi li se, recimo, o pedagoskim
istraivanjima, u kojima se istrauje skolsko uenje, eksperiment je prirodni ako se obavlja
u uionici, a laboratorijski ako se izvodi u laboratoriju.
116
Pod prirodnim eksperimentom, u kontekstu ove analize, podrazumijeva se
eksperiment koji se ostvaruje u uobiajenim, prirodnim uvjetima, dakle bez stavljanja
ispitanika u posebne, nesvakidasnje uvjete. U vec spomenutom sluaju istraivanja
skolskog uenja to je eksperiment realiziran u uvjetima koji odgovaraju onima iz
svakodnevnog pedagoskog rada, dakle u redovitoj nastavi odgovarajuceg predmeta,
odgovarajuceg razreda itd.
Za razliku od njih, laboratorijski eksperiment se obavlja u uvjetima razliitim od
uobiajenih - u sluaju istraivanja skolskog uenja, primjerice, u specijalnoj prostoriji, s
naroitim uredajima, u neuobiajeno vrijeme itd. Pri tome se, dakako, ne mora raditi o
laboratoriju u klasinom smislu. Moe to, u konkretnom sluaju, biti i redovita skolska
uionica ako su u njoj daci stavljeni u nesvakidasnje uvjete.
Prirodni se eksperimenti smatraju vrjednijima od laboratorijskih. To je i utemeljeno
buduci su rezultati, dobiveni njime, nisu pod utjecajem nikakvih intervenirajucih varijabli
sto se, medutim, u sluaju laboratorijskoga eksperimenta, moe dogoditi.
%. Prema 8(7&> / +('+6,*> 78>A;,@'*/A 9(>2, /12/+,*/5, razlikovati se mogu
tri vrste eksperimenata - eksperiment s jednom grupom, eksperiment s paralelnim
grupama, te eksperiment s rotacijom eksperimentalnog faktora.
Eksperiment s jednom grupom izvodi se - kako i sam naziv kae - sa samo jednom
grupom. Postupak njegova izvodenja je slijedeci. Prvo se, u samom startu, odgovarajucim
instrumentom, primjerice testom, izmjeri polazno stanje odredene zavisne varijable - u
sluaju istraivanja skolskog uenja odgovarajuce znanje uenika. Nakon toga se na tu
varijablu djeluje na uobiajen, prirodan nain - u sluaju istraivanja skolskog uenja s
uenicima se radi na nain na koji se i inae radi. Nakon proteka utvrdenog vremena, u
nasem sluaju moe i nakon obrade odredene nastavne cjeline, mjeri se dobiveni rezultat,
ono sto se postiglo uobiajenim nainom rada. To stanje je, medutim, i novo polazno
stanje, zavisna varijabla uoi prelaska na pedagoski rad na novi, eksperimentalni nain.
Nakon toga se u nain rada unosi promjena iji se uinci ele istraiti - u konkretnom
sluaju se radi o pedagoskom radu na novi nain. Nakon njegova zavrsetka, koji moe biti
razliito preciziran, vrsi se mjerenje onoga sto se, u tim novim, eksperimentalnim uvjetima
postiglo. Na koncu se vrsi i usporedba efekata rada u uobiajenim i eksperimentalnim
uvjetima i utvrduje jesu li novi, eksperimentalni uvjeti, i u kojoj mjeri, efikasniji,
prihvatljiviji od uobiajenih ili ne.
Ova vrsta eksperimenta, medutim, ima i svojih slabih strana. Tesko je, primjerice,
izbjeci da rezultati prethodno realiziranog rada, onog koji je ostvaren na uobiajen,
prirodan nain, ne utjeu na rezultate rada koji slijedi u novim, eksperimentalnim uvjetima.
To je vano jer upozorava da se ne mogu osigurati isti uvjeti u oba ciklusa. Stoga se ova
vrsta eksperimenta sve manje i prakticira.
Eksperimentom s paralelnim grupama se, medutim, eliminira ta vrsta slabosti jer
se i djelovanje u uobiajenim, prirodnim, i ono u novim, eksperimentalnim uvjetima izvodi
u isto vrijeme. Eksperiment s paralelnim grupama, potom, podrazumijeva oblikovanje i
paralelno promatranje najmanje dviju drustvenih grupa, a moe ih biti i vise. Jedna - ili
vise njih, ovisno o tome s koliko se parova grupa radi - je eksperimentalna, iju situaciju
realizator eksperimenta modificira tijekom postupka. U nju umjetno unosi izvjesne
promjene. Druga - ili vise njih takoder - je kontrolna, grupa koja ne trpi nikakve promjene.
Ona, prema tome, zadrava sva ranija svojstva i slui kao instrument kontrole promjena do
kojih moe doci u eksperimentalnoj grupi. Ona, dakle, slui kao pomocno sredstvo da se
utvrdi postoje li uzrono-posljedine veze izmedu umjetno izazvane promjene i opcih ili
pojedinanih znaajki eksperimentalne grupe.
Eksperiment s paralelnim grupama zapoinje na nain da se i u eksperimentalnoj i
kontrolnoj grupi (ili grupama ako je paralelnih grupa vise) izmjeri polazno stanje onoga na
sto se u eksperimentalnoj grupi kani djelovati odredenom novinom - u eksploatiranom
primjeru, recimo, znanja i sposobnosti uenika. Nakon toga se u kontrolnoj grupi nastavi
raditi na uobiajen nain - u nasem primjeru izvoditi nastava i vjebe na nain koji je
prakticiran i do tada - a u eksperimentalnoj se unose promjene uinci kojih se ele ispitati
- u nasem primjeru, recimo, promjene u prezentaciji materije koristenjem suvremenih
117
nastavnih sredstava. U konanici se izmjeri i finalno stanje kontrolne i eksperimentalne
grupe, usporede uinci i dobiju efekti djelovanja u eksperimentalnim uvjetima.
Za provodenje eksperimenta bitno je, takoder, da su eksperimentalna i kontrolna
grupa homogene, da imaju ista ili priblino ista obiljeja, da su, dakle, ekvivalentne u
pogledu svega onoga sto moe utjecati na efikasnost dva razliita postupka koji se
usporeduju. Doduse, apsolutnu je ekvivalentnost nemoguce postici. Stoga se ekvivalencija
najesce reducira na jedan, a puno rjede i na dva ili vise obiljeja ili varijabli koje se
testiraju - u primjeru istraivanja skolskog uenja na, recimo, ujednaenost odgovarajucih
prethodnih znanja uenika i njihovu intelektualnu razvijenost.
Eksperiment s rotacijom eksperimentalnog faktora se prakticira u sluajevima kada
se izuava pojavu koju je nemoguce dovoljno uspjesno kontrolirati - u primjeru skolskog
uenja, recimo, radne navike, motiviranost za uenje, inicijativnost itd. Za ovu vrstu
eksperimenta je najznaajnije da eksperimentalna i kontrolna grupa izmjenjuju uloge, da,
drugim rijeima, eksperimentalni faktor rotira u dvije grupe ispitanika. U koristenom
primjeru istraivanja skolskog uenja to bi, onda, znailo da se novi uvjeti rada s uenicima
na jednoj nastavnoj cjelini testiraju na jednoj, a na drugoj nastavnoj cjelini na drugoj grupi.
U toj je injenici i prednost ove vrste eksperimenta u odnosu na eksperiment s paralelnim
grupama jer se njime eliminiraju one slabosti paralelnih grupa, koje su u vezi s njihovom
ekvivalentnoscu.
5.5. ANALIZA SADRAJA
5.5.1. $+'6'-&/;,*&' / (,?;7& ,*,-/?' 1,.(C,&,
Primjena nekog od oblika analize sadraja u istraivanjima je zabiljeena vec u
XVII. stoljecu. Oko 1640. godine u vedskoj je, naime, objavljeno istraivanje o sadraju
religioznih himni na jednostavnim klasifikacijama (povoljno - nepovoljno), u kojem je
koristena analiza sadraja. Uopceno, medutim, moe se reci da se nukleus danasnje
suvremene analize sadraja nalazi u domeni novinarstva, tiska kao masovnog medija. Prva
sistematska istraivanja ovog tipa u toj su sferi zabiljeena vec sredinom XIX. stoljeca.
Ipak, povijest analize sadraja, u formi u kojoj se ona danas koristi, zapoinje tek
u SAD, gdje se prvo primjenjuje u analizi novinskih natpisa, sadraja asopisa, a potom se,
poetkom tridesetih godina XX. stoljeca, uvodi u primjenu i u drustvenim znanostima. S
druge strane, prvi svjetski rat je analizu sadraja obogatio novom kvalitativnom
dimenzijom - primjenom u izuavanju propagande, a drugi svjetski rat, opet, omogucio da
se analiza sadraja primijeni i u istraivanju strateskih opredjeljenja i ratnih ciljeva, te
izuavanju poruka i skrivenih sadraja u njima.
Poslije 1960. godine je moguce izdvojiti tri temeljne dimenzije razvija analize
sadraja (Vidjeti, Stojak, 1990., 8.). Prva se odnosi na razvoj razliitih tehnika, dakle
sirenje analize sadraja, te preispitivanja daljnjih mogucnosti njezine primjene na razliitim
podrujima znanosti i svakodnevnih komunikacija. Druga je usmjerena na izuavanje opcih
i specijalnih komunikacija kroz masovne medije i druge izvore, te na traganje za
kvalitativnom stranom analize u interesu interpretacije latentnih sadraja u porukama. Na
koncu, treca dimenzija razvoja analize sadraja je usmjerena na lingvistika istraivanja,
preciziranje jezika i izraza i tome slino.
Poetkom sezdesetih godina XX. stoljeca u analizu sadraja se uvodi i primjena
elektronike, a kompjuterska obra da prikupljenih podataka ovoj je tehnici otvorila niz novih
mogucnosti, a time povecala i interes za njezino koristenje, kao i koristenje rezultata do
kojih se njome dode.
Slika razvoja analize sadraja, medutim, ne bi bila potpuna ukoliko bi se zaobislo
barem i najznaajnija imena koja su se, tijekom XX. stoljeca, njome bavila. Medu njima se,
opet, daju izdvojiti dvije velike grupe autora. Jednu ine zastupnici tzv. kvantitativnog
pristupa u primjeni analize sadraja - pristupa u kojem se iz analize frekvencija zakljuuje
o intenzitetu poruke. Ovo se odnosi prvenstveno na istraivanja koja za cilj imaju pronici u
sustinu na osnovi uestalosti nekih simbola, rijei, izraza itd.
118
Medu njima se mjesta, bez ikakve dvojbe, mora naci za "arolda 3ass<ella
(Lasvel) zbog njegova doprinosa ispitivanju politike propagande. Pri tome je svoju analizu
sadraja politike propagande u sredstvima masovne komunikacije Lasswel usmjerio na
relativno trajne ciljeve odredene propagande u kojima se traga za ideoloskom stranom
poruke. Lasswell je, naime, svoje napore, usmjerio na izuavanje strukture i metoda
nacistike propagande u Drugom svjetskom ratu, a ideja vodilja mu je, pri tome, bila da
propagandne poruke mogu biti pouzdan izvor u predvidanju ratnih poteza i planova.
Ispravnost takvog uvjerenja mu se potvrdila u vecem broju sluajeva - kod predvidanja
tajnog njemakog oruja i njegove primjene, utjecaja propagande na raspoloenje nekih
slojeva njemakoga stanovnistva itd. Zahvaljujuci izuavanju politike propagande
primjenom analize sadraja on i definira analizu sadraja kao kvantitativnu semantiku
No, medu onima koji su kvantitativni pristup u primjeni analize sadraja najvise i
razvili, ime 7# 7erelsona (Berelson) je, po opcem uvjerenju, na prvom mjestu. Za njega,
uostalom, analiza sadraja i nije nista drugo do istraivaka tehnika za objektivno
opisivanje, sistematiku i kvantifikaciju manifestnih sadraja u komunikacijama (prema,
Stojak, 1990., 41.). Iz takve definicije razvili su se, opet, istraivaki postupci usmjereni,
prije svega, prema 'otkrivanju' frekvencija - uestalosti nekog dijela poruke, simbola ili
drugog pojavnog oblika, vanog za kvantifikaciju. Do frekvencija toga tipa Berelson dolazi
posredovanjem statistikih pokazatelja na posebice dvije grupe pitanja - sto se kae i
kako se kae. Kvantifikacija, koja nastaje gomilanjem podataka u vezi s te dvije grupe
pitanja, pretpostavlja, smatra on, dokaz sam za sebe i ujedno povecava objektivnost
temeljem izvrsene kvantifikacije izreenih sudova.
Drugu grupu autora analize sadraja ine predstavnici tzv. kvalitativnog pristupa.
Pri tome je, za najveci dio autora ove orijentacije, karakteristino da ne ignoriraju bilo
kakvo znaenje kvantifikacije nego, naprotiv, istrajavaju na tezi kako je kvaliteta analize
sadraja postignuta uvaavajuci i kvantifikaciju. Medu predstavnicima ovog pristupa istie
se, prije svih, P# 3azars'eld (Lazarsfeld), koji, suprotno Berelsonovu uvjerenju o primatu
oevidnog, polazi od teze da iza oitovanog, objektivnog sadraja obino stoji neki
skriveni, latentni, nevidljivi kontekst. Stoga on i inzistira upravo na istraivanju tih, dakle
latentnih struktura, koje se, istina, ne mogu mjeriti, ali se o njima moe zakljuivati i
temeljem sadraja koji su oigledni.
No, na slinim su pozicija i mnogi drugi teoretiari analize sadraja. Za ;# +itserta
(Ritsert) je, primjerice, analiza sadraja istraivaka tehnika ili instrument za analizu
drustvenog sadraja tekstova koji su, u krajnjem, ideologizirani, u kojima se poruke
obraduju, cenzuriraju, prema potrebi ublaavaju ili preuveliavaju, i ija objektivnost je
opasnost da se, o njihovom ocjenjivanju, ode o potpuno pogresnom smjeru. Primatu
kvantifikacije, zagovarajuci ujedno i suprotstavljanje statistikoj semantici, odupire se i T#
Adorno (Adorno). No, on istodobno ne bjei i od teze kako je znanstvenost ipak mjerenje,
uz dodatak dakako da kvalitativna analiza sadraja dekodira drustveni sadraj, da je svaka
kvantifikacija nuno simplifikacija (prema, Stojak, 1990., 53.). Na koncu, u ovoj grupi
autora se, s naznakom da mu je posebice karakteristina sklonost pomirenju kvantitativnog
i kvalitativnog u analizi sadraja, istie i # ri((endor' (Kripendorf), koji analizu sadraja
odreduje kao istraivaku tehniku za izvodenje ponovljivih i valjanih zakljuaka iz
podataka, prema njihovu kontekstu (Krippendorf, 1981.).
5.5.2. O.('B'*&' 27&6,
Iz dosadasnje je analize evidentno, prije svega, kako pod analizom sadraja treba
podrazumijevati specifinu tehniku prikupljanja podataka radi stjecanja novih spoznaja o
drustvenim pojavama. No, kako je i potpunije odrediti? Razni autori to ine na dosta
razliite naine. Ali, odredenju svakog od njih se, u krajnjem, moe staviti i poneki, manji ili
veci prigovor. Vratimo se ponovo Berelsonovoj definiciji, prema kojoj je analiza sadraja
istraivaka tehnika za objektivno opisivanje, sistematiku i kvantifikaciju manifestnih
sadraja u komunikacijama (prema, Stojak, 1990., 41.). Njezina je jednostranost,
primjerice, i vise nego oigledna. A sastoji se, prije svega, u injenici da bi, buduci se
ograniava na oevidni ili manifestni sadraj ispitivanih poruka, morala u mnogim
119
sluajevima ostati na povrsini drustvenog opcenja i esto prolaziti pored pravog smisla i
dubljih pobuda raznih njegovih oblika. Definicija ne sadri nijedan element koji bi analizi
sadraja dao karakter socioloskoga istraivakog postupka. Ona ne ukazuje ni na kakve
drustvene okvire u kojima nastaju i od kojih ovise razni oblici opcenja (Milic, 1978., 575.).
Niz se primjedbi moe izreci i na raun drugih definicija. Za Krippendorfa, tako,
analiza sadraja je istraivaka tehnika za izvodenje ponovljivih i valjanih zakljuaka iz
podataka, prema njihovu kontekstu (Krippendorf, 1981.). Jednostranosti i preusko
odredenje su, oito, imanentne i ovoj definiciji. Izuavani sadraj, naime, u njoj je
pretvoren u pukog posrednika pomocu kojeg se eli nesto spoznati o njegovu izvoru,
postao je dokument o nekim od stanja toga sadraja i nakanama koje se pomocu njega,
sadraja, ele ostvariti, i utoliko je izgubio bilo kakvu samostalnu vrijednost.
Zamjerke se, iako najmanje izraene, uputiti daju i 6andersmissenovu
(Vandersmisan) odredenju, po kojem analizu sadraja treba shvatiti skupom istraivakih
tehnika koje omogucuju objektivan, sistematski i kvantitativan opis emanacija ljudskog
ponasanja radi zakljuivanja o motivima i socioloskim osobinama autora tih emanacija i
izvodenja socioloskih reakcija koje su ovi poticaji u stanju da izazovu (prema Koenig,
1962., 572.). One se, naime, odnose na dosta nejasno odreden pojam emanacije, buduci
ona, isto terminoloski, odreduje neki sporedni proizvod, nesto sto se javlja kao
nusproizvod, a drustveno opcenje, komunikacija nije to nego i integralni sastavni dio
razliitih drustvenih djelatnosti.
Drugim rijeima, analiza sadraja je istraivaka tehnika kojom se iz drustvenog
opcenja (komunikacije) ele izvuci bitni socioloski zakljuci. O emu se, zapravo, radi?
Drustveno opcenje podrazumijeva postojanje odredene poruke, zbog koje ono uopce moe
egzistirati. Ali, ono podrazumijeva i odasiljatelja poruke i onoga tko poruku prima. Za
analizu sadraja bitni su, prije svega, poruka i njezin sadraj koji odaslani mogu biti
na razne naine. To moe biti uinjeno posredstvom raznih tipova dokumenata - zapisnika,
presuda, odluka itd. No, poruka moe biti proslijedena i preko masovnih medija - televizije,
radija, tiska, knjievnim i umjetnikim djelima, udbenikom literaturom i na druge naine.
Prouavanjem sadraja poruke u njima, koja u drustvu struji raznim kanalima, izvode se
zakljuci o shvacanjima odasiljatelja poruke, ali i o njihovim stavovima, vrijednostima i
nakanama, odnosima sa drugim drustvenim skupinama, organizacijama i zajednicama itd.
Primjer izvanredne primjene analize sadraja moe se pronaci u Weberovoj studiji
Protestantska etika i duh kapitalizma. Ispitivanjem sadraja raznih prirunika
Protestantske crkve, koji su primjenjivani u radu s vjernicima, Weber je ustanovio da su u
njima potencirani radinost, stedljivost, suzdrljivost od materijalnih uitaka itd., one etike
vrijednosti koje su pogodovale razvoju kapitalistikog duha i kapitalizma kao drustvenog
sustava.
Naravno, moderna drustva obiljeava stalni porast i masovnih medija i drugih
oblika drustvene komunikacije ali i raznih vrsta poruka i njihovih odasiljatelja i primatelja.
Sve to analizi sadraja danas daje i neke druge osobitosti. Ona, drugim rijeima, vise nije
samo skup metodoloskih instrumenata i postupaka jer se sve vise nastoji ukljuiti i u
podruja istraivanja koja zadiru u bit poruke, njezinu kvalitativnu dimenziju. No, i dalje joj
zajedniko nastojanje da se preko izraunavanja frekvencija, sifriranja i drugih operacija
dode do strukture teksta, a time i do dedukcije i zakljuivanja.
Pri tome je moguca njezina orijentacija i na statika i na dinamika istraivanja. O
emu se, u konkretnom sluaju radi? Statiki pristup se, naime, manje bavi procesima a
preferira opis stanja odredene pojave u odredenom vremenu i prostoru. U vezi s tom
znaajkom daju se sresti i prigovori statikom pristupu u analizi sadraja. Koliko je,
postavlja se pitanje, izabrani trenutak za pracenje pojave reprezentativan? Ova vrsta
prigovora eliminira se orijentacijom na promatranje procesa, latentnih struktura i faktora
nastajanja fenomena koji je predmet istraivanja primjenom analize sadraja, dinamikim
pristupom - uestalim promatranjem manjih segmenata vremena na vecem prostoru,
zatim smisljenim komparativnim ispitivanjem i posebno istraivanjem konteksta materijala
koji se analizira (Stojak, 1990., 15.)
Predmet analize sadraja je uvijek neka forma drustvenog opcenja, komunikacije,
onoga sto se javlja kao rezultanta posredovanja odredene poruke od njezina izvora,
120
odasiljaa do primatelja, pri emu se ona usmjerava na samo jedan element tog
komunikacijskog procesa, na poruku - njezin sadraj, ono sto je reeno, ali i njezin oblik -
kako je reeno, mirno, hladno, osjecajno, sa strascu, na neki drugi nain.
Odredi li joj se predmet na taj nain, 27.(>4&, 2(/6&'*' analize sadraja
relativno su razgranata. To je, prije svega, ispitivanje politike propagande, korene kojem
je udario Lasswell, ispitujuci ratnu propagandu tijekom Drugog svjetskog rata, ali i nakon
toga. U istraivakom smislu ispitivanje politike propagande se, u znaajnoj mjeri, oslanja
na prouavanje odredenih stereotipa, uestalosti njihova pojavljivanja, distribucije itd.
Kao tehnika analiza sadraja se, potom, dosta koristi i u istraivanjima tematskog
sadraja knjievnosti, likovnih umjetnosti, filma, karakteristinih raspoloenja, stava prema
suvremenim prilikama, ali i proslosti i buducnosti u podruju umjetnosti. U ovo podruje,
potom, spadaju i istraivanja u oblasti masovne kulture.
Jedno od podruja primjene analize sadraja je i prouavanje kolskih udbenika,
prije svega iz predmeta koji su, ili na bilo koji nain mogu biti, u vezi s vladajucom
ideologijom, s ciljem da se utvrdi kako ona utjee na prikazivanje raznih sadraja i njihovu
ocjenu.
Analiza sadraja se dosta intenzivno koristi i u izuavanjima jezika - ispitivanju
stilistikih osobina knjievnih djela, ispitivanju stupnja njihove razumljivosti, ali i nekih
drugih svojstava.
Na koncu, ona je i vrlo korisno sredstvo za sredivanje izvornih podataka u
socioloskim i drugim istraivanjima.
121
6. STATISTIKE TE#NIKE O%RADE PODATAKA
6.1. $VOD
6.1.1. <+7 &' 1+,+/1+/5,=
Statistika
40
je znanost o prikupljanju, organiziranju i interpretiranju podataka.
Prikupljanje i obrada podataka su i informacijske aktivnosti, bitne za svako istraivanje i
nune za vecinu zanimanja. Zato je poznavanje statistike uvjet uspjesnog obavljanja
velikog broja poslova i neophodno gotovo u svakom istraivakom projektu. Statistika je
znanstvena disciplina koja se slui razliitim tehnikama transformiranja podataka u
informacije.
U svakodnevnom ivotu statistika za razliite ljude i profesije ima razliito
znaenja. Za fakultet, statistika je ukupan broj upisanih studenata, prosjena ocjena na
studiju, prosjena placa profesora. Za farmera, statistika je ukupno zasijane povrsine
ratarskim kulturama u posljednjih dvadeset godina, prinos po jedinici povrsine. Za sport,
statistika je prosjean broj zgoditaka po utakmici, broj udaraca iz kuta na jednoj utakmici,
broj utih kartona. U svim tim prilikama pojam statistika je ispravno upotrijebljen, iako u
razliitim situacijama, s razliitim znaenjima, potrebama i ciljevima. U ovom poglavlju
statistika se promatra kao znanstvena disciplina u slubi procesu istraivanja, a osobito u
fazama strukturiranja podataka i analize. Statistika je znanstvena disciplina izravno
povezana s informatikom jer se razvojem informacijskih tehnologija obrade i prijenosa
podataka snano se prosiruje njeno podruje primjene.
6.1.2. P72>-,)/&, / >?7()/
U svakodnevnoj upotrebi pojam populacija asocira samo na ljude. U statistici ona
se ne odnosi samo na ljude nego na sve jedinice statistikog skupa (objekta promatranja i
analize). Statistiko obiljeje ili statistika varijabla je svojstvo zajedniko svim jedinicama
statistikog skupa. Skup svih dopustenih vrijednosti statistikog obiljeja zove se populacija
ili osnovni skup.
U statistici su pojmovi statistiki skup i populacija sinonimi. Ona ukljuuje sve
jedinice, sve elemente, objekte, u tom skupu.
D':/*/)/&, 6.1.1I Populacija je skup (kolekcija) svih mogucih vrijednosti obiljeja
koji opisuju odredenu pojavu.
D':/*/)/&, 6.1.2I Uzorak je podskup podataka izabran iz populacije.
P(/6&'( 6.1.1: Populacija moe biti sastavljena od svih ena u upaniji. Ako iz svake
opcine, grada ili mjesta izaberemo 50 ena, onda je skup odabranih ena uzorak.
40
Pojam statistika dolazi iz talijanskog jezika od rijei statista (inovnik).
122
P(/6&'( 6.1.2: Skup svih biljenica koje proizvodi tvrtka X je populacija. Sluajno se
odabere 200 biljenica. Takav skup je uzorak.
6.1.3. D'15(/2+/;*, / /*:'('*)/&,-*, 1+,+/1+/5,
Statistike tehnike mogu se upotrijebiti za opis i analizu cijele populacije (svih
jedinica statistikog skupa). U analizi se mogu upotrijebiti razliite numerike i grafike
(dijagramske) tehnike. Dio statistike namijenjen takvim primjenama je deskriptivna
statistika.
D':/*/)/&, 6.1.1I Dio statistike namijenjen opisu podataka (uzorka ili populacije)
naziva se deskriptivna statistika.
Ona obuhvaca postupke izraunavanja opisnih statistikih pokazatelja, tablinog i grafikog
prikaza podataka.
Cesto je sloeno ili veoma skupo obuhvatiti sve jedinke populacije. Zato se odabire dio
populacije, uzorak i na temelju uzorka se zakljuuje ili procjenjuju karakteristike populacije.
D':/*/)/&, 6.1.2I Dio statistike koji analizira uzorke i izvodi zakljuke o
populaciji na temelju uzoraka, naziva se inferencijalna statistika.
Inferencijalna statistika temelji se na teoriji vjerojatnosti.
6.1.4. R,4>*,-*/ 17:+;'( ?, 1+,+/1+/45' ,*,-/?'
Snaan razvoj obrade podataka mijenja nain ivota i rada gotovo svakog
pojedinca, mijenja gospodarstvo na posve drugaiji nain od svih ranijih tehnoloskih
promjena. Razvoj je oblikovao znanstveno podruje informatike koje je izrazito
interdisciplinarno. Informatika je spoj znanosti, tehnologija i primjena (aplikacija) strojne
obrade i prijenosa informacija. Ona se bavi hardverom, softverom, organizacijom
raunalnih mrea i raunalnih sustava, reprezentacijom i obradom podataka i signala,
pribavljanjem i upotrebom problemski specifinih znanja i njihovom primjenom. Pri tom
informatika apstrahira posebnosti pojedinanih primjena i arhitektura i analizira osnovne
teorijske koncepte i metode kako bi se primijenili pri izgradnji novih sustava. Pojam
informatika u njemakom govornom podruju ukljuuje sljedece informatike:
Tehnika informatika, dakle dio koji se bavi prvenstveno izgradnjom raunala.
Najvanija problemska podruja su brzina obrade, pohranjivanje podataka, organizacija i
arhitektura raunala.
Praktina informatika, dio koji je orijentiran na programiranje, kao i razvoj
softvera, programe koje izvode raunala. Najvanija podruja su izgradnja algoritama,
programski jezici, operacijski sustavi i jezici prevoditelji (sustavna i aplikacijska programska
potpora). Programi prevoditelji prevode programe pisane u izvornom jeziku u strojni kod.
Teorijska informatika, koja je prepoznatljiva i kao matematika osnova
informatike. Bavi se matematikim algoritmima primijenjenim u informatici (npr. rekurzivni
algoritam), formalnom ispravnosti programskih jezika i sl. Promatrane zajedno, tehnika,
praktina i teorijska informatika ine sredisnji dio, sr informatike (Kerninformatik).
Primijenjena informatika stoji nasuprot teorijskoj, praktinoj i tehnikoj informatici.
Ona istrauje mogucnosti primjene raunala. Pokusava ih primijeniti na sto je moguce vise
podruja svakodnevnog ivota i rada kako bi se olaksalo i ubrzalo izvrsavanje poslova.
Statistika se danas ne moe razvijati bez informatike. Primijenjena informatika u
statistici pronalazi stalno novo podruje istraivanja i primjene. Informatika i statistika su
zato u simbiozi, a ona najbolje dolazi do izraaja u obradama koje zahtijevaju velike i
sloene proraune i sadre ogromne koliine podataka. Danas je u upotrebi veci broj
statistikih paketa (primjenskih softvera) za statistike analize. Neki od njih su slijedeci:
SPSS (registrirani trademark SPSS, Inc.,Chicago)
123
SYSTAT (registrirani trademark SYSTAT, Inc., Evanston,II)
SAS (registrirani trademark SAS Institute, Inc., Cary, N.C.)
STATGRAPHICS (registrirani trademark Statistical Graphics Corp., Maryland).
Minitab (registrirani trademark Minitab, Inc., University Park, Pa),
STATISTICA itd.
Osim tih sloenih statistikih paketa u uporabi je za jednostavnije statistike
analize i primjenski softver temeljen na proraunskim tablicama Microsoft EXCEL. Za
statistiku je bitan dio koji se naziva "Data analysis.
6. 2 PRIKAZ PODATAKA
6.2.1 $;7.
Svojstvo po kojemu se jedinice statistikog skupa medusobno razlikuju nazivamo
vrijednost obiljeja. Vrijednosti obiljeja su kvantitativni ili kvalitativni podaci.
D':/*/)/&, 6.2.1I Kvantitativni podaci su vrijednosti obiljeja statistikog skupa
izraeni brojevima.
P(/6&'( 6.2.1I Visina studenta izraena u centimetrima ili teina izraena u kilogramima
su kvantitativni podaci. Kvantitativni podaci prikazuju koliinu ili iznos neega. To su
varijable kojima se mogu pridruiti cjelobrojne vrijednosti (npr. brzina=100km/h, dob=46
godina) ili realni brojevi (npr. visina=178,5 cm). Vrijednosti pridruene tim varijablama
imaju dva bitna svojstva:
a) mogu se usporediti (3<7 i 7 >5),
b) moe se mjeriti medusobna udaljenost: d(12,8)=3.
D':/*/)/&, 6.2.2I Kvalitativni podaci su vrijednosti obiljeja statistikog skupa
izraeni opisno (nenumeriki podaci).
P(/6&'( 6.2.2: Nacionalnost, spol, razina obrazovanja osobe unutar grupe su kvalitativni
podaci. Kvalitativni podaci nemaju ni jednu od dvije prikazane relacije bitne za numerike
(kvantitativne podatke). Nemaju kvantitativnu interpretaciju i prikazuju se simbolima. Dvije
vrijednosti simbolikih (kvalitativnih) varijabli mogu biti jednake ili razliite. One mogu
imati samo relaciju jednakosti (
, Bijelo Bijelo
Crveno Plavo ). Primjeri varijabli
simbolikog tipa su boja oiju, dravljanstvo, spol i sl.
Kvalitativne (simbolike) varijable s dvije vrijednosti mogu se konvertirati u dvije
numerike binarne vrijednosti 0 i 1. Ako simbolika varijabla moe poprimati N vrijednosti,
onda se i ona u statistici moe konvertirati u N binarnih znamenki. Jedna binarna varijabla
se pridruuje jednoj vrijednosti simbolike varijable. Ako, primjerice, varijabla ,boja oiju"
ima etiri vrijednosti: crno, smede, plavo i zeleno, onda se moe kodirati s etiri binarne
znamenke:
V(/&'.*71+ 1/687-/45'
;,(/&,8-'
K7.
Crno 1000
Smede 0100
Plavo 0010
Zeleno 0001
T,8-/), 1.: Kodiranje simbolikih varijabli
Kvalitativni podaci se mogu grupirati upotrebom nominalne ili ordinalne ljestvice, a
kvantitativni upotrebom odnosnih i intervalnih ljestvica. Te dvije ljestvice se razlikuju
124
prema nainu definiranja toke nula na ljestvici. Nula je na intervalnoj ljestvici arbitrarna i
ona ne znai potpuno odsustvo onoga sto se mjeri. Ta ljestvica nema apsolutnu, vec samo
relativnu nulu. Najbolji primjer je ljestvica za mjerenje temperature. Primjerice,
temperature od nula stupnjeva Celzijusa ne govore kako "nema topline", niti je s
temperaturom od 20 stupnjeva Celzijusa dvostruko hladnije nego s temperaturom od 40
stupnjeva Celzijusa. Nula na intervalnoj ljestvici temperature ne znai nepostojanje topline.
U analizi podataka prikazanih intervalnom ljestvicom mogu se primijeniti slijedece
statistike tehnike:
a) Aritmetika sredina,
b) Standardna devijacija,
c) Proporcije,
d) Dominantna vrijednost,
e) Koeficijent korelacije,
f) Koeficijent kontigencije,
g) Hi-kvadrat test,
h) Neparametrijski testovi
i) Z-vrijednost,
j) Koeficijent korelacije.
U odnosnoj ljestvici (ratio scale) ,nula" znai odsustvo onoga sto se mjeri. Jednake
razlike (udaljenosti) izmedu vrijednosti tih varijabli predstavljaju jednake razlike mjerenog
svojstva. Te varijable su numerike: kontinuirane ili diskontinuirane. Kontinuirane varijable
zapisuju se kao realni brojevi, a diskontinuirane kao cijeli brojevi. Primjeri diskontinuirane
varijable su broj stanovnika u jednom gradu, broj uposlenih u tvrtki, broj studenata i slino.
Primjeri kontinuiranih varijabli (zapisuju se najesce u obliku decimalnih brojeva) su visina
izraena u centimetrima, koliina tekucine izraena u litrima i slino.
Broj statistikih tehnika koje se mogu upotrijebiti u analizi podataka prikazanih
odnosnom ljestvicom je najveci. Odnose izmedu tipova podataka s obzirom na uporabljene
ljestvice mjerenja vrijednosti obiljeja statistikog skupa prikazuje slijedeca slika:
S-/5, 1.I Odnosi izmedu tipova podataka s obzirom na ljestvicu mjerenja
Kvalitativni podaci se mjere nominalnim i ordinalnim ljestvicama. Nominalne
ljestvice ne mogu istaknuti kriterij po kojem se vrijednosti mogu usporedivati (upotrijebiti
relacijski operatori "jednako", "vece od, ili "manje od).
P(/6&'( 6.2.3I Nain odlaska u zdravstvenu ustanovu je nominalni tip podataka. Mogu ga
initi etiri moguca naina odlaska:
a) setnjom,
b) autom,
125
c) biciklom,
d) autobusom.
P(/6&'( 6.2.4I Kodirani odgovori u upitniku: da, ne, dravljanstvo, nacionalnost i slino, su
nominalni tipovi podataka. Najesce metode analize kvalitativnih podataka prikazanih
nominalnom ljestvicom su:
a) Dominantna vrijednost,
b) Proporcije,
c) Koeficijent korelacije,
d) Koeficijent kontigencije,
e) Hi-kvadrat test,
f) Neparametrijski testovi.
Ordinalna ljestvica pridruuje vrijednostima obiljeja statistikog skupa opisanim
kvalitativnim podacima brojeve, slovne oznake ili simbole, prema stupnju (intenzitetu)
svojstva (npr. ocjena, zadovoljstvo). Stupanj tih razlika nije bitan, ali se vrijednosti
kvalitativnih obiljeja mogu urediti prema nekom redoslijedu.
P(/6&'( 6.2.5I Obitelj moe posjetiti vise ordinacija prilikom jednog posjeta zdravstvenoj
ustanovi. Ordinalna ljestvica s pet razliitih vrijednosti mjeri zadovoljstvo zdravstvenom
uslugom:
a) Veoma nezadovoljan = 0,
b) Nezadovoljan = 1,
c) Indiferentan = 2,
d) Zadovoljan =3,
e) Veoma zadovoljan = 4.
Ordinalna ljestvica ne mora nuno biti linearna. Razlike u znanju uenika
ocjenjenih ocjenama 4 i 5 ne moraju biti jednake razlici u znanju uenika ocjenjenih s 3 i 4.
Najesce metode analize kvalitativnih podataka prikazanih ordinalnom ljestvicom
su:
a) Koeficijent korelacije,
b) Centralna vrijednost,
c) Koeficijent konkordancije.
6.2.3. P(/5,? 5;,-/+,+/;*/A 27.,+,5,
U opisu kvalitativnih podataka potrebno je definirati klase (razrede) tako da se
jedan element statistikog skupa moe svrstati u jedan i samo jedan razred. Statistiki
skup se opisuje brojem objekata (jedinica skupa) ili proporcijom broja jedinica razreda u
odnosu na ukupan broj jedinica statistikog skupa.
D':/*/)/&, 6.3.1I Relativna frekvencija razreda je broj jedinica koji se nalaze u
jednom razredu u odnosu na ukupan broj jedinica statistikog skupa.
skupu u jedinica roj !kupan
ra"redu u jedinica Broj
ra"reda a #rekvencij $ela%ivna
Umjesto relativne frekvencije razreda esto se koristi i postotak za razred. On se
moe izraunava upotrebom formule:
Postotak razreda = Relativna frekvencija razreda * 100
126
P(/6&'( 6.3.1 Klasifikacija studenata prema broju bodova postignutih na ispitu iz
predmeta "Informatika je prikazan u tablici Tablica 2. Tablica frekvencija je generirana
uporabom SPSS-a:
7roj ,cjene 7roj ,cjene 7roj ,cjene
indeks
a
indeks
a
indeks
a

212 Vrlodobar 55 Izvrstan 931 Izvrstan
34 Dovoljan 96 Izvrstan 842 Izvrstan
45 Dobar 29 Dobar 750 Dobar
36 Dovoljan 48 Nedovoljan 801 Dovoljan
354 Dobar 19 Izvrstan 275 Vrlodobar
431 Dobar 99 Dobar 43 Dobar
222 Izvrstan 342 Izvrstan 999 Dovoljan
456 Izvrstan 777 Izvrstan 404 Dobar
321 Vrlodobar 245 Vrlodobar 599 Izvrstan
89 Izvrstan 334 Dovoljan 733 Dobar
667 Nedovoljan 345 Nedovoljan 749 Dobar
84 Dobar 987 Vrlodobar 666 Dovoljan
39 Dobar 57 Nedovoljan 111 Nedovoljan
676 Izvrstan 325 Nedovoljan 902 Izvrstan
99 Nedovoljan 8 Dobar 847 Izvrstan
910 Izvrstan 401 Dobar
T,8-/), 2.: Ocjene studenata na ispitu
Upotrebom statistikog paketa SPSS moe se prikazati tablica frekvencija
vrijednosti varijable Ocjene:
Ocjene
14 29,8 29,8 29,8
6 12,8 12,8 42,6
15 31,9 31,9 74,5
7 14,9 14,9 89,4
5 10,6 10,6 100,0
47 100,0 100,0
Dobar
Dovoljan
Izvrstan
Nedovoljan
Vrlodobar
Total
Valid
Fre!en"# $er"ent Valid $er"ent
&!'!lative
$er"ent
6.2.4. G(,:/45/ 2(/5,? 5;,-/+,+/;*/A 27.,+,5,
Linijski i povrsinski grafikoni su dvije najesce grafike metode opisa simbolikih
(kvalitativnih) podataka. Povrsinski grafikoni prikazuju podatke povrsinama geometrijskih
likova, a njihove su povrsine upravo razmjerne frekvencijama pojedinih razreda.
P(/6&'( 6.4.1 (povrsinski graf) Povrsinski graf generiran pomocu raunala upotrebom
Excela za varijablu ocjena je prikazan na slijedecoj slici:
127
Povrinski graf
0 2 4 6 8 10 12 14 16
Dobar
Dovoljan
Izvrstan
Nedovoljan
Vrlodobar
O
c
j
e
n
a
Frekvencija
Isti rezultat se moe dobiti uporabom povrsinskog grafikona u paketu SPSS:
(ars s)o* "o!nt s
0 5 10 15
Count
Dobar
Dovolj an
Izvrstan
Nedovoljan
Vrl odobar
O
c
j
e
n
e
n=14 14
n=6 6
n=15 15
n=7 7
n=5 5
Ocjene
Kruni dijagrami dijele cijeli krug na dijelove. Povrsina svakog dijela je razmjerna
frekvencijama pojedinih razreda.
P(/6&'( 6.4.2 (kruni dijagram strukture): Kruni dijagram strukture, generiran pomocu
EXCEL-a za varijablu ,Ocjena", je prikazan na slijedecoj slici:
128
Frekvencija ocjena
Dobar+ 14+ 30,
Dovoljan+ 6+
13,
Izvrstan+ 15+
33,
Nedovoljan+ 7+
15,
Vrlodobar+ 4+
9,
Dobar
Dovoljan
Izvrstan
Nedovoljan
Vrlodobar
S-/5, 4,.: Kruni dijagram strukture uspjeha studenata na ispitu
Upotrebom SPSS-a dobit ce se slian prikaz:
Dobar
Dovoljan
Izvrstan
Nedovoljan
Vrlodobar
Ocjene
$ies s)o* -er"ents
Dobar
Dovol jan
Ivrstan
!e"ovolj an
#rlo"obar
.li/a 4b01 2r!3ni dija4ra' str!/t!re !-orabo' .$..5a
6.2.5. G(,:/45/ 2(/5,? 5;,*+/+,+/;*/A 27.,+,5,I T>5'J&'; SDL ./&,9(,6
Jedna od grafikih metoda opisa kvantitativnih podataka je Tukeyjev S-L dijagram.
To je posebna vrsta histograma (dijagram "stabla i lista) primjenjiva na male skupove
podataka.
K7(,)/ > ./?,&*> ./&,9(,6, SDL
1. Svaku vrijednost u skupu podataka podijeliti u dva dijela: stablo i list.
2. Sortirati stabla u rastucem redoslijedu u prvom stupcu (poeti s
najmanjim stablom i zavrsiti s najvecim).
3. Nastaviti s podacima postavljajuci list u odgovarajuci red u stablu.
Najesce se koriste dvoznamenkasti brojevi. Prikazat ce se nesto sloeniji
troznamenkasti brojevi u obliku S-L dijagrama:
129
P(/6&'( 6.5.1 Prikazani su podaci o broju eritrocita za 150 pacijenata u slijedecoj tablici:
2,7 2,7 2,7 2,7 2,8 2,8 2,8 2,8 2,8 2,8
2,8 2,8 2,8 2,8 2,8 2,8 2,8 2,8 2,8 2,8
2,8 2,9 2,9 2,9 2,9 2,9 2,9 2,9 2,9 2,9
2,9 3,0 3,0 3,0 3,0 3,0 3,0 3,1 3,1 3,1
3,1 3,1 3,2 3,2 3,2 3,2 3,2 3,2 3,2 3,2
3,2 3,2 3,2 3,3 3,3 3,3 3,3 3,3 3,4 3,4
3,4 3,4 3,4 3,4 3,5 3,5 3,5 3,5 3,6 3,6
3,6 3,6 3,6 3,6 3,6 3,6 3,6 3,6 3,6 3,6
3,6 3,6 3,6 3,7 3,7 3,7 3,7 3,7 3,7 3,7
3,8 3,8 3,8 3,8 3,8 3,8 3,8 3,8 3,8 3,8
3,8 3,8 3,8 3,9 3,9 3,9 3,9 3,9 3,9 3,9
3,9 3,9 3,9 3,9 3,9 3,9 3,9 3,9 4,0 4,0
4,0 4,0 4,0 4,0 4,0 4,0 4,0 4,0 4,0 4,0
4,1 4,1 4,1 4,2 4,2 4,2 4,2 4,2 4,4 4,4
4,4 4,6 4,6 4,6 4,6 4,6 4,9 4,9 4,9 5,1
T,8-/), 6.5.1.: Broj eritrocita u krvi 150 pacijenata (u tisucama 1000)
V7.'@,
?*,6'*5,
G1+,8-7H
J'./*/)'
G-/1+7;/H ! O2/1
2 77777777777 11 Vodeca znamenka 2, a prvi list je 7
to je broj 2,7. Ukupan broj
vrijednosti s vodecom znamenkom
2 je 11.
2 88888888888888999999999 23 Interval od 2 do 2,9, 23 pacijenata.
3 000001111111111 15 Interval od 3 do 3,1 ima 15
pacijenata.
3 22222223333 11 Interval od 3,2 do 3,3 ima 11
pacijenata.
3 444445555555 12 Interval od 3,4 do 3,5 ima 12
pacijenata.
3 666666666666667777777777777
27 Interval od 3,6 do 3,7 ima 27
pacijenata.
3 8888888888899999999999999999
28 Interval od 3,8 do 3,9 ima 28
pacijenata.
4 000111 6 Interval od 4,0 do 4,1 ima 6
pacijenata.
4 22222333 8 Interval od 4,2 do 4,3 ima 8
pacijenata.
4 55555 5 Interval od 4,5 do 4,5 ima 5
pacijenata.
4 0
4 888 3 Interval od 4,8 do 4,8 ima 3
pacijenata.
5 1 1 Posljednji interval ima jednog
pacijenata.
130
T,8-/), 6.5.2.I S-L prikaz statistikog skupa.
P Stem-and-Leaf Plot
Frequency Stem & Leaf
11,00 2 . 77777777777
23,00 2 . 88888888888888999999999
15,00 3 . 000001111111111
11,00 3 . 22222223333
12,00 3 . 444445555555
27,00 3 . 666666666666667777777777777
28,00 3 . 8888888888899999999999999999
6,00 4 . 000111
8,00 4 . 22222333
5,00 4 . 55555
,00 4 .
3,00 4 . 888
1,00 5 . 1
Stem width: 1,00
Each leaf: 1 case(s)
T,8-/), 6.5.3 S-L prikaz uporabom SPSS-a
Podaci su u S-L prikazu razvrstani u 13 razreda. Broj listova u svakom razredu je
frekvencija. Prednosti tog prikaza su ouvanje originalnih podataka i svi podaci su
sortirani u rastucem redoslijedu.
6.2.6. T,8-/4*/ 2(/5,? 5;,*+/+,+/;*/A 27.,+,5,I ./1+(/8>)/&, ('-,+/;*/A :('5;'*)/&,
Distribucija frekvencija ili distribucija relativnih frekvencija je esto potrebna u
istraivanjima za analizu i prikaz podataka. Posebno je prikaz kvantitativnih podataka u
obliku distribucije frekvencija pogodan za ogromne koliine podataka pohranjene u
relacijskim bazama podataka. Distribucija frekvencija je u obliku tablinih izvjesca u kojima
su podaci razvrstani u razrede (klase). Frekvencija je broj jedinica statistikog skupa koja
se moe pridruiti nekom razredu. Uvijek polazimo od pretpostavke da se jedna jedinica
pridruuje jednom i samo jednom razredu. Nema preklapanja podataka.
41

Broj eritrocita

Frequenc
y Percent
Valid
Percent
Cumulative
Percent
Valid 2,70 11 7,3 7,3 7,3
2,80 14 9,3 9,3 16,7
2,90 9 6,0 6,0 22,7
3,00 5 3,3 3,3 26,0
3,10 10 6,7 6,7 32,7
3,20 7 4,7 4,7 37,3
3,30 4 2,7 2,7 40,0
3,40 5 3,3 3,3 43,3
3,50 7 4,7 4,7 48,0
3,60 14 9,3 9,3 57,3
3,70 13 8,7 8,7 66,0
41
Postoje i takvi skupovi podataka u kojima isti element moe biti u dva ili vise skupova. Takvi
skupovi se nazivaju fuzzy skupovi.
131
3,80 11 7,3 7,3 73,3
3,90 17 11,3 11,3 84,7
4,00 3 2,0 2,0 86,7
4,10 3 2,0 2,0 88,7
4,20 5 3,3 3,3 92,0
4,30 3 2,0 2,0 94,0
4,50 5 3,3 3,3 97,3
4,80 3 2,0 2,0 99,3
5,10 1 ,7 ,7 100,0
Total 150 100,0 100,0
6.2.6.1 S+,+/1+/45/ */?
Statistiki niz nastaje uredivanjem (uredivanjem po nekom redoslijedu,
grupiranjem) vrijednosti obiljeja statistikog skupa. Redoslijedni, nominalni i numeriki niz
se tvore uredivanjem podataka po redoslijednom, nominalnom i numerikom obiljeju.
Vremenski niz je uredivanje podataka kronoloski.
6.2.6.2 G(>2/(,*&' 27.,+,5,
Grupiranje je postupak razvrstavanja podataka u grupe. U postupku grupiranja
podataka cilj je prikazati broj ponavljanja grupe u uzorku ili populaciji (frekvenciju).
Statistiki skup se sastoji od istovrsnih podataka (elemenata). Algoritam izraunavanja
minimalne i maksimalne vrijednosti unutar skupa je jednostavan pa je moguce podruje
obiljeja (raspona skupa) izmedu minimalne (donja granica) i maksimalne (gornja granica)
vrijednosti podijeliti na odredeni broj po veliini jednakih intervala, tzv. razreda. Prema
tome, podruje obiljeja dijeli se na ukupno 5 po veliini jednakih intervala tj. razreda ija
je sirina jednaka x. Ti intervali mogu se prikazati na brojevnom pravcu:
Svaki interval (razred) je odreden granicama razreda (xi i xi+1). irina razreda x se
uglavnom odreduje empirijski i konkretno na temelju podataka promatranog skupa, iako
postoje i odredena pravila (pr. m).
Izraunavanje distribucije frekvencija i distribucije relativnih frekvencija temelji se
na slijedecim algoritamskim koracima:
1. Odrediti broj razreda (podintervala) na koji se dijeli statistiki skup. Ne postoji opce
pravilo za odredivanje broja razreda. Obino je broj razreda k. U tom sluaju vrijedi
15 k 5 . Moe se uzeti i najmanji k koji je rjesenje eksponencijalna nejednadbe
& 2
1 k

gdje je N broj jedinica statistikog skupa, a k broj razreda.

2. Odrediti sirinu razreda
ra"reda Broj
ca 'onja(rani ica (ornja(ran

gdje je Gornja Granica manja ili jednaka najmanjoj vrijednosti obiljeja i Gornja Granica
veca ili jednaka najvecoj vrijednosti obiljeja.
3. Za svaku klasu izraunati broj jedinica koje razvrstavaju u razred. Taj broj se naziva
frekvencija razreda.
4. Izraunati za svaku klasu relativnu frekvenciju

populacije jednica Broj
ra"reda a )rekvencij
ra"reda a #rekvencij la%ivna $e
132
P(/6&'( 6.6.1I Kreirati tablicu frekvencija za statistiki skup koji ine podaci o broju
eritrocita za 150 pacijenata, a prikazani su u slijedecoj tablici:
2070 2,70 2,74 2,74 2,75 2,75 2,76 2,77 2,78 2,79
2,79 2,80 2,80 2,80 2,80 2,81 2,81 2,81 2,82 2,82
2,82 2,85 2,85 2,86 2,88 2,90 2,90 2,90 2,90 2,92
2,93 2,95 2,97 2,98 3,00 3,02 3,03 3,06 3,08 3,10
3,10 3,11 3,15 3,15 3,15 3,15 3,16 3,17 3,18 3,20
3,20 3,21 3,23 3,25 3,25 3,28 3,30 3,33 3,39 3,39
3,40 3,40 3,41 3,42 3,45 3,51 3,52 3,54 3,55 3,55
3,55 3,58 3,60 3,60 3,60 3,60 3,60 3,61 3,61 3,62
3,63 3,64 3,64 3,65 3,66 3,68 3,70 3,72 3,72 3,73
3,75 3,75 3,75 3,75 3,77 3,77 3,78 3,79 3,79 3,80
3,82 3,82 3,82 3,85 3,85 3,85 3,88 3,88 3,88 3,88
3,90 3,90 3,90 3,90 3,94 3,94 3,94 3,94 3,95 3,95
3,95 3,98 3,98 3,98 3,99 3,99 3,99 4,02 4,02 4,02
4,10 4,10 4,10 4,20 4,20 4,22 4,22 4,22 4,36 4,36
4,36 4,56 4,56 4,56 4,57 4,58 4,88 4,88 4,89 5012
T,8-/), 6.6.3: Podaci o broju eritrocita (u 000) u krvi
Pretpostavka je da se statistiki skup (vrijednosti mjerenja broja eritrocita za 150
pacijenata) dijeli u deset razreda tj. k=10. Prvi korak je odrediti sirinu razreda:
irina razreda=
ra"reda Broj
ca 'onja(rani ica (ornja(ran
= 242 , 0
10
42 , 2
10
70 , 2 12 , 5

.
Raz-
red
Donja
granica
Gornja
granica
Sredina
razreda
Frek-
vencija
Relativna
frekvencija
Kumulativna
frekvencija
Kumulativna
relativna
frekvencija
1 2,700 2,942 2,821 31 0,21 31 0,21
2 2,942 3,184 3,063 18 0,12 49 0,33
3 3,184 3,426 3,305 15 0,10 64 0,43
4 3,426 3,668 3,547 21 0,14 85 0,57
5 3,668 3,910 3,789 29 0,19 114 0,76
6 3,910 4,152 4,031 19 0,13 133 0,89
7 4,152 4,394 4,273 8 0,05 141 0,94
8 4,394 4,636 4,515 5 0,03 146 0,97
9 4,636 4,878 4,757 0 0,00 146 0,97
10 4,878 5,120 4,999 4 0,03 150 1,00
150 1
T,8-/), 6.6.4.I Distribucija frekvencija broja eritrocita za 150 pacijenata
Razredi uvijek ne moraju biti iste sirine. Bitno je da su oni medusobno iskljuivi, a
to znai jedna jedinica populacije je u samo jednom razredu. Osim toga, dva susjedna
razreda ne moraju imati zajedniku granicu. Prije analize distribucije frekvencija razreda
razliite sirine, potrebno je odrediti prave granice.
Broj podataka u razredu je njegova apsolutna frekvencija (npr. apsolutna
frekvencija prvog razreda je 31). Ako su podaci razvrstani u 5 razreda, onda ce se
apsolutne frekvencije oznaiti s f1; f2,..., fk. U danom primjeru je f1=31, f2=18, f3=15 ...
f10=4. U tom je sluaju f1+ f2 + f3 +...+ f10=31+18+15+...+4=150. Zbroj svih apsolutnih
frekvencija je opseg osnovnog skupa.
133
Relativna frekvencija je omjer apsolutne frekvencije i opsega osnovnog skupa tj.:
&
#
p
i
i
; 21 , 0
150
31
&
#
p
1
1
.
Zbroj svih relativnih frekvencija uvijek je 1, tj. * 1 p *** p p
k 2 1
+ + +
Ako razredu nedostaje jedna od dviju granica, onda je on otvoren. Primjera radi,
razredi u slijedecoj tablici se formiraju na temelju dobi pacijenta:
Razred: dob
do 7
8 do 15
16 do 23
.......
56 do 63
64 i stariji

Pravilnosti i zakonitosti tesko je uoiti u izvornim podacima. Zato se kvantitativni
podaci ureduju u numeriki niz po veliini ili grupiranjem u razrede. Ako su podaci
kontinuirani, onda se formiraju razredi.
6.2.7. G(,:/45/ 2(/5,? 5;,*+/+,+/;*/A 27.,+,5,I A/1+79(,6 / 27-/97*
Povrsinski dijagrami i dijagrami strukture slue za prikaz kvalitativnih podataka. Ili,
slueci se porukom poznate izreke, jedna slika vrijedi kao tisucu rijei. Kvantitativni
podaci se mogu prikazivati u grafikom obliku.
6.2.7.1 #/1+79(,6
Kada se crta histogram, analizirana pojava se prikazuje na vodoravnoj osi (mjerilo za
vrijednosti numerikog obiljeja), a na okomitoj apsolutna frekvencija (ako se crta
histogram frekvencija) ili relativna frekvencija. Pravokutnici u histogramu frekvencija se
crtaju u sredini razreda, a njegova visina je odredena frekvencijom.
P(/6&'( 6.7.1I Prikazati histogram frekvencija za statistiki skup broja eritrocita u krvi na
temelju podataka iz tablice 6.6.4.
Histogram frekvencija
0
5
10
15
20
25
30
35
2,82 3,06 3,31 3,55 3,79 4,03 4,27 4,52 4,76 5
+redine ra"reda
)
r
e
k
v
e
n
c
i
j
a
134
,%voreni
ra"redi
S-/5, 6.7.1I Histogram frekvencija broja
eritrocita prikazanih u tablici 6.6.4
Najrasireniji linijski dijagram prikaza numerikih nizova je poligon frekvencija. Kao i
kod histograma na vodoravnoj osi je mjerilo za vrijednosti numerikog obiljeja analizirane
pojave), a na okomitoj osi apsolutna frekvencija. Ponekad se naziva i mnogokutnikom jer
linije koje povezuju vrhove ordinata (frekvencije razreda) tvore veci ili manji kut. Poligon
frekvencija na temelju podataka iz tablice 6.6.4 ima slijedeci izgled:
Poli-on #rekvencija
0
5
10
15
20
25
30
35
2
,
8
2
1
3
,
0
6
3
3
,
3
0
5
3
,
5
4
7
3
,
7
8
9
4
,
0
3
1
4
,
2
7
3
4
,
5
1
5
4
,
7
5
7
4
,
9
9
9
+redina ra"reda
)
r
e
k
v
e
n
c
i
j
a
S-/5, 6.7.2.: Poligon frekvencija broja eritrocita prikazanih u tablici 6.6.4
Prednosti poligona frekvencija u odnosu na histogram frekvencija u jednostavnijem
su i jasnijem prikazu. Oblik linije asocira na oblik distribucije frekvencija. Ako je ranije
nacrtan histogram frekvencija, onda je dovoljno povezati sredine vrhova stupaca i kreiran
je poligon frekvencija.
6.2.8. K>6>-,+/;*' ./1+(/8>)/&' :('5;'*)/&, / 5>6>-,+/;*/ 27-/97*/
Tablice kumulativne distribucije frekvencija su jednostavna sredstva analize
podataka. Ponekad se ta empirijska funkcija distribucije naziva "kumulativni niz", a formira
se zbrajanjem originalnih frekvencija (apsolutnih ili relativnih) numerikog niza. Prvo je
potrebno pojasniti kako se formira kumulativni niz "manje od" za diskontinuiranu
numeriku varijablu, za ije razrede su izraunate apsolutne frekvencije. Pretpostavka je da
statistiki skup ima n razreda ije su granice odredene vrijednostima x1, x2, ..., xn, xn+1.
Razredi su oznaeni respektivno s C1, C2, ..., Cn. Razred Ck = [xk, xk+1) .
S-/5, 6.8.1: irine razreda
Apsolutna frekvencija razreda Ck je fk, a relativna frekvencija rk. Postavi li se pitanje koliko
pacijenata ima manje od 2,942 eritrocita, onda je odgovor apsolutna frekvencija prvog
razreda. Taj broj pacijenata je 31, odnosno apsolutna frekvencija f1. Koliko pacijenata ima
manje od 3,063 eritrocita? Odgovor je 31+18=49 ili f1+ f2=49. Opcenito, broj pacijenata iji
je broj eritrocita manji ili jednak Xk+1 je zbroj apsolutnih frekvencija f1+ f2 + f3+ ...fk. Slina
135
logika se moe upotrijebiti za kumulativnu relativnu frekvenciju. Korespondirajuca
kumulativna relativna frekvencija je r1 +r2+...+rk.
P(/6&'( 6.8.1I Tablica 6.6.4 prikazuje frekvenciju, kumulativnu frekvenciju, relativnu
frekvenciju i distribuciju kumulativnih relativnih frekvencija eritrocita u krvi 150 pacijenata.
.u/ula%ivne #rekvencije
0
20
40
60
80
100
120
140
160
2
,
8
2
3
,
0
6
3
,
3
1
3
,
5
5
3
,
7
9
4
,
0
3
4
,
2
7
4
,
5
2
4
,
7
65
+redine ra"reda
)
r
e
k
v
e
n
c
i
j
a
S-/5, 6.8.2.I Kumulativna frekvencija broja
eritrocita u krvi 150 pacijenata
6.2.9. Z,.,)/ ?, ;&'C8>
Ekonomski institut je istraivao misljenje 1652 ispitanika medijima ekonomske
propagande. Odgovori na pitanje, koja su najvanija sredstva ekonomske propagande,
prikazani su u tablici:
M'./& R'-,+/;*,
:('5;'*)/&,
Tjednik 0.04
Radio 0.31
Televizija 0.52
Dnevne novine 0.09
Reklamni panoi 0.02
Drugi mediji 0.02
Zadatak je:
a) Upotrijebiti jednu od grafikih metoda prikaza podataka.
b) Koja je proporcija ispitanika misljenja da su televizija ili dnevne novine najbolja
sredstva ekonomske propagande.
c) Izraunati apsolutne frekvenciju odgovora ispitanika.
d) Prikazati kumulativne frekvencije odgovora ispitanika.
6.3. MJERE "ENTRALNE TENDEN"IJE0 RASPR<ENJA I STATISTIKI MOMENTI
6.3.1. $;7.

U ranijim poglavljima originalni podaci (podaci dobiveni prikupljanjem) su
smjesteni u tablice i prikazani odgovarajucim dijagramima. U poglavlju koje slijedi iz tih
sirovih (originalnih) podataka bit ce izraunat niz pokazatelja koji ce posluiti za analizu i
interpretiranje kvantitativnih podataka. Cetiri su mjere pokazatelja najznaajniji i to:
a) Centralne tendencije
b) Disperzije
c) Relative standing
136
d) Rasprsenja
Ako se te mjere izraunavaju iz cijele populacije, onda se nazivaju parametri. Ako se
izraunavaju iz uzoraka (uzorci se preferiraju u statistici), nazivaju se statistike
(1+,+/1+/)1H.
6.3.2. M&'(' )'*+(,-*' +'*.'*)/&'

Mjere centralne tendencije usporeduju dvije distribucije frekvencija, pri emu je
svaka distribucija prikazana samo jednim parametrom ili karakteristikom. Postoji vise mjera
centralne tendencije i zato je uvijek dvojba koju vrijednost upotrijebiti. Naravno, razliit je i
nain izraunavanja srednje vrijednosti koja prikazuje centralnu tendenciju neke distribucije
frekvencija.
Svojstva srednjih vrijednosti glavni su kriterij izbora te mjere u odredenoj situaciji.
6.3.2.1. A(/+6'+/45, 1('./*,
D':/*/)/&, 3.1I Ako su
n
x x x , , ,
2 1

vrijednosti varijable x, onda je aritmetika
sredina x jednaka :
n
0
n
0 *** 0 0
0
n
1 i
i
n 2 1

+ + +

D':/*/)/&, 3.1,I Aritmetika sredina populacije izraunava se po formulu
&
0
&
1 i
i

gdje je: K/ vrijednost numerikog obiljeja, a N broj jedinica
populacije.
Definicije aritmetike sredine populacije i uzorka su jednake. To vrijedi i za ostale
mjere centralne tendencije. Ali za varijance uzorka i populacije formule su razliite.
P(/6&'( 3.1I Dane su vrijednosti statistikog obiljeja: 3.5; 6.8; 6.4; 2.5; 5.4; 9.4; 12.9;
8.1. Po definiciji: x = (3.5 + 6.8+6.4+ 2.5+ 5.4+9.4 + 12.9 + 8.1)/8 = 6.875
6.3.2.1.1. P('.*71+/ ,(/+6'+/45' 1('./*'
Aritmetika sredina je jedinstvena mjera tendencije vrijednosti numerikog
obiljeja. Pogodna je za usporedbe tendencije vrijednosti vise skupova podataka. Zbroj
odstupanja originalnih vrijednosti obiljeja od aritmetike sredine jednak je nuli. Znai:
0 ) 0 0 1
n
1 i
i

i 0 ) 0 0 1 #
n
1 i
i i

; gdje su:
fi frekvencija statistikog obiljeja ili frekvencija razreda,
xi vrijednost numerikog obiljeja ili sredine razreda,
0
srednja vrijednost (aritmetika sredina).
Zbroj kvadrata odstupanja originalnih vrijednosti numerikog obiljeja od
aritmetike sredine jednak je minimumu. Dakle:
/in ) 0 0 1
2
n
1 i
i

Aritmetika sredina je uvijek izmedu najmanje i najvece vrijednosti numerikog

obiljeja varijable Xi, odnosno:
/a0 /in
2 2 2 < <
137
6.3.2.1.2. N'.71+,)/ ,(/+6'+/45' 1('./*'
Najveci nedostatak aritmetike sredine je sklonost utjecaju ekstrema na njenu
vrijednost tako da ona ne odraava stvarnu distribuciju vrijednosti numerikog obiljeja. Zato
je dobro iskljuiti ekstremne vrijednosti u izraunavanju aritmetike sredine jer je ona tada
mnogo reprezentativnija.
42
6.3.2.2. #,(67*/&15, 1('./*, / 9'76'+(/&15, 1('./*,
Harmonijska sredina # i geometrijska sredina G i izraunavaju se prema ovim
izrazima:
0 0
0
1
n
3
i
n
1 i i

i n ,***, 2 , 1 i 0 4 *** 4 0 4 *** 4 0 4 0 (

n
n i 2 1


P(/6&'( 3.1.2I Dani su podaci o tjednoj prodaji proizvoda A u komadima tijekom osam
tjedana: 21; 34; 32; 56; 12; 38; 44; 41; Izraunati aritmetiku, harmonijsku i
geometrijsku sredinu.
Aritmetika sredina je:
75 * 34
8
41 44 38 12 56 32 34 21
n
0
0
n
1 i
i

+ + + + + + +

Harmonijska sredina je:
28 * 28
41
1
44
1
38
1
12
1
56
1
32
1
34
1
21
1
8
0
1
n
3
n
1 i i

+ + + + + + +

Geometrijska sredina jeI

83 * 31 41 4 44 4 38 4 12 4 56 4 32 4 34 4 21 0 4 *** 4 0 4 *** 4 0 4 0 (
8
8
8 5 2 1
.
Izmedu aritmetike, harmonijske i geometrijske sredine te minimalne i maksimalne
vrijednosti numerikog obiljeja postoji slijedeci odnosi:
/a0 /in
0 0 ( 3 0 < < < < .
Harmonijska sredina # i geometrijska sredina G mogu se promatrati kao
transformirane aritmetike sredine:
n
0 lo-
n
0 lo- *** 0 lo- 0 lo- 0 lo-
( lo-
n
1 i
i
n 3 2 1

+ + + +

. Logaritam geometrijske sredine
jednak je aritmetikoj sredini logaritama vrijednosti numerike varijable.
n
0
1
n
0
1
***
0
1
0
1
0
1
3
1
n
1 i i n 3 2 1

+ + + +

. Reciprona vrijednost harmonijske sredine jednaka je
aritmetikoj sredini recipronih vrijednosti numerike varijable.
6.3.2.3. M'./&,*
42
Ostale potpune srednje vrijednosti: harmonijska sredina, geometrijska sredina, vagana harmonijska
sredina, aritmetika sredina relativnih brojeva koordinacije izvan su ciljeva postavljenih u
udbeniku. One su dio sadraja svakog udbenika statistike.
138
D':/*/)/&, 3.2I Medijan m je vrijednost koja niz podataka uredenih po veliini
dijeli na dva jednaka dijela. Polovina podataka je manja od medijana m, a druga
polovina je veca.
Formula za izraunavanje medijana sortiranog skupa podataka u rastucem redoslijedu je:
P(/6&'( 3.2I Odrediti medijan za skup podataka koga ine slijedece vrijednosti: 12; 8;
6;14;15;5; 9;19;17.
R&'3'*&': Prvo ce se sortirati skup vrijednosti u rastucem redoslijedu: 5; 6; 8; 9; 12; 14;
15;17;19. (roj n!'eri6/i) vrijednosti je ne-aran, n = 2 * 5 - 1, te je medijan m = x5 = 12.
Polovina podataka: 5,6,8,9 je manja od medijana, a druga polovina: 14,15,17,19 je veca
od vrijednosti m=12.
P(/6&'( 3.2I Dane su slijedece vrijednosti numerikog obiljeja: 14; 13; 12; 43; 17;
6;18;4. Odrediti medijan.
R&'3'*&'I Prvo se sortira skup vrijednosti u rastucem redoslijedu: 4;6;12;13;14;17;18;43.
Broj podataka je paran n = 2 x 4, onda je, po definiciji, 5 * 13
2
14 13
2
0 0
5edian
5 4

+

+
.
Temeljna prednost medijana nad aritmetikom sredinom je smanjenje utjecaja
ekstremnih vrijednosti na tu mjeru centralne tendencije
6.3.2.4. M7.
D':/*/)/&, 3.3I Mod je najesca vrijednost u nizu podataka. To je vrijednost
obiljeja koje ima najvecu frekvenciju.
P(/6&'( 3.3.3I Odrediti mod za podatke u slijedecoj tablici 3.1.
176 183 195 182 176
179 181 186 191 178
181 193 197 182 181
186 193 181 182 181
187 178 188 186 178
187 193 191 195 191
T,8'-, 3.1I Visine 30 studenata u cm
R&'3'*&'I Prvo ce se sortirati podaci u rastucem redoslijedu, a zatim izraunati apsolutne
frekvencije numerikog obiljeja visina studenata:
176 176 178 178 178
179 181 181 181 181
181 182 182 182 183
186 186 186 187 187
188 191 191 191 193
193 193 195 195 197
139
( )

'

+


+
paran) je n 1 k 2 n je ako 0 0
2
1
neparan) je n 1 1 k 2 n je ako 0
/ 5edijan
1 k k
k
Najesce se ponavlja vrijednost obiljeja 181 cm (najveca frekvencija), pa je mod 181 cm.
Skup podataka moe imati vise vrijednosti numerikih obiljeja ije su frekvencije najvece.
To je multimodalni skup podataka. Ako skup podataka ima samo jedan mod, onda vrijedi
slijedeca korisna empirijska relacija:
Aritmetika sredina-mod=3* (Aritmetika sredina-medijan)
Aritmetika sredina, medijan i mod su tri mjere centralne tendencije i one su razliite.
Najesce u uporabi je aritmetika sredina.
6.3.2.5. R,127* ;,(/&,)/&,
D':/*/)/&, 3.4I Raspon varijacija je razlika izmedu najvece i najmanje vrijednosti
numerikog obiljeja, odnosno
/in /a0 0
0 0 r
gdje je
/a0
0
= najveca vrijednost obiljeja,
/in
0 = najmanja vrijednost obiljeja.

6.3.3. V,(/&,*), / 1+,*.,(.*, .';/&,)/&,
Najvanije mjere disperzije su varijanca i standardna devijacija.
D':/*/)/&, 3.5I Varijanca je jednaka je aritmetikoj sredini kvadrata odstupanja
vrijednosti numerikog obiljeja od aritmetike sredine tog obiljeja:
( )
&
0
&
1 i
2
i
2



gdje je:
2
=varijanca populacije;
i
0 = vrijednost obiljeja;

= aritmetika
sredina populacije, te N = ukupan broj jedinica populacije.
Zato sto je varijanca prosjeno kvadratno odstupanje od aritmetike sredine
ponekad se naziva i srednje kvadratno odstupanje.
D':/*/)/&, 3.6I Standardna devijacija populacije je drugi korijen varijance.
( )
&
0 0
&
1 i
i
2



Mjerna jedinica varijance je kvadrat jedinice u kojoj su izraene vrijednosti
obiljeja, a mjerna jedinica standardne devijacije je ista kao i kod promatranog obiljeja.
D':/*/)/&, 3.6,I Varijanca uzorka za vrijednosti obiljeja
n
x x x , , ,
2 1

je
definirana formulom:
( )
1
2
1 2

n
x x
s
n
i
i
140
pri emu je :
2
s =varijanca uzorka; x = aritmetika sredina uzorka; n = broj
jedinica u uzorku.
Standardna devijacija uzorka je
2
s s .
U nazivniku varijance uzorka umjesto n uporabljeno je n-1 jer su statistiari pokazali da je
takva definicija varijance uzorka nepristrana procjena varijance populacije iz koje je uzet
uzorak. Oekivana vrijednost varijance
2
s je jednaka varijanci populacije.
6.3.3.1. P(/6&'*' 1+,*.,(.*' .';/&,)/&'
Standardna devijacija omogucuje procjenu vrijednosti statistikog obiljeja u
odnosu na aritmetiku sredinu. Ta procjena ima veliki stupanj pouzdanosti. U upotrebi je
teorem ruskog matematiara P.L. $heb*shev (1821-1894). One ce rijetko odstupati od
aritmetike sredine za vise od +3.
T'7('6 "A'8J1A';L,I Za bilo koji skup podataka s aritmetikom sredinom x i
standardnom devijacijom s najmanje 75M vrijednosti se nalazi u intervalu
s x 2 t i najmanje 88089M vrijednosti unutar intervala s x 3 t .

Moe se mjeriti postotak podataka koji se nalaze unutar odredenog intervala
vrijednosti za krivulju koja je zvonolika i simetrina u odnosu na aritmetiku sredinu
43
.
E62/(/&157 2(,;/-7
Za zvonolike distribucije, a takva je normalna distribucija:
U intervalu +4 1 0 nalazi se priblino 68% podataka,
U intervalu + 4 2 0 nalazi se priblino 95% podataka (najmanje 75% svih
podataka),
U intervalu +4 3 0 nalazi se priblino 99,7% podataka (najmanje 88,89% svih
podataka).
6.3.4. M&'(' ('-,+/;*' (,12(3'*71+/I 57':/)/&'*+ ;,(/&,)/&'
Standardna devijacija je apsolutna mjera rasprsenosti ija je jedinica mjere
jednaka jedinici mjere jedinica statistikog skupa. Za usporedivanje varijacija u statistikim
skupovima koji imaju razliite jedinice mjere ne moe se koristiti standardna devijacija.
Zato je potrebna mjera u kojoj nece biti bitne jedinice mjere. Tako je konstruiran
koeficijent varijacije. On je relativna mjera rasprsenosti koja moe usporediti rasprsenost
za dva razliita obiljeja, npr.: teine studenata u kilogramima i visine u centimetrima.
D':/*/)/&, 3.4.1I Koeficijent varijacije V je postotni omjer standardne devijacije i
aritmetike sredine

100 4
0
v

Jedinica koeficijenta varijacije je postotak. On je primjenjiv na populaciju i na uzorak.

43
Najmanja proporcija lanova bilo koje populacije u intervalu od X + k, k > 1 iznosi (k je cijeli
broj):
2
k
1
1 p

1 k
k
1
1 ) 4 k 0 0 4 k 0 1 P
2
> + < <
.
141
P(/6&'( 3.6: Mjerena je teina studenata. Standardna devijacija teina studenata je 7
kilograma. Prosjena teina je 65 kilograma. Istodobno je mjerena i visina studenata.
Standardna devijacija visine je 8 centimetara, a prosjena visina je 178 cm. Je li veca
varijabilnost teine ili visine studenata?
Koeficijent varijacije teine studenata je 6 11 100 4
65
7
7
Koeficijent varijacije visine studenata je 6 4 100 4
178
8
7
Zakljuak je da visina studenata manje varira nego njihova teina.
6.3.4.1. M&'(' ('-,+/;*' (,12(3'*71+/
Ponekad je potrebno saznati relativno mjesto neke jedinice u statistikom skupu (u
odnosu na druge jedinice populacije). Takve mjere se nazivaju mjere relativne rasprsenosti.
Mjera koja izraava poziciju u postocima naziva se percentil.
D':/*/)/&, 3.9I Skup podataka je ureden u rastucem (ili opadajucem)
redoslijedu. Neka je 2 broj izmedu 0 i 1. Ako vrijednost Q(p) ima svojstvo da je
udio podataka manji ili jednaki Q(p) najmanje 2 i udio podataka veci ili jednaki
Q(p) je najmanje 1 N 2 onda se on zove p-kvantil (kvantil razine 2H.
Medijan je kvantil razine 0.5 il 50% kvantil. Kvantili razina 0.1; 0.2;...; 0.9 zovu se decili, a
kvantili razina 0.01; 0.02;... ; 0.99 zovu se percentili. Ideja kvantila moe se prikazati na
slijedeci nain:

S-/5, 3. 9.1I Percentili razina 0.25, medijan i 0,75
Kvantili razina 0.25 (25%), medijan (0.5) i 0.75 su esto u upotrebi jer dijele skup
podataka u etiri dijela. Svaki dio sadri jednu etvrtinu (25%) statistikog skupa.
Relativne frekvencije su podijeljene u etiri dijela kao sto pokazuje prethodna slika. Kvantili
razina 0.25 i 0.75 zovu se donji i gornji kvartil i oznaavaju s Q1 = Q(0.25) i Q3 = Q(0.75).
D':/*/)/&, 3.10I Donji kvantil, Q1, je percentil razine 0.25.
D':/*/)/&, 3.11I Medijan je percentil razine 0.5.
D':/*/)/&, 3.12I Gornji kvantil je percentil razine 0.75.
D':/*/)/&, 3.13I Interkvartil za skup podataka je Q3 - Q1 .
142
Q1 M Q3
S-/5, 3.8.1: Odredivanje donjeg, srednjeg i gornjeg kvartila
I?(,4>*,;,*&' 5;,(+/-, ?, 6,*&/ 15>2 27.,+,5,I
Sortirati u rastucem ili opadajucem redoslijedu skup podataka. Izraunati izraz
4
1 n +
, a rezultat zaokruiti na najbliu cjelobrojnu vrijednost. Ako je izraz izmedu
dvije cjelobrojne vrijednosti, onda je zaokruiti na vecu. Vrijednost obiljeja u
tom rangu predstavljaju donji kvartil.
Gornji kvartil se izraunava izrazom
4
) 1 n 1 4 3 +
i zaokruuje na najbliu
cjelobrojnu vrijednost. Ako je izraz izmedu dvije cjelobrojne vrijednosti, onda je
zaokruiti na manju.
P(/6&'( 3.7 Izraunati donji kvartil, medijan i gornji kvartil za podatke u tabliciI
176 183 195 182 176
179 181 186 191 178
181 193 197 182 181
186 193 181 182 181
187 178 188 186 178
187 193 191 195 191
R&'3'*&'I Podatke u tablici prvo sortirati u rastucem redoslijedu:
176 176 178 178 178
179 181 181 181 181
181 182 182 182 183
186 186 186 187 187
188 191 191 191 193
193 193 195 195 197
Broj jedinica je n = 30. Donji kvartil je (30+1)/4 = 31/4 = 7.75. Zaokruuje se na vecu
vrijednost te je kvartil osma jedinica skupa podataka, a vrijednost obiljeja je 181.Gornji
kvartil je 3(n+1)/4 = 3*(30+1)/4 = 23.25. Zaokruuje se na manju cjelobrojnu vrijednost
te je gornji kvartil 23 jedinica skupa podataka, a njegova vrijednost je vrijednost je 191.
143
'onji
kvar%il
(ornji
kvar%il
Medijan je 5 * 184
2
186 183
2
0 0
16 15

+
(izraunava se za paran broj podataka tj.
30=2*15). Mjesto tih kvartila je naznaeno na slici koja slijedi:
170 175 180 185 190 195

Min=176 Q1=181 M=184.5 Q3=191
Max=197
S-/5, 3.8.2I Pozicioniranje kvartila za podatke iz prethodne tablice
Slijedeca mjera relativne rasprsenosti je zD78/-&'C&' (standardizirano obiljeje). Ono
izraunava udaljenost vrijednosti obiljeja od aritmetike sredine mjereno standardnim
devijacijama.
D':/*/)/&, 3.14I Standardizirano obiljeje( z - obiljeje) se izraunava:
a) za populaciju: z=

x
gdje je x = vrijednost obiljeja uzetog iz populacije,

= aritmetika sredina
populacije, te

= standardna devijacija populacije.

b) za uzorak: z=
s
x x
gdje je x = vrijednost obiljeja uzetog iz uzorka, x = aritmetika sredina
uzorka, te s = standardna devijacija uzorka
6.3.5. M&'(' ,1/6'+(/&'

Osim mjera centralne tendencije, disperzije i relativne disperzije potrebno je
poznavati i nain na koji su podaci distribuirani. Dvije su mjere najvanije: spljostenost
(skewness) i kurtosis.
6.3.5.1. S2-&73+'*71+
Ako distribucija podataka nije simetrina, naziva se asimetrina ili spljostena.
Mjerama asimetrije se mjeri raspored lanova statistikoga niza prema osi simetrije. Mjere
se odstupanja originalnih vrijednosti numerikog obiljeja od aritmetike sredine, medijana,
moda i ostalih mjera centralne tendencije. Spljostenost je stupanj asimetrije distribucije u
odnosu na aritmetiku sredinu. Za uzorak spljostenost se izraunava po formuli:
3
n
1 i
i
s
0 0
) 2 n )1 1 n 1
n
s% +pljo8%eno

,
_

,
gdje je n broj jedinica uzorka,
i
x
vrijednost obiljeja i-te jedinica uzorak, te s standardna
devijacija uzorka.
Prema rasporedu podataka, distribucije mogu biti:

a) simetrine
144
b) pozitivno asimetrine
c) negativno asimetrine
Smjer asimetrinosti ovisi o mjestu ekstremnih vrijednosti. Ako distribucija ima
vise ekstremnih vrijednosti onda ce aritmetika sredina biti veca od moda i medijana i za
takvu distribuciju frekvencija se kae da je pozitivno (desno) asimetrina. Rep distribucije
je produljen na desnu stranu. Obrnuto, ako su mod i medijan veci od aritmetike sredine,
distribucija je negativno simetrina ili lijevo spljostena. Rep distribucije je produljen na
lijevu stranu. To pokazuju slijedece slike:.
Slika =#=a> Pozitivno asimetrina Slika =#=b> Negativno
145
distribucija asimetrina distribucija
6.3.5.2. K>(+71/1
Kurtosis ili zaobljenost distribucije se usporeduje sa normalnom (zvonolikom)
distribucijom. Kurtosis uzorka se izraunava po formuli.
) 3 )1 2 1
) 1 1 3
) 3 )1 2 )1 1 1
) 1 1
2
4
1

'

,
_

n n
n
s
x x
n n n
n n
Kurtosis
n
i
i
Distribucija podataka koja ima normalnu zaobljenost naziva se mezokurtina.
Vrijednost Kurtosisa je jednaka 0. Ako je Kurtosis>0 onda je distribucija siljasta
(leptokurtina), a ako je Kurtosis<0 onda se radi o plosnatoj (platikurtinoj) raspodjeli.
Normalna, siljasta i plosnata distribucija su prikazane na slijedecim slikama
Slika 3.4
Distribucije s
pozitivnim,
negativnim i
kurtosisom
jednakim nula
6.3.6. M'+7.' 7+5(/;,*&, ;,*&15/A ;(/&'.*71+/ G7>+-/'(H
D':/*/)/&, 3.15I Vrijednost obiljeja koja je relativno velika ili mala u odnosu na
ostale vrijednosti obiljeja nazivaju se vanjske vrijednosti ili 7>+-/'(. Te
vrijednosti obiljeja mogu biti pogresno upisane, dolaziti iz druge populacije ili se
radi o dogadajima koji su veoma rijetki.
Vanjske vrijednosti utjeu na oblik distribucije. One su veoma spljostene jer takva
distribucija ima tendenciju ukljuiti ekstremno male ili velike vrijednosti. U uporabi su
najesce dvije metode utvrdivanja vanjskih vrijednosti:
6.3.6.1. $27+('8, 1+,*.,(./?/(,*79 78/-&'C&,
Prema teoremu Chebysheva gotovo sve vrijednosti obiljeja se nalaze u intervalu
( ) s x s x 3 , 3 +
, gdje je x aritmetika sredina a s je standardna devijacija uzorka.
Vrijednosti obiljeja udaljene vise od tri standardne devijacije od aritmetike sredine su
ekstremne vrijednosti.
P(/6&'( 3.8I Visina studenata mjerena u centimetrima prikazana je u slijedecoj tablici:
176 183 177 182 176
179 181 186 191 178
181 182 174 182 181
186 177 181 162 181
187 178 188 186 178
187 182 212 182 191
146
T,8-/), 3.7I Visina studenata u centimetrima
Aritmetika sredina uzorka visine studenata je x = 182.23cm, standardna devijacija
populacije temeljena na uzorku s = 7.97.
Tri standardne devijacije su 3* s = 3*7.97=23.91
Standardizirano obiljeje za visinu 212 je 73 * 3
97 * 7
23 * 182 212
"

.
Buduci je ? vrijednost veca od tri standardne devijacije za visine studenata je ekstremna
vrijednost ili outliers u skupu vrijednosti visina studenata.
6.3.6.2. M'+7., %7K 2-7+
Druga metoda odredivanja ekstremnih vrijednosti je konstruiranje box plota
podataka. Koraci su slijedeci:
1. Izraunati medijan M, donji i gornji kvartil, Q1 i Q3, i interkvartil,
IQ = Q3 - Q1.
2. Konstruirati box s Q1 i Q3 postavljeni u lijevom kutu. Jedinica mjere ce biti
jednaka rasponu interkvartila. Nacrtati okomitu crtu unutar boxa koja
odreduje medijan M.
Konstruirati dva skupa granica u boxu: unutarnju donju medu postavljenu na
udaljenosti od 1.5 * IQ ispod Q1 i gornju unutarnju medu postavljenu na
udaljenosti od 1.5* IQ iznad Q3. Vanjske mede su postavljene na udaljenosti od
3 * IQ ispod Q1 i 3 * IQ iznad Q3.
Vrijednosti obiljeja, koje su izmedu unutarnje i vanjske mede, su oekivane
vanjske vrijednosti. Vrijednosti obiljeja, koje su izvan vanjskih meda, su ekstremne
vanjske vrijednosti.
Vanjska meda Unutarnja meda Unutarnja
meda Vanjska meda
*
*

Q1 M Q3

1.5 * IQ 1.5 * IQ IQ 1.5 * IQ 1.5 *
IQ
S-/5, 3.5I Box plot
147


220,00 210,00 200,00 190,00 180,00 170,00 160,00
220,00 210,00 200,00 190,00 180,00 170,00 160,00

30
22 18
S-/5, 3.6: Box plot za podatke iz tablice 3.7. upotrebom SPSS-a
6.3.7. I?(,4>*,;,*&' 6&'(, )'*+(,-*' +'*.'*)/&' ?, 9(>2/(,*' 27.,+5'
Prikazani postupci izraunavanja aritmetike sredine, medijana, moda, standardne
devijacije i sl. su se odnosile na cijeli statistiki skup. Promatrane su sve jedinice uzorka i
za njih su bile poznate sve vrijednosti obiljeja. Ako su podaci grupirani u razrede jednake
sirine, izraunate apsolutne frekvencije razreda i prikazane u tablici onda se moe uporabiti
alternativni postupak izraunavanja aritmetike sredine, standardne devijacije i sl.
P(/6&'( 3.8.1I U tablici su prikazane tablice frekvencija mjesenih placa uposlenih u
poduzecu X.
Redni
broj Razred Frekvencija
1 0 - 299.99 34
2 300 - 399.99 57
3 400 - 499.99 98
4 500 - 599.99 121
5 600 - 699.99 88
6 700 - 799.99 89
7 800 - 899.99 44
8 900 - 999.99 21
9 1000 - 1099.99 86
10 1100 - 1119.99 6
11 1200 -1299 5
Iz podataka u tablici moguce je jednostavno izraunati i procijeniti aritmetiku
sredinu i standardnu devijaciju. Formule za izraunavanje aritmetike sredine i standardne
devijacije grupiranih podataka su:
148
a)
n
0 #
0
k
1 i
i i

= formula za aritmetiku sredinu,

b)
1 n
0 # 0 #
s
2
k
1 i
i i
k
1 i
2
i i
2

,
_

formula za standardnu devijaciju,
gdje su: 0 = aritmetika sredina skupa podataka, s = standardna devijacija uzorka, xi =
srednja vrijednost i-tog razreda, fi = frekvencija i-tog razreda, k = broj razreda, n =
ukupan broj jedinica u statistikom skupu (zbroj frekvencija svih razreda).

6.3.8. R,4>*,-*/ 17:+;'(/ ?, .'15(/2+/;*> 1+,+/1+/5>
Svaki raunalni softver za statistiku ima programske module za izraunavanje
parametara deskriptivne statistike. Prikazat ce se izlazi iz modula deskriptivne statistike
statistikog paketa SPSS i tablinog kalkulatora Excel za podatke iz Tablice 6.6.3:
Deskriptivna statistika
Mean 3,5382
Standard Error 0,044801533
Median 3,6
Mode 3,6
Standard Deviation 0,548704478
Sample Variance 0,301076604
Kurtosis
-
0,363982088
Skewness 0,344011017
Range 2,42
Minimum 2,7
Maximum 5,12
Sum 530,73
Count 150
Largest(1) 5,12
Smallest(1) 2,7
Confidence Level(95,0%) 0,088528441
S-/5, 3.10I Deskriptivna statistika upotrebom Excela
6.3.9. V&'C8,
Dnevni troskovi studenta prikazani su u slijedecoj tablici:
23 25 45 18 17 27 15
14 280 18 17 190 29 45
16 21 12 18 19 17 15
31 37 19 18 15 28 23
85 25 28 34 22 18 33
Zadatak je:
a) Izraunati x , s
2
i s.
b) Prikazati S-L za podatke iz tablice.
c) Izraunati intervale s x t , s x 2 t i s x 3 t
d) Izraunati troskove koji su unutra intervala iz c dijela zadatka.
149
6. 4. VJEROJATNOST
6.4.1.E512'(/6'*+0 .79,B,&/ / ;&'(7&,+*71+0 ;&'(7&,+*71+ .79,B,&,
U matematikoj teoriji vjerojatnosti osnovni pojam je elementarni dogadaj. On je
ishod koji se ne moe rastaviti na jednostavnije ishode. Kao rezultat pokusa moe se
pojaviti samo jedan elementarni ishod. Elementarni dogadaji se oznaavaju velikim slovima
A0 %0 "0 D0...
Skup svih mogucih elementarnih dogadaja nekog pokusa se oznaava sa S. Svaki
podskup A skupa S je sluajan dogadaj. Sluajni dogadaj A je nastupio ako je rezultat
pokusa jedan od elementarnih ishoda koji pripada dogadaju A.
P(/6&'( 4.1I Bacanje novica je pokus. Bacimo novic i provjerimo je li se pojavila Glava ili
Pismo. Moe se pojaviti jedan od dva dogadaja:
G: pojavila se glava,
P: pojavilo se pismo.
Vjerojatnost dogadaja A je sansa da se dogadaj A pojavi. Oznaava se s P(A).
Kako se odreduje vjerojatnost dogadaja (sansa da ce se on pojaviti)? To je pitanje na koje
ce se odgovoriti u slijedecim poglavljima.
6. 4.2. P(/1+>2/ .':/*/(,*&> ;&'(7&,+*71+/
Postoji vise pristupa definiranju vjerojatnosti. Te se definicije i pristupi mogu
svrstati u tri skupine:
f) definicija vjerojatnosti kao kvantitativna mjera izvjesnosti pojave dogadaja,
g) klasina definicija koja se temelji na jednakoj sansi,
h) definicije koje se temelje na relativnoj frekvenciji pojave dogadaja za veci
broj pokusaja.
Prvi pristup definiranju vjerojatnosti temelji se na promatranju dogadaja neovisno
o promatrau (onome tko izvodi eksperiment). Vjerojatnost koja ovisi o promatrau naziva
se subjektivna vjerojatnost. Mi cemo se koncentrirati na klasini i statistiki pristup
definiranju vjerojatnosti.

6. 4.3 P7-&' .79,B,&,
Prije prikaza klasine definicije vjerojatnosti potrebno je objasniti relacije izmedu
dogadaja u tijeku ponavljanja pokusa. Ako se dogadaj % pojavljuje svaki put kada se pojavi
dogadaj A kae se da A implicira % i pise A B .
Ako se u pokusu dogadaji A i B istodobno pojavljuju ili ne pojavljuju kae se da su
oni ekvivalentni i pise A=B.
Dogadaj je proizvod ili presjek dogadaja A i B ako se oni pojavljuju simultano. To
se zapisuje kao AB ili A B.
Dogadaj koji se sastoji u pojavi jednog od dva dogadaja A ili B naziva se zbroj ili
unija i oznaava A+B ili A B.
Sloeni dogadaj koji se sastoji u pojavi dogadaja A i nepojavljivanju dogadaja B
naziva se razlika dogadaja A i B i oznaava A-B ili A\B.
Dogadaj je siguran ako se on pojavljuje svaki put kada se realizira pokus. Dogadaj
je nemoguc ako se ne pojavljuje nikada u tijeku realizacije pokusa. Svi sigurni dogadaji su
medusobno ekvivalentni. Oznaava ih se sa S. Ekvivalentni su i svi nemoguci dogadaji.
Oznaavaju se s 0.
Dva dogadaja A i A su komplementarna ako je E A A + i A A O 0.
Primjerice, eksperiment bacanja kocke kod koje se moe pojaviti 1,2,3,4,5 ili 6.
Komplementarni su dogadaji:
parno
'
= Pojavljuje se paran broj tj. 2,4 ili 6.
150
neparno
'
=Pojavljuje se neparan broj tj.1,3 ili 5.
Dva su dogadaja medusobno iskljuiva ako svaki put kada se pojavi jedan dogadaj
drugi se ne pojavljuje.
Dogadaj A je dekomponiran na medusobno iskljuive dogadajeB1, B2, ..., Bn ako je
A=B1+B2+...+Bn i dogadaji Bi (i =1,2,...,n) su medusobno iskljuivi.
Dogadaj je elementaran ako se ne moe dekomponirati na druge dogadaje.
Dogadaji bacanja kocke su elementarni.
Sve relacije izmedu dogadaja mogu se prikazati geometrijski 6enovim
dijagramima. U tim dijagramima potpuni prostor dogadaja prikazuje pravokutnik a
dogadaji su dio. Dva medusobno iskljuiva dogadaja nemaju preklapajucih dijelova. Ako
dogadaji nisu medusobno iskljuivi onda imaju preklapajuci dio sto prikazuje slijedeca slika:
Slika ?#@a> Dva medusobno
iskljuiva dogadaja
Slika ?#@b> Dva medusobno
neiskljuiva dogadaja
A
A
B
B
A+B AB
S-/5, 4.2I Dogadaji B , B, A A, / AB
U teoriji vjerojatnosti najesce se susrecemo sa skupom dogadaja S.
D':/*/)/&, 4.3I Skup dogadaja S se naziva polje dogadaja ako zadovoljava
slijedece uvijete:
Ako dogadaji A i B pripadaju skupu dogadaja S, onda skupu dogadaja pripadaju i
dogadaji AB, A+B i A-B. Skup dogadaja S sadri i siguran dogadaj S i nemoguc
dogadaja 0.
6.4.4.1 K-,1/4*, .':/*/)/&, ;&'(7&,+*71+/
151
Klasina definicija vjerojatnosti reducira koncept vjerojatnosti na koncept jednake
vjerojatnosti dogadaja. Svaki moguci elementarni dogadaj ima jednaku vjerojatnost
pojavljivanja, primjerice, bacanje novica ili bacanje kocke. Glava i pismo imaju jednaku
vjerojatnost pojavljivanja. Isto tako svaka od sest stranica kocke ima jednaku vjerojatnost.
D':/*/)/&, 4.4 (klasina definicija vjerojatnosti): Vjerojatnost pojavljivanja
dogadaja A, P(A) je jednaka broju mogucih pojavljivanja dogadaja (ishoda)
podijeljenim s brojem mogucih pojavljivanja svih dogadaja u eksperimentu:

&
/
P19)
gdje je m broj elementarnih dogadaja koji tvore dogadaj A, a Nukupan broj svih
jednako mogucih elementarnih dogadaja.
P(/6&'( 4.4I U eksperimentu bacanja novica prostor dogadaja se sastoji od dva
jednostavna dogadaja: Glave i Pisma.Ta dva dogadaja imaju jednake vjerojatnosti:
P(G)=P(P)=1/2.
Polazne tvrdnje u teoriji vjerojatnosti su aksiomi o vjerojatnosti. Iz njih se izvode
teoremi.
S;7&1+;, ;&'(7&,+*71+/I
Za svaki dogadaj A polja S, P(A) 0
Za svaki siguran dogadaj S0 P(S) = 1
Ako su A1, A2,.. Ak medusobno iskljuivi (nespojivi) dogadaji, tada je:
PGA1

A2

A5H O PGA1H P PGA2HP.PPGA5H

To svojstvo se naziva +'7('6 ,./+/;*71+/.
Vjerojatnost dogadaja A komplementarnog dogadaju A je ) 1 1 ) 1 A P A P .
Vjerojatnost nemoguceg dogadaja je nula, P(0) = 0.
Ako dogadaj A implicira dogadaj B, tada je P(A) P(B).
Vjerojatnost dogadaja A je izmedu 0 i 1: 0 P(A) 1.
P(/6&'( 4.6I Dogadaj A se sastoji od elementarnih dogadaja: GG, GP, PG,PP a oni su
rezultat bacanja dva novica. Odrediti vjerojatnost nastupanja dogadaja A=G (vjerojatnost
pojavljivanja glave).
4
3
&
/
P19) , jer se glava pojavljuje u 3 od ukupno etiri moguca ishoda.
Vjerojatnosti elementarnih dogadaja najvaniji je podatak. Tu vjerojatnost je
potrebno odrediti u svakom pojedinom sluaju.
6.4.4.2. S+,+/1+/45, .':/*/)/&, ;&'(7&,+*71+/
Vjerojatnost se moe odrediti unaprijed (a priori), bez uvida u rezultate pokusa, ili
na temelju uestalosti (frekvencija) pojedinih ishoda nakon velikog broja pokusa (a
posteriori). Ako je razumno pretpostaviti da su svi ishodi pokusa jednako vjerojatni, onda
je prihvatljiv prvi nain.
Ako se s m oznai broj pojavljivanja dogadaja A u N neovisnih pokusa, onda za
veliki broj pokusa N omjer m/N je skoro konstanta. Konstanta je objektivno svojstvo neke
pojave pa je logino i prirodno nazvati je statistikom vjerojatnosti sluajnog dogadaja A.

D':/*/)/&, 4.5 (statistika definicija vjerojatnosti): Vjerojatnost dogadaja A moe
se aproksimirati relativnom frekvencijom (proporcijom) pojavljivanja dogadaja A
kada se eksperiment ponavlja veliki broj puta.
152
Ranije prikazani poligon frekvencija je stvarna, empirijska razdioba apsolutnih
frekvencija elemenata skupa s obzirom na vrijednosti obiljeja. To je relativno nejasan
prikaz pravilnosti ponasanja obiljeja u skupu. U obradi podataka esto se koriste jos i tzv.
relativne frekvencije fr#
n
#
#
i
r
i
i=1,2,3,....k, a n je ukupan broj podataka.
Relativna frekvencija razreda je empirijski definirana vjerojatnost. Ako se u n
obavljenih mjerenja neki dogadaj pojavi ' puta i broj mjerenja povecava u beskonanost,
onda granina vrijednost relativne frekvencije prelazi u vjerojatnost. Ako je vjerojatnost
pojave dogadaja kvocijent broja povoljnih sluajeva (m) i broja mogucih sluajeva (n),
dakle,
n
/
p , tada je m apsolutna frekvencija (fi), a n broj elemenata skupa. Za dogadaje
kod kojih je primjenjiva klasina definicija vjerojatnosti, statistika vjerojatnost je jednaka
klasinoj. Matematiari su formulirali aksiomatsku definiciju vjerojatnosti kako bi eliminirali
odredene slabosti klasine i statistike definicije vjerojatnosti. Pri tome, vjerojatnost
definiraju slijedeci aksiomi:
1. Svakom sluajnom dogadaju A u polju dogadaja S 1' 2(/.(>C>&' ne-negativni
broj P(A), nazvan vjerojatnost.
2. Vjerojatnost sigurnog dogadaja S je 1, P(S) = 1.
3. Aditivnost - ako su A1, A2,.. Ak medusobno iskljuivi (nespojivi) dogadaji, tada
je:P(A1 + A2 ++ Ak) = P(A1) + P(A2)+.+P(Ak).
P(/6&'( 4.7I Koliko je vjerojatnost da rezultat bacanja kocke bude veci od 3?
Vjerojatnost svakog elementarnog dogadaja je 1/6 (brojevi 1,...6). Posto je sloeni dogadaj
A (rezultat bacanja kocke veci od tri tj. 4, 5 i 6) unija nespojivih (medusobno iskljuivih)
dogadaja {4}, {5} i {6}, P(A) = P(4) + P(5) + P(6) = 3/6 = .
6.4.5. $;&'+*, ;&'(7&,+*71+ / *'7;/1*71+
Uvjetna vjerojatnost je vjerojatnost pojavljivanja dogadaja A uz uvijet da se pojavio
dogadaj B. Takva vjerojatnost zove se uvjetna dogadaja A uz uvjet B i oznaava se s P(A|
B).
P(/6&'( 4.7I
A = {Pojava parnog broja kod bacanja kocke},
B = {Pojava broja manjeg ili jednaka 3}.
Pronaci uvjetnu vjerojatnost pojave dogadaja A ako se pojavio dogadaj B.
R&'3'*&'I Kod bacanja kocke mogu se pojaviti dogadaji: D1, D2, D3, D4, D5, D6, gdje je Dk
dogadaj s brojem toaka k (k = 1, 2, 3, 4, 5, 6). Ti dogadaji imaju jednaku vjerojatnost
pojavljivanja:P(Dk) = 1/6 (k = 1, 2, 3, 4, 5, 6).
Buduci je A = D2+ D4+ D6, B = D1+ D2+D3, onda je vjerojatnost P(A) = P(D2)+ P(D4)+
P(D6) = 3*1/6 = 1/2 , a P(B) = P(D1)+ P(D2)+ P(D3) = 3*1/6 = 1/2.
Ako se pojavi dogadaj B (broj manji ili jednak 3) onda se reducira skup dogadaja sa sest na
tri jednostavna dogadaja: D1, D2, D3. Posto je od tri broja 1, 2, 3 samo paran broj kod
153
dogadaja D2, onda se moe zakljuiti da je vjerojatnost pojavljivanja dogadaja A ako se
pojavio dogadaj B samo P(A|B) = 1/3.
U tom primjeru moe se provjeriti da je
P1B)
P19B)
P19:B)
. Ta formula se koristi za
odredivanje uvjetne vjerojatnosti. P(AB) je vjerojatnost pojavljivanja oba dogadaja tj.
dogadaja A i dogadaja B.
U nasem primjeru P(AB) = P(A)*P(B)= 1/3* 1/2=1/6.
3
1
6
2
2
1
6
1
P1B)
P19B)
P19:B)
Moe se zapisati i pravilo multiplikativnosti za uvjetnu vjerojatnost:
P19:B) 4 P1B) P19B)
P1B)
P19B)
P19:B)
(1)
P1B:9) 4 P19) P19B)
P19)
P19B)
P1B:9)
(2)
Iz (1) i (2) se moe zapisati:
P19:B) 4 ) B 1 P P1B:9) 4 P19)
D':/*/)/&, 4.7I Dogadaji A i B su medusobno neovisni ako je P(A|B) = P(A). To
znai da pojavljivanje dogadaja B ne utjee na vjerojatnost dogadaja A.
Ako vjerojatnost P(7) ostaje nepromijenjena pod uvjetom da se prethodno dogodi
A, tj. ako vrijedi:
) 1 P ) 1 P ) 1 P ) 1 P
) 1 P
) 1 P
) : 1 P B A B A B
A
B A
A B

onda su dogadaji A i 7 neovisni.

Vise od dva dogadaja, npr. tri dogadaja A, 7 i $ su neovisni ako vrijedi:
P(A7) = P(A)P(7)
P(A$) = P(A)P($) P(A7$) = P(A)P(7)P($)
P(7$) = P(7)P($)
Prvo se analiziraju sve moguce kombinacije dogadaja A, B i C: AB, AC i BC i za svako od
njih se postavlja uvjet. Neovisnost parova nije dovoljna.
P(/6&'( 4.7I Novic se baca dva puta. Dogadaj A oznaava ishode u kojima je prvo
bacanje glava, a 7 dogadaje u kojima su ishodi oba bacanja jednaki. Pokazati da su
dogadaji A i 7 neovisni.
R&'3'*&'I
P(A) = 1/2, P(7) = 1/2, P(A7) = P({glava, glava}) = 1/4
) 1 P 2 ; 1
1;2
4 ; 1
) 1 P
) 1 P
) : 1 P A
B
B A
B A

Dogadaji A i 7 su neovisni jer je

) 1 P ) : 1 P A B A
.
Teorem multiplikativnosti za neovisne dogadaje ima jednostavan oblik:
P(AB) = P(A) P(B).
Ako su dogadaji A1, A2, ..., An u svim parovima medusobno iskljuivi onda vrijedi:
P(A1+ A2+ ...+An) = P(A1)+P(A2)+ ...+P(An).
154
Ako dva dogadaja nisu medusobno iskljuiva onda je vjerojatnost pojavljivanja jednog od
ta dva dogadaja (dogadaja A ili dogadaja B) jednaka:
P(A+B) = P(A) + P(B) - P(AB).
Sada se moe izraunati i vjerojatnost pojavljivanja dogadaja Ak ako znamo da se pojavio
dogadaj B. Prema multiplikativnom pravilu:
P(AkB) = P(B)P(Ak|B) = P(Ak) P(B|Ak). Iz toga slijedi:
P1B)
) )P1B:9 P19
:B) P19
k k
k

Zato se ponekad Bayesova formula naziva formulom vjerojatnosti hipoteza.
P(/6&'( 4.11I Dano je sedam kutija unutar kojih se nalaze satovi:
3 kutije iji je sadraj A1: 19 ispravnih i 1 neispravan,
4 kutije iji je sadraj A2: 8 ispravnih i 2 neispravna.
Iz jedne od kutija sluajno se bira sat. Taj sat je neispravan (dogadaj B). Kolika je
vjerojatnost da je neispravan sat (dogadaj B) iz kutije A1?
R&'3'*&'$
P(B)= P(A1)*P(B|A1)+ $7A2)*P(B|A2)
P(A1)= 3/7 (od sedam kutija tri su A1).
P(A2)=4/7 (od 7 kutija 4 su A2)
P(B|A1)=1/20 (ako se izabere kutija A1 onda je od 20 satova jedan neispravan)
P(B|A2)= 2/10 (ako se izabere kutija A2 onda je od 10 satova dva neispravnih).
P(B)= P(A1)*P(B|A1)+ P(A2)*P(B| A2)=3/7*1/20+4/7*1/5=(3+16) /140=19/140.
Primjenjujuci Bayesovu formulu:

16 * 0
19
3
140 ; 19
20 ; 1 4 7 ; 3
P1B)
) )P1B:9 P19
:B) P19
1 1
1

.
Vjerojatnost da je neispravan sat uzet iz kutije A1 je 0.16.

6. 5. DISTRI%$"IJE VJEROJATNOSTI
6. 5.1. S->4,&*, ;,(/&,8-,
Temeljni koncept teorije vjerojatnosti je sluajna varijabla (random variable).
Sluajna varijabla je varijabla koja pretpostavlja numeriku vrijednost pridruenu dogadaju
u nekom pokusu. Ona je funkcija koja svakom ishodu sluajnog pokusa pridruuje neki
broj.
P(/6&'( 5.1 Broj kupaca tijekom dana u nekom trgovakom centru je sluajna varijabla.
P(/6&'( 5.2 Broj pacijenata tijekom dana u nekoj klinici je sluajna varijabla.
P(/6&'( 5.3 Ako se izabere iz skupa studenata nekog sveuilista jedan student i izmjeri
njegova teina, onda je teina x sluajna varijabla s pretpostavljenim vrijednostima npr.
izmedu 150 i 220 cm.
Postoje dva tipa sluajnih varijabli: diskretne i kontinuirane. Diskretne sluajne varijable su
prebrojive tj. imaju prebrojiv skup vrijednosti.
Kontinuirane sluajne varijable mogu poprimiti bilo koju vrijednost u jednom ili vise
intervala na brojevnom pravcu.
Bacanje dva novica je sluajni pokus. Ako je X broj glava koje su se pojavile
tijekom bacanja novica 1000 puta, onda je X diskretna sluajna varijabla.
Sa skladista gotovih proizvoda sluajno se bira proizvod A na kojem je oznaena
teina 100 kg. Ako se proizvod ponovno vaga, a teina je T0 onda je T neprekidna sluajna
varijabla.
D':/*/)/&, 5.3I D/1+(/8>)/&, ;&'(7&,+*71+/ za diskretnu sluajnu varijablu x je
tablica, graf ili funkcija koja prikazuje (izraunava) vjerojatnost svake vrijednosti
od x. Vjerojatnost da ce sluajan varijabla poprimiti vrijednost x se oznaava p(x).
155
Distribucija vjerojatnosti diskretne sluajne varijable x moe se prikazati tablicom:
x p
x1 p1
x2 p2
... ...
xn pn
gdje je pk vjerojatnost da varijabla x dobije vrijednost xk (k = 1, 2,..., n).
P(/6&'( 5.6I Baca se novic dva puta i biljei broj glava K. Odrediti distribuciju
vjerojatnosti za K.
R&'3'*&'I Varijable Gk i Pk oznaavaju da je u k-tom bacanju novica pala glava odnosno
pismo. U tablici su prikazani rezultati pokusa:
Dogadaj Opis Vjerojatnost Broj glava
E1 G1G2 0.25 2 (glava je pala dva puta)
E2 G1P2 0.25 1 (glava je pala jednom)
E3 P1G2 0.25 1 (glava je pala jednom)
E4 P1P2 0.25 0 (broj glava je nula)
T,8-/), 5.1I Rezultati pokusa bacanja novica
Vjerojatnost da u dva bacanja novica nece pasti glava je:
p(P1P2)=p(P1)* p(P2) = 1/2*1/2=1/4=0.25.
Sluajni dogadaj x = 0 se sastoji iz dva elementarna dogadaja koji ce nastupiti jedan za
drugim (u prvom bacanju novica ce pasti pismo i u drugom bacanju novica ce ponovno
pasti pismo). Taj sluajni dogadaj je E4. Vjerojatnost da ce x poprimiti vrijednost 0 je:
P(x = 0) = p(0) = P(E4) = 0.25.
Pismo ce se pojaviti jedanput u dva dogadaja E2 i E3 . Sluajnoj varijabli se pridruuje
vrijednost 1 tj. x = 1. Vjerojatnost da ce x poprimiti vrijednost 1 je:
P(x = 1) = p(1) = P(E2) + P(E3) = 0.25 + 0.25 = 0.5.
Istom logikom je vjerojatnost da ce varijabla x poprimiti vrijednost 2 (zaredom ce pasti u
bacanju novica dvije glave) je:
P(x = 2) = p(2) = P(E1) = 0.25.
Distribuciju vjerojatnosti varijable x (broj pojavljivanja glave u dva bacanja
novica) oznaavamo s p(x) i moe se prikazati u tablinom obliku:
x p(x)
0 0.25
1 0.5
2 0.25
T,8-/), 5.1I Distribuciju vjerojatnosti varijable x, broj
pojavljivanja glave u dva bacanja novica
Razdioba u kojoj su sve vrijednosti - moguci ishodi dogadaja, jednako vjerojatne,
nazivamo uniformnom.
Distribucija se moe prikazati i u obliku histograma. Osa y prikazuje vjerojatnost
pojavljivanja glave, a x osa broj glava u dva bacanja novica:
156
0
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2
S-/5, 5.1: Distribuciju vjerojatnosti varijable x prikazana histogramom
Vjerojatnost pojavljivanja neke vrijednosti sluajne varijable x je
1 0 p(x)
, a
zbroj svih vjerojatnosti sluajne varijable je 1:

0 +vi
1 p10)
6.5.2. V'?, /?6'B> ./1+(/8>)/&' ;&'(7&,+*71+/ ./15('+*' ;,(/&,8-' / ('-,+/;*/A
:('5;'*)/&,
Ako bi se pokus bacanja novica ponovio veliki broj puta i zabiljeio ishod bacanja
(pojava glave), onda bi relativna frekvencija distribucije za varijablu x (pojave glave) bila
gotovo jednaka distribuciji u Tablici 1. Glava bi se za redom pojavljivala dva puta (x=2)
puta, jednom u dva bacanja (x=1) polovinu puta od ukupnog broja bacanja novica i ne bi
se pojavljivala u dva bacanja novica puta ukupnog broja puta bacanja novica:
P(x=0)=p(0)=0.25.
6.5.2.1. A(/+6'+/45, 1('./*, /-/ 74'5/;,*, ;(/&'.*71+
Posto je distribucija vjerojatnosti za sluajnu varijablu x, model relativne
distribucije frekvencija moe se opisati mjerama centralne tendencije: aritmetikom
sredinom, standardnom devijacijom. Oekivana vrijednost ili aritmetika sredina sluajne
varijable x, oznaava se simbolom E(x), i jednaka je:

+vi 0
p10) 4 0 <10) =
P(/6&'( 5.6I Ako bi se nastavio raniji pokus i biljeili rezultati bacanja dva novica 500000
puta, onda se moe oekivati da se glava nije dobila ni jedanput {P(x=0)=0.25} u priblino
125000 puta, dva puta {P(x=2)=0.25} isto tako priblino 125000 puta, a jedanput u
polovini broja bacanja { P(x=1)=0.5} tj. 250000 puta.
Srednja vrijednost tih 500000 bacanja dva novica je:

+ +
+ +

2
0 i
i 1
2
0 i
i i
0 4 ) 0 1 p ) 2 1
4
1
) 1 1
2
1
) 0 1
4
1
000 , 500
) 2 1 000 , 125 ) 1 1 000 , 250 ) 0 1 125000
n
0 4 #
Srednja vrijednost za x je
1
.
Ako je x sluajna varijabla, onda je sluajna varijabla svaka funkcija od x tj.
vrijednost funkcije g(x) je sluajna varijabla. Oekivana vrijednost funkcije g(x) je:

0 +vi
-10)p10) <>-10)?
gdje je: p(x) distribucija vjerojatnosti, a g(x) funkcija sluajne varijable x.
6.5.2.2. V,(/&,*), / 1+,*.,(.*, .';/&,)/&,
157
Bitna svojstva sluajne varijable su i varijanca i standardna devijacija.
Izraunavaju se na slijedeci nain:
? ) @ <>10
2 2

2

P(/6&'( 5.7: Izraunati varijancu i standardnu devijaciju za pokus bacanja dva novica i
funkciju distribucije vjerojatnosti sluajne varijable x (broj pojavljivanja glave u dva
bacanja novica).
U ranijem primjeru je izraunata srednja vrijednost za xi ona je 1 tj. =1.
2
1
4
1
4 ) 1 2 1
2
1
4 ) 1 1 1
4
1
4 ) 1 0 1 ) 0 1 p ) @ 10 ? ) @ <>10
2 2
2
0 0
2
i
2
i
2 2

,
_

,
_

,
_

707 * 0
2
1
2

6.5.3. %/*76*, ./1+(/8>)/&, ;&'(7&,+*71+/
Ako postavimo pitanje kolika je vjerojatnost da ce u 100 uzastopnih bacanja
novica glava pasti u 50 bacanja, postavili smo zadatak rjesiv pomocu binomne distribucije.
Ili drugi primjer: Kolika je vjerojatnost da ce u 1000 proizvoda njih 4 biti neispravna ako se
na svakih 100 proizvoda pojavljuje 99 ispravnih? I takav zadatak rjesiv je pomocu binomne
distribucije. to je onda binomna distribucija i kada se moe upotrijebiti? Prvo je potrebno
objasniti pojam Bernoullijev dogadaj (prema svicarskom matematiaru ;acob 7ernoulli).
To je dogadaj koji se sluajnim pokusom ostvaruje uvijek s istom vjerojatnoscu, (. Svi
drugi moguci ishodi takvog pokusa su komplementarni Bernoullijevom dogadaju.
Model binomne sluajne varijable zadovoljava slijedece uvjete:
a) Pokus ini n neovisnih pokusaja.
b) Moguca su samo dva ishoda: uspjeh i neuspjeh.
c) Vjerojatnost uspjeha, odnosno neuspjeha u svakom pokusaju je konstantna.
Vjerojatnost uspjeha je (, a neuspjeha A (ili q=1-p). Ponavljanje pokusa n puta moe
rezultirati s B ili najvise n Bernoullijevih dogadaja. Binomna sluajna varijabla x je broj
uspjeha u n pokusaja.
Vjerojatnosti da ce se u n pokusa dogadaj dogoditi k puta opisuje binomna
razdioba:
k n k
A p
k
n
) k 1 P

,
_

gdje je k broj ostvarenih dogadaja, ( vjerojatnost uspjeha u jednom pokusaju, te A
vjerojatnost komplementarnog dogadaja, tj. q=1-p,
)B k n B41 k
B n
k
n

,
_

tj. broj kombinacija klase k od n elemenata.

Sredina je:
p 4 n
Varijanca: A 4 p 4 n
2

P(/6&'( 5.11I U primjeni pesticida utvrdeno je da ih 30% farmera nepravilno primjenjuje.
Ako se sluajno odabere uzorak od 8 takvih farmera izraunati vjerojatnost da ce:
a) tono 3 farmera nepravilno uporabiti pesticide?
) najmanje tri?
c) vise od tri?
R&'3'*&'I Prvo treba ispitati ima li pokus svojstva binomne distribucije. Pokus se sastoji od
8 pokusaja, a svaki je povezan s jednim sluajno izabranim farmerom. Svaki pokusaj
rezultira uspjehom (pogresno primjenjuje pesticide) ili neuspjehom (ispravno primjenjuje
158
pesticide). Vjerojatnost uspjeha je konstanta i iznosi p=0.3, a neuspjeha q=1-p=0.7. Nas
zanima broj farmera koji neispravno upotrebljavaju pesticide u uzorku od 5 farmera. Zato
taj uzorak ima svojstva binomnog pokusa u kojem je n=8, p=0.3.
a) Vjerojatnost da ce tono tri od pet farmera nepravilno uporabiti pesticide je:

,
_

,
_

3 8 3 k n k
) 3 * 0 1 1 4 3 * 0 4
3
8
A p
k
n
) k 1 P
25 * 0 16807 * 0 4 027 * 0 4 120 7 * 0 4 027 * 0 4
B 5 B4 3
B 8
5

b) vjerojatnost da ce tri i vise od tri farmera nepravilno upotrijebiti pesticide je:
P(k 3) = p(3)+p(4)+p(5)+ p(6)+ p(7)+ p(8)= 0.25+0.14+0.05+0.01+0.0012+0.0001=
0.45
c) P(k<3) = p(0)+p(1)+p(2)=0.05+0.2+0.3=0.55 ili P(k<3) = 1-P(k 3) = 1-0.45
=0.55.
Binomna distribucija se moe prikazati u obliku histograma. Na slijedecoj slici je prikazana
binomna distribucija u obliku histograma za razliite vrijednosti k=0,1,2,...,8.
S-/5, 5.2 Binomna distribucija
Na apscisi su vrijednosti za k, a na ordinati vjerojatnost broja farmera koji
nepravilno primjenjuju pesticide. Jedna vodoravna crta oznaava vjerojatnost 0.2. to se (
vise razlikuje od 0.5, to je razdioba vise asimetrina. Za p=0.5 binomna razdioba je
simetrina. Slijedeca slika prikazuje binomnu raspodjelu za p=0.5:
159
S-/5, 5.3 Simetrina binomna distribucija za p=0.5
Binomna distribucija postaje sve simetrinija povecanjem broja dogadaja n.
6.5.4. P7/117*7;, ./1+(/8>)/&,
Poissonova distribucija je nazvana prema francuskom matematiaru S#)# Poisson
(1871-1940). Moe se upotrijebiti za opis veceg broja procesa kao sto je broj radioaktivnih
raspada u uzorku koji sadri radioaktivni element, broj telefonskih poziva koji prolaze kroz
telefonsku centralu, broj nezgoda, broj kapi kise koje padaju na neku povrsinu, broj krada,
broj zahtjeva za zdravstvenim uslugama, broj posjeta mrenom posluitelju i sl. Broje se
dogadaji koji mogu nastupiti u bilo kojem trenutku s prosjenom uestaloscu, , u jedinici
vremena. Vjerojatnost kojom se mogu pojaviti dogadaji u jednoj jedinici vremena je
jednaka za sve dogadaje.
Vjerojatnost da u jedinici vremena nastupi k dogadaja, ija prosjena uestalost
iznosi , prikazana je slijedecom formulom:
kB
e
p1k)
k

( k = 0, 1, 2,...),
je prosjean broj dogadaja tijekom danog vremenskog razdoblja
e = 2.71828.. (baza prirodnog logaritma).
Srednja vrijednost je:

, a varijanca:
2
.
P(/6&'( 5.12: Potrebno je is traiti sigurnost nekog raskrija u prometu. Prosjean broj
nezgoda na tom raskriju je 5 tijekom mjeseca. Pretpostavka je da je broj nezgoda
distribuiran prema Poissonovoj distribuciji. Izraunati i grafiki prikazati vjerojatnost za 1,
2, 3,4 ....19,20 nezgoda u mjesecu.
R&'3'*&'I Prema Poissonovoj distribuciji za prosjeno 5 nezgoda mjeseno vjerojatnost
dogadanja nezgoda k =1,2,3,4,...,19,20 mjeseno je:
B k
e 5
) k 1 p
5 k
.
Vjerojatnost da nece biti nezgode, k=0, je: ** 00673796 * 0
71828 * 2
1
B 0
e 5
) 0 1 p
5
5 0

160
S-/5, 5.3I Poissonova distribucija za =5
Moguce je prikazati vjerojatnost pojave nezgode na tom raskriju u tablinom obliku:
k4broj
nezgoda
(CkD 4
vjerojatnost
nezgode
0 0.006738
1 0.03369
2 0.084224
3 0.140374
4 0.175467
5 0.175467
6 0.146223
7 0.104445
8 0.065278
9 0.036266
10 0.018133
T,8-/), 5.3. Poissonova distribucija broja
nezgoda u mjesecu za =5
S-/5, 5.4I Poissonova distribucija broja nezgoda u mjesecu za =5
6.5.5. K7*+/*>/(,*' 1->4,&*' ;,(/&,8-'I :>*5)/&, ./1+(/8>)/&' / :>*5)/&, 9>1+7@'
161
Ako broj vrijednosti neke sluajne varijable nije prebrojiv, onda je ona
kontinuirana sluajna varijabla. Ona moe poprimiti bilo koju vrijednost unutar intervala.
Razlika izmedu diskretne sluajne varijable i kontinuirane sluajne varijable temelji se na
razlikama u distribuciji kumulativnih frekvencija.
D':/*/)/&, 5.7I Dana je kontinuirana sluajna varijabla

koja moe poprimiti

bilo koju vrijednost u intervalu (- , +). Funkcija kumulativne distribucija
%CxD varijable

se definira na slijedeci nain:

x) P( F(x)
F(x) je jednaka vjerojatnosti da varijabla

poprimi vrijednosti koje su manje ili

jednake x.
Kontinuirana sluajna varijabla se oznaava slovom

, a K je neka toka na
brojevnom pravcu.
Funkcija kumulativne distribucije frekvencija F(x) za kontinuiranu sluajnu
varijablu

ima slijedeca svojstva:

1.
1 ) 1 0 x F
,
2. F(x) je monotono neopadajuca funkcija. Ako je b a , onda je
) 1 ) 1 b F a F
za
bilo koje realne brojeve a i b.
) 1 ) 1 ) 1 a F b F b a P
0 ) 0 1 )
ako 0 i
+ 0 ako 1 ) 0 1 )
Ranije je prikazana relativna distribucija frekvencija za razrede. irinu razreda za
veliki broj podataka (vrijednosti statistikog obiljeja) se moe smanjivati sve dok
distribucija ne postane glatka krivulja. Gustoca vjerojatnosti je teorijski model za
distribuciju.
D':/*/)/&, 5.8I Ako je F(x) funkcija kumulativne distribucije za kontinuiranu
sluajnu varijablu

onda je funkcija gustoce vjerojatnosti :GKH za

:
f(x) = F(x),
f(x) je prva derivacija funkcije distribucije F(x).
Funkcija gustoce za kontinuiranu sluajnu varijablu

je obino glatka krivulja

oblika:
S-/5, 5.6. Funkcija gustoce f(x) za kontinuiranu sluajnu varijablu
Iz f(x) = F(x) slijedi:

0
@
#10)d0 )10)
Kumulativna povrsina ispod krivulje izmedu - i toke x@ jednaka je F(x1).
162
Funkcija gustoce kontinuirane sluajne varijable uvijek zadovoljava slijedeca dva uvjeta:
prvo,
0 f(x)
i drugo,
1

+

) F( x)dx f(
6.5.5.1. N>6'(/45, 1;7&1+;, 57*+/*>/(,*' 1->4,&*' ;,(/&,8-'
6.5.6. N7(6,-*, ./1+(/8>)/&, ;&'(7&,+*71+/
Moguce je provesti odredivanje i teorijskih apsolutnih frekvencija 't koje pripadaju
pojedinom razredu. Normalnu ili Gaussianovu funkciju gustoce predloio je $#%#Gauss
(1777-1855). To je bio model relativne distribucije frekvencije pogresaka tijekom mjerenja.
Ipak, njezine primjene su znatno sire. Gaussov zakon pogresaka, koji je u matematikoj
statistici poznat pod nazivom normalan razdioba, prihvacen je kao odgovarajuci model za
distribuciju relativnih frekvencija podataka prikupljenih u razliitim znanstvenim i drugim
podrujima.
Funkcija gustoce, srednja vrijednost i varijanca normalne sluajne varijable je:
2
2
2
) 0 1
e
2
1
) 0 1 #

Parametar je aritmetika sredina a

2
varijanca normalne sluajne varijable.
Beskonaan je broj normalnih funkcija gustoce. Svaka je funkcija odredena
kombinacijom vrijednosti i . Tri razliite normalne distribucije prikazuje slijedeca slika:

S-/5, 5.4 Tri normalne distribucije: Krivulja 1 s
1 , 3
,
Krivulja 2
5 * 1 , 1
i Krivulja 3
2 , 0
,
163
D':/*/)/&, 5.7I Dana je kontinuirana sluajna varijabla

, a njena funkcija
gustoce je f(x). Srednja vrijednost ili oekivana vrijednost varijable

je

@
#10)d0 4 0 ) <1
Ako je
) <1
. Varijanca od

je
? ) @ <>1
2 2
, a standardna devijacija od

je
2
.
Ako je = 0 i =1 onda je
2
) 0 1
2
e
2
1
) 0 1 #

. Distribucija s tom funkcijom

gustoce naziva se standardizirana normalna distribucija, a njen graf je prikazan na
slijedecoj slici:
Oblik funkcije definiran je s dva osnovna parametra, oekivanjem i standardnom
devijacijom tj. N(,). Funkcija gustoce normalne razdiobe je teorijskog karaktera.
Oekivanje je ekvivalent srednjoj vrijednosti statistikog skupa, dok je standardna
devijacija teorijska vrijednost standardnog odstupanja.
Ako se kao pomocna sluajna varijabla uvede

" , gdje se odstupanja od
srednje vrijednosti izraavaju u jedinicama standardne devijacije (normiranje), onda se
ona naziva standardizirano obiljeje. Ono mjeri odstupanje stvarnih vrijednosti obiljeja od
srednje vrijednosti i to odstupanje izraava u standardnim devijacijama.
Poznate su slijedece jednakosti:
) 1 P
0.6826
) 2 1 P
0.9544
) 3 1 P
0.9973.
One se nazivaju i pravilima jedne dvije i tri standardne devijacije. Ako populacija ima
svojstva normalne distribucije onda je vjerojatnost da sluajno izabrana vrijednost obiljeja
bude u intervalu ( - , + ) jednaka 0.6826, u intervalu ( - 2, +2) vjerojatnost je
0.9544 i u intervalu ( - 3, + 3) vjerojatnost je 0.9973.
Normalna distribucija je kontinuirana distribucija, ali moe biti aproksimacija i za
diskretne distribucije kakva je binomna. Binomna distribucija je definirana s dva
parametra: brojem pokusaja n i vjerojatnosti uspjeha (. Normalna distribucija s
parametrima i ce biti dobra aproksimacija za binomnu distribuciju ako su
p) 1 1 np 2 2 np i p) np( np + + 1 2 2 izmedu B i n. Primjerice, binomna
distribucija s n=10 i p=0.5 je dobra aproksimacija normalne distribucije s
5 5 * 0 4 10 p 4 n
i 58 * 1 10 4 5 * 0 p) 1 np1 C
Binomnu distribuciju s n = 10 i p = 0.5 dobro aproksimira normalna distribucija na
slijedecoj slici:
164
Aproksimacija binomne distribucije (prikazane bar grafom) za
n=10, p=0.5 pomocu normalne distribucije prikazane krivuljom
6.6. DISTRI%$"IJE GRASPOREDIH $ZORAKA
6.6.1. Z,3+7 &' 8/+*, 6'+7., >?7(,5,
Cesto se u fazi prikupljanja podataka ne moe promatrati sve jedinice koje ine
populaciju, cijeli statistiki skup. Zato se na temelju podataka o dijelu populacije, uzorku,
nastoji spoznati cijela populacija. Potrebno je poznavati koliko je srednja vrijednost uzorka
blizu srednjoj vrijednosti populacije. Najbolje se ui na primjerima pa cemo na jednom od
njih objasniti i vanost metode uzoraka.
P(/6&'( 6.1: Drustvo za informatiku pismenost organiziralo je i provelo istraivanje
znanja aplikacijskih softvera razliitih dobnih skupina. Istraivanje se temelji na 4000
ispitanika koji su popunili anketne upitnike a dio rezultata prikazuje slijedeca tablica:
JM%G >2,*/&, IDQ6&'1+, D78 O8(,?7;,*&' %(7& ,2-/5,)/&15/A
17:+;'(,
1 1 8 26 2 1
2 1 8 33 3 1
3 1 8 27 2 3
4 1 8 46 1 2
5 1 8 22 2 0
6 1 8 28 2 1
7 1 8 33 2 3
8 1 8 38 1 3
9 1 8 34 2 2
..... ...... ........ ...... .......... ..........
3999 12 150 30 2 3
4000 12 150 23 2 0
165
Relativna frekvencija distribucije broja aplikativnih softvera cijele populacije
prikazana je u slijedecoj tablici:
%(7&
,2-/5,+/;*/A
2(79(,6, !('5;'*)/&,
K>6>-,+/;*,
M R'-,+/;*,
0 327 8,18% 8,18%
1 680 25,18% 17,00%
2 847 46,36% 21,18%
3 715 64,24% 17,88%
4 537 77,67% 13,43%
5 339 86,15% 8,48%
6 229 91,87% 5,73%
Vise 325 100,00% 8,13%
Na temelju tablice moe se dizajnirati dijagram distribucije apsolutnih i relativnih
frekvencija:
%istogra&
0
100
200
300
400
500
600
700
800
900
0 1 2 3 4 5 6 8ore
'roj a(likacijski) (rogra&a
F
r
e
k
v
e
n
c
i
j
a
a
,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
2!'!lativne
9re/ven"ije
Iz populacije se mogu birati uzorci razliite veliine. Postavlja se pitanje, koliko ce
pokazatelji uzorka odstupati od parametara populacije i kako procijeniti parametre
populacije na temelju uzorka? Zato ce se birati dva sluajna uzorka veliine n=50.
Distribucija apsolutnih i relativnih frekvencija prvog uzorka je:
%(7&
,2-/5,+/;*/A
2(79(,6, !('5;'*)/&,
K>6>-,+/;*,
M R'-,+/;*,
0 4 8,00% 8,00%
1 9 26,00% 18,00%
2 13 52,00% 26,00%
3 13 78,00% 26,00%
4 6 90,00% 12,00%
5 0 90,00% 0,00%
6 3 96,00% 6,00%
166
Vise 2 100,00%
Histogram frekvencija prvog uzorka prikazuje slijedeca slika:
%istogra&
0
2
4
6
8
10
12
14
0 1 2 3 4 5 6 8ore
F
r
e
/
v
e
n
"
i
j
a
0,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
Fre!en"#
&!'!lative ,
'roj a(likativni) (rogra&a
Drugi uzorak n=50 ima drugaiju distribuciju frekvencija znanja ispitanika o
aplikativnim softverima:
%(7&
,2-/5,+/;*/A
2(79(,6, !('5;'*)/&,
K>6>-,+/;*,
M R'-,+/;*,
0 4 8,00% 8,00%
1 12 34,00% 24,00%
2 7 48,00% 14,00%
3 12 72,00% 24,00%
4 4 80,00% 8,00%
5 5 90,00% 10,00%
6 2 94,00% 4,00%
Vise 3 100,00%
Odgovarajuci histogram distribucije frekvencija drugog uzorka dan je na slijedecoj
slici:
167
%istogra&
0
2
4
6
8
10
12
14
0 1 2 3 4 5 6 8ore
'roj a(likativni) (rogra&a
F
r
e
k
v
e
n
c
i
j
a
0,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
Fre!en"#
&!'!lative ,
Aritmetika sredina prvog uzorka je 2,68 a drugog 2,86. Srednja vrijednost populacije je
3.08 sto pokazuje da drugi uzorak bolje aproksimira srednju vrijednost populacije.
6.6.2 S->4,&*/ >?7(,5
Naglasili smo da je osobiti bitno dobiti uzorak koji ima obiljeja populacije. Jedan
nain ispunjenja tog zahtjeva je osigurati da svaki uzorak veliine * ima jednaku
vjerojatnost izbora. Ta procedura se naziva sluajno uzorkovanje, a rezultata je sluajni
uzorak veliine *. Svaka jedinica populacije ima jednaku vjerojatnost izbora u uzorak,
jedinice se sluajno izabiru s pomocu tablice sluajnih brojeva ili generatorom sluajnih
brojeva.
P(/6&'(I Kupcu na raspolaganju stoji osam proizvoda: A, B, C, D, E, od kojih ce on izabrati
samo tri. Tri proizvoda ce biti jedan uzorak. Postavljaju se pitanja:
a) Koliko razliitih uzoraka s tri proizvoda kupac moe izabrati iz populacije od
osam proizvoda? Prikazati sve razliite uzorke.
b) Koji se kriterij treba zadovoljiti da bi uzorak bio sluajan?
R&'3'*&'I
a) Prvo ce se prikazati svi uzorci od tri proizvoda. Broj razliitih uzoraka za n
elemenata, iz populacije od N = 5 elemenata, je broj kombinacija trece klase od
pet elemenata i jednak je:
)B n & B41 n
B &
.

Slijedi lista svih 10 uzoraka iz populacije od N=8:

A, B, C A, C, D B, C, D C, D, E
A, B, D A, C, E B, C, E
A, B, E A, D, E B, D, E
b) Svaki uzorak mora imati jednaku sansu, jednaku vjerojatnost izbora kako bi se
osigurao uvjet potreban za jednostavan sluajan uzorak. Posto se moe izabrati
10 razliitih uzoraka veliine n=3, svaki uzorak mora imati vjerojatnost jednaku
1/10.
168
Danas gotovo svi statistiki softveri mogu sluajno generirati uzorke iz populacije.
Populaciju sainjava tablica oblika:
JM%G >2,*/&, IDQ6&'1+, D78 O8(,?7;,*&' %(7& ,2-/5,)/&15/A
17:+;'(,
1 1 8 26 2 1
2 1 8 33 3 1
3 1 8 27 2 3
4 1 8 46 1 2
5 1 8 22 2 0
6 1 8 28 2 1
7 1 8 33 2 3
8 1 8 38 1 3
9 1 8 34 2 2
..... ...... ........ ...... .......... ..........
3999 12 150 30 2 3
4000 12 150 23 2 0
Primjer je upotreba Excela za izraunavanje deskriptivne statistike. Prvo ce se
izraunati deskriptivna statistika za cijelu populaciju i te vrijednosti usporediti s
deskriptivnom statistikom dva uzorka.
D'15(/2+/;*, 1+,+/1+/5, 272>-,)/&'
Mean 3,085271
Standard Error 0,034567
Median 3
Mode 2
Standard Deviation 2,185948
Sample Variance 4,77837
Kurtosis 0,846734
Skewness 0,931484
Range 12
Minimum 0
Maximum 12
Sum 12338
Count 3999
Generiraju se dva uzorka n=80 upotrebom Excela u izborniku Data Analysis:
169
Nakon izbora opcije Sampling pojavljuje se slijedeci ekran u kojem je potrebno
odrediti broj jedinica uzorka i mjesto gdje ce se jedinice uzorka pohraniti:
Podaci iz kojih se generiraju uzorci su u stupcu $F$2:$F$4001, a broj jedinica u
uzorku (Number of Samples) je 80. Za prvi i drugi uzorak deskriptivna statistika daje
slijedece rezultate:
D'15(/2+/;*,
1+,+/1+/5,
2(;79 >?7(5,
D'15(/2+/;*,
1+,+/1+/5,
.(>979 >?7(5,
Mean 2,9875 3,025
Standard Error 0,210103764 0,26622953
Median 3 2
Mode 3 2
Standard Deviation 1,879225197 2,38122934
Sample Variance 3,531487342 5,67025316
Kurtosis 1,010109672 1,17329114
Skewness 0,875362935 1,08884344
Range 9 11
Minimum 0 0
Maximum 9 11
Sum 239 242
Count 80 80
Za prvi uzorak srednja vrijednost je: * 9875 * 2 0 Za drugi uzorak srednja
vrijednost je 025 * 3 0 , dok je za cijelu populaciju od 4000 ispitanika srednja vrijednost
3*085
.
U slijedecem odjeljku ce biti analizirano kako se mogu procijeniti pogreske u
mjerama centralne tendencije sluajno izabranog uzorka u odnosu na cijelu populaciju.
6.6.3 D/1+(/8>)/&, >?7(,5,
U prethodnom poglavlju je prikazan sluajni uzorak izabran iz populacije. Cilj je u
mnogim prilikama procijeniti numerike karakteristike populacije, a one se nazivaju
(arametri, na temelju informacija iz uzorka. Primjera radi, iz prvog uzorka od 80
ispitanika srednja vrijednost je * 9875 * 2 0 Vrijednosti obiljeja u uzorku (broj
170
aplikacijskih programa koje poznaje ispitanik) posluile su za izraunavanje mjera centralne
tendencije, a one se za uzorak nazivaju statistike ili (okazatelji (takva je srednja
vrijednost ili varijanca uzorka).
Vrijednost parametara populacije je konstanta (npr. varijanca ili srednja
vrijednost), ali za nas nepoznata. Vrijednost statistike uzoraka (npr. srednja vrijednost
uzorka) nije konstanta i mijenja se od uzorka do uzorka. Kao sto je pokazano u ranijem
primjeru, srednje vrijednosti za dva sluajna uzorka iste veliine su razliita. Posto se
statistika razlikuje od uzorka do uzorka to ce i svako zakljuivanje temeljeno na uzorcima
morati sadravati i vjerojatnost.
Primjer distribucije uzoraka ponovno ce se temeljiti na odgovorima 4000 ispitanika
o znanju aplikacijskih programa tj. razini njihove informatike pismenosti. Ako se promatra
cijela populacija, znamo da je prava vrijednost aritmetike sredine =3.08 aplikacijskih
programa. Ako bi sada iz populacije izabrali 100 sluajnih uzoraka veliine n=5 i izraunali
prosjean broj aplikacijskih programa u tim uzorcima, dobili bi novu tablicu slijedeceg
izgleda:
Uzorak Broj aplikacijskih programa kojima se slui ispitanik
Prosjek uzorka ) 0 1
1 3 3 3 5 3 3,4
2 6 1 7 6 9 5,8
3 4 4 2 4 8 4,4
4 5 5 2 2 2 3,2
5 6 2 4 5 4 4,2
6 6 3 1 5 4 3,8
7 5 0 9 3 2 3,8
8 7 0 4 1 10 4,4
9 5 0 2 5 0 2,4
10 3 6 1 2 0 2,4
Sluajni uzorak sadri pet vrijednosti obiljeja i bira se iz populacije od 4000
ispitanika. U tablici jedan redak je jedan uzorak. Za svaki uzorak se izraunava prosjena
vrijednost (statistika) dana u posljednjem stupcu tablice. Gornja tablica prikazuje samo
prvih deset od sto uzoraka. Ako bi se postupak izbora uzoraka ponovio neogranien broj
puta, dobila bi se distribucija sredina uzoraka koju bi mogli prikazati relativnom
frekvencijom u obliku histograma. To je distribucija sredina uzoraka. Ponavljanje izbora
jedinica u uzorak neogranien broj puta je nepotrebno pa se zato bira odreden broj uzoraka
iz populacije. U populaciji s N elemenata je moguce izabrati razliite uzorke veliine *:
)B n & B41 n
B &
.

. Vjerojatnost izbora neke kombinacije je ista i iznosi: #

.
1
. Ta se
veliina naziva frakcija, stopa ili kvota izbora.
Relativna frekvencija distribucije cijele populacije broja aplikacijskih programa koje
poznaje ispitanik prikazuje slijedeca slika i generirana je pomocu Excela:
171
%istogra&
0
5
10
15
20
25
0 1 2 3 4 5 6 8ore
F
r
e
k
v
e
n
c
i
j
a
a
,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
'roj a(likacijski) (rogra&a
S-/5,I Relativna distribucija broja aplikacijskih programa cijele populacije
Iz populacije se sluajno bira 100 uzoraka veliine n=5, a distribucija aritmetikih
sredina 100 uzoraka prikazuje slijedeci histogram:
%istogra&
0
5
10
15
20
25
30
35
40
45
0 1 2 3 4 5 6 8ore
F
r
e
/
v
e
n
"
i
j
a
0,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
Fre!en"#
&!'!lative ,
S-/5,.I Distribucija aritmetikih sredina uzoraka x : Relativna
frekvencija distribucije x za 100 uzoraka veliine n = 5
T,8-/), 6.4 Usporedba aritmetike sredine distribucije sredina uzoraka i populacije
za 100 uzoraka veliine n=5
A(/+6'+/45,
1('./*,
S+,*.,(.*,
.';/&,)/&,
172
Populacija od 4000 ispitanika
100 vrijednosti aritmetikih sredina uzoraka x na
temelju uzoraka veliine n = 5
=3.08
x =3.11
=2.186
= 3.066
P(/6&'( 6.5I Ponovno generirati 100 uzoraka veliine n=25 iz populacije od 4000
ispitanika i usporediti rezultate sa uzorcima veliine n=5 iz ranijeg primjera.
R&'3'*&'I Prvo se iz populacije generira sto uzoraka veliine n = 25 iz populacije, a nju
sainjava 4000 ispitanika. Distribucija frekvencija sredina uzoraka x prikazana je na
slijedecoj slici:
Histogram
0
10
20
30
40
50
60
70
80
0 1 2 3 4 5 6 8ore
F
r
e
/
v
e
n
"
i
j
a
0,00,
20,00,
40,00,
60,00,
80,00,
100,00,
120,00,
Fre!en"#
&!'!lative ,
S-/5,.I Distribucija aritmetikih sredina uzoraka x : Relativna
frekvencija distribucije x za 100 uzoraka veliine n = 25
Vidljivo je da se distribucija sredina 100 uzoraka za n=25 koncentriraju oko
aritmetike sredine populacije bolje od 100 uzoraka veliine n=5. Takva koncentracija je
vidljiva i na odgovarajucim histogramima.
T,8-/), 6.4 Usporedba aritmetike sredine distribucije sredina uzoraka i populacije za 100
uzoraka veliine n=5 i n=25
A(/+6'+/45,
1('./*,
S+,*.,(.*,
.';/&,)/&,
Populacija od 4000 ispitanika
08 * 3
186 * 2
100 vrijednosti aritmetikih sredina uzoraka
x na temelju uzoraka veliine n = 5
11 * 3 0 = 0.971
100 vrijednosti aritmetikih sredina uzoraka
x na temelju uzoraka veliine n = 25
06 * 3 0 445 * 0
173
Iz tablice 6.4 je vidljivo da je povecanje broja elemenata u uzorku povezano sa
smanjenjem standardne devijacije. Smanjuje se varijacija u distribuciji aritmetikih sredina
uzoraka. Vrijednosti aritmetikih sredina se koncentriraju oko sredine populacije kada se
broj elemenata uzorka povecava. Takav empirijski rezultat ce se formalno prikazati u
slijedecem dijelu.
6.6.4 D/1+(/8>)/&, 1('./*, >?7(,5, x I )'*+(,-*/ 9(,*/4*/ +'7('6
Sredina uzoraka imat ce normalnu distribuciju s oekivanjem
0

i varijancom
2
0

ako:
a) populacija ima normalnu distribuciju ili
b) populacija ima bilo koju distribuciju i uzorak je dovoljno velik (tzv. centralni granini
teorem). Uzorak je dovoljno velik ako je 30 n .
Uzorak bi trebao imati vise elemenata sto se distribucija populacije vise razlikuje
od normalne.
Varijanca sredine uzoraka je jednaka
n
2
2
0

ako je ispunjen barem jedan od tri
uvjeta:
a) da je populacija beskonana,
b) da se uzorkovanje vrsi s ponavljanjem, te
c) da je frakcija izbora manja od 5% .
Ako nije ispunjen ni jedan od tih uvjeta onda je varijancu sredine uzoraka potrebno
korigirati i u tom se sluaju izraunava po obrascu:
1 &
n &
4
n
2
2
0

.
Standardna pogreska je standardna devijacija neke statistike. Standardna
pogreska sredine uzoraka je
n
0


, odnosno
1 &
n &
4
n
0

.
Standardna pogreska je obrnuto proporcionalna veliini uzorka n i opada s kvadratom broja
elemenata uzorka.
P(/6&'( 6.6I Pokazati da empirijski podaci iz primjera 6.4 i 6.5 potvrduju centralni granini
teorem. Sluajni uzorci su veliine n=5, odnosno n=25. Za populaciju su poznate sredina i
standardna devijacija:
Sredina populacije:
08 * 3
aplikacijskih programa.
Standardna devijacija populacije: 186 * 2 aplikacijskih programa.
R&'3'*&'I Analizirajuci histograme moe se jasno uoiti da se vrijednosti aritmetikih
sredina uzoraka koncentriraju oko sredine populacije
08 * 3
. Ti primjeri pokazuju da se
standardna pogreska (standardna devijacija distribucije uzoraka) smanjuje ako se
povecava broj elemenata uzorka. Za n=5 standardna pogreska je = 0.971, a za n=25
standardna pogreska je 445 * 0 . Standardnu pogresku je moguce izraunati na temelju
poznavanja standardne devijacije populacije i veliine uzorka. Dakle, za uzorak veliine n=5
standardna pogreska je
977 * 0
5
186 * 2
n
0

. Za drugi uzorak, onaj veliine n=25
standardna pogreska je
437 * 0
25
186 * 2
n
0

Centralni granini teorem garantira priblino normalnu distribuciju sredine uzoraka
x , i onda ako populacija, iz koje se biraju uzorci, nema normalnu distribuciju. Distribucija
frekvencija broja aplikacijskih programa koje znaju ispitanici nije normalno distribuirana.
Ona je blago spljostena u lijevo, a to je vidljivo iz histograma.
6.7. PRO"JENE
174
6.7.1. $;7.
U ranijem dijelu ovog poglavlja istaknuto je da populacije imaju numerike
deskriptivne mjere ili parametre. Zakljuci o vrijednosti parametara se temelje na
statistikama izraunatim iz informacija o uzorku iz dane populacije. U ovom dijelu prikazat
ce se procjena sredine populacije, proporcija, varijanci i procijeniti razlike izmedu sredina
dvije populacije ili proporcija. Moci ce se procijeniti pouzdanost prognoze na temelju znanja
o distribucijama uzorka upotrijebljenih statistika.
P(/6&'( 7.1I Zeli se procijeniti prosjean broj aplikacijskih programa koje poznaje
ispitanik. Nama je vec poznata sredina populacije. Pitanje glasi: kako se moe procijeniti
parametar koji nas zanima
R&'3'*&'I Intuitivno je privlana procjena sredine populacije,

, sredina uzorka, x , a
ona se izraunava iz sluajnog uzorka veliine n uzetog iz populacije. Pretpostavimo da je
sluajno izabran uzorak broja aplikacijskih programa koje poznaje ispitanik veliine n= 40.
Prvo se izraunava sredina uzorka i ona je x =2.62 aplikacijskih programa. Ta vrijednost
x odreduje pojedinanu procjenu sredine populacije.
Koliko je ta procjena parametra populacije pouzdana? Zeli se utvrditi koliko je
procjena parametra populacije blizu stvarnoj vrijednosti parametra. To je moguce uraditi
samo ako se iskoriste obiljeja statistike distribucije uzoraka, sto ce biti prikazano u
slijedecim poglavljima.
6.7.2. P(7)&'*, 1('./*' 272>-,)/&'
Ako je uzorak dovoljno velik onda je distribucija sredina uzoraka x priblino
normalna. To pokazuje slika 7.1.
P(/6&'( 7.2I Pretpostavimo da se planira uzorak veliine n = 40 iz populacije o znanju
aplikacijskih programa i izraunava interval:

,
_

t t
n
x x
x

96 * 1 96 * 1
gdje je

standardna devijacija populacije broja aplikacijskih programa, a

n
x
;
je
standardna devijacija distribucije sredina uzoraka. Ona se esto naziva i standardna
pogreska sredine x . Definirat ce se interval od 1.96 standardnih devijacija oko sredine
uzorka. Kako se moe procijeniti vjerojatnost da ce se sredina populacije nalaziti u tom
intervalu?
!/9>(' 7.1: Distribucija sredine uzoraka x
R&'3'*&': Rjesenje se moe pronaci u algoritmu koji ima samo tri koraka:
175
orak
@
Povrsina ispod distribucije sredina uzoraka x u intervalu
x
1*96 @
i
0
1*96 +
je priblino 0.95. To je onda i vjerojatnost da ce sredina uzorka x
biti u intervalu
x
1*96 t
.
orak
E
Posto je izraunata sredina uzorka x , postavlja se pitanje gdje se nalazi
sredina populacije? Interval x
x
1*96 t
ce sadravati sredinu populacije

s
vjerojatnosti 0.95. Udaljenost
x
1*96
od sredine uzorka je oznaena na obje
strane od sredine x . Sa slike je vidljivo da sredina populacije

se nalazi u
intervalu
x
1*96 t
.
orak
=
Kombinirajuci prvi i drugi korak moe se zakljuiti da ce, prije nego se bira
uzorak, vjerojatnost sredine populacije u intervalu x
x
1*96 t
biti priblino
0.95.
!/9>(' 7.2: Distribucija sredina uzoraka x
U nasem primjeru je n=40 a standardna devijacija populacije =2.186. Moe se zakljuiti
sa sigurnoscu od 95% da se sredina populacije nalazi u intervalu:
n
4 96 * 1 0 4 96 * 1 0
0

t t
.
Taj interval u kojem se nalazi sredina populacije moe se izraunati poznajuci sredinu
uzorka, standardnu devijaciju populacije i broj elemenata u uzorku:
678 , 0 62 * 2 346 * 0 4 96 * 1 62 * 2
40
186 * 2
4 96 * 1 62 * 2
n
4 96 * 1 0 t t t

t
.
Sredina populacije se nalazi u intervalu
678 * 0 62 * 2 678 * 0 62 * 2 +
s vjerojatnoscu
od 0.95.
Medutim, u mnogim praktinim primjerima nije poznata standardna devijacija
populacije. Za dovoljno velike uzorke n 30 standardna devijacija uzorka s je dobra
aproksimacija standardne devijacije populacije. Standardna devijacija uzorka n=40 je
1=1.957. Interval u kojem ce se naci sredina populacije na temelju sredine uzorka i
standardne devijacije je:
606 * 0 62 * 2
40
957 * 1
96 * 1 62 * 2
40
s
96 * 1 62 * 2 t

,
_

,
_

t
.
176
Moe se procijeniti s vjerojatnosti od 0.95 da se sredina populacije nalazi u intervalu
226 * 3 04 * 2
. Ako se eli povecati vjerojatnost da se sredina populacije nalazi u
nekom intervalu, potrebno je prosiriti taj interval. Tako, na primjer, za vjerojatnost od
99% interval povjerenja bi bio:
798 * 0 62 * 2
40
957 * 1
58 * 2 62 * 2
n
s
58 * 2 0
n
58 * 2 0 t

,
_

t
,
_

t
,
_

t
U praksi nece biti poznata sredina populacije, nego se izabire jedan uzorak i na
temelju pokazatelja uzorka ce se odrediti interval povjerenja da se parametar populacije
nalazi u tom intervalu.
Prvi korak u konstruiranju 95% intervala povjerenja je umanjiti povrsinu ispod
normalne krivulje za 0.05. Ta povrsina od 0.05 je jednako podijeljena na dvije strane
normalne distribucije tako da svaka strana ima povrsinu od 0.025.
Drugi korak je u tablici normalne distribucije oitati vrijednost za z i ona je 1.96.
Standardizirano obiljeje z je kljuno za konstruiranje intervala povjerenja.
!/9>(' 7.3. Standardizirano obiljeje z=1.96
Na slici je definirana
2 ;
z
, tj. vrijednost standardiziranog obiljeja tako da
povrsina za 2 ; se nalazi na desnoj strani. To je vidljivo na slijedecoj slici:
!/9>(' 7.4 Postavljanje
2 ;
z
za normalnu distribuciju
Vidljive su dvije povrsine smjestene na obje strane normalne krivulje, a one reprezentiraju
2 ;
z
i
2 ;
z
. Ostatak povrsine ispod normalne krivulje je
) 1 1
i jednak je koeficijentu
povjerenja. On predstavlja vjerojatnost da se sredina uzorka nalazi unutar intervala
2 ;
z

standardnih devijacija od sredine populacije

. Ta je vjerojatnost jednaka
) 1 1
. Za
velike uzorke interval povjerenja sredine populacije

, s koeficijentom povjerenja
) 1 1
, jednak je
0
2 ;
4 " 0 t
.
177
@ z
;2
0 z
;2
P(/6&'( 7.5: Veoma est koeficijent povjerenja u statistici je 0.9. Zadatak je odrediti
vrijednost
2 /
z

koja ce se koristiti za odredivanje 90% intervala povjerenja za sredinu

populacije za velike uzorke.
R&'3'*&': Za koeficijent povjerenja .90, vrijedi

90 * 1

10 *
05 * 2 ;
i potrebno je odrediti vrijednost za
05 * 2 ;
z z

. Ta vrijednost odreduje povrsinu 0.05 na

gornjoj strani normalne distribucije. Iz tablice normalne distribucije se oita vrijednost
standardiziranog obiljeja z.05 = 1.645. Moe se zakljuiti da je za velike uzorke 90%
interval povjerenja za sredinu populacije jednak
x
x 645 * 1 t
. U slijedecoj tablici su
prikazani koeficijenti povjerenja koji su najesce u upotrebi:
Koeficijent
povjerenja
) 1 1 2 ;
2 ;
z
0.90 0.050 1.645
0.95 0.025 1.960
0.98 0.010 2.330
0.99 0.005 2.58
T,8-' 7.3 Najesci koeficijenti povjerenja
Za velike uzorke n 30 standardna devijacija populacije se moe zamijeniti sa
standardnom devijacijom uzorka a interval povjerenja je:

,
_

t t
n
z x z x
x

2 ; 2 ;
P(/6&'( 7.6I Bira se uzorak od n = 40 studenata i mjeri se njihova visina. Prosjena visina
studenata u uzorku i standardna devijacija su:
x = 71.5 kg s = 8.6 kg
Procijenit sredinu populacije

, prosjenu teinu studenata, za 99% interval povjerenja.

R&'3'*&'I Opci oblik 99% intervala povjerenja za velike uzorke je:
51 * 3 5 * 71 36 * 1 4 50 * 2 5 * 71
40
6 * 8
58 * 2 5 * 71
n
s
58 * 2 0
n
58 * 2 0 t t

,
_

,
_

,
_

t
Moe se procijeniti s 99% sigurnosti da se sredina populacije nalazi u intervalu
(67.2, 75.02).
Ako su uzorci mali pojavljuju se dva problema:
a)centralni granini teorem se odnosi samo na velike uzorke i ne moe se tvrditi da
je distribucija sredina uzoraka normalna. Za male uzorke distribucija sredina
uzoraka ovisi o obliku relativne distribucije frekvencija populacije iz koje se bira
mali uzorak.
b) standardna devijacija uzorka 10 nije zadovoljavajuca aproksimacija standardne
devijacije populacije

, ako je uzorak malen.

Procjena parametara populacije se moe nastaviti i za male uzorke (n<30), ako se
prihvati pretpostavka da populacija iz koje se bira uzorak ima priblino normalnu
distribuciju. Na temelju te pretpostavke sredina uzoraka x se moe iskoristiti za procjenu
178
sredine populacije

. Opci oblik te procjene dan je izrazom:

,
_

t
n
s
t x
2 ;
, gdje
distribucija t je Studentova distribucija s (n-1) stupnjeva slobode.
Ako se ta procjena usporedi s procjenom sredine populacije za velike uzorke
vidljivo je da se standardne devijacija populacije , zamjenjuje standardnom devijacijom
uzorka 1. Interval povjerenja se temelji na Studentovoj t-distribuciji. Potrebno je zamijeniti
standardizirano obiljeje
2 ;
z
za velike uzorke s vrijednosti dobivenoj iz t-distribucije.
Studentova t-distribucija ovisi o veliini nazvanoj stupnjevi slobode ili degrees of
freedom (df). Broj stupnjeva slobode je jednak (n-1) ako se procjenjuje sredina populacije
pomocu uzorka veliine n. O stupnjevima slobode kao o broju informacija dostupnih za
procjenu, osim sredine populacije

, nepoznate varijance
2
.U slijedecoj tablici su
vrijednosti

t
koje odreduju povrsinu

na gornjoj strani t-distribucije za razliite

vrijednosti

i stupnjeve slobode:
T,8-/), 7.6
Studentova t-distribucija
d
f
t.100 t.050 t.025 t.010 t.005 t.001 t.0005
1 3.078 6.314 12.706 31.821 63.657 318.31 636.62
2 1.886 2.920 4.303 6.965 9.925 22.326 31.598
3 1.638 2.353 3.182 4.541 5.841 10.213 12.924
4 1.533 2.132 2.776 3.747 4.604 7.173 8.610
5 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 1.415 1.895 2.365 2.998 3.499 4.785 5.408
8 1.397 1.860 2.306 2.896 3.355 4.501 5.041
9 1.383 1.833 2.262 2.821 3.250 4.297 4.781
P(/6&'( 7.9: Na temelju podataka iz prethodne tablice odrediti t-vrijednost koja ce se
koristiti za 95% interval povjerenja za procjenu sredine populacije, ako je uzorak veliine
n=8.
R&'3'*&'I Za koeficijent povjerenja 0.95, vrijedi:
95 * 0 1

05 * 0

025 * 0 2 ;
Potrebno je odrediti vrijednost t0.025 za t-distribuciju s(n - 1) = (8 - 1) = 7 stupnjeva
slobode. Na presjeku retka (redak predstavlja stupnjeve slobode) i stupca oznaena s t.025,
oitava se vrijednost 2.365. Stoga je 95% interval povjerenja za sredinu populacije

, za
uzorak veliine n = 8 dan izrazom:
)
8
s
1 4 365 * 2 0 t
. Ukratko, ako sredina uzorka ima
normalnu distribuciju i ako je poznata standardna devijacija populacije onda je
179

,
_

t
n
s
t x
2 ;
interval povjerenja za sredinu populacije ija je razina povjerenja . Broj t
/2
se odreduje iz uvjeta P(
2
) % D 0 1 P
2 ;



i naziva se koeficijent povjerenja.
6.7.3. P(7)&'*, 2(727()/&' 272>-,)/&'
Cesto se populacija sastoji samo od dvije klase, a za takve populacije je potrebno
procijeniti proporciju da njezini elementi imaju odredena svojstva. Mnogobrojni su primjeri
takvih klasa: oenjeni i neoenjeni, pismeni i nepismeni, pusai i nepusai, ispravni i
neispravni proizvodi, muski i enski, itd.
Ako se populacija moe klasterirati (podijeliti) u dvije klase, a proporcija elemenata
populacije u jednoj klasi jednaka je (, onda smo sigurni da je proporcija u drugoj klasi 1-p.
Na uzorke izabrane iz dvoklasne populacije odnosi se binomna distribucija.
Nulta hipoteza H0 pretpostavlja da je vrijednost proporcije u populaciji p. Potrebno
je procijeniti jesu li proporcije (frekvencije) u uzorku dobivene iz populacije u kojoj su
proporcije jednake p.
P(/6&'( 7.10: Potrebno je procijeniti proporciju pusaa u nekoj populaciji na temelju
sluajno odabranog uzorka od 500 osoba. U tom uzorku je 200 pusaa.
R&'3'*&'I Prvi korak je izraunati proporciju pusaa u uzorku (proporciju elemenata uzorka
koji imaju traeno svojstvo). Ta proporcija uzorka je
pE
i izraunava se:
4 * 0
500
200
osoa roj !kupan
pu8aFu Broj
pE
Za procjenu prihvatljivosti proporcije
4 * 0 pE
potrebno je poznavati njezinu
distribuciju u uzorku. Ta se informacija moe dobiti primjenom centralnog graninog
teorema. Za velike uzorke distribucija uzoraka za
pE
je priblino normalna i ima slijedeca
svojstva:
Sredina je:
p
p

Standardna devijacija:
n
A 4 p
pE
, gdje je q = 1-p, a n broj elemenata u
uzorku.
Interval povjerenja za p moe se odrediti slino intervalu povjerenja za aritmetiku sredinu
populacije. Taj interval za velike uzorke je:
n
AE pE
" pE " pE
2 ; pE 2 ;
t t gdje je
pE
proporcija uzorka i
p q E 1 E
Za odredivanje intervala povjerenja potrebno je aproksimirati standardnu devijaciju
n
A 4 p
pE
tako sto ce se uporabiti proporcije uzorka
pE
i
qE
.
P(/6&'( 7.11. Za prethodni primjer odrediti interval povjerenja proporcije populacije ako
je koeficijent povjerenja 0.95.
R&'3'*&' Za faktor povjerenja 0.95 potrebno je odrediti . Imamo
95 * 0 1
, pa je
05 * 0
i 025 * 0
2

. U tablici normalne distribucije oitava se standardizirano

obiljeje z0.025 = 1.96.
U danom primjeru 4 * 0
500
200
pE , a
6 * 0 4 * 0 1 pE 1 AE
. Uporabom formule za
interval povjerenja dobiva se:
04 * 0 * 4 * 0
500
) 6 * 0 4 4 * 0 1
4 96 * 1 40 * 0
n
AE pE
" pE
2 ;
t t t

.
180
Interval povjerenja je (0.36, 0.44), a to znai da s 95% moemo tvrditi da se u populaciji
nalazi izmedu 36% i 44% pusaa.
6.7.4. P(7)&'*, (,?-/5, /?6'B> 1('./*, .;, *'7;/1*, >?7(5,
Procijeniti sredinu populacije smo nauili u ranijim dijelovima ovog poglavlja. Sada
je potrebno procijeniti razlike izmedu sredina dva uzorka.
P(/6&'( 7.12: Studenti dva fakulteta mjere visinu i sluajno se biraju dva uzorka. Prvi
uzorak ima 40 studenata. Prosjena visina studenata u uzorku je 185.6 cm i standardna
devijacija 5.30 cm. Drugi uzorak ima 50 studenata. Prosjena visina studenata u uzorku je
182.2 cm i standardna devijacija 4.7 cm. Potrebno je procijeniti razliku sredina ta dva
uzorka.
R&'3'*&':
1
=Sredina populacije studenata prvog fakulteta.
2
= Sredina populacije studenata drugog fakulteta.
Sredine uzoraka su
1
x i
2
x , standardne devijacije uzoraka s1 i s2, a veliine uzoraka n1 i
n2. Te informacije prikazuje tablica 7.5.
T,8-' 7.5 Podaci za primjer 7.12
Fakultet 1 Fakultet 2
Veliina uzorka n1 = 40 n2 = 50
Sredina uzoraka
1
x
= 85.6 cm
2
x
= 82.2 cm
Standardna devijacija
uzoraka
s1 = 5.30 cm s2 = 4.7 cm
Za procjenu razlike sredina populacija ) 1
2 1
, jedino razumno je iskoristiti razlike
sredine uzoraka ) 0 0 1
2 1
= (85.6 - 82.2) = 3.4 kao procjenu razlika izmedu sredina dvije
populacije. Razlike sredina dva uzorka ) 1
2 1
x x je distribucija uzoraka koja ima svojstva
normalne distribucije kao sto prikazuje slijedeca slika:
S-/5, 7.6: Distribucija razlika sredina ) 0 0 1
2 1
uzoraka
Za dovoljno velike uzorke (n1 i n2 30), distribucija razlika sredina uzoraka ) 1
2 1
x x ,
temeljena na neovisnim sluajnim uzorcima iz dvije populacije je priblino normalna.
Sredina i standardna devijacija su:
Sredina:
) 1
2 1
) 1 2 1

x x
Standardna devijacija:
2
2
2
1
2
1
) 1 2 1
n n
x x

+

,
181
gdje su
2
1
i
2
2
varijance dvije populacije iz kojih se biraju sluajni uzorci. Veliki uzorci
omogucuju upotrebu centralnog graninoga teorema kako bi se dobila distribucija razlika
sredina uzoraka ) 1
2 1
x x , a varijance uzoraka
2
1
s i
2
2
s su dobre aproksimacije varijanci
populacija
2
1
i
2
2
. Algoritam odredivanja intervala povjerenja razlika sredina populacija
ako se biraju dovoljno veliki uzorci je:
2
2
2
1
2
1
2 ; 2 1
) 0 0 1
2 ; 2 1
n n
" ) 0 0 1 " ) 0 0 1
2 1

t t

2
2
2
1
2
1
2 ; 2 1
n
s
n
s
" ) 0 0 1 + t

Pretpostavka je da su uzorci medusobno neovisni, a to znai da izbor elemenata jednog
uzorka ne utjee na izbor elemenata drugog uzorka.
P(/6&'( 7.13I Na temelju ranijeg primjera 7.12. odrediti 95% interval povjerenja razlika
sredina dvije populacije ) (
2 1
. Te razlike se odnose na visine studenata dva fakulteta.
R&'3'*&'I Opci oblik 95% intervala povjerenja razlike sredina populacija ) 1
2 1
za
velike uzorke je
2
2
2
1
2
1
2 ; 2 1
) 1
n n
z x x

+ t . Standardizirano obiljeje za z0.025 = 1.96.

Zamjenjujuci varijable s vrijednostima lako je odrediti interval 95% povjerenja:
50 40
96 * 1 ) 82*2 @ 85*6 1
2
2
2
1

+

t
50
) 7 * 4 1
40
) 30 * 5 1
4 96 * 1 ) 82*2 @ 85*6 1
2 2
+ t
1 * 2 4 * 3 t
ili (1.3, 5.5). Rezultat se moe interpretirati da se moe biti 95% siguran da je prosjena
visina studenata prvog fakulteta veca od prosjeka studenata drugog fakulteta izmedu 1.3 i
5.5 cm.
Ako se procjenjuje razlika sredina dvije populacije na temelju malih uzoraka
potrebno je prihvatiti slijedece pretpostavke:
a) Obje populacije iz kojih se biraju uzorci imaju frekvenciju distribucija
koja je priblino normalna.
b) Varijance obje populacije su priblino jednake.
c) Sluajni uzorci izabrani iz obje populacije su neovisni.
Na temelju tih pretpostavki moguce je odrediti interval povjerenja za razliku
sredina dvije populacije ) (
2 1
iz malih uzoraka (n1 i n2 < 30).
I*+'(;,- 27;&'('*&, C@ 4 DF100M 6,-/A >?7(,5, ?, ) (
2 1

,
_

+ t

2 1
2
p 2 ; 2 1
n
1
n
1
4 s 4 % ) 0 0 1
gdje je
2 n n
s ) 1 n 1 s ) 1 n 1
s
2 1
2
2 2
2
1 1 2
p
+
+

a vrijednost za
2 ;
%

se izraunava na temelju (n1 + n2 - 2) stupnjeva slobode.

Pretpostavka je da dvije populacije imaju iste varijance
2 2
2
2
1
), a varijanca se
procjenjuje na temelju informacija iz oba uzorka. Ta varijanca se oznaava s
2
p
s
i jednaka
je
2 n n
s ) 1 n 1 s ) 1 n 1
s
2 1
2
2 2
2
1 1 2
p
+
+

.
6.7.5. P(7)&'*, ;,(/&,*)' 272>-,)/&'
Moguce je procjenjivati interval povjerenja za varijancu populacije. Logino je
pretpostaviti da se varijanca populacije
2
procjenjuje na temelju varijance uzorka s
E
.
182
Medutim varijanca uzorka se ne ponasa kao sredina ili proporcija uzorka po normalnoj
distribuciji. Umjesto normalne z ili t distribucije, varijanca uzorka ima priblino hi-kvadrat
(
2
) distribuciju. Slino, t-distribuciji i hi-kvadrat distribucija se slui stupnjevima slobode.
Nekoliko hi-kvadrat distribucija vjerojatnosti s razliitim stupnjevima slobode prikazuje
slijedeca slika:
Slika G#@@ Hi-kvadrat distribucija vjerojatnosti
Hi-kvadrat distribucija nije simetrina kao sto su to z- ili Studentova t-distribucija.
P(/6&'( 7.18I Dio tablice vrijednosti
2
distribucije ima slijedeci izgled:
Stu(njevi
slobode

2
.050
2
.025
2
.010
2
.005
1 2.70554 3.84146 5.02389 6.63490 7.87944
2 4.60517 5.99147 7.37776 9.21034 10.59660
3 6.25139 7.81473 9.34840 11.34490 12.83810
4 7.77944 9.48773 11.14330 13.27670 14.86020
5 9.23635 11.07050 12.83250 15.08630 16.74960
6 10.64460 12.59160 14.44940 16.81190 18.54760
7 12.01700 14.06710 16.01280 18.47530 20.27770
8 13.36160 15.50730 17.53460 20.09020 21.95500
9 14.68370 16.91900 19.02280 21.66600 23.58930
10 15.98710 18.30700 20.48310 23.20930 25.18820
11 17.27500 19.67510 21.92000 24.72500 26.75690
12 18.54940 21.02610 23.33670 26.21700 28.29950
13 19.81190 22.36210 24.73560 27.68830 29.81940
14 21.06420 23.68480 26.11900 29.14130 31.31930
15 22.30720 24.99580 27.48840 30.57790 32.80130
16 23.54180 26.29620 28.84540 31.99990 34.26720
17 24.76900 27.58710 30.19100 33.40870 35.71850
18 25.98940 28.86930 31.52640 34.80530 37.15640
19 27.20360 30.14350 32.85230 36.19080 38.58220
Zadatak je odrediti tablinu vrijednost za
2
za devet stupnjeva slobode koja
odsijeca povrsinu od 0.05 u desnoj strani distribucije. U tom zadatku je broj stupnjeva
slobode df=9 i = 0.05. Tablina vrijednost
2
za 9 stupnjeva slobode je
2
0.05 = 16.9190.
183
T,8'-, 7.9
2
distribucija
Vrijednosti
2
u tablici slue za odredivanje intervala povjerenja za varijancu populacije
2
.
P(/6&'( 7.19I Istraivana je zagadenost ribe u jednoj rijeci. Zeli se utvrditi koliko je
stabilna teina kontaminirane ribe. Bira se uzorak s 144 elementa i na temelju njega se
izraunava statistika
-ra/a* 376*6 s -ra/a, 7 * 049 , 1 0
Upotrijebiti te informacije i
odrediti 95% interval povjerenja za varijaciju teina kontaminirane ribe u rijeci.
R&'3'*&': Interval povjerenja (1 - )*100% varijance
2
populacije ovisi o veliini s
2
,
(n - 1), i kritinoj vrijednosti
2
:
) 2 ; 1 1
2
2
2
2 ;
2
2
) 1 1 ) 1 1

s n s n
, gdje su
2
2 ; 1

i
2
2 ;
vrijednosti od
2
koje odreduju
povrsinu /2 desno i /2 lijevo hi-kvadrat distribucije za (n-1) stupnjeva slobode.
Pretpostavka je da populacija iz koje se bira uzorak ima priblino normalnu distribuciju. Za
95% interval povjerenja je (1 - ) =0 .95 i /2 = 0.05/2 = 0.025. Zato se trebaju pronaci
vrijednosti u tablici za
2
0.025, and
2
0..975 i (n - 1) = 143 stupnja slobode. Najblia za 143
stupnja slobode u tablici je df=150. Oitamo odgovarajuce vrijednosti:
2
0.025 = 185.800 i

2
0.975 = 117.985. Te vrijednosti unosimo u formulu:
985 * 117
) 6 * 376 )1 1 144 1
800 * 185
) 6 * 376 )1 1 144 1
2
2
2

.
Sigurni smo 95% da je prava varijanca populacije teina kontaminirane ribe u rijeci izmedu
109,156.8 i 171,898.4.
S-/5, 7.11 Odredivanje
2
1-/2 i
2
/2 za hi-kvadrat distribuciju
184
U ovom poglavlju su prikazane tehnike procjene parametara populacije ili razlike
izmedu parametara populacije. Dane su sve potrebne pretpostavke i odredivanje intervala
povjerenja.
6.8. TESTIRANJE #IPOTEZA
6.8.1 $;7.
Testiranje hipoteza je drugo veoma vano podruje inferencijalne statistike.
Razlikuje se od procjenjivanja jer se unaprijed formira ideja o izgledu populacije, a zatim
provjerava na temelju uzorka ta ideja. U procjeni se nastoji odgovoriti na pitanje koliki je
parametar populacije dok testiranje hipoteza nastoji odgovoriti na pitanje je li parametar
populacije jednak nekoj pretpostavljenoj vrijednosti ili nije.
Hipotezu H0 cemo prihvatiti ili odbaciti na temelju rezultata mjerenja. Hipoteza se
odnosi na populaciju. Rezultati mjerenja se temelje na uzorku. Postupak provjere hipoteze
se naziva testiranje hipoteze.
Postoje razliite vrste hipoteza
44
. Testiranje hipoteza je jos jedna metoda
zakljuivanja. U procjenjivanju parametara populacije pretpostavlja se da vrijednosti
obiljeja imaju svojstva neke teorijske distribucije I onda se na temelju izraunate statistike
(pokazatelja uzorka) s odredenim stupnjem pouzdanosti zakljuuje o populaciji. Testiranje
hipoteza pretpostavlja da su dani parametri populacije. Cesto je korisno znati jesu li
karakteristike populacije jednake ili razliite od neke pretpostavljene vrijednosti.
Provjera istinitosti hipoteza H0 je dio teorije odluivanja. Teorija odluivanja nastoji
definirati kriterije za prihvacanje hipoteze H0 kao istinite, ili o kriterije za njeno odbacivanje.
Takva odluka se najesce donosi na temelju statistikih podataka i postupak utvrdivanja
istinitosti hipoteza se naziva statistiko testiranje hipoteza. Prije testiranja potrebno je
formulirati hipotezu.
6.8.2 !7(6>-/(,*&' A/27+'?,
U danom primjeru broja aplikacijskih softvera s kojima se slue ispitanici u nekoj
regiji moe se postaviti hipoteza da se stariji od 50 godina slue s manjim brojem softvera
od onih koji su mladi od trideset godina. Prvo se formulira tvrdnja ili hipoteza za koju se
vjeruje da je istinita. Statistika hipoteza je tvrdnja o vrijednosti parametra populacije. Ako
se hipoteze odnose na parametre populacije onda su to parametarske hipoteze. Postupak
testiranja takvih hipoteza je parametarski test. Postoje i neparametarska hipoteza i
neparametarski testovi. Oni se odnose na cijelu populaciju.
Postoje dvije vrste hipoteza - alternativna i nulta. Hipoteza da se znanja broja
aplikacijskih softvera razlikuju s obzirom na starosnu dob je alternativna hipoteza. Njoj
suprotna je nulta hipoteza. Obje nikada ne mogu biti istinite jer predstavljaju dva razliita
stanja u kojima se promatrane pojave ne mogu naci istodobno.
Nulta (ili nul) hipoteza je hipoteza o nepostojanju razlika npr. nepostojanje razlika
u znanju aplikacijskih softvera s obzirom na dob ispitanika. To je i smisao pojma nulta
hipoteza. Nulta znai da nema razlika.
P(/6&'( 8.1I Formulirati odgovarajucu nultu i alternativnu hipotezu da prosjean broj
djece ene radaju manje u urbanim nego ruralnim zajednicama.
R&'3'*&'I Hipoteza se mora predstaviti u obliku parametara populacije. Pretpostavka je da
je:
1 = prosjean broj djece koje radaju ene u gradskim naseljima
2 = prosjean broj djece koje radaju ene u ruralnim naseljima.
44
O tome detaljnije vidjeti poglavlje 3.3. ovog udbenika. Dakako, podjela se moe vrsiti i po drugim
kriterijima. Iz pozicije statistike obrade podataka, primjerice, ako se hipoteze odnose na neke
parametre populacije, nazivaju se parametarske, a ako se odnose na cijelu populaciju, nazivaju se
neparametarske. Jednostavne hipoteze se odnose samo na jednu vrijednost parametra ili na jednu
distribuciju itd.
185
Demografi ele podrati tvrdnju da je 1 manje od 2.
Nulta i alternativna hipoteza su:
H0: (1 - 2) = 0. Iz toga slijedi da je 1 = 2, a to znai da nema razlike u broju
rodene djece u urbanim i ruralnim naseljima.
Ha: (1 - 2) < 0. Iz toga slijedi da je 1 < 2, a to znai da je broj rodene djece u
urbanim naseljima manji od broja djece u ruralnim naseljima.
6.8.3 T/27;/ 279('3,5, > +'1+/(,*&> A/27+'?,
Cilj svakog testiranja hipoteza je donijeti odluku, a to znai odbaciti nultu hipotezu
i prihvatiti alternativnu ili obrnuto. Naravno, cilj je uvijek donijeti ispravnu odluku, ali se
zakljuivanje temelji na uzorku pa su moguce dvije vrste pogresaka:
D':/*/)/&, 8.1I Pogreska prve vrste znai odbacivanje nulte hipoteze kada je ona
tona. Vjerojatnost da se napravi ta pogreska se obino oznaava s .
D':/*/)/&, 8.2I Pogreska druge vrste znai prihvacanje nulte hipoteze kada je ona
netona. Vjerojatnost da se napravi ta pogreska se obino oznaava s .
Nulta hipoteza moe biti ili istinita ili pogresna, a mi cemo odluiti o njenom
prihvacanju ili odbijanju. Cetiri su moguce situacije koje mogu nastupiti u testiranju
hipoteza, a opisuje ih slijedeca tablica:
Z,5-&>4)/
Tona H0 ne prihvaamo H0 prihvaamo
H0 tona (pogreka prve
vrste)
1-
H0 nije tona 1- (pogreka
druge vrste)
T,8-/), 8.1. Zakljuci i pogreske u testiranju hipoteza
Iz tablice je vidljivo da se istodobno ne mogu uiniti pogreske prvog i drugog tipa.
Cilj je uvijek smanjiti i odravati vjerojatnosti da se uine pogreske prvog i drugog tipa.
Jedini nain smanjenja vjerojatnosti pogreske je povecati informacije, a to znai jedino
povecati veliinu uzorka.
Vjerojatnost da se uini pogreska prve vrste je i ona je mjera pouzdanosti
zakljuak. Ta se veliina naziva i razina signifikantnosti testiranja hipoteze. Postavlja se
pitanje kako onda donositi zakljuke u testiranju hipoteza? Koji su koraci u testiranju
hipoteza?
Izabrati sluajni uzorak iz populacije.
Odrediti test veliinu
Odabrati razinu znaajnosti i odrediti podruje odbacivanja prema nultoj hipotezi
Koristiti podatke iz uzorka i izraunati test veliine
Zakljuiti jesu li izraunate vrijednosti test statistike unutar podruja odbacivanja.
Ako se nalaze u tom podruju, onda odbaciti nula hipoteze, a ako se ne nalaze onda
prihvatiti nula hipotezu. Ukratko, posljednji korak je donijeti zakljuak "odbacuje li
se ili "ne odbacuje nul-hipotezu.
P(/6&'( 8I Potrebno je testirati hipotezu o sredini populacije.Ispunjeni su uvjeti da su
sredine uzoraka normalno distribuirane i poznata je varijanca populacije o
2
.
Zelimo testirati hipoteze
H0: = 102 (nulta hipoteza: sredina populacije je 102)
Ha: > 102 (alternativna hipoteza: sredina populacije je veca od 102)
186
R&'3'*&'I Prvi korak je odabrati sluajan uzorak iz populacije. Informacije iz uzorka su u
obliku statistike i pomoci ce u prihvacanju ili odbacivanju nulte hipoteze. Statistika na kojoj
temeljimo odluke se naziva +'1+ 1+,+/1+/5,.
Drugi korak je odrediti test statistiku koja je bitna za odluku koju elimo donijeti. U nasem
primjeru je to hipoteza o sredini populacije . Buduci je najbolja tvrdnja da za sredinu
populacije treba uzeti sredinu uzorka x , pa je sredina uzorka x traena test statistika.
Trei korak je odrediti raspon mogucih vrijednosti za test statistiku za koje ce nulte
hipoteza biti odbaena i prihvacena alternativna hipoteza. Te vrijednosti se nazivaju
podrujem odbacivanja testa.U ovom primjeru, potrebno je odrediti vrijednosti sredine
uzorka x za koje moemo povjerovati da je alternativna hipoteza Ha tona. To znai da je
sredina populacije veca od 102.
Nakon sto se odrediti podruje odbacivanja nula hipoteze, etvrti korak je koristiti podatke
iz uzorka da bi se izraunale vrijednosti test statistike.
Na koncu se donosi odluka o tome nalaze li se izraunate vrijednosti unutar podruja
odbacivanja nula hipoteze. Ako se ne nalaze onda se prihvaca nula hipoteza.
Nula hipoteza u nasem primjeru tvrdi da je sredina populacije jednaka 102. Potrebno je
odrediti udaljenost sredine uzorka
x
od vrijednosti 102. Zato se sluimo
standardiziranom z-vrijednosti koja standardizira vrijednosti test statistike
x
:
n ; s
102 0
n ;
102 0 0
"
0
0

Standardizirana varijabla nam daje informaciju koliko standardnih devijacija sredina uzorka
je udaljena od vrijednosti za koju je nulta hipoteza H0 tona (u nasem primjeru ta je
vrijednost 102).
Slika 8.1A jasno prikazuje da je vjerojatnost za sredinu uzorka da bude vise od 1.645
standardnih devijacija veca od 102 samo 0.05. Pretpostavka je da je uzorak dovoljno velik
pa je distribucija sredina uzoraka priblino normalna distribucija. =0.05
187
S-/5, 8.1. Odredivanje podruja odbacivanja nulte hipoteze
Podruje odbacivanja nulte hipoteze je za vrijednosti z su vece od 1.645. To su vrijednosti
sredine uzorka koje su vise od 1.645 standardnih devijacija vece od 102. Vrijednost na
granici podruja odbacivanja hipoteze se naziva kritina vrijednost. Kritina vrijednost
1.645 je prikazana na slici 8.1.B. U tom primjeru vjerojatnost =0.05 je vjerojatnost da ce
se uiniti pogreska prve vrste, tj. odbaciti tona nula hipoteza. Ako se eli testirati hipoteza
za koju ce se odbaciti nulte hipoteza za dovoljno velike i dovoljno male vrijednosti
standardizirane test statistike, onda se radi o dvostranoj alternativi. Sa slike 8.2.A, moe
se zakljuiti da je sansa da sredina uzorka bude 1.96 standardnih devijacija manja ili veca
od 102 je samo 0.05. Podruje odbacivanja nula hipoteze se sastoji iz dva skupa
vrijednosti: odbacit ce se nula hipoteza ako je z ili manje od -1.96 ili veci od 1.96
standardnih devijacija.
188
S-/5, 8.2. Odredivanje podruja odbacivanja nul hipoteze
1* Podruje odbacivanja ovisi o tome je li test jednostran ili dvostran za ranije utvrdenu
razinu signifikantnosti .
a* Za jednostrani test u kojoj se pojavljuje simbol ">" za H0, podruje odbacivanja se
nalazi u gornjem dijelu distribucije uzoraka za standardiziranu test statistiku. Kritina
vrijednost se bira tako da je vrijednost desno od nje jednaka .
* Za jednostrani test u kojoj se pojavljuje simbol "<" Ha, podruje odbacivanja se
nalazi u donjem dijelu distribucije uzoraka za standardiziranu test statistiku. Kritina
vrijednost se bira tako da je vrijednost lijevo od nje jednaka .
c* Za dvostrani u kojoj se pojavljuje simbol "" za Ha, podruje odbacivanja se sastoji iz
dva skupa vrijednosti. Kritina vrijednost se bira tako da podruje u svakom dijelu
distribucije uzoraka za standardiziranu test statistiku jednako /2.
P(/6&'( 8.12I U prethodnom primjeru su izraunate slijedece statistike iz sluajno
izabranog uzorka n = 40 a x = 104, s = 15. Testirati hipoteze
H0: = 102
Ha: > 102
Na razini signifikantnosti = 0.05.
Nulta hipoteza ce se odbaciti ako je standardizirano obiljeje z vece od 1.645 standardnih
devijacija od 102 tj. pretpostavljene vrijednosti sredine populacije. Kratko zapisano:
Odbaciti H0 ako je z > 1.645.
Standardizirano obiljeje z je jednako:

84 * 0
40 ; 15
102 104
n ; s
102 0
n ;
102 0 0
"
0
0

Posto vrijednost z=0.84 se ne nalazi unutar podruja odbacivanja nulte hipoteze, nulta
hipoteza se ne moe odbaciti. Ne moemo zakljuiti ni da je nulta hipoteza tona tj. da je
sredina populacije jednaka 102 ili =102. Mi smo utvrdili da se nulta hipoteza ne moe
odbaciti i nema dovoljno elementa da se alternativna hipoteza Ha:>102 moe prihvatiti.
Cilj je bio objasniti logiku i koncept u statistikoj proceduri testiranja hipoteza. Te tehnike
se mogu detaljnije prikazati ali to je izvan ciljeva rada.
6.9. PRIMJENA TESTIRANJA #IPOTEZE
6.9.1 $;7.
189
U ovom poglavlju ce se prikazati aplikacije testiranja hipoteza. Ta testiranja ce se temeljiti
na znanjima iz sedmog poglavlja, a uporabit ce se razlika sredina dvije populacije (1 - 2),
proporcija populacije p i razlika proporcija dvije populacije (p1
p2).
Koncepti testiranja hipoteza su jednaki za sve te parametre. Potrebno je prvo definirati nula
i alternativnu hipotezu, zatim izraunati statistike uzorka i na koncu odrediti podruje
odbacivanja hipoteza. Ta statistika procedura identina je za testiranje svih parametara
populacije. Sva testiranja imaju jednak oblik. Nain izraunavanja test statistika ovisi od
promatranih parametara. Na temelju dosadasnjih izlaganja (poglavlje 7) je jasno da za
dovoljno velike uzorke hipoteza o sredini populacije je dana sa:

n s
x
z
;
0

dok je test statistika za testiranje hipoteze o parametru p:

n
q p
p p
z
0 0
0
E

Kljuno je za proceduru testiranja hipoteza odrediti parametre populacije.
Odredivanje parametra populacije
P A R A M E T A
R
Opis
Srednja vrijednost populacije.
(1 2) Razlika sredina populacija.
p Proporcija; postotak; frakcija; stopa.
(p1 p2) Razlika proporcija, postotak; frakcija.

2
Varijanca.
2
2
2
1

Odnos varijanci.
U slijedecem dijelu prikazat ce se primjer testiranja hipoteza za navedene parametre.
6.9.2 #/27+'?, 7 1('./*/ 272>-,)/&'
Pretpostavimo da u protekloj godini studenti sveuilista daju informaciju o broju sati koje
potrose na uenje tijekom tjedna. Prosjean broj sati je bio 40 u tjednu. Tekuce godine se
eli odrediti je li prosjeno vrijeme uenja u tjednu vece od 40 sati. To znai testirat ce se
H0: = 40 ; nulta hipoteza da je prosjeno vrijeme jednako 40 sati.
Ha: > 40 ; alternativna hipoteza da je prosjeno vrijeme vece od 40 sati.
= prosjeno vrijeme uenja svih studenata u tjednu.
Istraivanje ima cilj dati potporu alternativnoj hipotezi Ha. Nadamo se da ce podaci iz
uzorka potvrditi alternativnu a odbaciti nultu hipotezu H0. Sada se izraunava srednja
vrijednost za uzorak x I ona ce posluiti za procjenu srednje vrijednosti populacije.
Postavlja se pitanje je li vrijednost x dovoljno velika da se moe zakljuiti da je
aritmetika sredina populacije veca od 40? Odgovor na to pitanje je moguce dobiti, ali se
prethodno moraju izvrsiti svi koraci algoritma za testiranje hipoteza razvijen u poglavlju 8.
6.9.2.1. T'1+/(,*&' 1('./*' 272>-,)/&' >27(,876 ;'-/5/A >?7(,5,
Slijedi algoritamski prikaz koraka testiranja hipoteze o sredini populacije, . Jedina
pretpostavka primjene algoritma je da je broj jedinica u uzorku n30, tj. uzorak je dovoljno
velik.
Hipoteza o sredini populacije za velike uzorke n 30
190
Jednostrani test
H0: = 0
Ha: > 0 (ili Ha: < 0)
Dvostrani test
H0: = 0
Ha: 0
Test statistika:
n s
x x
z
x
;
0 0

Podruje odbacivanja:
z > z

ili z < - z

.
Podruje odbacivanja:
z < -z
/2 ili z > z
/2.
gdje je z

z-vrijednost takva da je P(z > z

) = ; i z
/2 je z-vrijednost takva da
je P(z > z
/2) = /2. [Primijetimo: 0 je oznaka za odredenu numeriku
vrijednost odredenu za u nula hipotezi.]
Pretpostavka: Veliina uzorka mora biti dovoljno velika (tj. n 30) tako da je
distribucija sredina uzoraka priblino normalna a s daje dobru aproksimaciju za
.
P(/6&'( 9.1I Prosjeno vrijeme koje student potrosi na uenje tijekom tjedna na
sveuilistu je bilo 40 sati tjedno. Uzet je uzorak od 35 studenata u akademskoj godini koja
je u tijeku. Izraunata je slijedeca statistika:

sa%i 85 * 13 s G sa%i 1 * 42 0
Testirati hipotezu da , prosjeno vrijeme uenja u tjednu je jednako 40 sati nasuprot
alternativnoj hipotezi da je vece od 40sati. Nivo povjerenja = .05.
R&'3'*&'I Ranije su formulirane nulta i alternativna hipoteza:
H0: = 40
Ha: > 40
Veliina uzorka n = 35 je dovoljno velika tako da je distribucija sredina uzoraka x
priblino normalna i s daje zadovoljavajucu aproksimaciju za . Posto su ispunjene
zahtijevane pretpostavke moe se poeti s testiranjem hipoteze o srednjoj vrijednosti
populacije .
Uporabom signifikantnosti od = .05, odbacit ce se nula hipoteza za test na jednom kraju
ako z > z
/2 = z.05, tj. ako je z > 1.645. Podruje odbacivanja je prikazano na slici 9.1.
S-/5, 9.1: Podruje odbacivanja za primjer 9.1
Izraunati vrijednost test statistike, dobiva se:

897 *
35 ; 85 * 13
40 1 * 42
;
0

n s
x
z

Posto vrijednost z=0.897 ne pada unutar intervala odbijanja, ne odbija se nula H0. Kae se
da nema dovoljno dokaza (za = .05) za zakljuak da prosjeno vrijeme uenja studente
je vece od 40 sati tjedno.
P(/6&'( 9.2I Tvornica secera pakira secer u vrecice prosjene teine 1 kg. Ipak se svaka
vrecica ne puni s tono jednim kilogramom. Ta teina je nekada manja a nekada veca od
191
kilograma. Kompanija eli na vrijeme biti upozorena u promjeni prosjene teine vrecice od
kilograma i ponovno resetirati stroj. Zato se periodino odabire 50 vreca secera, vau se i
izraunava prosjena teina i standardna devijacija. Podaci za takav uzorak su:
k- 05 * 0 s k- 03 * 1 0
Testirati je li sredina vrecice (populacije) razliita od kilograma na razini signifikantnosti
= 0.01.
R&'3'*&'I Formuliramo slijedecu hipoteze:
H0: = 1
Ha: 1
Veliina uzorka n=50 je iznad 30, moe se nastaviti s testom za velike uzorke o sredini
populacije. Posto su bitne promjene o oba smjera to potrebno testirati na oba kraja.
Za razinu signifikantnosti = 0.01, odbacit ce se nula hipoteza za test na oba kraja ako:
z < - z
/2 = - z0.005 or z > z
/2 = z0.005
vrijednost za z < - 2.576 ili z > 2.576.
Vrijednost test statistike je:

243 * 4
50 ; 05 *
1 03 * 1
;
0

n s
x
z

Ta vrijednost je veca od najvece kritine vrijednosti za z=2.576. Odbacuje se nula hipoteza
i prihvaca alternativna na razini signifikantnosti od 1%. Moemo sa sigurnoscu 99% tvrditi
da se teina vrecice razlikuje od kilograma.

6.9.2.2. T'1+/(,*&' 1('./*' 272>-,)/&' >27(,876 6,-/A >?7(,5,
Testiranje hipoteza temeljeno na malom uzorku (n < 30) o sredini populacije, , moe se
prikazati kao niz koraka koji ako se slijede dovode to rjesenja. Takav niz koraka,
takva procedura je prikazana u slijedecoj tablici:
Hipoteza o sredini populacije temeljena na malom uzorku n < 30
Jednostrani test
H0: = 0
Ha: > 0 (ili Ha: < 0)
Dvostrani test
H0: = 0
Ha: 0
Test statistika:
n s
x
t
;
0

Podruje odbacivanja:
t > t

ili t < - t

.
Podruje odbacivanja:
t < -t
/2 ili t > t
/2.
gdje je distribucije od t temeljena na (n - 1) stupnjeva slobode. Vrijednost
studentove distribucije t

je takva da je P(t > t

) = ; i t
/2 je t-vrijednost takva
da je P(t > t
/2) = /2.
Pretpostavka: Relativna distribucija frekvencija populacije iz koje se bira uzorak
je priblino normalna.
Zakljuivanje na temelju malog uzoraka je restriktivnije nego na temelju velikog uzorka.
Testiranje hipoteza pomocu malog uzorka pretpostavlja da populacija iz koje se bira uzorak
je priblino normalna distribucija. Test statistika je t statistika i izraunava se slino testu
statistici za velike uzorke. Kao i za standardizirano obiljeje z, izraunata vrijednost
statistike t aproksimira udaljenost sredine uzorka x od pretpostavljene sredine populacije
0.
P(/6&'( 9.4: U nekoj tvornici se pakira proizvod X u vrecice od 1 kg. To znai da je
oekivana teina u vrecici 1000 grama. Uzima se uzorak od 16 pakiranja i on pokazuje
prosjenu teinu od 998 grama. Standardna devijacija uzorka je 35 grama. Testirati
hipotezu da je prosjena teina vrecice 1000 grama tona na razini signifikantnosti od =
0.05.
192
R&'3'*&'I Zadatka je testirati hipotezu da se oekivana vrijednost vrecice nije promijenila.
Zato cemo uporabiti dvostrani test:
H0: = 1000
Ha: 1000
Pretpostavlja se da je relativna distribucija frekvencija populacije iz koje se bira uzorak
priblino normalna jer se radi o malom uzorku.Na temelju danih pretpostavki potrebno je
odrediti t vrijednost za n-1=16-1=15 stupnjeva slobode. Nultu hipotezu treba odbaciti za
vrijednosti t: t < - t
/2 ili t > t
/2 s /2 = 0.05/2 = 0.025. Iz tablice t vrijednosti za 15
stupnjeva slobode i /2=0.025 pronalazimo vrijednost t0.025 = 2.13.
vrijednost test statistike je:
229 * 0
16 ; 35
1000 998
n ; s
0
%
0

Izraunata vrijednost test statistike t = - 0.229 je veca od kritine vrijednosti

- 2.13. Zato se ne moe odbaciti nulta hipoteza da je srednja (oekivana) vrijednost teine
vrecice 1000 grama na razini signifikantnosti od 5%.
6.9.3. T'1+/(,*&' A/27+'?, 7 2(727()/&,6, 272>-,)/&'
Testiranje hipoteza o proporciji populacije ima iznimno veliku vanost u praksi. Uporaba je
posebno rasirena kod marketing istraivanja i dobivanja poslovnih informacija. Primjeri su
mnogobrojni. esto se eli procijeniti trisni udio odredene marke proizvoda. Potrebno je
testirati nultu hipotezu da je trisni udio proizvoda A jednak 60% ili alternativnu hipotezu
da je trisni udio veci od 60%.
Procedura testiranja hipoteza o proporcijama populacije, p, uporabom velikog uzorka iz
populacije, prikazana je u slijedecoj tablici. Uzorak mora biti dovoljno velik kako bi se
osigurala normalna raspodjela proporcija uzoraka. Opce pravilo za provjeru je li uzorak
dovoljno velik je izraunavanje intervala
n
AE 4 pE
4 2 pE t . Taj interval ne smije ukljuivati
0 ili 1.
Testiranje hipoteza o proporciji populacije za velike uzorke
Jednostrani test
H0: p = p0
Ha: p > p0 ili Ha: p < p0)
Dvostrani test
H0: p = p0
Ha: p p0
Test statistika:
n
A 4 p
p pE
"
0 0
0

Podruje odbacivanja:
z > z

ili z < - z

gdje je q0 = 1 - p0
Podruje odbacivanja:
z > z
/2 ili z < -z
/2
gdje je q0 = 1 - p0
Pretpostavka: interval
n
AE 4 pE
4 2 pE t ne smije sadravati 0 i 1.
P(/6&'( 9.5I Pretpostavimo da se u glasovanju za neku politiku opciju A opredjeljuje 12%
glasaa. Predlae se pratiti promjene u proporciji onih koji se opredjeljuju za tu politiku
opciju tj. ispitati povecava li se udjel glasaa koji preferiraju opciju A. Zato se bira sluajan
uzorak od 200 glasaa. U uzorku od 200 glasaa njih 25 je za politiku opciju A. Postavlja
se pitanje moe li se zakljuiti da je stvarna proporcija glasaa za politiku opciju A
znaajno veca od 12%, za razinu signifikantnosti =0.05.
R&'3'*&' Prvo ce se postaviti nulta i alternativna hipoteza o proporciji populacije, p:
H0: p =0.12 ; nema promjena u proporciji glasaa za opciju A.
Ha: p > 0.12; udjel glasaa za opciju A je povecan.
gdje je p stvarni udio glasaa za opciju A.
193
Na razini signifikantnosti = .05, podruje odbacivanja jednostranog testa sastoji se u
odredivanju svih vrijednosti standardizirane varijable z za koju je
z > z0.05 = 1.645
Potrebno je prvo izraunati proporciju glasaa u uzorku
pE
za opciju A:
125 * 0
200
25
pE
Proporcija glasaa koji se ne opredjeljuju za opciju A je q0 = 1 - p0 = 1 -0 .12 =0 .88. Ako
se te vrijednosti unesu u test statistiku dobit ce se slijedeca vrijednost standardiziranog
obiljeja z:
17 * 2
023 * 0
05 * 0
200
88 * 0 4 12 * 0
12 * 0 125 * 0
n
A 4 p
p pE
"
0 0
0

Vrijednost od z > z0.05 te je vrijednost standardiziranog obiljeja izvan podruja

odbacivanja nula hipoteze. To znai da se nula hipoteza ne moe odbaciti i nemamo
dovoljno podataka da je proporcija za opciju A veca od 12% na razini signifikantnosti od 5.
Interval
026 * 0 125 * 0 023 * 0 4 2 125 * 0
n
AE 4 pE
4 2 pE t t t ne sadri 0 ili 1 pa je uzorak dovoljno
velik testiranje hipoteze o proporciji.
6.9.4. T'1+/(,*&' A/27+'?, 7 (,?-/)/ 1('./*, .;/&' 272>-,)/&'
Praktini problemi testiranja hipoteza ne odnose se esto samo na jednu populaciju.
Potrebno je ponekad objasniti razlike u vrijednsoti parametara dva neovisna uzorka. Uzroci
razlika u vrijednosti parametara uzoraka mogu biti u parametrima populacija ili se nalaze u
sluajnosti uzoraka. Primjer testa koji se odnosi na testiranje razlika u sredinama
populacije moe biti ispitivanje uinaka primjene nove metode unapredenja prodaje.
Ispitivanje uinaka nove metode unapredenja prodaje obavlja se tako sto se na ,testnom
segementu trista primjenjuje nova metoda a na drugom trisnom segmentu stare metode
unapredenja prodaje. Testira se razlika prosjenih prodaja na oba trisna segmenta
postavljanjem nul i alternativne hipoteze
H0: (1 - 2) = 0
Ha: (1 - 2) > 0.
Takvim praktini problemi se mogu rijesiti slijedecim statistikim modelom:
Promatrano statistiko obiljeje X ima distribuciju frekvencija normalne raspodjele s
parametrima 1 i
2
1

za prvu populaciju i 2 i
2
2

za drugu populaciju. Iz prve populacije

bira se uzorak od n1 elemenata (n1 30), a iz druge uzorak od n2 30 elemenata. Na
temelju ta dva uzorka potrebno je provjeriti hipotezu o jednakosti sredina populacija:
H0: (1 - 2) = 0 (ili H0: (1 =2) )
Iz ta dva uzorka izraunavaju se statistike
1 0
i
2 0
tj. sredine uzoraka. Takav niz koraka,
takva procedura je prikazana u slijedecoj tablici:
Testiranje hipoteza o razlici sredina (1 - 2) dvije populacije za velike uzorke
Jednostrani test
H0: (1 - 2) = R0
Ha: (1 - 2) > R0 ili Ha: (1 - 2)< R0
Dvostrani test
H0: (1 - 2) = R0
Ha: (1 - 2) R0
Test statistika:
2
2
2
1
2
1
0 2 1
) 0 0 1
0 2 1
n
s
n
s
$ ) 0 0 1 $ ) 0 0 1
"
2 1
+

194
Podruje odbacivanja:
z > z

ili z < - z

)
Podruje odbacivanja:
z < -z
/2 ili z > z
/2
Ako nema razlika u sredinama populacije onda je R0 =(1 - 2) =0.
Pretpostavke:
Oba uzorka su dovoljno velika: n1 30 i n2 30.
Uzorci su neovisni i biraju se sluajno.
P(/6&'( 9.6I Ispitivane su promjene u prosjenoj visini studenata na fakultetu za tjelesni
odgoj. Na temelju podataka o visini studenata u 1995 i 2005 moe li se tvrditi da nisu
nastupile promjene u prosjenoj visini studenata?
Rezultati istraivanja su prikazani u tablici 9.1. Razina pouzdanosti je = 0.01.
1995 2005
n1 = 164
3 * 182 0
1
cm
s1 = 5.2
n2= 275
5 * 179 0
2

s2 = 4.5cm
T,8-/), 9.1. Prosjena visina studenata
R&'3'*&'I Neka su prosjene visine studenata za 1995. godinu 3 * 182 0
1
cm, a za 2005.
5 * 179 0
2
cm. Potrebno je testirati hipotezu:
H0: (1 - 2) = 0; nema promjena u visini studenata.
Ha: (1 - 2) > 0; prosjena visina studenata se smanjila.
1 = prosjena visina svih studenata na fakultetu za tjelesni odgoj 1995 godine.
2 = prosjena visina svih studenata na fakultetu za tjelesni odgoj 1995 godine.
Taj jednostrani test se temelji na z statistici. Odbacit ce se nulta hipoteza ako je
z > z

= z0.01. Statistika z0.01 = 2.33 te je podruje odbijanja odredeno za z > 2.33.To

pokazuje slika 9.3.
4 * 3
823 * 0
8 * 2
271 * 0 406 * 0
8 * 2
275
) 5 * 4 1
164
) 2 * 5 1
0 ) 5 * 179 3 * 182 1
n
s
n
s
$ ) 0 0 1
"
2 2
2
2
2
1
2
1
0 2 1

+

S-/5, 9.3. Podruje odbacivanja nulte hipoteze

Izraunata vrijednost z = 3.4 je u podruju odbacivanja nulte hipoteze za razinu
signifikantnosti = 0.01. Moe se zakljuiti da nulte hipotezu se moe odbaciti i tvrditi na
razini signifikantnosti 1% da se prosjena visina studenata smanjila.
Slian postupak je i za testiranje sredina pomocu malih uzoraka. Pretpostavlja se da su
varijance oba uzorka jednake, uzorci su neovisni a populacije iz kojih se biraju sluajni
uzorci su priblino normalno distribuirane.
6.9.5 T'1+/(,*&' A/27+'?, 7 (,?-/)/ /?6'B> .;/&' 2(727()/&'
195
Testiranje hipoteze o razlici izmedu dvije proporcije temelji se na usporedbi proporcije prve
populacije, p1, s proporcijom druge populacije, p2. Parametar za koga ce se testirati
hipoteza je njihova razlika (p1 - p2). Proporcije p1 je u statistikom smislu vjerojatnosti da
se u prvoj populaciji realizirao dogadaj A, odnosno p2 je vjerojatnost da se u drugoj
populaciji realizirao dogadaj B. To je drugim rijeima model raspodjele vrijednosti obiljeja
"0-1- sa nepoznatim parametrom p. Vrijednost obiljeja X uzima vrednost 1 ako je
realiziran dogadaj A, a vrijednost 0 ako dogadaj A nije realiziran. Proceduru testiranja
hipoteza o razlici proporcija dvije populacije prikazuje slijedeca tablica:
Testiranje hipoteza o razlici proporcija (p1 - p2) dvije populacije za velike uzorke
Jednostrani test
H0: (p1 - p2) = R0
Ha: (p1 - p2) > R0 ili Ha: (p1 - p2) < R0
Dvostrani test
H0: (p1 - p2) = R0
Ha: (p1 - p2) R0
Test statistika:
) pE pE 1
0 2 1
2 1
$ ) pE pE 1
"

Podruje odbacivanja:
z > z

ili z < - z

Podruje odbacivanja:
z < -z
/2 ili z > z
/2
gdje je
2
2 2
1
1 1
) E E 1
2 1
n
q p
n
q p
p p
+

.
Ako je R00 izraunati
2
2 2
1
1 1
) pE pE 1
n
AE pE
n
AE pE
2 1
+

.
Ako je R0=0 izraunati

,
_

+

2 1
) pE pE 1
n
1
n
1
AE pE
2 1
kada je ukupan broj povoljnih
ishoda u oba uzorka je (x1 + x2) i

* E E E
2 1
2 1
2 1
n n
x x
p p p
+
+

Pretpostavka: interval
n
AE 4 pE
4 2 pE t ne sadri 0 ili 1.
P(/6&'( 9.9: Dva lijeka A i B se daju pacijentima u injekcijama. Pacijenti se sluajno
svrstavaju u jednu od dvije grupe i primaju ili lijek A ili lijek B. Reakcija na lijek je
prikazana u tablici 9.3.Testirati hipoteze je li udjel pacijenata koji reagiraju na lijek A manji
od udjela pacijenata koji reagiraju na lijek B. Testirati na razini signifikantnosti od = 0.01.
Broj pacijenata s reakcijom na lijek Broj pacijenata u uzorku
Lijek A
Lijek B
45
82
150
250
T,8-/), 9.3. Reakcija pacijenata na lijekove
R&'3'*&': Potrebno je testirati hipoteze o razlici proporcija u dva uzorka:
H0: (p1 - p2) = 0; nul hipoteza tvrdi da nema razlika u proporcijama.
Ha: (p1 - p2) < 0; alternativna hipoteza tvrdi da je proporcija pacijenata s reakcijom na
novi lijek B povecana.
Znaenje proporcija je slijedece:
p1 = proporcija populacije pacijenata s reakcijom na lijek A.
p2 = proporcija populacije pacijenata s reakcijom na novi lijek B.
Broj elemenata u uzorku je 150 odnosno 200 pa su uzorci dovoljno veliki. Jednostrani test
odbacuje nultu hipotezu ako je z < -z0.01, = -2.33
196
Jedine informacije kojima se raspolae su informacije iz uzorka. Prave proporcije populacija
su nepoznate. Zato ce se u test statistici uporabiti proporcije u uzorcima:
3 * 0
150
45
pE
1
; 328 * 0
250
82
pE
2

G 7 * 0 3 * 0 1 pE 1 AE
1 1
672 * 0 328 * 0 1 pE 1 AE
2 2

.
Testira se razlika proporcija dva uzorka tj. nul hipoteza da nema razlika u proporcijama pa
je R0 = 0. Test statistika je:

,
_

2 1
0 2 1
n
1
n
1
AE 4 pE
$ ) pE pE 1
"

Potrebno je izraunati relativni udio (relativnu frekvenciju) povoljnih ishoda u oba uzorka:
3175 * 0
250 150
82 45
pE
+
+
. Sada je jednostavno izraunati statistiku z:

583 * 0
048 * 0
028 * 0
250
1
150
1
4 ) 6825 * 0 )1 3175 * 0 1
0 ) 328 * 0 3 * 0 1
"

,
_

Vrijednost statistike z je veca od kritine vrijednosti -2.33. Zato za razinu signifikantnosti

= 0.01 nulta hipoteza se ne moe odbaciti. Prihvaca se nulta hipoteza da proporcija
pacijenata s reakcijom na novi lijek B nije povecana.
Pretpostavka za prihvacanje nulte hipoteze je veliina uzoraka koji moraju biti dovoljno
veliki. Ti uzorci garantiraju da intervali
1
2 2
2
1
1 1
1
n
AE 4 pE
4 2 pE i
n
AE 4 pE
4 2 pE t t
ne sadre 0 i 1. Provjerimo te uvjete:

075 * 0 3 * 0
150
) 7 * 0 1 4 ) 3 * 0 1
4 2 3 * 0
n
AE 4 pE
2 pE
1
1 1
1
t t t

059 * 0 328 * 0
250
) 672 * 0 1 4 ) 328 * 0 1
4 2 328 * 0
n
AE 4 pE
2 pE
1
2 2
2
t t t
Oba intervala ne sadre ni 0 ni 1.
6.9.6. T'1+/(,*&' A/27+'?, 7 ;,(/&,*)/ 272>-,)/&'
Testiranje hipoteza o varijanci populacije
2
povezano je s hi-kvadrat (
2
) distribucijom.
Ponovno se zahtjeva populacija koja je normalno distribuirana bez obzira je li uzorak velik
ili malen.
P(/6&'( 9.10I U konditorskoj industriji se proizvodi okolada teine 400 grama. Kontrola je
analizirala teinu 10 okolada i utvrdila da je standardna devijacija u uzorku s=0.4 grama.
Dopustena standardna devijacija je samo 0.1 gram. Postavlja se pitanje je li vrijednost
standardne devijacije uzorka s dovoljan dokaz da je standardna devijacija populacije
manja od 0.3 grama?
Testiranje hipoteza o varijanci populacije
2
Jednostrani test
H0:
2
= 0
2
Ha:
2
> 0
2
ili Ha:
2
< 0
2

Dvostrani test
H0:
2
= 0
2
Ha:
2
0
2
197
Test statistika:
2
0
2
2
) 1 1

s n

Podruje odbijanja:

2
>
2

ili
2
<
2
1-
)
Podruje odbijanja:

2
<
2
1-/2 ili
2
>
2
/2
gdje
2

i
2
1
su vrijednosti
2
koje odreduje povrsinu za desno odnosno za
hi-kvadrat distribuciju s (n -1) stupnjeva slobode.
Pretpostavka: Populacija iz koje se bira sluajni uzorak ima priblino normalnu
distribuciju.
R&'3'*&': Obje hipoteze se moraju izraziti pomocu varijance. Testirat ce se nulta hipoteza
da je
2
= 0.3 gram i alternativna da je
2
< 0.3. Obje hipoteze su:
H0:
2
= 0.3
Ha:
2
<0.3
Jasno je da sto je manja vrijednost s
2
to je vise dokaza u korist alternativne hipoteze. Za
male vrijednosti test statistike se odbacuje nulta hipoteza. Za = 0.05 i 9 stupnjeva
slobode nulta hipoteza ce se odbiti za
2
< 3.32511.

8 * 4
3 * 0
) 4 * 0 1 4 9 s ) 1 n 1
2
2
0
2
2

Ta vrijednost je veca od 3.32511 pa se ne moe odbaciti nulta hipoteza da je varijanca
populacije jednaka 0.3 grama s 95% sigurnosti.
6.9.7. T'1+/(,*&' A/27+'?, 7 7.*71> ;,(/&,*)/ .;/&' 272>-,)/&'
Cesto praktini problemi zahtijevaju testiranje hipoteza o varijanci dvije populacije. Zato je
potrebno izgraditi odgovarajuci statistiki model. Poslovni problemi su esto povezani s
analizama u varijacijama prihoda, troskova, profita po mjesecima ili varijacije u povratima
ulaganja u vrijednosne papire koji imaju jednake stope povrata. Standardna devijacija i
varijanca su mjere za odredivanje rizika ulaganja jer ako je veca varijanca to je i rizik
povrata veci.
Odgovarajuci statistiki model za testiranje hipoteza o odnosu varijanci dvije populacije
prikazan je u slijedecoj tablici:
Testiranje hipoteza o odnosu varijanci dvije populacije
2
2
2
1

Jednostrani test
H0: 1
2
2
2
1

ili

Ha: 1
2
2
2
1
>

ili (Ha: 1
2
2
2
1
<

)
Dvostrani test
H0: 1
2
2
2
1

Ha: 1
2
2
2
1

198
Test statistika:
2
1
2
2
2
2
2
1
s
s
) ili
s
s
)
Test statistika:
u"orka varijanca 5anja
u"orka varijanca a 7eH
)

'

>
>

2
1
2
2
2
1
2
2
2
2
2
1
2
2
2
1
s s je ako
s
s
s s je ako
s
s
)
Podruje odbacivanja:
F > F

Podruje odbacivanja:
F > F
/2
gdje su F

i F
/2 vrijednosti koje odreduje podruje i /2.
Pretpostavka:
1. Populacija iz koje se biraju uzorci ima relativnu frekvenciju distribucija kao
normalna distribucija
2. Sluajni uzorci su medusobno neovisni.
Iz populacije s normalnom distribucijom biraju se dva uzorka
1
n 2 1
2 ,***, 2 , 2
i
2
n 2 1
2 ,***, 2 , 2
.
Iz ta dva uzorka se izraunavaju varijance
2
1
s i
2
2
s , a potom njihov kolinik
2
2
2
1
s
s
koji se
razlikuje od 1. Testiranje hipoteze je provjera uzroka tih razlika u varijancama tj. jesu li
one sluajne ili su posljedica razlika u varijancama populacije. Nulta hipoteza je:
H0: 1
2
2
2
1

gdje su
2
1
i
2
2
varijance populacija iz kojih se biraju uzorci.
Odluka o odbacivanju ili prihvacanju nulte hipoteze H0 se donosi uporabom F-testa.
Statistike
n s n s
1 1
2
1
2
2 2
2
2
2

i
imaju Hi-kvadrat distribuciju s (n1-1) i (n2-1) stupnjeva slobode. Uzorci su neovisni.
Statistika
2
1
2
2
2
2
2
1
s
s
) ili
s
s
) ima F-raspodjelu sa (n1-1) i (n2-1) stupnjeva slobode.
Iz tablice za F-raspodjelu odreduje se kritina vrijednost u skladu sa alternativnom
hipotezom. Ako je alternativna hipoteza Ha: 1
2
2
2
1
>

onda se odreduje vrijednost F0 tako da

je
{ } * ) ) P
0
>
Odluku o hipotezi H0 donosimo slinodrugim testiranjima hipoteza:
- ako je F > F
hipoteza H0 se odbacuje;
- ako je F < F
hipoteza H0 se ne odbacuje.
199
Vrednosti statistike F se izraunava iz uzoraka, a kritina vrijednost F
odreduje se iz
tablica za funkciju F-raspodjele za (n1-1) i (n2-1) stupnjeva slobode. Ako je alternativna
hipoteza Ha: 1
2
2
2
1

tada se odrede kritine vrijednosti F1 i F2 tako da je

{ }
{ }
P F F
P F F
<
>
1
2
2
2

Ako je F<F1 ili F>F2, hipoteza H0 se odbacuje, a ako je F1<F<F2, hipoteza H0 se ne
odbacuje. Vrijednost statistike F se odreduje po obrascu

'

>
>

2
1
2
2
2
1
2
2
2
2
2
1
2
2
2
1
s s je ako
s
s
s s je ako
s
s
) a kritine
vrijdnosti iz tablice funkcije F-raspodjele sa (n1-1) i (n2-1) stupnjeva slobode.
P(/6&'( 9.11: Skupina 25 studenata je sluajno podijeljena u dva skupa n1 = 14, a ti
studenti su slusali predavanja iz statistike uz uporabu raunala i drugi skup n2 = 11, a ti
studenti su slusali klasina predavanja iz statistike bez uporabe statistikih softverskih
paketa. Na kraju svi studenti su testirani i rezultati testiranja su prikazani u tablici 9.4.
Sadre li podaci dovoljno dokaza da se njihova znanja razlikuju jer su jedni dobili nove
informacije a drugi su imali klasina predavanja? Testirati na razini signifikantnosti =
0.01.
Skupina 1 Skupina 2(eksp)
Veliina uzorka
Standardna
devijacija
14
2.21
11
3.24
T,8-/), 9.4. Podaci o uspjehu studenata
R&'3'*&'I Neka su
2
1
= Varijanca rezultata studenata u skupini 2
2
2
= Varijanca rezultata u skupini 1
Potrebno je postaviti nultu i alternativnu hipotezu
H0: 1
2
2
2
1

ili
2
2
2
1

Ha: 1
2
2
2
1

ili
2
2
2
1

Prema prikazanom statistikom modelu za testiranje odnosa varijanci dvije populacije za
dvostrane testove:
15 * 2
21 * 2
24 * 3
s
s
u"orka varijanca 5anja
u"orka varijanca a 7eH
)
2
2
2
1
2
2

Slijedeci korak je odrediti odgovarajuce podruje odbacivanja nulte hipoteze za sto je
potrebna distribucija uzorka test statistike.Pretpostavka je da su rezultati testiranja
200
studenata normalno distribuirani. Tada F statistika
2
1
2
2
s
s
) ima svojstva F distribucije s
1 = (n2 - 1) stupnjeva slobode u brojniku i 2= (n1 - 1) stupnjeva slobode u nazivniku.
F- distribucija moe biti simetrina u odnosu na sredinu, lijevo ili desno nagnuta. Njen oblik
ovisi o broju stupnjeva slobode povezanih s varijancama
2
2
s i
2
1
s . U danom primjeru 1(n2
- 1) = 10 i 2 =(n1 - 1) = 13. F-distribucija s brojnikom 1= 10 stupnjeva slobode i
nazivnikom 2 = 13 stupnjeva slobode je nagnuta desno, a F vrijednost za = 0.05 i taj
broj stupnjeva slobode je F0.05 = 2.67. Izraunata F vrijednost je 2.15 i ona je manja od
2.67. Nije ispunjen je uvjet za odbacivanje nulte hipoteze. Ne moe se tvrditi da nova
metoda uenja statistike poboljsava rezultate postignute na ispitima iz statistike.
)oda4tak> Tablica F- distri-bucije za =0.05 .
6.10. ANALIZA KVALITATIVNI# PODATAKA I ANALIZA VARIJAN"E
6.10.1. $;7.
Sada cemo se fokusirati samo na metode za obradu kvalitativnih podataka. Metode obrade
kvalitativnih podataka temelje se na usporedbi utvrdenih (opaenih ili izmjerenih)
frekvencija s frekvencijama koje su dane hipotezom i koje treba testirati.Testiranje takvih
hipoteza se naziva test suglasnosti (goodness of fit).
1
2
%(7&*/5 D 1+>2*&';/ 1-787.'
10 12 15 20 24 30 40 60 120
N,?/;
*/5D
1+>2*
&';/
1-787
.'.
1 241.9
0
243.9
0
245.9
0
248.0
0
249.1
0
250.1
0
251.1
0
252.2
0
253.3
3
254.3
0
2 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
3 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.36
6 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
8 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
11 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
201
Pokazat ce se testiranje dvije kvalitativne varijable koje su medusobno neovisne. Ako se
distribucija uzoraka ponasa po hi-kvadrat distribuciji onda se testovi nazivaju hi-kvadrat
testovi. Ti testovi su korisni u analizi vise od dvije sredine populacije.
6.10.2. T'1+ 1>9-,1*71+/
Poznato je da se kvalitativne varijable mogu samo klasificirati ili kategorizirati. Primjerice,
promatra se razina obrazovanja ispitanika o znanju primjenskih softvera. Razina
obrazovanja je kvalitativna varijabla i svaki ispitanik se moe rasporediti u jednu i samo
jednu od tri kategorije: zna pisati na raunalu, zna programirati, zna projektirati
informacijske sustave. Rezultat ce biti broj ispitanika koji se nalaze u jednoj od tri
kategorije ili frekvencija pojavljivanja pojedine kategorije znanja. Ako kvalitativna varijabla
moe poprimiti samo dvije vrijednosti onda se podaci mogu analizirati primjenom binomne
distribucije.Cesce su kvalitativne varijable koje imaju vise od dvije kategorije i one se mogu
analizirati uporabom razliitih metoda nazvanih test suglasnosti. On se temelji na usporedbi
opaene distribucije frekvencija i (oekivane) pretpostavljene distribucije.
P(/6&'( 10.1I Razinu informatikog obrazovanja ispitanika ine tri kategorije: zna pisati
na raunalu, zna programirati, zna projektirati informacijske sustave. Procjenjuje se na
temelju iskustva da 68% zna pisati, 28% zna programirati, i 4% zna projektirati
informacijske sustave. Da bi provjerio te postotke izabran je sluajni uzorak od n = 100
ispitanika i zabiljeen je stupanj njihova obrazovanja. Broj ispitanika svrstan u pojedine
razine obrazovanja prikazan je u 10.1.
R,?/*, /*:7(6,+/4579 78(,?7;,*&,
Zna itati Zna programirati Zna projektirati IS Ukupno
71 23 6 100
Table @B#@ Kategorije koje korespondiraju razini obrazovanja
Postavlja se pitanje razlikuju li se opaene (izmjerene) frekvencije u tablici 10.1. od
subjektivne procjene informatikih znanja izraenih postocima 68% (zna pisati), 28% (zna
programirati), i 4% (zna projektirati). Prvi korak u testiranju hipoteze da se subjektivna
procjena znanja i izmjerene frekvencije u uzorku ne razlikuju je utvrditi postotak
ispitanika koji pripadaju pojedinim kategorijama u uzorku od 100 elemenata.
R&'3'*&': Svaki ispitanik se moe pridruiti jednoj i samo jednoj od tri kategorije
obrazovanja, a sto je prikazano u tablici 10.2.
202
R,?/*, /*:7(6,+/4579 78(,?7;,*&,
Zna
itati
Zna
programirati
Zna
projektirati
Ukupno
Redni broj
Vjerojatnost
1
p1 = 0.68
2
p2=0.28
3
p3 =0.04 1.00
Tablica @B#E Vjerojatnosti kategorija temeljene na procjeni istraivaa
Analizirat ce se prva celije u tablici zna itati tj. elementarno znanje. Pretpostavka je da
razina obrazovanja jednog ispitanika neovisna o razini obrazovanja drugog. Tada je broj
promatranja O1 distribuiran po binomnoj raspodjeli i oekivana vrijednost je
e1=n*p1=100*0.68=68. Slino tom zakljuku moe se izraunati i oekivani broj odgovora
u celijama 2 i 3:e2=n*p2=100*0,28=28 i e3=n*p3=100*0,01=4
Oekivani broj odgovora i stvarni broj odgovora prikazuje slijedeca tablica
R,?/*, /*:7(6,+/4579 78(,?7;,*&,
Zna
itati
Zna
programirati
Zna
projektirati
Ukupno
Opaeni broj
Oekivani broj
71
(68)
23
(28)
6
(4)
100
100
T,8-/), 10.3 Opaeni i oekivani broj odgovora u tablicama
Formula za izraunavanje oekivanih vrijednosti ei=n*pi gdje je ei =oekivana vrijednost za
i-tu celiju, n = veliina uzorka, pi subjektivna vjerojatnost da ce izmjerena (opaena)
vrijednost biti u i-toj celiji. Moe se postaviti i pitanje jesu li zabiljeeni odgovori 100
ispitanika u uzorku u suglasnosti s procijenjenim vjerojatnostima. Ako se frekvencije
razlikuju onda se kae da teorijske vjerojatnosti nisu u suglasnosti s podacima u uzorku..
Relevantne nul i alternativne hipoteze su:
H0 - opaene i oekivane vjerojatnosti su jednake tj. p1=0.68 , p2=0.28, p3=0.04.
Ha - najmanje dvije od tri vjerojatnosti p1,p2,p3 razlikuju se od vrijednosti postavljene u
nultoj hipotezi.
Statistika za prvu celiju u prethodnoj tablici se izraunava iz izraza:
1
1 1
e
e ,

Zbroj tih izraunatih vrijednosti za sve celije u tablici je test statistika koja se rabi za
testiranje hipoteza o suglasnosti izmjerenih i oekivanih frekvencija:

3
1
2
3
2
3 3
2
2
2 2
1
2
1 1 2
) 1 ) 1 ) 1 ) 1
i i
i i
e
e O
e
e O
e
e O
e
e O

Nakon uvrstavanja opaenih i izmjerenih frekvencija o znanju informatikih alata prikazanih

u tablici 10.3 dobiva se:
02 * 2 1 89 * 0 13 * 0
4
) 4 6 1
28
) 28 23 1
68
) 68 71 1
e
) e , 1
2 2 2 3
1 i i
2
i i 2
+ +

P(/6&'( 10.2I Odrediti podruje odbacivanja nulte hipoteze za prethodni test. Uporabiti
razinu signifikantnosti =0.05. Testirati jesu li izmjerene relativne frekvencije u uzorku
jednake subjektivnim (procijenjenim) vjerojatnostima.
R&'3'*&'I Vrijednost hi-kvadrat distribucije se povecava s kvadratom povecanja razlike
izmedu opaenih i oekivanih vrijednosti (brojnik izraza za hi-kvadrat distribuciju je
2
i i
) e , 1 ). Nulta hipoteza H0: p1=0.88, p2=0.28, p3=0.04 se odbacuje za vrijednosti hi-
kvadrat testa koje su vece od kritine vrijednosti. Podruje odbacivanja nulte hipoteze:
2

>
2

.Stupnjevi slobode za statistiku hi kvadrat testa bit ce uvijek za 1 manji od broja

celija. Primjera radi, ako je broj celija u tablici k onda je broj stupnjeva slobode (k-1). U
danom primjeru broj stupnjeva slobode je k-1=3-1=2 i =0.05.Izraunata vrijednost hi-
kvadrat testa za broj stupnjeva slobode df=2 je 5.99147. Nula hipoteza se odbacuje ako
203
je izraunata vrijednost statistike veca od 5.99147. Buduci je izraunata vrijednost 2.26 i
manja je od vrijednosti hi-kvadrat distribucije, onda se nula hipoteza ne moe odbaciti.
Koraci hi-kvadrat testa su:
1. Postaviti nultu i alternativnu hipotezu
H0: Postoji k celija, a njihove vjerojatnosti su p1,p2,...,pk.
Ha:najmanje dvije vjerojatnosti celija se razlikuju od vrijednosti navedene u H0.
2. Izraunati vrijednost statistike:

k
i i
i i
e
e O
1
2
2
) 1

gdje je k=broj celija u tablici, Oi=opaena vrijednost za i-tu

celiju, ei= oekivana vrijednost za celiju, n= veliina uzorka =O1+O2+...+Ok.
3. Podruje odbacivanja nulte hipoteze:
2 2

>
Pretpostavka za hi-kvadrat test je da se svaki od n opaaja moguce razvrstati samo u
jednu od k kategorija ili celija. Vjerojatnost da ce izmjerena vrijednost biti razvrstana u
celiju je pi za i=l,2,3 ... k.
Hi-kvadrat test je jedna od najiskoristenijih statistikih procedura, ali bi morao uvijek
provjeriti ispunjava li problem potrebne pretpostavke..
6.10.3. A*,-/?, +,8-/), 57*+/9'*)/&'
Kvalitativni podaci se esto svrstavaju prema dvije kvalitativne varijable. Kao praktian
primjer klasifikacije podataka na temelju dvije varijable analizirat ce se tablica 2x3 :
Da Ne Neodluni Ukupno
Zene
Muskarci
110
99
95
71
45
30
250
200
Ukupno 209 166 75 450
T,8-/), 10.5. Stavovi ispitanika o proizvodu A
Testirat ce se hipoteza da ne postoji razlika u stavovima izmedu muskaraca i ena o
kvaliteti nekog proizvoda A. Pretpostavka je da su odgovori ispitanika neovisni o spolu
osobe. Odgovore prikazuje tablica 10.5. Ako odgovor ovisi o spolu intervjuirane osobe onda
ce tablica omoguciti izraunavanje stupnja ovisnosti. Tablica dizajnirana na takav nain se
naziva tablica kontigencije. Kontigencija znai ovisnost. Obino razumijemo pojam
kontigencijskog planiranja. Planovi koji ce se izvrsavati ako se ispune odredene
pretpostavke. Svrha analize kontigencijskom tablicom je odrediti i ispitati postoji li
ovisnost izmedu dvije kvalitativne varijable. Nul hipoteza ce se prilagoditi i glasi: postoji
veza izmedu stava o kvaliteti proizvoda A i spola intervjuirane osobe.
Prvo ce se izraunati proporcija ena u uzorku 56 * 0
450
250
. Od ukupnog broja ispitanika
(muskaraca i ena) njih 209 smatra da je proizvod A kvalitetan. Na temelju proporcije ena
204
i broja ispitanika koji su odgovorili s Da,moe se izraunati oekivani broj ene koje
smatraju da je proizvod A kvalitetan: 4 * 117 209 4
450
250
.
Oekivani broj ena (prvi redak) s odgovorom Da (stupac 1) je:
116*1 ) ukupno 1 +%upac 1 4
n
ukupno 1 $edak
209 4
450
250
e
11

,
_

,
_

Od ukupnog broja ispitanika (muskaraca i ena) njih 166 smatra da je proizvod A

nekvalitetan (odgovor je Ne), a oekivani broj ena s odgovorom ne je (redak prvi, stupac
drugi)
2 * 92 ) ukupno 2 +%upac 1 4
n
ukupno 1 $edak
166 4
450
250
e
12

,
_

,
_

. Oekivani broj
neodlunih ena je:
* 7 * 41 ) ukupno 3 +%upac 1 4
n
ukupno 1 $edak
75 4
450
250
e
13

,
_

,
_

.
Istom logikom se preraunavaju sve celije u drugom retku (odnose se na muskarce).
Ukupan broj muskaraca je 200. Zato je oekivana proporcija u uzorku muskaraca
44 * 0
450
200
. Sada je jednostavno preraunati oekivane vrijednosti u celijama drugog
retka:
92*9 209
450
200
e
21

,
_

;
8 * 73 166
450
200
e
22

,
_

;
33*3 75
450
200
e
21

,
_

.
Oekivana vrijednost u tablici kontigencije se moe izraunati tako sto se pomnoi zbroj
odgovarajuceg retka Ri i stupca Cj i taj rezultat podijeli veliinom uzorka n:

n
C $
e
j i
ij

* $e"ul%a% i"raFunavanja sviI oFekivaniI vrijednos%i u Helija/a kon%i-encijske
%alice vidljiv je u %alici 10*6*
Da Ne Neodluni Ukupno
Zene
Muskarc
i
110
@@H-
@
99
IE-I
95
IE-E
71
G=-J
45
?@-G
30
==-=
250
EKB
200
EBB
Ukupno 209 166 75 450
Tablica 10.6.Oekivane vrijednosti u tablici kontigencije
Slijedeci korak je izraunati hi-kvadrat statistiku
2
. Nain njena izraunavanja je prikazan
u ranijem primjeru:

51 * 1
3 * 33
) 3 * 33 30 1
* * *
1 * 92
) 1 * 92 95 1
1 * 116
) 1 * 116 110 1
e
) e , 1
* *
e
) e , 1
e
) e , 1
2 2 2
23
2
23 23
12
2
12 12
11
2
11 11 2

+ +

+ +

Kontigencijske tablice imaju i broj stupnjeva slobode i on je uvijek jednak izrazu
(r - 1) (c -1), gdje je r broj redaka i c broj stupaca. Na temelju tablice hi-kvadrat testa za
dva stupnja slobode i = 0.05 kritina vrijednost za
2
je 5.99. Izraunata test
statist9ika je manja od kritine vrijednosti te se ne moe prihvatiti alternativna hipoteza da
muskarci i ene imaju razliite stavove o kvaliteti proizvoda A s 95% sigurnosti.

6.10.4. A*,-/?, ;,(/&,*)'
Koncept koji se nalazi u pozadini analize varijance (AN,-J1/1 O: VA(/,*)' OANOVAH
objasnit ce se na primjeru.
205
P(/6&'( 10.3I U uenju i rjesavanju matematikih zadataka u uporabi su tri knjige. Na
kraju semestra ocjenjuju se znanja 18 uenika kojima su podijeljene knjige tako da se
knjigom istog autora sluilo 6 uenika. Rezultati testa (broj bodova postignut na testu)
prikazani su u tablici 10.7.
$.C8'*/5
1
$.C8'*/5
2
$.C8'*/5
3
7 10 7
4 8 5
7 10 6
4 14 5
3 8 7
7 10 5
2 8 6
7 8 7
4 14 6
Z8(7& 45 90 54
S('./*,
>?7(5,
5 10 6
Z8(7& 7)&'*, ?, +(/ >?7(5,I 189R S('./*, +(/
>?7(5,I 7.
Tablica @B#G Broj bodova uenika na testu
Sredine uzoraka su 5, 10 i 6. Jednostavno je uoiti varijabilnost broja bodova unutar
pojedinih skupina i izmedu skupina. Medutim, teorijski je moguce postojanje i ekstrema u
varijabilnosti podataka unutar skupina i izmedu skupina. Prvi ekstrem bi bila situacija kada
je u svakoj skupini pojedinano jednak broj osvojenih bodova. Nema nikakve varijabilnosti
unutar skupine ali je ona zadrana izmedu skupina.
$.C8'*/5
1
$.C8'*/5
2
$.C8'*/5
3
5 10 6
5 10 6
5 10 6
5 10 6
5 10 6
5 10 6
5 10 6
5 10 6
5 10 6
Z8(7& 45 90 54
S('./*,
>?7(5,
5 10 6
Z8(7& 7)&'*, ?, +(/ >?7(5,I 189R 1('./*, +(/
>?7(5,I 7.
Tablica @B#G Nema varijabilnosti unutar skupine
Slijedeca tablica prikazuje drugi ekstrem. Sredine svake skupine su jednake i iznose tri
boda, ali je zadrana varijabilnost unutar skupine. Nema varijabilnosti izmedu skupina ali
postoji unutar skupine. Ta dva ekstrema su rijetka. Cesta i normalna situacija je ona koja
zadrava varijabilnosti izmedu i unutar skupina.
Udbenik
1
Udbenik
2
Udbenik
3
3 6 7
206
4 2 3
5 4 4
5 7 5
5 6 2
4 5 5
7 4 7
5 3 6
7 8 6
Z8(7& 45 45 45
S('./*,
>?7(5,
5 5 5
Z8(7& 7)&'*, ?, +(/ >?7(5,I 135R 1('./*, +(/
>?7(5,I 7
Tablica @B#J Nema varijabilnosti izmedu skupina
Zato je esto potrebno procjenjivati varijabilnost unutar skupine i izmedu skupina. To je
upravo zadatak analize varijance. U danom primjeru sredina za sve tri skupine je:
7
27
189
27
) 6 7 6 * * 7 4 7 1
0
+ + + + +

Ukupan zbroj kvadrata (Total Sum of Squares) odstupanja od sredine za sve tri skupine je:
SS(Total)= (7-7)
2
+ (4-7)
2
+ (7-7)
2
+ (4 -7)
2
+ (3-7)
2
+ (7-7)
2
+(2 -7)
2
+ (7-7)
2
+(4 - 7)
2
+
+(10 -7)
2
+ (8-7)
2
+ (10 - 7)
2
+ (14 - 7)
2
+ (8 - 7)
2
+ (10 - 7)
2
+ (8 -7)
2
+ (8 -7)
2
+ (14
-7)
2
+
+ (7 - 6)
2
+ (5 - 7)
2
+ (6 - 7)
2
+ (5 -7)
2
+ (7 -7)
2
+ (5 -7)
2
+ (6 -7)
2
+ (7 -7)
2
+ (6 -7)
2
=
= 50 + 66 + 60 = 176.
Postoji i varijabilnost unutar skupina (zbroj kvadrata odstupanja od sredina pojedinih
skupina - Sum of Squared Errors). Taj zbroj je jednak:
SSE = (7 - 5)
2
+ (4 - 5)
2
+ (7- 5)
2
+ (4- 5)
2
+ (3 -5)
2
+ (7 - 5)
2
+(2 - 5)
2
+ (7 - 5)
2
+(4 -
5)
2
+
+(10-10)
2
+(8-10)
2
+(10-10)
2
+(14-10)
2
+(8 -10)
2
+(10-10)
2
+(8-10)
2
+(8-10)
2
+(14 - 10)
2
+
+ (7 - 6)
2
+ (5 - 6)
2
+ (6 - 6)
2
+ (5 - 6)
2
+ (7 - 6)
2
+ (5 - 6)
2
+ (6 - 6)
2
+ (7 - 6)
2
+ (6 - 6)
2
=
= 32 + 48 + 6 = 86.
Mogu se promatrati i zbrojevi kvadrata odstupanja sredina skupina od sredine cijele
populacije: (5 - 7)
2
+ (10 - 7)
2
+ (6 - 7)
2
= 4 + 9 + 1 =14.
Taj zbroj je potrebno pomnoiti sa devet on samo devetina varijance izmedu skupina.
Varijanca izmedu skupina je 14*9=126.
Sada je potrebno usporediti tri veliine, tri zbroja: zbroj kvadrata odstupanja izmedu
skupina, zbroj kvadrata odstupanja unutar skupina i ukupan zbroj kvadrata odstupanja:
SS(Izmedu skupina)
SS(Unutar skupina)
SS(Ukupno)
126
86
212
Tablica@B#I Zbroj kvadrata
Ukupna varijabilnost je 212 i ona se sastoji iz varijabilnosti unutar skupina (86) uvecana za
varijabilnost izmedu skupina. U danom primjeru varijabilnost izmedu skupina je znatno
veca od varijabilnosti unutar skupina. Te zbrojeve je ipak potrebno prilagoditi tako sto ce se
razmotriti i informacija iz koliko skupina podataka su izraunati ti kvadrati odstupanja.
Zbrojevi odstupanja od odgovarajucih sredina ce posluiti za izraunavanje varijanci
uzorka. Zbroj kvadrata izmedu skupina ima tri devijacije oko sredine sloenog
(kombiniranog) uzorka. Zato je broj stupnjeva slobode 3 - 1 = 2 a varijanca uzorka na
temelju zbroja kvadrata odstupanja:
207
63
2
126
1 3
) J+ 1 ++

Ta veliina se naziva Mean Square for Treatments (MST).

Zbroj kvadrata unutar grupa se sastoji iz tri zbroja kvadrata uzorka. Svaki zbroj sadri 6
kvadrata odstupanja i zato 3 uzorka imaju ukupni 6*(6-1)=18-3=15 stupnjeva slobode.
Varijanca uzorka se moe izraunati na temelju tog zbroja odstupanja:
5833 * 3
24
86
3 27
) !+ 1 ++

Ta varijacija se naziva Mean Square for Error (MSE).
Te dvije varijacije MST, mjeri varijabilnost izmedu skupina, i MSE, mjeri varijabilnost unutar
skupine, se sada mogu usporedivati. Njihov odnos je
58 * 17
5833 * 3
63
5+<
5+K
) .
Taj rezultat pokazuje da je MST 17.58 puta veca od MSE. On je indikator mnogo vece
varijabilnosti izmedu skupina od varijabilnosti unutar skupina. Naravno, izbor nekih drugih
skupina bi dao drugaije rezultate jer bi se sredine skupina najvjerojatnije razlikovale od
sredina skupina u danom primjeru dok bi sredina populacije bila nepromijenjena. Ta
varijabilnost uzorka se moe analizirati pomocu tablice za F distribuciju tako sto se odrede
stupnjevi slobode za MST i MSE i razina signifikantnosti. Vrijednost u F-tablici za razinu
signifikantnost 0.01 je 6.36. Izraunati odnos varijabilnosti izmedu skupina i unutar skupina
je 17.58. Moe se zakljuiti da postoji znaajna razlika u rezultatima uenika na testu
znanja ovisno o udbeniku kojim se uenik slui u pripremanju za test.
Rezultati izraunavanja su prikazani u slijedecoj tablici:
Izvor varijacije Zbroj
kvadrata
odstupanja
Broj
stupnjeva
slobode
Sredina
kvadrata
F
Izmedu skupina 126 2 63 17.58
Unutar skupina 86 24 3.583
3
Tablica @B#@B Analiza varijance
Jednosmjerna ANOVA je test koji se koristi da bi se testiralo vise neovisnih uzoraka koji
dolaze iz populacija sa istom srednjom vrednosti. Navedeni jednostavni primjer F testa za
tri uzorka se moe poopciti i obino se prikazuje u obliku tablice:
Izvor
varijacija
Zbroj kvadrata
odstupanja
Broj stupnjeva
slobode
Sredina
kvadrata
F
1 2 3 (2/3) F = MST/MSE
Izmedu skupina SST k-1 MST/(k-1)
U skupinama SSE n-k SSE/(n-k)
Ukupno SS(Total) n-1 40 -
Tablica @B#@@ Analiza varijance
Svi statistiki softverski paketi sadre mogucnosti uporabe jednosmjernih ANOVA testova.
Zato ce se prikazati primjer analize varijance uporabom softverskog paketa za proraunske
tablice - Excela.
P(/6&'( ,*,-/?' ;,(/&,*)' > ES"ELD>I Bitan faktor prodaje je frekvencija broja kupaca
unutar prodajnog prostora. Zato se postavljanju proizvoda na odgovarajuce mjesto,
njegovu izlaganju mora pokloniti odgovarajuca pozornost. ANOVA moe posluiti za
detektiranje utjecaja izlaganja proizvoda P na njegovu koliinu prodaje. Proizvod se izlae
208
na etiri razliita mjesta A, B,C i D. U tablici 10.12 su prikazane prodane koliine proizvoda
P na ta etiri mjesta unutar prodajnog objekta za 14 dana. Prikazana je tablica u Excelu:
U tom primjeru rjesenje je tzv. "one-way ANOVA" jer se analizira samo jedan faktor a on je
mjesto izlaganja proizvoda P.
K7(,5 1I Postaviti nultu hipotezu. N>-+, A/27+'?, > +'1+> ANOVA je da su sredine
skupina jednake:
4 3 2 1 0
L 3
4 3 2 1 a
L 3
Ako je istinita nulta hipoteza to znai da su sve etiri skupine iz iste populacije. Te etiri
skupine s njihove etiri razliite sredine su samo etiri toke na iste distribucije uzorka. Ako
je tona ta hipoteza onda je varijanca izmedu skupina jednaka varijanci unutar skupina.
K7(,5 2I Izabrati razinu signifikantnosti. Najesce su to vrijednosti 0.05 i 0.10.
K7(,5 3I Izraunati F statistiku uporabom Excelove Data Analysis. Kliknuti na TOOLS i
izabrati DATA ANALYSIS. Iz izbornika DATA ANALYSIS odabrati odgovarajuci tip ANOVA.
209
Postoje tri tipa ANOVA analize u Excelu. u danom primjeru uporabit ce se "Single factor"
ANOVA jer se promatra samo jedan faktor. Nakon izbora te opcije pojavljuje se izbornik:
Potrebno je odrediti ulazne podatke (raspon celija "Input Range"), oznaku za prvi redak
("Labels in First Row") i razinu signifikantnosti ("Alpha"). Nakon klika na opciju OK
pojavljuje se slijedeci rezultat:
Posljednji korak je interpretiranje rezultata. Prosjene prodaje su najvece na mjestu B,
zatim slijede A, D i C.Jesu li te razlike u prodaji statistiki signifikantne?Rezultat test je
vrijednost F=2.33.Za razinu signifikantnosti 0.05 kritina vrijednost za F=2.78.Zato sto je F
statistika manja od kritine vrijednosti ne moe se odbaciti nulta hipoteza. Nulta hipoteza
tvrdi da su prodaje na sva etiri mjesta jednake.Razlike koje postoje u prosjenim
prodajama rezultat su sluajnih pogresaka u izboru uzoraka.

6. 11. REGRESIJSKA ANALIZA
Inferencijalna statistika izvodi opce zakljuke, zakljuke o populaciji na temelju dijela
populacije, uzorka. Zakljuivati o cijelini na temelju njezina dijela sloena je aktivnost. Zato
se mora biti veoma oprezan u izvodenju zakljuaka, u tom pokusaju da se sagleda opce na
temelju posebnoga. Temeljni problem je odrediti koliko smo sigurni da su svi rezultati
210
istraivanja reprezentativni za cijelu populaciju. Primjeri takvih istraivanja su brojni, a
poduzimaju se u razliitim znanstvenim disciplinama. Slijedi primjer, uporabljiv u
poslovnim istraivanjima, a on prikazuje mogucnosti utvrdivanja i analize relacija izmedu
varijabli u ekonomskom procesu. Analizom ekonomskog procesa uoena je veza izmedu
potrosnje i dohodka u svakoj trisnoj ekonomiji.Smjer je veze jasan i razumljiv. Veca
potrosnja moe dugorono slijediti samo iz veceg dohodka i obrnuto. Istraivanja nastoje
egzaktno utvrditi jakost veze izmedu dohodka i potrosnje u obliku matematikih funkcija.
Potrosnja je uvijek ovisna varijabla a dohodak neovisna.
Cesto nije moguce prikupiti sve podatke o potrosnji i dohodku pa se ponovno i u
istraivanju moramo sluiti uzorcima i zakljuivati na temelju uzoraka. Istraivati i
spoznavati o nainu funkcioniranja ekonomije i odnosima izmedu npr. makroekonomskih
agregata (potrosnje i dohodka) je novo znanje o ekonomskom sustavu, nova ekonomska
spoznaja.
U ranijim je analizama pokazano da uvijek postoji odreden stupanj vjerojatnosti izabrani
uzorak nije reprezentativan i ne odraava svojstva cijele populaciju iz koje se bira.
Distribucija uzoraka pokazuje da se s dovoljnom velikim brojem uzoraka i dovoljno velikim
brojem jedinica u uzorku moe odabrati prosjean uzorak koji ce biti nepristran,
reprezentativan za cijelu populaciju. Medutim, ponovno se pojavljuje ogranienje. U
istraivanju se rijetko prikupljaju podaci o vecem broj uzoraka nego se, gotovo uvijek,
prikupljaju podaci o samo jednom uzorku. Zato u pomoc dolazi centralni granini teorem.
On tvrdi da za dovoljno velik uzorak, distribucija uzoraka ce slijediti normalnu Gaussovu
distribuciju ili Studentovu t-distribuciju. Teorijske distribucije (normalna i t-distribucija)
omogucuju izraunavanje vjerojatnosti da ce statistika uzorka (pokazatelji uzorka) biti
unutar odredenog intervala parametara populacije. Drugim rijeima, potrebno je s
odredenim stupnjem vjerojatnosti odrediti interval u kojem se nalaze parametri populacije.
Taj interval se izraunava na temelju statistike uzorka. U istraivanju i zakljuivanju na
temelju uzorka istraiva stalno traga za tonim odgovorom ali ga nemoe dobiti u jednoj
znamenci, nego moe samo procjenjivati interval unutar kojeg se nalazi parametar
populacije.
Zato sto pravi odgovor ostaje tajna istraivau , ostaje mu jedina mogucnost postaviti
hipoteze i teoretizirati. U danom primjeru veze potrosnje i dohodka vec je proveden
odredeni stupanj teoretiziranja i postavljanja hipoteza. Nismo se posluili ni jednim
egzaktnim pokazateljem a postavili smo hipotezu o smjeru veze izmedu dohodka i
potrosnje. Teorija tvrdi da je smjer te veze pozitivan (ili sto je isto nagib pravca nije nije
nula niti negativan) . Ako bi se izrekla tvrdnja da svako povecanje dohodka od jedne
novane jedinice stvara prostor za povecanje potrosnje od 0.6 novanih jedinica na temelju
podataka prikupljenih u uzorku, onda bi zakljuivali o vezi dohodka i potrosnje na egzaktan
nain, bez teoretiziranja i prethodnih uopcavanja odnosa izmedu tih makroekonomskih
agregata. Drugi uzorak bi mogao pokazati, kvantitativno izraenu, drugaiju vezu potrosnje
i dohodka. Npr., povecanje dohodka za jednu novanu jedinicu uopce ne povecava
potrosnju. Kako cemo onda biti sigurni da je prvi zakljuak toan ili da prvi rezultat realno
odraava odnose potrosnje i dohodka? Ili je moda toan drugi rezultat?
Zato se prvo mora definirati naelo na temelju koga ce se izvoditi zakljuci. To naelo je
teorijska spoznaja o smjeru veze izmedu potrosnje i dohodka. Istraivanje treba odrediti
jakost te veze. Pretpostavka je da je teorija tona sve dok podaci ne potvrde drugi tip veze.
Takva bi bila pretpostavka: istraiva eli biti 95% siguran da su teorijske spoznaje tone ili
sto je isto eli biti 95% sigurni da je nul hipoteza tona (odnosno 5% sigurni da se nul
hipoteza moe odbaciti).
Nain izraunavanja vjerojatnosti da se nul hipoteza moe odbaciti je prikazan ranije.
Potrebno je izraunati standardizirane z ili t vrijednosti iz uzorka i komparirati ih s
izraunatim z ili t vrijednostima prikazanih u obliku tablice.
6.11. 1. R'9('1/&, 2(/6&'*76 'K)'-,
Linearna regresija omogucuje pronaci vezu izmedu dvije varijable ako su njihove veze
linearne. Opci oblik linerne funkcije je
Y = bo + b1*X + e gdje je:
211
Y ovisna varijabla,
X neovisna varijabla,
bo odsjeak na Y osi kada je X=0,
b1 koeficijent smjera linearne funkcije i mjeri za koliko ce se promijeniti Y kada se
X
promijeni za 1.
P(/6&'(
Istraiva se veza izmedu potrosnje i dohodka. Prikupljeni su podaci i njih prikazuje slijedeca
tablica:
D7A7.,5
GSH
96 120 144 168 192 216 240 264 288 312
P7+(73*&,
GTH
61 72 87 88 112 121 132 149 151 165
66 77 92 102 118 127 150 151 160 167
72 81 99 105 121 132 154 154 171 193
77 88 103 113 128 143 158 167 182 196
83 94 108 119 130 149 160 173 193 198
97 124 138 154 176 208 204
127 178 210
$5>2*7 361 510 491 778 748 827 756 1148 1066 1333
Tablica 11.1. Mjeseni dohodak (X) kucanstava i potrosnja (Y)
Pretpostavka je da se cijela populacija sastoji samo od 60 kucanstava iz kojih se bira deset
skupina. Kucanstva u istoj skupini imaju priblino jednak dohodak. Tablica se moe
interpretirati na slijedeci nain: na temelju mjesenog dohodka od 96 novanih jedinica
postoji pet obitelji ija se mjesena potrosnja nalazi u intervalu od 61 do 83 novane
jedinice. Za dohodak 312 novanih jedinica sest je obitelji ija je potrosnja u intervalu od
165 do 210 novanih jedinica.
Na temelju tih podataka se mogu izraunati i uvjetne vjerojatnosti ) 2 : M 1 p
i
. To je
vjerojatnost da ce potrosnja biti Y ako je dohodak X. Npr. ako je dohodak 96 onda postoji
pet vrijednosti potrosnje (Y vrijednosti) 61, 66, 72, 77 i 83. Zato, ako je X=96, onda je
vjerojatnost da ce se dobiti bilo koja od tih pet vrijednosti potrosnje 1/5. Simboliki
5
1
) 80 2 : 62 M 1 p .
Sada se moe izraunati i tablica uvjetnih vjerojatnosti:
D7A7.,5
GSH
96 120 144 168 192 216 240 264 288 312
$;&'+*,
;&'(7&,+*7
1+ 2GTUS/H
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/6 1/7 1/6 1/6 1/7 1/6 1/7
1/7 1/7 1/7
$;&'+*,
1('./*, ?,
T
710
8
1010
8
970
8
1550
6
1490
4
1650
2
1500
8
2290
6
2130
0
26606
Tablica 11.2. Uvjetne vjerojatnosti za ) 2 : M 1 p
i
iz tablice 11.1.
212
Oekivana vrijednost potrosnje za dohodak X=96 novanih jedinica je: 61* (1/5) +
66*(1/5) + 72 * (1/5) + 77* (1/5) + 83 * (1/5) =71,8 novanih jedinica. Oekivane
vrijednosti potrosnje za odgovarajacue dohodke su prikazane u donjem retku tablice 11.2.
Primjena Excela za analizu regresije ce se prikazati u koracima:
1. Izabrati iz glavnog izbornika: Tools, Data Analysis, Regression:
2. $*/&'+/ podatke za ovisnu varijablu Y (Y Range: raspon celija u kojima se nalaze
podaci za potrosnju je: $A$37:$A$47), podatke za neovisnu varijablu X ( X Range:
raspon celija u kojima se nalaze podaci za dohodak $B$38:$B$47) je:

213
3. Pravac regresije koji prikazuje vezu izmedu potrosnje i dohodka se odmah generira:
Slika 11.1. Pravac regresije
214
Taj dio regresijske analize je najvaniji. On prikazuje vezu izmedu dohodka i potrosnje u
obliku linearne funkcije. Mogu se analizirati i procjenjivati promjene u potrosnji u ovisnosti
o promjenama dohodka. Iz opceg oblika jednadbe regresije:Y = b0 + b1* X dobiva se oblik
u kojem su poznati koeficijenti b0 i b1:
Y(potrosnja) = 0,8061* X (dohodak) - 4,2764
Naravno, to su samo procjene. Vidljive su i pogreske koje nastaju ako se primjeni takva
linearna funkcija:
RESIDUAL OUTPUT
Observatio
n Predicted Y Residuals
1 73,10545455
-
1,305454545
2 92,45090909 9,349090909
3 111,7963636
-
13,99636364
4 131,1418182 24,45818182
5 150,4872727
-
1,087272727
6 169,8327273
-
4,632727273
7 189,1781818
-
38,37818182
8 208,5236364 21,07636364
9 227,8690909
-
14,86909091
10 247,2145455 19,38545455
Naravno, potrebno je provesti i testiranje ili spoznati utjee li varijabla X (dohodak)
znaajno na varijablu Y (potrosnju). Takvo testiranje ce se temeljiti na t-testu jer je broj
jedinica u uzorku manji od 30. Excel pretpostavlja da su svi koeficijenti jednaki nuli
odnosno postavlja nul hipotezu. Kritina vrijednost za t-test ovisi o broju stupnjeva
slobode. Za razinu signifikantnosti od 10% kritina vrijednost za t je +/- 1.67, za razinu
signifikantnosti 5% kritina vrijednost za t je +/- 1.96. Izraunata kritina vrijednost za
odredenu razinu signifikantnosti od 95% je P-vrijednost u tablici 10.3.. Obino je zahtjev na
razini 90% (p vrijednost 0.1 ili manja) vjerojatnosti da smo sigurni o postojanju utvrdene
veze izmedu varijabli Y i X.
Coeffi
cients
Standard
Error
t Stat P-value Lower
95%
Upper
95%
Lower
95,0%
Upper
95,0%
Intercept -4,276 20,423 -0,209 0,839 -51,3738 42,820 -51,373 42,820
X 0,806 0,0948 8,499 2,8187E-05 0,58734 1,025 0,587 1,0248
Tablica 11.3. Dio analize regresije u Excelu
6.11.2. I*+'(2('+/(,*&' ('?>-+,+, .78/;'*/A ('9('1/&76
U regrsiji je potrebno uraditi dva testa jedan za koeficijent b0 a drugi za koeficijent b1. Nul
hipoteze su:
#0: b0 = 0
#0: b1 = 0
Nul hipoteza tvrdi da su oba koeficijenta jednaka 0. Potrebno je izraunati t vrijednosti na
temelju formule za t-test:
+<
0
%
1

T vrijednosti su -0.209 i 8.499 pa ce se odbaciti obje nul hipoteze jer za razinu

signifikantnosti od 5% kritine vrijednosti za t su +/- 1.96. To znai da ni jedan od dva
koeficijenta nisu jednaki nuli na razini signifikantnosti od 95%. Drugim rijeima, sigurni
215
smo 95% kada da je funkcija Y(potrosnja) = 0,8061* X (dohodak) - 4,2764 tona veza
izmedu potrosnje i dohodka. Ako se dohodak poveca za jednu novanu jedinicu potrosnja
ce se povecati za 0.8061 novanih jedinica. Moe se postaviti i nul hipoteza da je koeficijent
b1=1.
#0: b1 = 1
Odgovarajuca t-vrijednost je:
045 * 2
0948 * 0
1 8061 * 0
+<
1
%
1

Ponovno se odbacuje nul hipoteza da je koeficijent b1 = 1. Koeficijent dohodka je manji od

1. Analiza linearne regresije se temelji na metodi najmanjih kvadrata odstupanja
izraunatih u odnosu na stvarne vrijednosti. Pravac se prilagodava opaenim vrijednostima.
Funkcija prognoziranja omogucuje izraunavanje buducih vrijednosti jedne varijable
(ovisne) na temelju vrijednosti druge varijable (neovisne). Predvidena vrijednost je
vrijednost varijable Y (potrosnje) za zadanu vrijednost varijable X (dohodak). Takvo
prognoziranje je linearna regresija. U Excelu se rabi slijedeca sintaksa za prognoziranje:
FORECAST(x; poznata y ; poznata x),
x je dohodak za koji se prognozira potrosnja,
poznata y je raspon podataka potrosnje u tablici Excela,
poznata x je raspon podataka dohodka u tablici Excela.
45
P(/6&'(
Prognozirati potrosnju ako je dohodak 400 novaanih jedinica:
=FORECAST(400;A38:A47;B38:B47)
jednako je 318,15 novanih jedinica.
Na temelju funkcije FORECAST(x; poznata y ; poznata x) prognozirana je potrosnja za
dohodak od 400 novanih jedinica i iznosi 318,15 novanih jedinica.
6.11.3. P(/6&'( ;/3'1+(>5' ('9('1/&'
Analizira se prodaja rua po kvartalima u posljednje tri godine (12 kvartala). U tablici su
prikazani podaci o broju prodanih komada rua, prosjene veleprodajne cijene rua i
prosjene veleprodajne cijene karanfila.
P(7.,&, (>C,
G >
576,./6,H
"/&'*,
(>C,
"/&'*,
5,(,*:/-,
11.484,00 2,26 3,48
9.348,00 2,54 2,85
8.429,00 3,07 4,06
10.079,00 2,91 3,64
9.240,00 2,73 3,21
8.862,00 2,77 3,66
6.216,00 3,59 3,76
8.038,00 3,23 3,49
7.476,00 2,60 3,13
5.911,00 2,89 3,20
7.950,00 3,77 3,65
6.134,00 3,64 3,60
Primjenom analize regresije u Excelu prvo ce se analizirati statistika regresije:
Regression Statistics
45
Jednadba za FORECAST je Y = b0 + b1* X; gdje je:
2 4 M
1 0

2 2
1
) 2 1 2 n
) M )1 2 1 2M n

216
Multiple R 0,726
R SV>,(' 0,527
Adjusted R Square 0,422
Standard Error 1.280,231
Observations 12
R-Square je statistika koja pokazuje koliko varijance "Y" je objasnjeno u regresiji. U
primjeru je to oko 52,7%.
ANOVA
df SS MS F Significance F
Regression 2 16.462.590,261 8231295,131 5,022 0,034
Residual 9 14.750.924,655 1638991,628
Total 11 31.213.514,917
Sada se moe na temelju provedene analize regresije napisati ijednadba multiple regresije
koja prikazuje vezu izmedu prodanih koliina rua (Y), cijena rua X1 i cijena karanfila X2.
Ta jednadba multiple regresije je:
Y=10.594,038 - 3010* X1 + 1927,378 *X2
Potrebno je i analizirati koliki je utjecaj cijena rua i cijena karanfila na broj prodanih
komada rua u posljednje tri godine. Zato ce posluiti t-test. Nul hipoteza u test testu
pretpostavlja da su svi koeficijenti u multiploj regresiji jednaki nuli.
Stvarna kritina vrijednost za t-test ovisi o broju stupnjeva slobode. Za prihvacanje
pogreske od 10% t-vrijednost je +/- 1.67, dok za pogresku od 5% kritina vrijednost za t
je +/- 1.96.
U navedenom primjeru t-test za cijenu rua je -3,156 a t-test za cijenu karanfila je 1,399.
To znai da se moe odbaciti hipoteza da cijena rua ne utjee na prodanu koliinu na razini
signifikantnosti od 95% ali se ne moe odbaciti hipoteza da cijena karanfila ne utjee na
prodanu koliinu rua. Utjecaj cijena rua na prodanu koliinu je negativan a to znai veca
cijena smanjuje prodaju.
6. 12. ANALIZA KORELA"IJE
Korelacijska analiza je statistiko sredstvo koje slui za ispitivanje jakosti linerane veze
izmedu dvije varijable. Najesce se promatra zajedno s regresijskom analizom kako bi
izmjerila koliko linija regresije dobro opisuje stvarne podatke. Ipak, ona se moe uporabiti i
samostalno kako bi odredila smjer i intenzitet veze izmedu dvije varijable.
U analizi korelacije promatraju se dvodimenzijski statistiki skupovi. To su skupovi iji
elementi imaju dva obiljeja. Ta su obiljeja xi i yi, a mogu biti npr. visina i teina
studenata.
Korelacija ispituje povezanost izmedu ta dva obiljeja. Potrebno je utvrditi postoji li veza
izmedu obiljeja xi i yi (npr. manji student, manja teina). Neka su dani rezultati mjerenja
visine i %eNine s%udena%aL
Coefficients Standard
Error
t Stat P-value Lower
95%
Upper
95%
Intercept 10594,038 4119,425 2,572 0,030 1275,243 19912,833
Cijena ruza -3010,860 953,982 -3,156 0,012 -5168,918 -852,802
Cijena karanfila 1927,378 1377,246 1,399 0,195 -1188,170 5042,927
217
Red.
br.
Visina
(cm)
Teina
(kg)
1
182,0
0 75,00
2
184,0
0 77,00
3
196,0
0 85,00
4
163,0
0 60,00
5
188,0
0 85,00
6
176,0
0 72,00
7
181,0
0 74,00
8
182,0
0 81,00
9
169,0
0 55,00
10
176,0
0 77,00
11
167,0
0 63,00
12
179,0
0 71,00
13
185,0
0 78,00
14
189,0
0 86,00
Tablica 1.:Rezultati mjerenja visina i teina studenata
Ako se ele grafiki prikazati i interpretirati podaci iz tablice 1., vidljivo je da se itav skup
sastoji od * uredenih parova (xn, yn ) kojima se u dvodimenzijskom koordinatnom sustavu
mogu pridruiti toke (xi, yi). U tablici je n = 14 tj. 14 uredenih parova rasporedenih u 14
toaka. Skup tih toaka naziva se dijagram rasipanja, a prikazuje ga slijedeca slika:
Teina ! kg
50
55
60
65
70
75
80
85
90
95
100
160 180 200
Visina ! cm
218
+lika 12*1* 'ija-ra/ rasipanja
Vizualno se iz dijagrama rasipanja moe zakljuiti o vezi izmedu obiljeja xi, yi tj. jesu li
medusobno ovisna i kakav je smjer veze na temelju grupiranja toaka.
Ako se toke xi, yi nalaze uzdu pravca ili neke druge krivulje, onda postoji jaka veza
obiljeja xi, yi. To je funkcijska povezanost i moe se pronaci funkcija koja opisuje vezu
dva obiljeja u obliku y = f(x) i x = q (y). Slika 1 prikazuje jednu takvu vrstu vezu. Ako je
student visi, onda mu je i teina veca.
Ako su obiljeja nepovezana onda toke dijagrama rasprsenosti nemaju tendenciju
gomilanja, nego su one rasprsene. To prikazuje slika 2:
0
2
4
6
8
10
12
14
16
0 2 4 6 8 10 12 14
Slika 2.: Dijagram rasprsenosti kada ne postoji korelacija izmedu obiljeja
Dio statistike koja svojim postupcima omogucava analizu jakosti veza izmedu dva obiljeja
statistikog skupa, izmedu dvije varijable naziva se korelacija. Ona daje matematiki okvir
koji izraava povezanost izmedu obiljeja.
6.12.1. K7':/)/&'*+ 57('-,)/&'
Korelacijom se mogu odrediti varijacije obiljeja dvaju raspona podataka, tj. jesu li velike
vrijednosti jednog skupa pridruene velikim vrijednostima drugoga (pozitivna korelacija),
jesu li male vrijednosti jednog skupa pridruene velikim vrijednostima drugoga (negativna
korelacija) odnosno jesu li vrijednosti u oba skupa nepovezane (korelacija blizu 0).
Koeficijent korelacije r je mjera jakosti linearne veze izmedu dvije varijable x i y.
Izraunava se po formuli:
xx
x
!! !!
!!
r
,
gdje je:

n
i
i i x
x x !!
1
) )1 1
,

n
i
i xx
x x !!
1
2
) 1
,

2
1
) 1

n
i
i
!! ,



n
i
i
n
i
i

n
x
n
x
1 1
1
,
1
,

Bitna svojstva koeficijenta korelacije su:
a) -1 ( 1,
) koeficijent korelacije ( i nagib pravca regresije b1 imaju isti predznak,
219
c) ako je vrijednost koeficijenta korelacije r blizu nule ili jednaka nuli, to znai da je
veza izmedu varijabli x i y slaba ili ne postoji. to je vrijednost koeficijenta korelacije
blia ili jednaka 1 ili -1, to je veza izmedu varijabli x i y jaa.
Vrijednosti varijabli x i y mogu biti elementi uzorka ili cijele populacije. Koeficijent korelacije
populacije se oznaava s (ro). Koeficijet korelacije populacije se procjenjuje na temelju
istog pokazatelja uzorka. Umjesto procjene koeficijenta mogu se testirati nul I
alternativna hipoteza:
H0: = 0 (testirati hipotezu da vrijednosti varijable x ne sadre informacije koje mogu
posluiti za prognozu varijable y uporabom linearne funkcije, tj.pravca).
Ha: 0, i.e., (dvije varijable su najmanje linearno povezane)
Moe se pokazati da je nul hipoteza H0: = 0 ekvivalentna hipotezi H0: B = 0.
6.12.2. K7':/)/&'*+ .'+'(6/*,)/&'
Drugi pristup u mjerenju doprinosa varijable x u procjeni y oslanja se na pogreske u
procjeni varijable y. Nastoji odrediti koliko se pogreska moe smanjiti uporabom
informacija sadranih u varijabli x. Koeficijent determinacije uzorka derivira se iz odnosa
izmedu dva oblika odstupanja:
a: odstupanje stvarnih vrijednosti y oko linije regresije tj. oko procjenjenih vrijednosti.
To odstupanje je zbroj kvadrata odstupanja stvarnih vrijednosti varijable yi od
procjenjenih vrijednosti
i
OE
46
u regresijskom modelu:
2
1
) E 1

n
i
i i
!!E .
b) drugo odstupanje je varijacija vrijednosti stvarnih vrijednosti varijable y oko njene
aritmetike sredine
2
1
) 1

n
i
i
!! .
Koeficijent determinacije se izraunava po formuli

!!
!!E !!
. Moe se pokazati da je

!!
!!E
!!
!!E !!
r

1
2
, gdje je r koeficijent korelacije. Kvadrat koeficijenta korelacije
se naziva koeficijent determinacije. Koeficijent determinacije se moe objasniti kao
odstupanje stvarnih vrijednosti varijable y od procjenjenih vrijednsti na temelju pravca
regresije. Znaenje i objasnjenje koeficijenta determinacije r
2
jasno prikazuje slijedeca
slika:
46
Ta se veliina oznaava sa SSE a sto je kratica engleskih rijei sum of squares errors.
220
S-/5, 3.I Objasnjeno i neobjasnjeno odstupanje
Odstupanje stvarnih vrijednosti varijable yi od sredine je O O
i
, neobjasnjeno odstupanje
pravcem regresije je OE O
i
i objasnjeno odstupanje je O OE
i
. Ukupno odstupanje
promatra zbroj svih kvadrata odstupanja pojedinanih vrijednosti varijable y od njene
aritmetike sredine:
2
1
) 1

n
i
i
!! . Neobjasnjeni dio ukupnih odstupanja stavrnih
vrijednosti varijable y od pravca regresije je:
2
1
) E 1

n
i
i i
!!E
.
Objasnjeni dio ukupnih odstupanja je
2
1
) E 1

n
i
i
. Kratko se moe zapisati:
Ukupno odstupanje O Objasnjeno odstupanje + neobjasnjeno odstupanje. Koeficijent
determinacije je odnos izmedu objasnjenog odstupanja i ukupnog odstupanja:
ods%upanje ukupno
ods%upanje oja8njeno
r
2

.
Koeficijent determinacije u praktinom smislu znai koliko od ukupnih odstupanja stvarnih
vrijednosti varijable y od srednje vrijednosti se moe objasniti uporabom varijable x u
prognozi varijable y, ako se primjeni model linearni model regresije.
P(/6&'( 1
U modelu linearne regresije prikazana je veza izmedu dohodka i potrosnje u obliku linearne
funkcije. Mogu se analizirati i procjenjivati promjene u potrosnji u ovisnosti o promjenama
dohodka. Iz opceg oblika jednadbe regresije:Y = b0 + b1* X cobia se oblik u kojem su
poznati koeficijenti b0 i b1: Y(potrosnja) = 0,8061* X (dohodak) - 4,2764
Naravno, to su samo procjene. Vidljive su i pogreske koje nastaju ako se primjeni takva
linearna funkcija:
$<+J'!9P ,!KP!K
Obser"atio
n Predi#ted $ %esidua&s
1
73,1054545
5
@
1,305454545
2
92,4509090
9 9,349090909
3
111,796363
6
@
13,99636364
4
131,141818
2 24,45818182
5
150,487272
7
@
1,087272727
6
169,832727
3
@
4,632727273
7
189,178181
8
@
38,37818182
8
208,523636
4 21,07636364
9 227,869090 @
221
9 14,86909091
10
247,214545
5 19,38545455
Koeficijent korelacije se u Excelu izraunava tako sto se izabere iz izbormika Data Analysis
i zatim odabere raspon celija za koje se izraunava korelacija. Rezultat prikazuje slijedeca
tablica:
Dohodak (X) Potronja (Y)
Dohodak (X) 1
Potrosnja (Y) 0,9488 1
Tablica 3.: Koeficijent korelacije (
Koeficijent determinacije je r
2
= 0,90. Ta se vrijednost moe protumaiti: dohodak X u
jednadbi regresije Y(potrosnja) = 0,8061* X (dohodak) - 4,2764 u procjeni potrosnje Y,
rauna priblino 90% ukupnih kvadrata odstupanja od srednje vrijednosti. To znai da se
smanjuje za 90% pogreska u procjeni potrosnje ako se uporabi jednada regresije umjesto
prosjene potrosnje
M
.
Prvo ce se prikazati postupak izraunavanja kovarijance.
6.12. 3. I?(,4>*,;,*&' 57;,(/&,*)'
Drugi pristup u definiranju i pojasnjenju korelacije je uporaba kovarijance. Kovarijanca
izraunava prosjek umnoska ukupnih odstupanja dva skupa podataka podataka od njihovih
srednjih vrijednosti. Kovarijanca mjeri odnose izmedu dva niza podataka. U matematikom
smislu ona je prosjek umnoaka odstupanja svakog para toaka ili podataka od
odgovarajucih aritmetikih sredina. Kovarijanca populacijue rabi formulu
) O 1O 4 ) 0 10
n
1
M) cov12,
i
n
1 i
i

Ako se izrauna vrijednost izraza ) O O 1 4 ) 0 0 1

i
n
1 i
i

onda ta vrijednost moe biti velika i

pozitivna, ako se x i y mijenjaju u istom smjeru tj. vece vrijednosti za x su zajedno s
vrijednostima y i manje vrijednosti za x su s manjim vrijednostima za y. Moe biti i mala
negativna ako malim vrijednostima za x (vrijednsotima manjim od srednje vrijednosti za x)
odgovaraju velike vrijednosti y (vrijednosti vece od srednje vrijednosti za y). Taj zbroj
umnoaka je mjera koja ukazuje kako se mijenjaju x i y . Kovarijanca uzorka rabi formulu:
) O O 1 4 ) 0 0 1
1 n
1
) M , 2 cov1
i
n
1 i
i

Korelacija populacije izraunava kovarijancu dvaju skupova podataka podijeljenu

umnoskom njihovih standardnih devijacija:
O 0
O , 0
4
) M , 2 cov1



222
gdje je:
2
n
1 i
i
2
0
) 0 0 1
n
1

2
n
1 i
i
2
O
) O O
n
1

Kovarijanca se povecava ako se jakost veza izmedu x i y povecava. Jaka veza izmedu x i y
ce vrijednost koeficijenta korelacije pribliiti +1 ili -1.
223
7. PRIMJENA IN!ORMA"IJSKE TE#NOLOGIJE $ PRO"ES$ ISTRAIVANJA
Informacija se u informacijskom dobu prihvaca kao univerzalna injenica, potrebna i
prisutna u svim vidovima ljudskog organiziranja i djelovanja. Posebnu vanost i vrijednost
ima informacija odaslana ili raspoloiva u pravo vrijeme. Pouzdane, relevantne i
pravodobne informacije su u informatikom smislu izlazi iz procesa istraivanja. Te
informacije se u obliku modela, teorija i zakonitosti prezentiraju na kraju procesa
znanstvenog istraivanja. Danas su u uporabi razliite informacijske tehnologije i softverski
alati koji mogu ubrzati procese istraivanja i detektirati veze, odnose, pravilnosti i
zakonitosti koje postoje u prikupljenim podacima. Zato se koncentrira pozornost na
organizaciju podataka iz kojih slijede informacije. Razvoj mocnih osobnih raunala i njihovih
mrea postavio je zadatak razumijevanja organizacije i strukture baze podataka.
Kompleksnost znanstvenog istraivanja i uporabe informacija u informacijskom dobu ima
pretpostavku razumijevanja pojmova kao sto su datoteka, baza podataka, sustav za
upravljanje bazama podataka, model podataka i drugih pojmova potrebnih za kreiranje,
pretraivanje i manipulaciju podacima. Razumijevanje tih pojmova olaksava aktivnosti
prikupljanja, obrade, analize i prezentiranja rezultata istraivanja. Ta znanja danas postaju
sve vise zahtjev i uvjet djelotvornosti procesa istraivanja.
7.1 PRO"ESI OTKRIVANJA ZNANJA $ %AZAMA PODATAKA
Danas se u analitike svrhe grade posebne baze podataka koje se razlikuju od baza
podataka koje slue u aktivnostima prikupljanja podataka. Razvoj mocnih procesora i
proizvodnja memorija ogromnih kapaciteta stvorili su preduvjete da se u procesu
istraivanja obuhvacaju sve jedinice statistikog skupa tj. populacija. Jednostavne analize
se mogu dobiti postavljanjem upita, a odgovor na njih slijedi nakon pretraivanja baza
podataka. To su najesce podaci koji odraavaju promjene odredenih veliina u vremenu
(trendove).
Tehnologije na kojima se temelji obrada transakcija i analitika obrada, razliite su
tehnologije i ne mogu se sluiti istim podacima u bazama podataka. To se posebno odnosi
na istraivanja u poslovnom procesu. Rjesenje je zato pronadeno u skladistu podataka
(Data Warehouse). Ono sadri potrebne podatke za izgradnju sustava za potporu analizi
podataka u procesu istraivanja. Veza izmedu operativnih baza podataka (baze podataka za
obradu transakcija u realnom vremenu) i skladista podataka prikazana je sljedecom
slikom:
224
.............................
..................................
........................
..................................
......
Operativne baze
(interni podaci)
Operativne baze
(interni podaci)
Skladite
podataka
Skladite
podataka
Vanjski izvori
podataka
Vanjski izvori
podataka
Analitike obrade (OLTP) Analitike obrade (OLTP)
Sustavi za potporu Sustavi za potporu
odluivanju odluivanju
Data mining Data mining
13.1. Punjenje skladita podataka (poetno i periodino)
Skladista podataka su predmetno orijentirani, integrirani, vremenski nepromjenjivi i samo
za itanje pohranjeni podaci u funkciji potpore istraivanjima.
47
Podaci u skladistima
podataka temelj su analize podataka. Skladiste podataka periodino se puni podacima.
Takvi se podaci prethodno moraju oistiti od nekozinstentnosti koja esto prati podatke jer
se oni formiraju iz razliitih izvora. Izgradnja skladista podataka logina je posljedica
postojanja dva tipa podataka u procesu istraivanja:
a) primitivnih (operativnih)
b) izvedenih (deriviranih).
Operativni podaci su oni koji se prate i generiraju svakodnevno u procesu istraivanja.
Derivirani podaci rezultat su unaprijed planirane i izvedene transformacije primitivnih
podataka. Ona moe biti jednostavna matematika operacija zbrajanja ili neka druga
operacija kojom se kreiraju podaci u svrhu zadovoljenja potreba istraivanja. Danas je
prihvaceno glediste da unutar iste baze podataka ne mogu biti pohranjeni primitivni i
derivirani podaci. Njihovo razdvajanje temelj je kreiranja skladista podataka.
48
Proces istraivanja poinje prikupljanjem podataka. To mogu biti ogromne koliine
transakcijskih (primarnih) podataka u operativnim bazama. Cilj istraivanja nije prikupiti i
pohraniti ogromna koliina podataka, nego provjeriti hipoteze i otkriti zakonitosti. Cilj je
ekstrahirati informacije iz tih podataka.
Podaci su esto suma iz koje se ne mogu izvoditi jednostavno valjani i prihvatljivi zakljuci.
Zato znanstvenici, tragajuci za odgovorom, kreiraju nove tehnologije za potporu izvodenja
ispravnih i valjanih zakljuaka iz takvih ogromnih koliina podataka. Analize procesa
istraivanja pokazuju da se svega 10% vremena u procesu istraivanja trosi na analizu
podataka. Ostale faze istraivanja zauzimaju znantno vise vremena iako je analiza jedna od
najbitnijih faza istraivanja. Potrebno je ponekad analizirati podatke koji se mjere u
gigabajtima i terabajtima. Takvi primarni podaci ne daju jasan odgovor zasto se nesto zbiva
niti dijagnosticiraju procese i promjene, ne interpretiraju rezultate niti klasificiraju podatke,
ne odreduju klastere niti modeliraju ovisnosti medu podacima, ne otkrivaju promjene i
odstupanja u odnosu na postavljene ciljeve niti odreduju korelaciju izmedu podataka itd.
Davanje odgovora na spomenuta pitanja uporabom odgovarajucih softverskih alata,
temeljna je zadaca informacijske tehnologije u procesu istraivanja. Na slici 13.2. prikazana
je veza izmedu razliitih softverskih alata u procesu istraivanja. U fazi prikupljanja
podataka podaci se modeliraju u skladu s zahtjevima modela podataka: Najesce je to to
relacijski model podataka u kojem su podaci u obliku relacijskih tablica ili objektno
orijentirani model u kojem su klase i njihova svojstva u sredistu modela podataka.
Istraivau trebaju podaci u obliku koji se razlikuje od onog u relacijskoj bazi podataka.
Npr. esto se u ekonomskim istraivanjima ele dobiti informacije o ukupnim troskovima
po mjesecu, relativnoj promjeni troskova u tekucem u odnosu na isto razdoblje prethodne
godine, struktura troskova, prosjenim troskove po mjesecu itd. Takve informacije nisu
izravno vidljive nakon prikupljanja podataka. Zato se podaci moraju u procesu istraivanja
oistiti, transformirati i integrirati u oblik pogodan za analizu. Takav model podataka
pogodan za analizu danas su skladista podataka. Srednji i gornji slojevi na slici 13.2.
predstavljaju analitike alate koji obuhvacaju otkrivanje znanja u bazama podataka
(Knowledge Discovery in Databases - KDD), modele znanosti o upravljanju, operacijskih
istraivanja (operational research models) i razliite statistike tehnike. Dio procesa
otkrivanja znanja u bazama podataka i skladistima podataka danas se nazivaju jednim
imenom algoritmi za rudarenje podacima, svrdlanje podataka ili algoritmi za traganje kroz
podatke.
47
W.H Inmon, Building the data warehouse.
48
Detaljnije vidjeti u knjizi W.H Inmon, Building the Data Warehouse i lanak
B. Markic, D. Tomic, Skladite podataka kao preduvjet za uspjenu raunalnu podrku upravljanju,
Proceedings of 1st international Conference Business system Management UPS 97, Mostar.
225

Slika @=#E# So'tverski alati u (rocesu istraivanja
To je dobro poznati istraivaki proces u kojem se podaci prikupljaju (prikupljaju se iz
razliitih izvora, zatim filtriraju, proiscavaju, transformiraju, konsolidiraju i pune u
skladista podataka), analiziraju, i transformiraju u informacije, a zatim dalje u znanje. U
tom procesu uspostavlja se dobro poznati lanac vrijednosti informacija (information value
chain) u kojem se podaci prikupljaju i pohranjuju u baze podataka i transferiraju u
analitike baze (multidimenzijske baze i skladista podataka). Analitike baze pohranjuju
podatke u obliku koji je prihvatljiv za dalja poboljsanja i analizu. Ti podaci tako zavrsavaju
kao informacije. Kljunu i vitalnu ulogu u tom procesu ima OLAP (On Line Analytical
Processing) - multidimenzijske baze podataka zato sto osiguravaju istraivau izravnu vezu
s podacima (multidimenzijskim podacima) i modelima (znanost o upravljanju, operacijska
istraivanja ili statistiki modeli). Cesto se postavlja pitanje u kakvom odnosu stoje OLAP i
algoritmi za traganje kroz podatke (data mining). Odgovor je da su to razliiti, ali
komplementarni alati. OLAP je dio sireg skupa alata za potporu istraivanju. Tradicionalni
alati za upite i izvjesce, kao dio softverskih alata za analizu podataka, opisuju sto je
pohranjeno u bazi podataka. OLAP ide dalje. On postavlja za pronalaenje odgovora i
dodatno pitanje: Zasto su odredene hipoteze istinite.
Korisnik mora formirati hipotezu o mogucim odnosima izmedu odredenih kategorija,
objekata ili atributa unutar baze podataka ili skladista podataka i provjeriti takve odnose
serijom upita nad podacima. Npr. istraiva eli utvrditi faktore koji determiniraju
nevracanje kredita, danog komitentima neke poslovne banke. On moe pretpostaviti da su
kreditno rizini korisnici kredita s manjim dohotkom i analizirati, uporabom OLAP alata,
bazu podataka kako bi dokazao istinitost hipoteze ili hipotezu odbacio. Drugim rijeima,
OLAP analitiar (istraiva) postavlja hipotezu i upucuje upite prema bazi podataka da bi
hipotezu prihvatio ili odbacio.
226
"i#$enje %odataka
&k'adi#te %odataka
(data (are)o!se)
*odaci re'evantni +a ana'i+!
&e'ekcija
,ata mining
a'goritmi
-akonitosti.
%ravi'nosti
/ntegracija %odataka
0a+a %odataka
Ako se broj analiziranih varijabli povecava na stotine ili tisuce, onda je gotovo
nemoguce pronaci dobru hipotezu i analizirati bazu podataka s OLAP-om. OLAP pokazuje
ogranienja. Ne moe se djelotvorno uporabiti jer je tesko pronaci hipotezu o odnosima
izmedu polja unutar relacijske tablice. Alati za traganje kroz podatke (data mining) iz
podataka u bazi podataka otkrivaju pravilnosti i veze (patterne), zakonitosti, umjesto da
provjeravaju istinitost hipoteza. Istraiva koji eli identificirati rizine imbenike za
nevracanje zajma (kredita), slue se data mining alatima. Alati data mininga otkrivaju
korisnike s visokim dugom i malim dohotkom, ali analiza moe otkriti i nove imbenike o
kojima istraiva nije razmisljao. Upravo ta injenica ini OLAP i data mining alate
komplementarnim.
7.2. DANA MINING ALATI $ PRO"E$ OTKRIVANJA ZNANJA $ %AZAMA PODATAKA
S informatikog gledista najvaniji dio softvera za analizu podataka su alati za otkrivanje
znanja u bazama podataka. U suvremeno doba taj pojam
49
ukljuuje:
c) traganje kroz podatke (data mining)
d) integraciju sustava temeljenih na znanju i statistikih metoda
e) metode strojnog uenja
f) metode za otkrivanje veza medu podacima ( asocijativna pravila, algoritmi indukcije
i sl.)
g) integraciju sustava temeljenih na znanju i objektno orijentiranih sustava
h) interpretaciju otkrivenog znanja i pravilnosti
i) evaluaciju otkrivenog znanja itd.
Discipline izravno povezane s KDD-om su baze podataka, ekspertni sustavi, agenti za
pretraivanje, statistika, strojno uenje, skladista podataka, OLAP alati. Otkrivanje znanja
je proces ekstrakcije informacija iz podataka, proces analize koji zavrsava generiranjem
uporabljivih, pouzdanih, relevantnih i prethodno nepoznatih informacija. Informacije se
prezentiraju u obliku pravilnosti, zakonitosti ili jednostavno patterna razumljivog korisniku.
Pattern se definira kao iskaz (E) u jeziku (La) o odnosima izmedu podskupa podataka (Sp) i
njegova skupa S. Iskaz (E) nije potpuno siguran (izvjestan) i uvijek se povezuje s
odredenim stupnjem neizvjesnosti i nesigurnosti pojave. Taj se stupanj izvjesnosti
(povjerenja) oznaava sa c. Pattern se mora izraziti jasnim i jednostavnim jezikom, a
najesce je u obliku pravila oblika Ako...Onda.
Npr. Ako je likvidnost mala, Onda je uzrok nenaplacena potraivanja od kupaca
(c=0.8). Ti patterni mogu biti ulazi u bazu znanja nekog ekspertnog sustava. Otkriveno
znanje predstavlja tako izlaz iz programa koji pretrauje, provherava i analizira podatke u
bazama ili skladistima podataka. U tim postupcima analize generiraju se patterni. Znanje
predoeno u obliku patterna ovisi o kvaliteti analiziranih podataka i mora sadravati
dovoljnu razinu izvjesnosti (povjerenja) koju definira korisnik. Bez dostizanja razine
izvjesnosti definirane od strane korisnika pattern ne predstavlja znanje. Pattern, osim
izvjesnosti, mora sadravati i neka dodatna svojstva kao sto su: netrivijalnost (znai da
pattern nije jednostavno izvodljiv iz podataka), mora predstavljati novost za korisnika
(mora biti do tada korisniku nepoznat, tj. nov), koristan i primjenjiv (pattern kojim se
izraava znanje mora biti primjenjiv i pomoci korisniku u rjesavanju zadaca). Proces
istraivanja i otkrivanja pravilnosti, zakonitosti, prihvacanja ili odbijanja hipoteza temelji se
na algoritmima odredene sloenosti, poev od matematikih i statistikih do heuristikih.
Okolinu procesa istraivanja u ijem sredistu su algoritmi data mininga ine baza podataka i
skladista podataka, rjenik podataka, domenska znanja o problemu, statistika, strojno
uenje Interakcija tih elemenata prikazana je na sljedecoj slici.
49
Pojam KDD esto se povezuje i s drugim nazivima kao sto su arheologija podataka (data
archeology), etva informacija (information harvesting), obrada patterna (pattern processing),
traganje (svrdlanje) kroz podatke (data mining), ekstarkcija znanja (data extraction)...
227
Slika @=#?#Ltjecaj razli.itih disci(lina na (roces istraivanja
Podaci u bazama podataka su dinamiki. Mijenjaju se u vremenu za razliku od skladista
podataka koje predstavlja vremenski ovisne, ali nepromjenjive i predmetno orijentirane
podatke. U dinamikom smislu istraivanje se moe opisati nizom medusobno povezanih i
ovisnih aktivnosti. Te aktivnosti otkrivaju najbitnije aspekte i mogucnosti primjene
informacijske tehnologije u procesu istraivanja. Prva je selekcija podataka, a zatim njihovo
filtriranje i proiscavanje. Rezultat selekcije su ciljni podaci koji se moraju dodatno
transformirati kako bi mogli primijeniti algoritme traganja kroz podatke. Takav
sekvencijalan niz aktivnosti s povratnim vezama prikazan je na slici 13.4.
Slika 13.4. Aktivnosti procesa otkrivanja znanja u bazama podataka kao dio procesa
istraivanja
Prva aktivnost zove se selekcija (izbor) podataka. Rezultat selekcije ciljni su podaci koji se
selektiraju iz skladista podataka ili iz baza podataka. Ti podaci najesce su u obliku tablica
relacijskog modela. Selekcija se koncentrira na podskup podataka neke baze podataka, a
taj podskup je bitan za proces KDD-a. Naravno, to nije jednostavna aktivnost. Ona
228
Data inin!
Database
sustavi
Statistika
Dru!e
discipline
Al!orit"i
Strojno
uenje
Vizualizacija
Proiscavanje
Proiscavanje
Selekcija
Selekcija
Selekcija
podataka
Skladiste
podataka
Skladiste
podataka
Baza
podataka
Baza
podataka
!/-+(/(,*&'
!/-+(/(,*&'
Pattern
Pattern
Filtriranje
podataka
Proiscavanje
podataka
Algoritam
data mininga
Ocjena i
interpretiranje
Zakonitosti,
znanja,
prihvacanje
hipoteza,
odbijanje hipoteza
pretpostavlja jasno postavljene i definirane ciljeve istraivanja. Filtriranje, a nakon njega i
proiscavanje podataka, ima za cilj ukloniti potencijalnu inkonzistenciju (neaurnost)
podataka, a na koje ce se primijeniti algoritam za rudarenje podacima (data mining). Izbor
algoritma ovisit ce o ciljevima istraivanja, o postavljenom zadatku. Postavljeni zadatak
moe biti klasifikacija, modeliranje ovisnosti, otkrivanje promjene ili odstupanja u odnosu
na postavljeni cilj, odredivanje klastera.
Klasifikacija oznaava pripadnost podataka (slogova) nekoj unaprijed odredenoj
klasi. Modeliranje ovisnosti oznaava opisivanje ovisnosti izmedu podataka. Ovisnost postoji
ako se moe prognozirati promjena jednog podatka u ovisnosti o promjeni drugog podatka
ili formalno B 9 . Promjene ili odstupanja mjere se uvijek u odnosu na neku ciljnu
veliinu. Odredivanje klastera postupak je formiranja klasa na temelju podataka. Razlika
izmedu klasifikacije i klasteriranja je u tome sto kod klasteriranja klase nisu unaprijed
poznate. Jedino je poznat broj klastera. Izbor metoda otkrivanja patterna je kritian korak.
Algoritam mora biti u skladu s ciljevima istraivanja. Drugim rijeima, uporabljene metode i
tehnike istraivanja moraju biti uskladene s ciljevima istraivanja. Patterni su izlazi iz
algoritma ili modela i najesce opisuju relacije izmedu vise atributa (polja). Tako mogu
prikazivati trendove ili identificirati klastere. Patterni mogu biti kvalitativni ili kvantitativni.
Kvalitativni opisuju logike operacije izmedu polja, a kvantitativni matematike jednadbe
izmedu polja (atributa).
Interpretacija i evaluacija patterna oznaava tumaenje korisniku otkrivenih patterna i
njihov prikaz u skladu s korisnikovim zahtjevima. U procesu generiranja patterna esto se
mora vracati na prethodne korake te se pojedini patterni mogu zanemarivati i eliminirati
kao nebitni. Otkriveno znanje predoava se u ovisnosti o njegovoj namjeni. Covjek znanje
najbolje razumije ako je prikazano u obliku ljudskoga jezika, grafike, slika ili formalne
logike. Znanje dobiveno u tom procesu moe sluiti u drugoj okolini kao sto je ekspertni
sustav.
Patterni su uvijek povezani s odredenim stupnjem vjerojatnosti te se za otkriveno
znanje mora predstaviti i odreden stupanj neizvjesnosti. Baze podataka i skladista podataka
najesce imaju dovoljno podataka da se neizvjesnost moe odrediti statistiki.
Probabilistike metode uvijek se temelje na dva koraka. U prvom koraku znanje se
primjenjuje na sve podatke u bazi, a u drugom koraku identificira se broj uspjeha i
neuspjeha. Odnos broja uspjeha i neuspjeha odreduje vjerojatnost. Neizvjesnost se moe
prikazati i vizualnim pokazateljima (npr. osjenena i neosjenena povrsina) ili pomocu
lingvistikih varijabli (fuzzy sets).
7.3. PRIMJER ANALIZE $POTRE%OM DANA MINING ALATA
Algoritmi za traganje kroz podatke (data minig algoritmi) konani su nizovi koraka koji
pronalaze patterne iz podataka. Ti algoritmi identificiraju pattern i prave njegov opis. To su
algoritmi koji nisu samo specifini za data mining, nego se preuzimaju i adaptiraju iz drugih
disciplina (npr. statistike). Patterni se mogu prikazivati i opisivati pravilima oblika
Ako...Onda, stablima odluivanja, neuronskim mreama, genetikim algoritmima,
statistikim metodama, linearnim i nelinearnim modelima. Ipak, jos uvijek ne postoji
univerzalno dobar i prihvatljiv algoritam za traganje kroz podatke. Radi ilustracije
algoritama data mininga slijedi algoritam apriori.
7.3.1. A-97(/+,6 ,2(/7(/
Svrha algoritma apriori pronalaenje je asocijativnih pravila. To su pravila oblika B 9 .
Algoritam apriori, preveden na relacijske baze podataka, izraava tvrdnju da slog koji sadri
skup elemenata A sadri i skup elemenata B, uz uvjet da je njihov presjek prazan skup
B 9 . Za asocijativna pravila vezuju se initelji povjerenja i potpore. Cinitelj
povjerenja c predstavlja postotak onih slogova koji kada sadre A sadre i B. Semantiko
znaenje initelja povjerenja je jaina implikacije A B. Cinitelj potpore s oznaava
postotak slogova u bazi koji sadre AB. Pravila s visokim stupnjem povjerenja i potpore
zovu se jaka asocijativna pravila. Npr. dano je sljedece pravilo oblika Ako...Onda:
Ako se kupuje proizvod A Onda se kupuje i proizvod B.
229
Cinitelj povjerenja oznaava za koji postotak slogova, od ukupnog broja slogova, je
navedeno pravilo istinito. Faktor povjerenja 60% znai da 60 od stotinu kupaca kada
kupuje raunalo, kupuje i modem.
Cinitelj potpore oznaava koliko se slogova, od ukupnog broja slogova u tablici, moe
primijeniti za verifikaciju pravila. Npr., initelj potpore od 2% znai da su dvije od stotinu
prodaja prodaje osobnog raunala zajedno s modemom.
Pravila s visokim stupnjem povjerenja i potpore zovu se jaka asocijativna pravila. Algoritam
apriori primjenjuje se za otkrivanje jakih skupova elemenata. Jaki skupovi elemenata su
skupovi asociranih elemenata sa stupnjem potpore s iznad neke unaprijed zadane
vrijednosti. Drugi vaan pojam tog algoritma je nadovezivanje skupova koji se oznaavaju
operatorom . Za skupove skupova od jednog elementa S1S2 = {k, l, m} {k, l, m}=
{kl, km, lm}. Bit algoritma apriori prikazuje sljedeci primjer.
Prikupljeni su podaci o transakcijama i proizvodima kupljeni u tim transakcijama. Podaci o
proizvodima i transakcijama zabiljeeni su u relacijskim tablicama ali se za potrebe analize
ti podaci prikazuju u oblikudvodimenzijske pivot tablice. Stupci u toj tablici su proizvodi
kojise kupuju u transakcijama a retci su transakcije. Na presjeku retka i stupca je upisana
0 ili 1. Nula znai da se u toj transakciji ne kupuje oderedeni proizvod a 1 da se proizvod
kupuje.
P(7/?;7./
IDQT(,*1,5)/&'
A B C D E
T1 1 1 1 0 0
T2 1 1 1 1 1
T3 1 0 1 1 0
T4 1 0 1 1 1
T5 1 1 1 1 0
Tablica 13.4. Podaci o transakcijama i proizvodima
Mining asocijativnih pravila ini dva koraka:
1. Otkriti skup podataka (skup proizvoda u transakcijama) ija je potpora iznad
unaprijed odredene minimalne potpore s.
2. Uporabiti taj skup podataka za generiranje asocijativnih pravila s faktorom
povjerenja ).
Zadatak je analizirati primjenom algoritma apriori uz faktor potpore s=40% i faktor
povjerenja od 80% koji su proizvodi povezani u prodaji? Prikazati sve korake algoritma
apriori.
Prvi korak izvrsavanja algoritma je generiranje skupa kandidata od po jednog elementa
(skup C1).
Skup C1
X 27+27(,GSH
A ?
B ?
C ?
D ?
E ?
230
Drugi korak je generiranje skupa jakih skupova od po jednog elementa (skup L1).
Treci korak je pravljenje skupa skupova kandidata od po dva elementa pomocu L1L1 (skup
C2).




Skup L1
X potpora(X)
A 100%
B 60%
C 100%
D 80%
E 40%
Skup L2
X potpora(X)
A,B 60%
A,C 100%
A,D 80%
A,E 40%
B,C 60%
B,D 40%
B,E EBM
C,D 80%
C,E 40%
D,E 40%
Skup C2
X potpora(X)
A,B ?
A,C ?
A,D ?
A,E ?
B,C ?
B,D ?
B,E ?
C,D ?
C,E ?
D,E ?
Skup L2 nakon
eliminiranja
X potpora(X)
A,B 60%
A,C 100%
A,D 80%
A,E 40%
B,C 60%
B,D 40%
C,D 80%
C,E 40%
D,E 40%
231
Frekvencija za proizvode BE je 20% i manja je od faktora potpore 40%. Zato se u skupu
kandidata L2 eliminira skup BE.
Peti korak je generiranje skupa skupova kandidata od po tri elementa pomocu L2L2 (skup
C3). Povezuju se samo oni koji imaju prvi element zajedniki:
spojiti AB s AC A,B,C ?
spojiti AB s AD A,B,D ?
spojiti AB s AE A,B,E ?
spojiti AC s AD A,C,D ?
spojiti AC s AE A,C,E ?
spojiti AD s AE A,D,E ?
spojiti %C s %D B,C,D ?
spojiti "D s "E C,D,E ?

U slijedecem prolazu se moraju spariti po dva kandidata. Formira se skup skupova
kandidata po etiri proizvoda.
Skup C3
X 27+27(,GSH
A,B,C ?
A,B,D ?
A,B,E ?
A,C,D ?
A,C,E ?
A,D,E ?
B,C,D ?
C,D,E ?
Skup L3
X 27+27(,GSH
A,B,C 60%
A,B,D 40%
A,C,D 80%
A,C,E 40%
A,D,E 40%
B,C,D 40%
C,D,E 40%
232



Na temelju ovih tablica se moe provjeriti je li neko pravilo jako.
Na primjer: provjeriti hipotezu: Ako se kupuju proizvodi A i B Onda se kupuji proizvodi C i
D. Ta hipoteza se moe zapisati kao H0: C' 9B
Prvo je potrebno ispitati ispunjavaju li oba skupa {A,B} i {C,D}uvjet potpore s=40%.
Povjerenje ) se izraunava kao kolinik:
c = s{A,B,C,D}/s{A,B}. Hipoteza H0 se ne moe odbaciti ako je vrijednost faktora
povjerenja c veca od 80%. Pravilo koje zadovoljava te uvjete se naziva jako asocijativno
pravilo. Iz skupa L2 je vidljivo da je s{A,B}=60% a iz L4 je vidljivo da je s{A,B,C,D}=40%.
Sada se moe izraunati povjerenje u pravilo C' 9B :
c({A,B}{C,D}) =c=s {A,B,C,D} / s {A,B}=40/60=67%
Na temelju izraunate vrijednosti faktora povjerenja c=67% imamo dovoljno podataka da
moemo odbaciti nul hipotezu:
Ako se kupuju proizvodi Ai B Onda se kupuju i proizvodi C i D.
Ukratko, algoritam apriori temelji se na formiranju jakih skupova tako sto se broj
elemenata jakih skupova povecava za jedan. Zatim se pretrauje baza i filtriraju samo oni
elementi koji zadovoljavaju kriterij potpore s. U sljedecem koraku skupovi se nadovezuju,
baza ponovno skenira, filtrira i formiraju se jaki skupovi. Skeniranje baze podataka moguce
je smanjiti, ali to nije predmet analize.
Postoje i drugi algoritmi koji imaju istu namjenu kao i algoritam apriori. Njihov je cilj
pronalaenje i odredivanje asocijativnih pravila. Jedan takav algoritam je i DHP koji se u
odnosu na apriori algoritam razlikuje samo u primjeni tzv. hash tablice. Ta tablica smanjuje
veliinu skupa Ck , a posebno veliinu C2.
Cest primjer primjene algoritama za traganje kroz podatke je i klasifikacija. Cilj je
klasifikacije objekata predvidjeti buduce ponasanje sustava na temelju poznatih vrijednosti
atributa. Takav primjer klasifikacije je procjena rizika pri odobravanju zajma. Npr., na
temelju vrijednosti atributa: spol, dob i tip automobila formira se sljedece stablo:
Skup C4
X 27+27(,GSH
spoji ABC s ABD A0%0"0D ?
spoji ACD s ACE A0"0D0E =
Skup L4
X 27+27(,GSH
A,B,C,D 40M
A,C,D,E 40M
233
...
...
..
...
...
..
...
...
..
...
...
..
5o%or
Ma/aIa
&%o'
&%o'
,o
b
,o
b
Ti%
vo+i'a
Ti%
vo+i'a
Ve'ik ri+ik
Ve'ik ri+ik
1a'en ri+ik
1a'en ri+ik
1a'en ri+ik
1a'en ri+ik
<25
>45
25-45
...
...
..
...
...
..
Slika 13.6. Stablo odluivanja za procjenu rizika odobravanja zajma
U vorovima stabla prikazani su atributi dok grane stabla (veze izmedu vorova)
predstavljaju vrijednosti atributa. Stablo zavrsava listovima, a oni sadre rezultirajuci rizik
deriviran na temelju prethodnih kombinacija vrijednosti odgovarajucih atributa. Npr.
vidljivo je da se zajmovi mogu odobravati osobama koje kupuju motor Yamaha ako je
njihova starosna dob izmedu 25 i 45 godina. Svaka se klasifikacija mora provjeriti na
nekom reprezentativnom skupu podataka.
7.3.2. I*.>5+/;*, 2(,;/-,
Data mining metodologija stabla odluivanja i pravila odluivanja primjenjivi su u mnogim
realnim situacijama istraivanja kada je potrebno izvrsiti klasifikaciju. Cilj istraivanja je
kreirati model klasifikacije koji ce moci, na temelju vrijednosti ulaznih atributa, predvidjeti
klasu kojoj pripada neki entitet. Efikasno sredstvo za generiranje modela klasifikacije
(classifiers) je stablo odluivanja. To je supervised learning metoda (metoda koja unaprijed
poznaje ciljne vrijednosti) i ona generira stablo odluivanja iz podataka pohranjenih u
obliku relacijske tablice. Vrijednosti jednog atributa u relacijskoj tablici su ciljne vrijednosti
(zato se metoda naziva supervised learning) a vrijednosti ostalih atributa su ulazne
vrijednosti. Stablo je samo instanca opcenitijeg pojma koji se naziva graf. Graf ini skup
vorova N1, N2 ..., Nn i skup lukova L koji povezuju parove vorova. Takav skup vorova
ne mora biti konaan. Lukovi se opisuju kao uredeni par vorova.
Slika 13.7. Usmjereni graf
U raunalnom programu vorovi ( nodes ) esto predstavljaju pojmove kao sto su ljudi,
auta, avionske rezervacije i sl. To su neki tipini pojmovi pohranjeni kao strukture
podataka. Crte izmedu vorova prikazuju nain na koji su vorovi povezani. Jedini nain
kretanja izmedu vorova je slijediti tu crtu (luk) kojom su vorovi povezani, a zove se
putanja (path). Svaki luk usmjerenog grafa ima odreden smjer.
Ako usmjereni graf pokazuje od vora Nj prema Nk, tada se Nj zove roditelj, a Nk dijete. Ako
usmjereni graf sadri lukove (Nj, Nk) i (Nj, Ni), tada se Nk i Ni zovu braca jer imaju istog
roditelja. Cvor koji nema roditelja u grafu, zove se korijen, a vor koji nema djece, zove se
list ili vrh.
Slika 13.8: Uredeni niz vorova
234
Putanja duine n u grafu je uredeni niz vorova [N1,N2,N3...,Nn]. Svaki Ni,Ni+1 pokazuje neki
luk. U grafu tipa stablo kae se da je jedan vor prethodnik svih vorova desno u listi, a
sljedbenik svih vorova lijevo u listi. Broj lukova koji izlaze iz vora, zove se stupanj izlaza
(faktor grananja b od engl. rijei branching).
P71&'+ 4;7(> G;/1/+/*9H
Cvor je posjecen kada kontrola programa stigne do tog vora. Cilj posjeta voru stabla je
izvrsavanje nekih operacija u voru (nad vorom): prikaz sadraja vora, provjere
vrijednosti podataka u voru, promjena podataka i sl.
O8/-,?,5 G+(,;'(1/*9H
Obilazak stabla je posjet svim vorovima u nekom odredenom redoslijedu. U obilasku
stabla svaki vor se mora posjetiti.
R,?/*' G-';'-1H
Razina pojedinog vora je broj koji pokazuje koliko generacija je vor udaljen od korijena.
Ako se pretpostavi da je korijen na razini 1 (dubina 1), njegova djeca su na razini 2,
njegovi unuci bit ce na razini 3 itd. Stupanj (red) vora je broj podstabala nekog vora.
Dubina (depth) je stabla jednaka maksimalnoj razini nekog vora u stablu.
%/*,(*, 1+,8-,
Ako svaki vor u stablu ima najvise dva djeteta onda se stablo zove binarno (binary tree).
Binarno stablo je stablo koje se sastoji od nijednog, jednog ili vise vorova drugog stupnja.
Kod binarnog stabla razlikuju se lijevo i desno podstablo svakog vora. Bitno je uoiti da
postoji samo jedna putanja koja povezuje korijen stabla s nekim vorom.
Slika 13.9: Binarno stablo
Iz definicije binarnog stabla moe se jednostavno izraunati najveci broj vorova na nekoj
razini. Na prvoj razini najveci broj vorova je:
2
1-1
=1, na drugoj razini 2
2-1
=2, na trecoj razini 2
3-1
=4, na etvrtoj razini 2
4-1
=8, a na k-toj
razini 2
k-1
. Najveci broj vorova binarnog stabla dubine k je zbroj vorova na pojedinim
razinama:
2
0
+ 2
1
+ 2
2
+ 2
3
+...+2
k-1
= 2
k
-1 za k>0
Stablo koje je dubine k i ima 2
k
-1 elemenata naziva se 2>*7 8/*,(*7 1+,8-7. Binarno
stablo s n vorova dubine k je 27+2>*7 (complete) ako i samo ako njegovi vorovi
odgovaraju vorovima punog binarnog stabla dubine k koji su numerirani od 1 do n.
Posljedica je u tome da je razlika razina krajnjih vorova potpunog stabla najvise jedan.
Stablo odluivanja se sastoji iz vorova i veza izmedu vorova. Cvorovi reprezentiraju
atribute a veze izmedu vorova (grane stabla) su vrijednosti atributa. Listovi stabla su
klase.
P(/6&'(
Formirati stablo odluivanja za atribute X i Y, testirati njihovih vrijednosti i ovisno o
vrijednosti atributa generirati dvije klase.

235
MQR
2S1
.lasa 1
.lasa 2 .lasa 2 .lasa 1
Mes
&o
MQ9
MQB
MQC
Slika 13.10. Primjer stabla odluivanja
Prikazat ce se algoritam Quinlan ID3 i njegova prosirena verzija C4.5. On prvo analizira
sve slogove u relacijskoj tablici (sve elemente skupa za uenje). Bira se neki atribut ije
vrijednosti operacijom relacijske algebre koja se naziva selekcija horizontalno dijele
relacijsku tablicu. Svaka vrijednost tog atributa je grana u stablu odluivanja i ona formira
odgovarajuci podskup. Taj podskup sadri samo te izabrane vrijednosti atributa.Drugim
rijeima, formiraju se podskupovi vrijednosti atributa koji dijele tablicu pomocu operacije
selekcije. Algoritam se primjenjuje rekurzivno za svaki vor dijete sve dok svi elementi
skupa ne pripadnu istoj klasi. Svaka putanja do lista u stablu odluivanja je jedno pravilo
klasifikacije. Kljuna odluka je izbor atributa za neki vor.
Izbor atributa za ID3 i C4.5 algoritam je minimalna entropija. Taj izbor se temelji na
matematikoj teoriji informacija.
50
Primjer generiranja stabla odluivanja i induktivnih pravila iz baze podataka. Dana je
tablica baze podataka (ili tablica skladista podataka) a njenu relacijsku shemu baze ine
etiri atributa A1, A2, A3 i Cilj:
A1 A2 A3 Cilj
Y 80 True Klasa 1
X 60 False Klasa 1
Y 56 True Klasa 1
X 60 True Klasa 1
Z 70 False Klasa 1
X 75 False Klasa 2
Z 70 True Klasa 2
Y 69 False Klasa 1
Z 60 True Klasa 2
Y 66 False Klasa 1
X 85 False Klasa 2
Z 87 False Klasa 1
X 80 True Klasa 2
Z 70 False Klasa 1
Zadatak je prikazati relacijsku tablicu u obliku stabla odluivanja a onda stablo opisati
induktivnim pravilima. Ta znanja koristiti za klasifikaciju novih slogova koji se dodaju u
tablicu. Atribut A1 moe biti radno mjesto, atribut A2 dohodak, atribut A3 spol a atribut Cilj
50
Shannonova opca formula za entropiju konane distribucije vjerojatnosti:

D
1 i
i 2 i
p lo- p 3
0
gdje je pi vjerojatnost nastupanja dogadaja i uz uvjet p1 + p2 ...+ pn =1.
236
moe biti odluka o dodjeli (Klasa 1) ili odbijanju (Klasa 2) zajma nekoj osobi. Izbor atributa
u vor stabla odluivanja temelji se na entropiji. Kljuni pojam je gain (dobitak).
Gain(S,A) je oekivano smanjenje entropije zato sto se skup S sortira po atributu A.
Gain(S,A)=Entropija(S) - Vvrijednost.(A) |Sv|/|S| Entropija(Sv)
Entropija(S)=Entropija([91,52]) = -9/14 log2 9/14 - 5/14 log2 5/14= 0.94 bitova.
Devet slogova pripadaju klasi Klasa1, a pet klasi Klasa 2. Izraunata je entropija prije
razdvajanja baze na temelju vrijednosti pojedinih atributa i ona je 0.94 bitova. Slijedi
izraunavanje smanjena entropije ako se skup S sortira po atributima A1, A2, A3. Prvo ce se
sortirati po vrijednostima atributa A1.
Nakon uporabe atributa: Atribut 1 za podjelu inicijalnog skupa slogova T u tri podskupa
( na temelju tri vrijednosti X, Y i Z), dobiva se informacija uporabom izraza:
(X;Y;Z)vrijednost(A1) |Sv|/|S| *(Entropija(Sv))=
5/14*(-2/5* log2 (2/5)- 3/5* log2 (3/5) )
+ 4/14 *(-4/4* log2 (4/4)- 0/4* log2 (0/4))
+ 5/14*(-3/5* log2 (3/5)- 3/5* log2 (2/5) ) = 0.694 bitova
Informacijski dobitak nakon podjele skupa po atributu A1 je:
Gain(S,A)=Entropija(S) - (X;Y;Z)vrijednost(A) |Sv|/|S| Entropija(SvHO
=0.940-0.694=0.246 bitova.
Slino izraunavanje slijedi za atribut A3:
(True;False)vrijednost(A) |Sv|/|S| *(Entropija(Sv))=
6/14*(-3/6* log2 (3/6)- 3/6* log2 (3/6) )
+ 8/14 *(-6/8* log2 (6/8)- 2/8* log2 (2/8))
=0.892 bitova
Informacijski dobitak nakon podjele skupa po atributu A3 je:
Gain(S,A)=Entropija(S) - (True;False)vrijed.(A) |Sv|/|S| Entropija(SvHO
=0.940-0.892=0.048 bitova.
Atribut A2 je poseban jer sadri numerike kontinuirane vrijednosti. Moguce je primjeniti tri
testa:
a) standardni test za diskretne vrijednosti. Jedna grana iz vora stabla i jedan rezultat za
svaku vrijednost (primjer su atributi A1 i A3).
b) atribut A2 ima kontinuirane vrijednosti. Postavlja se prag P i dobiva binarni test:
A2<=P i A2 >P .
c) moe se primjeniti, na temelju diskretnih vrijednosti i sloeniji test od binarnog.
Formiraju se vise od dvije grupe vrijednosti, a svaka grupa ima jednu izlaznu vrijednost. U
stablu odluivanja svaka grupa bi formirala jednu granu.
U danom primjeru za atribut A2 se ppostavlja pitanje kako pronaci optimalnu vrijednost za
prag P?Moe se primjeniti slijedeci algoritam:
1. Sortirati atribut u rastucem redoslijedu.
2. Za atribut A2 (56, 60, 66,69,70,75,80,85,87).
3.Moe se ispitati svaka vrijednost i provjeriti koja je od njih optimalna. Za interval
vrijednosti atributa Vi i Vi+1 moe se uzeti manja vrijednost ili sredina intervala.
4.Nakon ispitivanja optimalna vrijednost za P=70.
5.Test je binarni: A2<=70 ili A2>70
70vrijedost(A) |Sv|/|S| *(Entropija(Sv))=
9/14*(-7/9* log2 (7/9)- 2/9* log2 (2/9) )
+ 5/14 *(-2/5* log2 (2/5)- 3/5* log2 (3/5))
=0.837 bitova
Informacijski dobitak nakon podjele skupa po atributu A2 je:
Gain(S,A)=Entropija(S) - 70vrijednost.(A) |Sv|/|S| Entropija(SvHO
=0.940-0.837=0.103 bitova.
237
Najveci doprinos u informacijama rezultira iz atributa A1. Zato ce se u korijen stabla
odluivanja postaviti A1.
Za svaki podsku vrijednosti bi se ponovno primjenio rekurzivni postupak odredivanja
atributa u voru podstabla. Za podskup vrijednosti T1 provjerili bi informacijske dobitke ako
bi se taj podskup podijelio po atributima A2 i A3.
Entropija([21,32]) = -2/5 log2 2/5 - 3/5 log2 3/5 = 0.940 bitova.
Dva sloga pripadaju klasi Klasa1, a tri klasi Klasa2. Izraunata je entropija prije razdvajanja
baze i ona je 0.94 bitova.
Prag je P=60.
60vrijednost.(A2) |Sv|/|S| *(Entropija(Sv))= 2/5 * (-2/2* log2 (2/2)- 0/2* log2 (0/2) )
+ 3/5 *(-0/3* log2 (0/3)- 3/3* log2 (3/3)) =0 bitova
Informacijski dobitak je maksimalan. Dvije grane iz vora u kojem je atribit A2 ce kreirati
listove stabla odluivanja jer podskup slogova na svakoj grani pripada istoj klasi.
Slian postupa primjenit ce se na podskup T3. Za podskup T3 tablice T optimalni test je za
vrijednosti atributa A3. Grane stabla A3=True i A3=False kreiraju podskupe slogova koji
pripadaju istoj klasi. Konano se dobiva stablo odluivanja za bazu podataka T:
238
.2 )alse 85
.1 )alse 60
.2 )alse 75
.2 Krue 80
.1 Krue 60
Cilj 9
3
9
2
.1 )alse 66
.1 Krue 56
.1 )alse 69
.1 Krue 80
Cilj 9
3
9
2
9
1
QR
.1 )alse 70
.1 )alse 87
.1 )alse 70
.2 Krue 60
.2 Krue 70
Cilj 9
3
9
2
2
M
D
K
1
K
2
K
3
22 False 85
21 False 60
22 False 75
22 Tr!e 80
21 Tr!e 60
2lasa ;3 ;2
T
#
S60
D
M
TQ60
Krue
)alse
9
1
9
3
9
2
.lasa 1 .lasa 2 .lasa 1 .lasa 2 .lasa 1
2
Slika 13.12. Stablo odluivanja za bazu podataka
Cijela baza podataka se moe zapisati u obliku pravila:
Pseudokod se moe zapisati u obliku pravila:
Rule 1: Ako je A1=X I A2<=60 Onda Klasa 1;
Rule 2: Ako je A1=X I A2>60 Onda Klasa 2;
Rule 3: Ako je A1=Y Onda Klasa 1;
Rule 4: Ako je A1=Z I A3=True Onda Klasa 2;
Rule 5: Ako je A1=Z I A3=False Onda Klasa 1;
Zato sto je induktivni algoritam sloen i temelji se rekurziji, njegova primjena je moguca
samo uz uporabu odgovarajucih softvera. Dobiveni rezultat je od krucijalne vanosti za
analizu i predvidanje jer se odnosi izmedu atributa u relacijskoj tablici izraavaju u obliku
jednostavnih pravila ako... onda.
Broj metoda data mininga se povecava a njihovu primjenu omogucuje i potie razvoj
tehnologije obrade podataka. Istraivau su dostupni softverski alati koji sadre te metode i
olaksavaju proces istraivanja a osobitu fazu analize podataka. Posebno su zanimljive
neuronske mree, genetiki algoritam fuzzy setovi, sustavi temeljeni na znanju i ekspertni
sustavi, klasteriranje (k-means) itd.
7.4. PRIMJER ISTRAIVANJA $POTRE%OM PRIMJENSKOG SO!TVERA

Primjer su podaci prikupljeni upitnikom za korisnike zdravstvenih usluga kojima se eli
istraiti razina zadovoljstva stanovnika uslugama u gradu. Na pitanja su odgovarale
korisnici usluga (mogu se ukljuiti tisuce korisnika) , a u upitniku su postavljena sljedeca
pitanja (navedna su i znaenja pojedinih varijabli u upitniku):
Objekt istraivanja je zadovoljstvo korisnika zdravstvenih usluga. Upitnik popunjava
korisnik.
a) Vrijeme je kvantitativni tip podataka i mjeri se u minutama. To je vrijeme koje u
zdravstvenoj ustanovi potrosi pacijen prilikom posjeta zdravstvenoj ustanovi.
) Nain odlaska u zdravstvenu ustanovu je nominalni tip podataka i ine ga etiri
moguca naina odlaska:
1. setnjom,
2. autom,
3. biciklom,
4. autobusom.
Jedan pacijent koristi samo jedan nain odlaska do lijenika tj. oni se medusobno
iskljuuju.
c) Pregledi prilikom jednog posjeta zdravstvenoj ustanovi. Ponovno nominalni tip
podataka i ini ga sest najescih pregleda u ordinacijama:
1. stomatolog,
2. pedijatar,
3. pulmolog,
4. kardilog,
5. ginekolog,
6. laboratorijske pretrage.
Pacijent moe posjetiti vise ordinacija prilikom jednog posjeta zdravstvenoj ustanovi.
d) Zadovoljstvo je ordinalna ljestvica s 5 vrijednosti:
1. -2 = veoma nezadovoljan,
2. - 1 = nezadovoljan,
3. 0 = indiferentan,
239
4. 1 = zadovoljan,
5. 2 = veoma zadovoljan.
Ljestvica mjeri zadovoljstvo pacijenta zdravstvenom uslugom.
e) Pacijent s malom djecom za vrijeme pregleda ele imati pomoc u uvanju djece.
Igraonica je nominalna ljestvica (Yes ili No) u ovisnosti o tome postoji ili ne postoji
igraonica.
Podaci su prikazani u sljedecoj tablici:
P,)/&'*+ V(/&'6' N,4/* 7.-,15, A5+/;*71+ Z,.7;7-&1+;7 I9(,7*/),
1 30 1 1, 2, 3 0 N
2 30 3 4,6 1 Y
3 60 2 1, 2 2 Y
4 45 1 5 -1 N
5 30 1 6 1 N
6 60 2 2 2 Y
7 30 3 4 1 N
8 45 2 3, 4 -1 N
9 15 1 6 1 Y
10 60 2 2 2 Y
11 180 4 1, 2, 3, 4 2 Y
12 120 2 1,2,4 2 Y
Sa tim veoma ogranienim podacima (malim brojem podataka) elimo dati odgovore na
sljedece ciljeve istraivanja:
a) Kolika je razina zadovoljstva stanovnika s zdravstvenom uslugom u gradu?
b) Koje preglede najesce ljudi koriste u ustanovama?
c) Kako najesce dolaze do ustanove (kojim prijevoznim sredstvima)?
d) Doprinose li igraonice vecem zadovoljstvu korisnika usluga ?
e) Postoji li povezanost izmedu vrste pregleda i vremena provedenog u
ustanovi?
Kako cemo ispuniti te ciljeve istraivanja? Naravno, s jednostavnim podacima prikazanim u
tablici moguce je do odgovora doci uporabom obinog kalkulatora. Medutim posluit cemo
se s MC Excelom kako bi prikazali jednu mogucu uporabu informacijske tehnologije i tog
mocnog primjenskog softvera u istarivanjima. Pretpostavka je da su prikazani podaci
samo ilustracija procesa istraivanja, a nisu rezultat stvarne aktivnosti prikupljanja
podataka.
7.4.1. P(/2('6, 27.,+,5, /? >2/+*/5, ?, ,*,-/?>
Prvi korak je transformacija podataka u drugi format koji je primjenjiv u Excelu. Samo dvije
varijable tip pregleda i igraonica moraju promjeniti tip podataka dok su ostale varijable u
formatu primjenjivu u Excelu. Varijablu tip pregleda cemo kodirati binarnim znamenkama 0
i 1. Ako je odabran odredeni tip pregleda onda se biljei 1, ako tip pregleda nije odabran
unosi se 0. Zato je u tablici Excela potrebno dodati sest stupaca po jedan stupac za svaki
moguci tip pregleda. Varijabla igraonica ce se konvertirati u binarni oblik pri emu binarna
znamenka 1 kodira logiku vrijednost True (istinito), a 0 logiku vrijednost False (lano).
Takva transformacija podataka iz upitnika u numeriki oblik omogucuje uporabu alata D,+,
A*,-J1/1 /? EK)'-,.
T/2 2('9-'.,
240
O8/+'-& V(/&'6' N,4/*
.7-,15,
1 2 3 4 5 6 Z,.7;7-&1+;7 I9(,7*/),
1 45 1 1 1 1 1 0 0 1 1
2 45 4 0 0 0 1 0 0 0 0
3 60 1 1 1 0 0 0 1 2 1
4 50 2 1 0 0 0 1 0 -1 0
5 60 2 0 0 0 0 0 1 1 0
6 60 2 1 1 0 0 0 0 2 1
7 30 3 0 0 1 1 0 0 1 0
8 45 2 1 0 1 1 0 0 -1 0
9 15 1 0 0 0 0 0 1 1 1
10 60 2 0 1 0 0 0 0 2 1
11 180 4 1 1 1 1 0 0 2 1
12 120 2 1 1 0 1 0 0 2 1
13 80 4 1 0 0 1 1 1 1 0
14 40 6 1 0 0 1 0 1 0 1
15 70 8 1 1 1 0 1 1 1 0
16 90 10 1 0 0 1 0 0 -2 1
17 60 12 1 1 1 0 1 0 1 0
7.4.2. D'1)(/2+/;*, 1+,+/1+/5, >27(,876 ,-,+, D,+, A*,-J1/1
Microsoft Excel ima izvrstan alata za analizu podataka uporabom deskriptivne statistike. Za
uporabu alata Data Analysis potrebno je instalirati Add-ins tako sto se aktivira manuT77-1
N A.. I*1 - i odabere A*,-J1/1 T77-P,)5 / pritisne gumb OK.
241

Sljedeci put nakon otvaranja Tools menu again, na dnu padajuceg menija ce se
pojaviti opcija Data ata Analysis. Uporaba alata deskriptivne statistike iz izbornika
Data Analysis je jednostavna. Potrebno je izabrati podizbornik Descriptive Statistics i
upravlja OK:
Slijedi dijalog s podizbornikom Descriptive Statistics. Bira se raspon celija radnog lista u
kojem se nalaze potrebni podaci za analizu. Ukljuiti prvi redak tablice kao label i oznaiti
check box, izabrati check box za Summary statistics i kliknuti na upravlja OK:
242
Rezultat uporabe alata Descriptive Statistics nakon formatiranja prikazan je na slijedecoj
slici:
Deskriptivna ststistika prikazuje vise razliitih rezultata. U analizi se treba koncentrirati
samo na ciljeve istraivanja:
a) Kolika je razina zadovoljstva obitelji s zdravstvenom uslugom u gradu?
Razina zadovoljstva je srednja vrijednost i ona iznosi 0,76. Ta je vrijednost najblia na
ljestvici zadovoljstva vrijednosti jedan koja je kodirana s zadovoljan.
b) Koje preglede najesce ljudi koriste u ustanovama?
243
Najesca vrijednost tipa pregleda je 1, a to je posjet stomatologu. Moe se zakljuiti da
pacijenti najesce posjecuju stomatologa.
c) Kako najesce dolaze do ustanove (kojim prijevoznim sredstvima)?
Najesci nain dolaska do zdravstevene ustanove je 2 (vrijednost moda) tj. automobilom.
Zbroj vrijednosti u stupcu tip pregleda je frekvencija posjeta nekoj ordinaciji- lijeniku.
Zato se moe pomocu dijagrama strukture vizualizirati struktura tipa pregleda:
T/2 2('9-'., !('5;'*)/&,
R'-,+/;*,
:('5;'*)/&,
Stomatolog 12 27%
Pedijatar 8 18%
Pulmolog 6 13%
Kardilog 9 20%
Ginekolog 4 9%
Laboratorijske pretrage 6 13%
Z8(7& 45 100%
*truktura ti( (regle"a
$edijatar
18,
$!l'olo4
13,
2ardilo4
20,
<ine/olo4
9,
=aboratorijs/e
-retra4e
13, .to'atolo4
27,
.to'atolo4
$edijatar
$!l'olo4
2ardilo4
<ine/olo4
=aboratorijs/e -retra4e
244
Tri od pet postavljenih ciljeva istraivanja nije bilo sloeno ispuniti uporabom deskriptivne
statistike. Posljednja dva cilja istraivanja:
d) Doprinose li igraonice vecem zadovoljstvu korisnika usluga ?
e) Postoji li povezanost izmedu vrste pregleda i vremena provedenog u ustanovi?
sloenije je ispuniti. Ti ciljevi istraivanja sadre relacije izmedu dvije ili vise varijabli. Zato
je nuno uporabiti tehniku tablica kontigencije (Cross Tabulation). To su tablice frekvencije
izmedu dvije ili vise varijabli. Radi jasnoce rezultata nije preporuljivo uporabiti vise od
etiri varijable. U Excelu tablice kontigencije su poznate pod nazivom Pivot Table ili Cross
Tabulation.
Pivot tablica se jednostavno aktivira uporabom ikone za Pivot tablicu ili padajuceg
izbornika:
Slijedi dijalog za uporabu Pivot tablice Excela:
245

U drugom koraku primjene arobnjaka Excela potrebno je oznaiti podatke u tablici (prvi
redak tablice je label):
U trecem koraku Pivot Table arobnjaka odabrati opciju Layout:
246
Za istraivanje povezanosti varijabli Igraonica i Zadovoljstvo uslugama uzeti i spustiti
nazive varijabli desno u dijagramu. Postaviti u redak varijablu Zadovoljstvo i Igraonica u
stupac. Jos jedanput varijablu Zadovoljstvo spustiti u podruje podataka Pivot Tablice. Ona
se pojavljuje u obliku Sum of Zadovoljstvo. Ponovno dvostruko kliknuti na upravlja Sum of
Zadovoljstvo i rezultat je vidljiv na slijedecoj slici:
Odabrati opciju Summarize by Count i kliknuti dvaput na upravlja OK.
Ponovno se vracamo na treci korak arobnjaka za Pivot Table i kliknemo na Finish. Excel ce
automatski kreirati kontigencijsku tablicu.
247
Nakon toga odabrati drugu celiju i aktivirati meni E./+ D P,1+' S2')/,- . Kliknuti na opcije
Values i OK:
Nakon toga potrebno je izraunati neovisne vrijednosti u tablici. Zelimo istraiti je li
varijabla Igraonica u relaciji s varijablom Zadovoljstvo. Posluit cemo se jednostavnim "A/D
1V>,(' testom. Ako rezultat testa pokae da varijabla Igraonica nije povezana s varijablom
Zadovoljstvo onda se moe zakljuiti da igraonica ne mijenja zadovoljstvo korisnika
zdravstvenih usluga. Ako je rezultat testa drugaiji onda se moe zakljuiti da su te dvije
varijable medusobno povezane. Potrebno je izraunati:

/
1 i
n
1 j
ij
n
1 j
ij
/
1 i
ij
ij
,
, ,
e
Znaenje te formule je slijedece:
Jedna celija u tablici se izraunava tako sto se pomnoi zbroj u njenom redku s zbrojem u
njenom stupacu i taj umnoak podjeli s zbrojem svih redaka (ili stupaca).
Npr. Za Zadovoljstvo= 1 i Igraonica = 1, postoje podaci od dva ispitanika. Zbroj redaka je
9 a zbroj stupaca 7. Ukupan broj podataka je 17. Neovisna vrijednost za tu celiju u tablici
kontigencije je 7*9/17=3,71. Nakon preraunavanja vrijednosti svih celija dobiva se
popunjena kontigencijska tablica. Ta tablica znai: ako varijabla Igraonica je 100%
neovisna o varijabli Zadovoljstvo, onda sadraj celija mora biti jednak tim vrijednostima.

Count of
Zadovoljstvo Igraonica
Zadovoljstvo 0 1
Grand
Total
-2 0,471 0,529 1
-1 0,941 1,059 2
0 0,941 1,059 2
1 3,294 3,706 7
2 2,353 2,647 5
Grand Total 8 9 17
Nakon sto su izraunate oekivane vrijednosti za varijable Zadovoljstvo i Igraonica
potrebno je primjeniti Chi-kvadrat test. Prvo ce se izraunati pojedinane vrijednosti Chi-
kvadrat testa, a zatim ce se te pojedinane vrijednosti zbrojiti:
248






/
1 i
n
1 j
ij
/
1 i
n
1 j
2
ij ij
2
e
) e o 1
Rezultat Chi-kvadrat testa prikazan je u slijedecoj tablici:
"A/D1V>,(' +'1+ I9(,7*/),
Z,.7;7-&1+;7 0 1
D2 0,471 0,418
D1 1,191 1,059
0 0,004 0,003
1 0,883 0,785
2 2,353 2,092
"A/D1V>,(' 9,259

S+>2*&';/
1-787.' 4
V&'(7&,+*71+ 0,055
Broj stupnjeva slobode potreban je za izraunavanje vjerojatnosti a izraunava se tako sto
broj redaka i broj stupaca umanjimo za jedan i izraunamo njihov umnoak:
df=(broj redaka-1)*(broj stupaca-1)= (5-1)*(2-1)=4.
Kako bismo bili sigurni da da je varijabla Zadovoljstvo povezana s varijablom Igraonica
dobro je posatviti stupanj neovisnosti sto je moguce manje, npr. manje od 5%. Ta
vrijednost je bpogreska koju smo spremni prihvatiti (razina signifikantnosti). Ako je
izraunata vjerojatnost manja od 0,05 onda varijable Zadovoljstvo i Igraonica su povezane.
U danom primjeru vjerojatnost je 5,5% a to znai da varijable Zadovoljstvo i Igraonica nisu
povezane. Postupak analize za istraivaki zadatak utvrdivanja povezanosti izmedu vrste
pregleda i vremena provedenog u ustanovi je isti kao i za analizu povezanosti Zadovoljstva
i igraonice.
If between the two variables in the contingency table.
249
8. PISANJE ZNANSTVENOGA DJELA
8.1. DIJELOVI ZNANSTVENOGA DJELA
Nema znanstvenog djela bez tri temeljna dijela koja ga ine - uvoda, razrade i
zakljuka. Svako, medutim, iole znaajnije znanstveno djelo, u stvarnosti sadri znaajno
vise sastavnih dijelova od tri navedena. Medu autorima se, doduse, daju identificirati razlike
u vezi s brojem tih dijelova. ami, primjerice, razlikuje deset dijelova znanstvenog djela -
naslov, pregovor, uvod, razradu, zakljuak, bibliografiju, rezime, indeks (kazalo pojmova i
imena), dodatak i sadraj (vidjeti, amic, 1969., 86.-89.). Zelenika, opet, razlikuje ak
sesnaest bitnih elemenata znanstvenoga djela - naslov, moto, posvetu, predgovor, sadraj,
uvod, izlaganje materijala (dijelove djela), zakljuak, saetak, bibliografiju, popis tabela,
popis grafikona, popis fotografija, priloge, stvarni registar i kratice (vidjeti, Zelenika, 1990.,
229.).
Drugi autori, opet, govore o dvije vrste sastavnih dijelova znanstvenoga djela -
onima koji se u pravilu nalaze kod znanstvenih djela i onima koji se u tim djelima mogu
pojaviti (vidjeti, Zugaj, Dumiic, Dusak, 1999., 247.).
Jedna grupa autora, s druge strane, sto se dijelova od kojih su sastavljeni tie, ne
prave razliku izmedu znanstvenih djela. Za druge, medutim, razlike izmedu znanstvene
knjige i znanstvenih lanaka se ne smiju ignorirati.
Pristup, koji uvaava razlike izmedu strukture znanstvenih knjiga i znanstvenih
lanaka, i po kojem treba praviti razliku izmedu dijelova koji se u strukturi znanstvenih
djela podrazumijevaju i onih koji se u njima mogu naci, smatramo prihvatljivijim. Na toj
vrsti opredjeljenja se i temelji nastavak ove analize.
8.1.1. D/&'-7;/ ?*,*1+;'*' 5*&/9'
Pod znanstvenom knjigom se, u kontekstu ove analize, podrazumijeva ukorieno
znanstveno djelo - plod konanog pisanog uobliavanja dugotrajnijeg znanstvenog,
250
odnosno znanstvenoistraivakog rada. To moe biti magistarski rad, doktorska disertacija,
a moe i druge vrste djela koje su rezultat znanstvenog i znanstvenoistraivakog rada
pojedinca ili grupe. U njezinoj se strukturi, sukladno prethodnom opredjeljenju, moe
praviti razlika izmedu dvije vrste dijelova njezine strukture - izmedu dijelova koji
znanstvenu knjigu obvezno prate, koji se u njezinoj strukturi podrazumijevaju, i onih koji
se u znanstvenoj knjizi mogu, ali i ne moraju pojaviti.
Prvu grupu ini osam sastavnica znanstvene knjige: 1. naslov, 2. sadraj, 3. uvod,
4. sredisnji dio (osnovni tekst, razrada), 5. zakljuak, 6. saetak, 7. popis literature
(bibliografija), te 8. indeks pojmova i imena. Drugu grupu, dijelove koji se u znanstvenom
djelu mogu naci, ali i ne moraju, ini pet sastavnica: 1 . moto, 2. posveta, 3. predgovor, 4.
popis tablica i ilustracija, te 5. dodatak (prilozi). Navedenim ih se redoslijedom elaborira i u
nastavku analize.
8.1.1.1. D/&'-7;/ 8'? 57&/A *'6, ?*,*1+;'*' 5*&/9'
8.1.1.1.1. N,1-7;
Naslov znanstvenog djela, neovisno o tome radi li se o znanstvenoj knjizi ili lanku,
je veoma znaajan posao. Razlog tome je u injenici da on predstavlja svojevrsno ogledalo
znanstvenoga djela, njegov najoevidniji i najitaniji dio (Silobric, 1983., 29.), dio
temeljem kojeg se itatelj esto odluuje vrijedi li djelo itati ili ne jer se njime - a zadatak
je autora da to uini sa sto manje rijei - izraava i osnovni sadraj konkretnog djela. Cesto
se, zbog svega toga, zna kazati kako naslov, sam po sebi, predstavlja pola djela, kako
konkretno djelo, zbog naina na koji je odreden, moe uiniti prijemivim, ali i odvratiti
itatelja od nakane da ga ita.
Da bi svim prethodnim zahtjevima udovoljio, naslov mora biti u isti mah koncizan,
precizan i izrazit, tj. u preciznom i saetom obliku odraavati i izraavati sto adekvatnije i
potpunije sadraj i predmet djela (amic, 1980., 86.). To, prije svega, znai da on mora
biti i jasan i maksimalno in'ormativan. S druge strane, to znai da naslov treba biti
kratak, ali ne i prekratak jer takav, posebice ako se radi o magistarskim radovima i
doktorskim disertacijama, predmet znanstvenoga djela izraava suvise uopceno, a samim
tim je i neprikladan.
No, naslov ne smije biti ni (redug jer u tom sluaju, u pravilu, zamagljuje temu,
zamara i izaziva dosadu. U sluaju, medutim, da se dugaak naslov namece sam od sebe,
postoji efikasan nain na koji se takva mogucnost i izbjegava. Radi se, zapravo, o tome da
se naslov razlomi, da se uz naslov iskoristi i podnaslov u funkciji preciznijeg odredivanja
teme koja je predmet znanstvenoga djela. Kako to konkretno izgleda pokazuje i sveuilisni
udbenik Sociologija, teorije drustvene strukture
51
. Naslovom Sociologija, naime, autor
nije mogao izraziti sve ono sto je u naslovu htio. Podnaslov Teorije drustvene strukture
su mu, prema tome, posluile kao svojevrsno pomocno sredstvo. Istodobno, medutim,
izvrsenim je razlamanjem rasterecen osnovni naslov ovog djela.
Neki autori stavljaju znak jednakosti izmedu naslova i teme znanstvenog i strunog
djela (vidjeti, Zelenika, 1990., 217.). No, razliku medu njima je potrebno praviti. Tema je,
naime, ono s im znanstvenik starta, s im ulazi u istraivanje, na sto se njegovo
istraivanje, ali i pisanje znanstvenoga djela, odnosi. Ona je svojevrsni radni okvir buducem
naslovu. Tema se, doduse, moe poklapati s naslovom, ali i ne mora. Ako se ne radi o
poklapanju onda se tema, za vrijeme pisanja djela, koristi kao radna tema, dakle
nedovrsena, nefinalizirana. Naslov je, s druge strane, tema u najuem smislu rijei, bit
problema na koji se odnosi tema. To, drugim rijeima, znai da je, u pravilu, tema sira od
onoga sto je obuhvaceno naslovom znanstvenoga i strunog djela. Kako to, uostalom,
izgleda, u kakvom su odnosu tema i naslov znanstvenoga djela, i kako se iz teme izvodi
naslov, pokazuje i slijedeci primjer (slika br. x)
51
Radi se o sveuilisnom udbeniku Slavo Kukic: Sociologija, Teorije drutvene strukture, Sarajevo
Publishing, Sarajevo, 2004.
251
Slika br. x: Prikaz postupka odredivanja naslova


8.1.1.1.2. S,.(C,&
Sadraj znanstvene knjige je dio o ijem se poloaju u strukturi znanstvene knjige
daju sresti razlike u pristupima pojedinih autora. Francuski pristup
52
, primjerice, naginje
stavljanju sadraja na kraj knjige. Slijedi li se, medutim, ameriki pristup, sadraj ce se
pozicionirati na samom poetku knjige. Ovaj je pristup, s druge strane, danas sve
dominantniji, a za takvu orijentaciju, istini za volju, postoje i racionalni razlozi. Sadraj je,
naprosto, neka vrsta putokaza pa mu je, onda, na poetku knjige i pravo mjesto. No,
pogrijesiti se nece ni u sluaju da se postupi na drugi nain.
Kako, pak, sadraj, kao dio znanstvene knjige, i definirati? U pitanju je,
najjednostavnije kazano, jasan i pregledan, u pravilu stupnjevito strukturiran, popis
naslova pojedinih dijelova knjige, s pripadajuci im brojevima stranica, glava, poglavlja,
odsjeka i podosijeka. Pri tome je vano da se u njihovom obiljeavanju mogu slijediti
razliite vrste opredjeljenja. Manuel Theisen, primjerice, pravi razliku izmedu dviju vrsta
uredivanja poretka grade u sadraju - numerikoga i slovno-numerikoga (vidjeti, Theisen,
2000., 100-106.). U svakom od njih on, potom, razlikuje uredivanje sadraja po linijskom
principu i po principu stupnjevanja. Kako to u stvarnosti izgleda pokazuju slijedeci primjeri:
Tablica br.x: Numeriki redoslijed poglavlja sadraja
Linijski princip Princip stupnjevanja
1.
2.
2.1.
2.1.1.
2.2.
2.2.1.
2.2.1.1.
2.2.1.1.1.
2.2.1.1.2.
2.2.1.2.
2.2.2.
2.3.
2.4.
3.
4.
1.
2.
2.1.
2.1.1.
2.2.
2.2.1.
2.2.1.1.
2.2.1.1.1
.
2.2.1.1.2
.
2.2.1.2.
2.2.2.
2.3.
2.4.
3.
4.
Tablica X: Slovno-numeriko uredivanje sadraja
Linijski princip Princip stupnjevanja
52
Taj pristup zagovara i Midhad amic (vidjeti, amic, 1980., 89.)
Q
PROBLEM
IROKI
NASLOV
UZI NASLOV
OBITELJ
252
UTJECAJ
OBITELJI NA
ODLUKU O
KUPOVINI
A.
I.
1.
a.
b.
ba.
bb.
2.
II.
B
A.
I.
1.
a.
b.
ba.
bb.
2.
II.
B
Gerhards, medutim, navodi jos razvijeniju skalu mogucnosti uredivanja poretka
grade u sadraju (vidjeti, Gerhards, 1984., 40.). Dajemo djelomini prikaz i njegova izbora
mogucnosti navedenih mogucnosti.
Tablica X: Razliiti sistemi oznaavanja sadraja i njegove strukture
SISTEM I II III IV V
Stupanj
dubine
1. 1. 1. dio 1. odjeljak A. I.
2. 1.1. 1. odjeljak A. I. A.
2. 1.2. 2. odjeljak B. II. B.
1. 2. 2. dio 2. odjeljak B. II.
2. 2.1. 1. odjeljak A. I. A.
3. 2.1.1. A. I. 1. 1.
3. 2.1.2. B. II. 2. 2.
4. 2.1.2.1. I. 1. a) a)
4. 2.1.2.2. II. 2. b) b)
5. 2.1.2.2.1. 1. a) aa) (1)
5. 2.1.2.2.2. 2. b) bb) (2)
1. 3.
itd.
3. dio
itd.
3. odjeljak
itd.
C.
Itd.
III.
Itd.
Ako bi se, ipak, opredjeljivali za jedan od ponudenih sistema uredivanja sadraja,
to bi, bez ikakve sumnje, bio numeriki redoslijed poglavlja, i to onaj koji je sastavljen na
principu stupnjevanja. Razlog tome je veca preglednost u odnosu na druge, velika
sistematizacija i kretanje od opcih prema posebnim pojmovima. U njemu se, osim toga,
primjenjuje takozvani dekadski sistem koji se u znanstvenim radovima danas najesce
prakticira.
Na koncu, sadraj svakog znanstvenog djela - neovisno o tome radi li se o knjizi ili
znanstvenom lanku - se moe promatrati sa dva stajalista: sa stajalista autora i sa
stajalista itatelja. Za njih on, oito, ima razliito znaenje. Sa stajali0ta autora sadraj je
kompas za njegov rad, orijentacijski plan ili uputstvo za redoslijed izlaganja materije, ali i
instrument pomocu kojeg planira koliko ce, ovisno o znaenju svake cjeline ponaosob,
prostora posvetiti svakom zasebnom dijelu znanstvenoga djela koje pise. Sa stajali0ta
.itatelja, medutim, sadraj je dio knjige u kojem je dan pregled glava, poglavlja, odsjeka i
podosjeka prema stranicama znanstvenoga ili strunog djela na kojima su smjesteni. On je,
drugim rijeima, za itatelja svojevrsni putokaz koji mu pomae da ne luta, numeriko-
tekstualni pregled za brzo pronalaenje potrebnih mu informacija na stranicama teksta, na
kojima su one i smjestene.
8.1.1.1.3. $;7.
Bez obzira o kojoj vrsti znanstvenog ili strunog djela se radilo, rije uvod
upucuje i na zakljuak sto bi se u ovom dijelu znanstvenoga i strunog djela trebalo naci.
On je, metaforiki kazano, ukusno predjelo koje se servira itatelju prije nego mu se
253
iznese glavno jelo, tj. razrada i obrada autorova pisanog djela, i stoga mora biti napisan
lijepo, jasno i ivo, tako da itatelja odmah pridobije, naroito svojom preciznoscu i svojim
zanimljivim pristupom izabranoj temi (Zelenika, 1990., 234.).
U uvodu znanstvenog i strunog djela se, prema 8ami2u, iznosi kratak historijat
pitanja, nastanak i glavne etape u njegovu razvoju i rjesavanju, odnos izabranog problema
prema ranijim istraivanjima, obim i granice osobnog istraivanja, potom, objasnjava i
precizira problem koji se eli obraditi, iznose razlozi koji su znanstvenika potakli da predmet
obradi, sumira osnovne izvore informacija, osvrce na metodu koja je primijenjena u obradi
teme, saopcava eventualna primoranost da se tema, zbog neoekivano obilnog ili oskudnog
materijala, manje ili vise izmijeni, da se primijeni neke druge metodoloske postupke itd.
(vidjeti, amic, 1980., 87.).
Neki autori idu i korak dalje - izdvajaju elemente uvoda koji su, vise ili manje,
standardni. Prema ugaju, primjerice, identificirati se moe sedam takvih elemenata
(vidjeti, Zugaj, 1989., 380-384):
1. Postavljanje problema, odnosno preciziranje, esto u formi prosirenih pitanja, o
kojem problemu se u znanstvenom djelu radi.
2. Predmet i objekt prouavanja, pri emu je itatelja neophodno i detaljnije
upoznati sto sve obuhvaca objekt prouavanja.
3. Metode, opce i posebne, koje su u istraivanju koristene.
4. Razvoj znanosti, odnosno kratku povijest problema, od kada zapoinje njegovo
istraivanje kako bi se znalo dokle se doslo i otkuda se u istraivanju polazi.
5. Aktualnost i ivotna vrijednost predmeta prouavanja jer bez aktualnosti i
svako konkretno istraivanje esto gubi na svojoj zanimljivosti.
6. Koritenje pomonih znanosti, i preciziranje o kojim znanostima se radi.
7. Bibliografija. Mada je njezino mjesto na kraju knjige, autori znaju pribjeci
navodenju najznaajnijih koristenih djela i u njezinu uvodu.
Razlika se, dakako, moe praviti izmedu razliitih vrsta uvoda i prema razliitim
kriterijima njihova razvrstavanja. Prema (oloaju u knjizi moguce je praviti razliku
izmedu tri vrste uvoda:
1. Uvod na poetku knjige, ispred osnovnoga teksta. Ova vrsta uvoda dolazi
odmah iza sadraja, ini zasebnu cjelinu ili poglavlje, govori u cjelokupnom djelu i opcenitiji
je.
2. Uvod svakom poglavlju se odnosi na svako zasebno poglavlje i pozicionirano je
na poetku poglavlja.
3. Uvod kao osnova neke znanosti, koji se primjenjuje u sluajevima kada se u
vise knjiga izlae znanstvena problematika cijele jedne znanstvene discipline. U tom se
sluaju, kao prva knjiga takvog serijala, prakticira uvod u obradivanu znanost - uvod u,
primjerice, ekonomiju, sociologiju, pravo, knjievnost itd. Neki autori, medutim, smatraju
uputnim ovu vrstu uvoda zamijeniti terminom osnove, kako bi se izbjeglo
poistovjecivanje 'uvoda' kao dijela rada kojim se itatelj uvodi u problematiku djela i
'uvoda' u mnogo sirem smislu kao 71*7;' o nekoj znanstvenoj disciplini (Zelenika, 1990.,
233.)
Prema 'ormi znanstvenoga djela, potom, uputno je praviti razliku izmedu uvoda
koji prate magistarske radove, disertacije, znanstvene lanke, udbenike, prirunike itd.
Kod svih njih, naime, postoji potreba da se pojedini elementi uvoda - primjerice, predmet,
cilj istraivanja itd. - tretiraju na specifian nain.
Savjet koji se, na koncu, u pisanju uvoda moe dati, odnosi se i na njegovu
duljinu. Ni tu nema strogih pravila. Treba, i to je jedino pravilo, paziti da on ne bude ni
predug, ni prekratak. Uputno je, pri tome, slijediti logiku da uvod bude sto kraci. Koliko ce
to sto kraci i iznositi, nema strogih pravila. U principu to podrazumijeva nekoliko stranica
teksta, ali nikako ne vise od deset posto od opsega cijelog pisanoga djela, sto neposredno
zavisi o vrsti djela, sloenosti teme koja se tretira u djelu i slino, ali ni, u sluaju da je
djelo vece, od petnaest stranica teksta (Zelenika, 1990., 234.)
Sve navedeno, na koncu, upucuje na zakljuak kako je tesko govoriti i o postojanju
uzora u pisanju uvoda. Dapae. Istina jeste da, pri njegovu pisanju, treba paziti na to da se
u njemu nadu odredeni elementi. No, vrsto nije utvrden ni njihov broj ni njihov redoslijed.
254
Istina je, potom, da uvod ne smije biti ni prekratak, ni predugaak. Na koncu, nedvojbeno
je da, kako bi itatelja pridobio, on mora biti jasan, kratak, jezgrovit, sto ivlji i privlaniji.
8.1.1.1.4. S('./3*&/ ./7 ?*,*1+;'*79, .&'-,
Ovaj dio znanstvenoga djela uvijek dolazi iza uvoda. Razliiti ga autori oznaavaju
razliitim terminima - osnovni tekst, razrada, izlaganje materije i slino. Bilo kako bilo, radi
se o sredisnjem dijelu znanstvenoga djela, koji zauzima najvise prostora, koji je
najinventivniji, u kojem se, iscrpno i argumentirano - s ciljem potkrepljivanja, obrazlaganja
i dokazivanja postavljene hipoteze - izlae prikupljena grada, u kojem, na koncu, do
izraaja dolazi i autorovo znanje i sposobnost i istraivako iskustvo.
Sredisnji dio znanstvenoga djela u formi knjige u pravilu je sastavljen iz vise
cjelina - dijelova, glava, poglavlja, odsjeka i podosjeka, i svaka od njih je oznaena i
posebnim naslovom. U pravilu se, dakako, moe govoriti o tri zasebne cjeline izlaganja
znanstvenog djela u okviru njegova sredisnjeg dijela ili osnovnog teksta:
1. Povijesno-teorijski, retrospektivni ili eksplikativni dio u kojem se, koncizno i
jasno, iznosi povijest prouavanog problema, ali i naznauje znaaj, aktualnost i korisnost
istraivanja koje je provedeno.
2. Analitiko-eksperimentalni dio u kojem se iznose najbitnije znanstvene
injenice, podaci, teorije i zakoni, kojima se dokazuje ispravnost postavljenih hipoteza.
3. Perspektivni dio u kojem se, polazeci od rezultata istraivanja, trebaju
predloiti konkretna rjesenja, mjere i akcije za njihovu primjenu.
To, medutim, nikako ne znai da se sredisnji dio znanstvenoga djela, njegov
osnovni tekst, sastoji od samo tri cjeline. Dapae. Svaka od njih, a analitiko-
eksperimentalni dio posebice, moe imati vise zasebnih dijelova ili poglavlja.
Ako, pak, realizirano istraivanje ima za cilj dolazak do nekog praktinog rjesenja,
ta se injenica manifestira i u strukturi teksta koji nastaje kao rezultat provedenog
istraivanja. Takav se tekst, naime, u pravilu, sastoji iz dva dijela - teorijskog, u kojem se
prezentiraju teorijske osnove u vezi s konkretnim problemom istraivanja, te praktinog, u
kojem se nudi praktino rjesenje za konkretni problem. Dakako, esto je - buduci se oni
ispreplicu - tesko napraviti ostru crtu razgranienja izmedu teorijskog i praktinog dijela,
ostvariti tzv. iste tipove (vidjeti, Salitreic-Zugaj, 1985., 301-301.)
8.1.1.1.5. Z,5-&>4,5
Zakljuak znanstvenog i strunog djela je, uz uvod i sredisnji dio ili osnovni tekst,
najznaajniji dio svakog znanstvenog djela. U njemu su istaknuti svi odgovori na pitanja,
postavljena u uvodu, najvanija rjesenja postavljenog problema istraivanja. On, zapravo,
predstavlja krunu itava rada, sintezu svega onoga sto je prethodno analizirano - svih
relevantnih spoznaja, informacija, stavova, znanstvenih injenica, teorija i zakona iznijetih
u analitikom dijelu znanstvenoga djela - izloenu na nain koji je i sistematian, i koncizan
i jezgrovit u isto vrijeme.
Svi autori, doduse, ne koriste termin zakljuak. Taj termin zamjenjuju s,
primjerice, terminima rije na kraju, umjesto zakljuka, zakljune napomene i
slino. Sustina, medutim, koja se njima hoce postici ista je.
S druge strane, zakljuak se ne pojavljuje nuno u svim znanstvenim i strunim
djelima. Zaobici ga se ne moe u doktorskoj disertaciji, magistarskom radu, diplomskim i
seminarskim radovima. No, ne mora ga i ne treba imati udbenik, enciklopedija, leksikon,
prirunik itd.
U pisanju zakljuka treba voditi rauna, prije svega, o tome da on ne bude ni
prekratak, ali ni preopsean. Duljina mu je u izravnoj vezi s, primjerice, vrstom djela i
sloenoscu teme koja se u njemu obraduje. No, bez obzira na to, on ne bi smio prelaziti
deset posto od opsega ukupnoga djela. No, ako je ono vece, opseg zakljuka se moe
kretati do maksimalno petnaest stranica veliine kojoj je prilagoden i tekst ukupnoga djela.
S druge strane, snaga zakljuka se manifestira i u formi kojom je on izloen.
+ajnberg (Rajnberg, 1949.,106.), primjerice, sugerira da se zakljuci provedenog
istraivanja samu na sto je moguce manji broj - nikako ne vise od osam do dvanaest
255
zakljuaka. Preporua se, potom, da se svaki od njih i numerira - oznai arapskim ili
rimskim brojevima. Ako se, medutim, autor ne opredijeli za takav pristup, ako mu
pretpostavi slaganje zakljuaka u formi odlomaka (stavaka), u tom sluaju i veze izmedu
pojedinih odlomaka moraju biti vrste i logine. Ta vrsta veza, dakako, u sluaju
numeriranja zakljuaka nije neophodna.
Na koncu, zakljuak je sinteza svega uradenog, dio u kojem autor sabire svoje
misli, u kojem se on ponovo vraca u fokus itateljeve pozornosti. Stoga se ne preporua
navodenje u zakljuku citata drugih istraivaa i znanstvenika, ali ni prakticiranje fusnota.
Naprotiv, preporua se koristenje konciznih i jezgrovitih formulacija, ali i izbjegavanje
prakse da ih se iznosi istim rijeima i reenicama kao i u izlaganju materije.
8.1.1.1.6. S,C'+,5
Saetak (rezime, summary, Zusammenfassung) je dio koji se javlja, ili bi se trebao
nalaziti, u svakom znaajnijem znanstvenom djelu. Sama rije, dakako, upucuje i na
zakljuak o emu se radi - o saetom prikazu lanka ili djela u kojem se iznosi pregled, vrlo
kratak sadraj onoga sto je u uvodu, sredisnjem dijelu i zakljuku znanstvenoga djela
izloeno. Njime se, jos konkretnije, naznauju: 1) temeljna svrha i ciljevi istraivanja, 2)
primijenjena metodologija, 3) postignuti rezultati, te 4) bitni zakljuci (vidjeti, Silobric,
1983., 33 i 37.).
Pri tome, dakako, treba praviti razliku izmedu uobiajenog saetka i opsenog
saetka ili sinopsisa. Ovaj drugi je, naime, mnogo opsirniji, obino je skraceni oblik djela,
skracen prikaz djela a ne njegov saetak (Silobric, 1983., 34.). Znak jednakosti se, potom,
ne moe staviti - a to se ponekad ini - ni izmedu summary-a i abstract-a kao pojmova
koji se koriste u engleskom jeziku. Summary bi trebao sadravati samo zakljuke za
itatelje koji su proitali itav lanak. Abstract je, pak, saet prikaz lanka, razumljiv i bez
itanja preostalog teksta, te se moe objaviti neovisno od njega (u sekundarnim
publikacijama). Ta razlika nije uvijek tako jasna niti se razlikovanje primjenjuje (Silobric,
1983., 32.).
Koja je, dakle, funkcija saetka? Moe se, zapravo, govoriti o dvije. Zadaca mu je,
prije svega, da poslui javnosti kao informacija o nekom djelu. Buduci se moe praviti
nijansiranje izmedu dviju vrsta javnosti - domace i strane - logino je da se i saetak pise
na domacem i jednom od svjetskih jezika, obino engleskom. S druge strane, zadaca je
saetka i da itateljima omoguci brzu spoznaju bitnih obiljeja nekog djela i rasiscavanja s
pitanjem imaju li u njemu neeg zanimljivog za sebe i trebaju li ga uopce itati.
U pisanju saetka neka pravila nisu sporna. U pitanju su, naime, njegovi sastavni
dijelovi. U gornjem lijevom kutu nalazi se ime i prezime autora (ili vise autora), ispod
njega, na sredini, naslov rada, a ispod naslova tekst saetka.
U pisanju saetka, medutim, postoje razliiti pristupi. U znanstvenim lancima se,
primjerice, saetak na domacem jeziku nalazi obino na poetku, a na stranom jeziku na
kraju lanka. Ako se, pak radi o vecim znanstvenim djelima - doktorskoj disertaciji,
monografiji i slino - iskustva s pisanjem saetka su dosta razliita. Saetak i na domacem
i na jednom od svjetskih jezika moe se nalaziti na poetku, ispred sadraja. Moguce su
situacije da se saetak nalazi i iza svakog poglavlja. Najesce je, medutim, po nama i
najopravdanije ako se saetak nalazi na kraju knjige, ispred popisa literature i odmah iza
zakljuka.
Ponetko i ponekada ima obiaj staviti znak jednakosti izmedu saetka i zakljuka.
To, medutim, nije opravdano. Zakljuak se, naime, odnosi na glavne doprinose djela o
kojem je rije, dok se saetkom na jasan i koncizan nain daje pregled cjelokupnog djela,
ukljuujuci i zakljuak. Zbog te osobine saetak je i dio znanstvenoga djela koji je, uz
sadraj, pogodan za prenosenje informacija o djelu i bez osnovnoga teksta.
Zbog njegove pogodnosti kao forme u prijenosu informacija o djelu saetak trai i
da ga se pise uz strogo pridravanje odredenih pravila - da ga se pise, u pravilu, u jednom
pasusu, jednostavnim jezikom, u trecem licu i u pasivu, s potpunim i povezanim
reenicama, i u rasponu od 100-400 rijei. Pri tome je potrebna i naznaka da prosjean
saetak ima obino oko 250 rijei.
256
Vodeci rauna o svim postavljenim zahtjevima, u pravljenu saetka su moguce i
razliite pogreske. Cesta je, primjerice, pogreska da se pri pisanju saetka prepriava
naslov djela. To je, naprosto, suvisno. Pogreska je i inzistiranje u saetku na potankostima,
ali i spominjanje onoga ega u sredisnjem dijelu ili osnovnom tekstu uopce nema.
Moguce je, na koncu, praviti razliku izmedu vise vrsta saetaka. Prema sadraju,
primjerice, saetak se moe pojaviti u dva oblika:
kao informativni, kojeg moraju imati sva djela u primarnim znanstvenim
asopisima, jer se njime naznauju svrha i ciljevi istraivanja, primijenjena metodologija,
rezultati i bitni zakljuci (Silobric, 1983., 33. i 37.)
kao indikativni, u kojem se navodi samo sadraj djela, bez informacija o
metodama, rezultatima i zakljucima. Takav saetak se pise u jednom stavku i obino na
poetku konferencijskih priopcenja i preglednih lanaka.
8.1.1.1.7. P72/1 -/+'(,+>(' G8/8-/79(,:/&,H

Svako znanstveno djelo - neovisno o tome radi li se o obimnijem znanstvenom
djelu ili, pak, znanstvenom lanku - u svom sastavu ima i popis koristene literature ili
bibliografiju. Pri tome, dakako, treba praviti razliku radne (prethodne, orijentacijske)
bibliografije, koju istraiva sastavlja nakon izrade projekta znanstvenog istraivanja, i
konanog popisa koritene literature (konane bibliografije) - onog o kojem je ovdje rije -
a koji se stavlja na kraju znanstvenoga djela.
Konani popis literature ili konanu bibliografiju mnogi smatraju ogledalom svakog
znanstvenog djela, njegov dio koji, sam za sebe, govori i o autoru, njegovoj kulturi, odnosu
prema znanosti, njegovom osjecaju odgovornosti itd. Recite mi, naglasava jedan od
poznatih autora, kakav je bibliografski katalog (popis) u disertaciji pa cu vam reci kako se
njezin autor odnosi prema svojim znanstveno-literarnim dunostima (Rajnberg, 1949.,
101.).
Popis literature obuhvaca sve izvore koje je autor, u izradi svoga djela, na bilo koji
nain koristio - knjige, lanke, studije, prirunike, enciklopedije, rjenike, statistike,
propise, novine i slino. Pri tome se treba pridravati pravila da popis literature bude
potpun i toan, da su uneseni podaci u vezi s njom pouzdani i provjereni. Protivno je, osim
toga, znanstvenoj etici u popis literature unositi izvore koji nisu konzultirani, ali i izostavljati
one koji su, za potrebe konkretnog djela, konzultirani i upotrijebljeni. Popis literature,
potom, mora biti i suvremen, da je u njemu koristena najnovija literatura. Na koncu, on
mora biti i sistematian, uraden pregledno i po nekom usvojenom sistemu. Sistematinost
se, medu inim, postie i primjenom jedinstvenog kriterija u popisu literature. Literatura se,
dakako, moe sistematizirati prema razliitim kriterijima. Navodimo najvanije medu njima:
Sistematizacija koja slijedi tzv. alfabetski popis literature. Primijeni li se on,
navodenje literature slijedi kriterij abecednog redoslijeda prema prezimenu autora. Druge
znaajne izvora - rad li se o knjizi, lanku, enciklopediji, priruniku itd. - u tom sluaju nisu
relevantne.
Sistematizacija prema vrsti djela. U nainu razvrstavanja po ovom kriteriju se,
medutim, daju sresti razlike medu autorima. Za jedne, najesci je sluaj da se sve
bibliografske jedinice svrstavaju u etiri skupine i to: 1) knjige, 2) lanci, 3) nepotpisani
napisi i 4) ostali izvori (Zelenika, 1990., 221.). Drugi, opet, u tom tipu razvrstavanja,
razlikuju slijedece skupine izvora: referentne publikacije (enciklopedije, prirunici,
rjenici), knjige i bibliografije, asopisi, znanstveni i tehniki izvjestaji itd. (Zugaj,
Dumiic, Dusak, 1999., 265.). Primijeniti se, dakako, moe i jedan i drugi, ali i neki
potpuno treci, pod pretpostavkom, dakako, da slijedi odreden princip grupiranja.
Sistematizacija literature prema jeziku na kojem je djelo napisano. U tom se
sluaju razvrstavanje vrsi samo po pripadanju istom jeziku. Ostale se znaajke izvora
zanemaruju.
Osim ovih, koji su najesce primijenjeni, susresti se mogu i neki drugi kriteriji
sistematizacije koristene literature. Primjerice:
Sistematizacija prema vremenu nastajanja konkretnog izvora. Primjeni li se taj
kriterij razvrstavanja u popisu literature, grupiranje ce biti izvrseno prema godini nastajanja
257
svake bibliografske jedinice. Sve bibliografske jedinice, primjerice, nastale u istoj godini
naci ce se grupirane na istom mjestu, jedna iza druge.
Sistematizacija prema zemljama podrijetla izvora. Zasebno ce, primjeni li se ovaj
kriterij razvrstavanja, biti grupirani svi izvori podrijetlom iz SDA, zasebno oni iz Francuske,
Engleske, Njemake, Rusije itd.
Bez obzira, medutim, koji kriterij razvrstavanja bio primijenjen, postoje pravila
kojih se autor mora pridravati u navodenju bibliografskih izvora. Minimum, koji svaki
bibliografski izvor (ili jedinica) mora sadravati, obuhvaca: prezime i ime autora (ili grupe
autora), naslov djela, izdava, sjediste izdavaa (mjesto), te godina tiskanja djela.
Primjerice:
Kesic, Tanja: Integrirana marketinka komunikacija: oglaavanje, unapredenje
prodaje, Internet, odnosi s javnou, publicitet, osobna prodaja, Opinion d.o.o., Zagreb,
2003.
U ovoj se formi navodenja bibliografskih jedinica, opet, mogu primijeniti razliiti
pristupi. Ime autora, koje ide iza prezimena, od prezimena se moe - ali i ne mora -
odvojiti zarezom, moe ici u punom tekstu, a moguce je navesti samo prvo slovo imena i
iza njega staviti toku itd. Ako je vise autora, u principu se prezime prvog stavlja ispred
imena, a kod svih ostalih ime ide ispred prezimena itd.
Ako se, pak, radi o znanstvenom lanku, objavljenom u zborniku ili znanstvenom
asopisu, bibliografska jedinica mora sadrati prezime i ime autora, naziv znanstvenoga ili
strunog lanka, ime znanstvenog asopisa ili zbornika radova, izdava, godina tiska
asopisa ili zbornika, kod znanstvenog asopisa i broj (i mjesec izlaska iz tiska) asopisa, te
stranice zbornika ili asopisa na kojima se lanak nalazi, primjerice:
Kukic, Slavo: Bosanskohercegovaki mediji i novinarski profesionalizam,
Mostariensia, Sveuiliste u Mostaru, 8/1998., 29.-38.
I u ovom su sluaju, dakako, kao i u prethodnom, moguce razliite varijacije. No,
moguci su i drugi pristupi u navodenju bibliografskih jedinica. Detaljniji pregled mogucih
pristupa daju, medu inima, ugaj, )umi.i2 i )u0ak (vidjeti Zuga, Dumiic, Dusak, 1999.,
266), koji izdvajaju slijedece primjere:
Smith John, Economic Theori and Operations Analysis, Brown Co., New
York, 1961., p.625.
Akademia Nauk SSSR, Problema cennosti v filosofu, Moskva, 1966.
Cohen James, The Statistical Facts of Income Distribution, E)7*76/)
J7>(*,-, V, 5, 1959, 50-62.
Cohen James, The Statistical Facts of Income Distribution, Economic
Journal, V, (5, 1959), 50-62.
Beitz, Charles R. 1979. Political Theory and International Relations.
Princeton, N.J: Princeton University Press.
Bakalovic H: Istraga u krivinom postupku, Svjetlost, Sarajevo, 1979.
Closets F. de, Toujours plus, Paris, Grasset, 1982.
(Kirst 82) Kirstein, P. et al. The UNIVERSE Project, Proc ICCC'82, 442-
447, North Holland, September 1982.
8.1.1.1.8. I*.'51 27&67;, / /6'*,
Iako se u ivotu esto moe naici na sluajeve u kojima su izostavljeni i indeks
pojmova i indeks imena, ni jedno obimnije znanstveno djelo (knjiga, udbenik) ne bi smjelo
258
izostaviti ovaj dio knjige. Oni, naime, knjigu ine znatno upotrebljivijom, olaksavaju
snalaenje u njoj i omogucuju bre pronalaenje imena i pojmova koji itatelja zanimaju.
Iz naziva je, potom, evidentno da se radi o dvije sastavnice - indeksu pojmova i
indeksu imena. U vezi s njihovim navodenjem moguci su razliiti pristupi:
da se indeks pojmova i indeks imena navode kao zasebni dijelovi knjige,
da indeks pojmova i imena (ili imena i pojmova) ini jedinstvenu cjelinu.
Ako se autor opredijeli za indeks pojmova i indeks imena kao zasebne cjeline, one
ce doci jedna iza druge odmah nakon popisa literature.
U tom se sluaju u indeksu imena, i to abecednim redoslijedom, navode sva
imena koja se u djelu spominju, ukljuujuci i ona koja se javljaju u bibliografiji i popisu
literature. Uz navedena se imena - pri emu se prvo navodi prezime, a potom ime (ili samo
prvo slovo imena) - navode i brojevi stranica na kojima se imena spominju. Moguci su,
doduse, razliiti pristupi, u slaganju indeksa imena. Navodimo dva karakteristina pristupa:
Prvi primjer: (Kukic, S.: Sociologija, teorije drutvene strukture, Sarajevo
Publishing, Sarajevo, 2004., 555.)
Keynes, J., 528
Khaldun, I., 68,69,93,496
King, M.L., 308, 393
U ovoj vrsti pristupu autor se zadovoljava navodenjem imena autora i broja
stranice ili stranica na kojima se on pojavljuje.
Drugi primjer: (Hodic, Kadrija: (Re)privatizacija i globalizacija, Ekonomska misao
privatizacije, privatnog vlasnistva i slobodnog trista u globalnoj privredi, Forum Bosnae,
22/2003. Medunarodni forum Bosna, Sarajevo, 2003., 536.)
Cheryl, L., 429n70
Cheung, A., 140
Chick, V., 249
U ovoj vrsti pristupa autor, pored stranice na kojoj se nalazi ime autora - ako ono
nije u tekstu nego u napomeni (fusnoti) - navodi i redni broj napomene (fusnote) u kojoj
se konkretno ime spominje. U nasem sluaju, primjerice, ime Cheryl se spominje na
stranici 429, u fusnoti br. 70.
Kod indeksa (ojmova, ako se on javlja kao zasebna cjelina, autor vrsi popis
pojmova iji pregled eli dati. U tom je sluaju nesporno da se pojmovi navode u popisu
abecednim redom. No, i kod ovog indeksa su moguci razliiti pristupi u slaganju pojmova. U
nastavku slijede primjeri tri moguca pristupa u slaganju indeksa pojmova:
Prvi primjer: Kesic, Tanja: Integrirana marketinka komunikacija: oglaavanje,
unapredenje prodaje, Internet, odnosi s javnou, publicitet, osobna prodaja, Opinion
d.o.o., Zagreb, 2003., str. 620.)
Ilustracija, 56
Imid, 102, 103
Imid marke, 116,118
Ovaj pristup, kako se i vidi, karakterizira da su uz naziv pojma otisnuti brojevi
stranica na kojima se ti pojmovi - u siroj ili uoj manifestnoj formi - i pojavljuju.
Drugi primjer: (Milerlaj, D.: Organizacija industrije proizvodnje, Ekonomski
fakultet, Osijek, 1977., 333., preuzeto od Zugaj, M., K. Dumiic, V. Dusak: Temelji
znanstvenoistraivakog rada, Fakultet organizacije i informatike, Varadin, 1999., 268.)
Organizacija (ada, 20,120, 628
U navedenom primjeru u oi upadaju boldirana slova i brojevi. O emu se radi?
Boldirano slovo O kod Organizacija i ( kod rada. Ta boldirana slova upucuju
itatelja da u tekstu ima poseban naslov Organizacija rada, dakle poglavlje ili
podpoglavlje, koje je posveceno organizaciji rada. Boldirana prva brojka, u ovom sluaju
broj 20, oznaava i stranicu u tekstu na kojoj se naslov Organizacija rada nalazi. Drugi
259
broj, koji nije boldiran, upucuje na stranicu na kojoj se navedeni pojam spominje. Na
koncu, treci broj, koji je takoder boldiran - u nasem sluaju broj 628 - upucuje da se o
istom pojmu, organizaciji rada, raspravlja sire, ali u sastavu drugog poglavlja, drugog
naslova.
Treci primjer: (esic, B.: Osnovi metodologije drutvenih nauka, Nauna knjiga,
Beograd, 1974., 338.)
SINTEZA
- pojam - 78
- dijalektika - 3, 78-79, 82f
- vrste - 80f
- i analiza - 78ff
Navedeni primjer, zapravo, upucuje na tri vrste podataka u indeksu pojmova. Prva
se odnosi na stranicu, na kojoj se navedeni pojam nalazi. Druga vrsta podataka, kod koje
uz broj stranice ide i slovo f, informira itatelja da se na toj stranici navedeni pojam
detaljnije razraduje. Napokon, kod podataka koji uz broj stranice imaju otisnuto i duplo
slovo f (kao ff), ono upucuje itatelja da je konkretnom pojmu posvecena i posebna
glava ili poglavlje.
Ako, pak, imamo posla s indeksom pojmova i imena kao jedinstvenom cjelinom,
razlika u odnosu na prethodnu, situaciju u kojoj su ta dva indeksa odvojena, je tek utoliko
sto se - abecednim redoslijedom - navode i jedni i drugi. Sve druge posebnosti, koje su
vec markirane, do izraaja mogu doci i u takvom, jedinstvenom indeksu pojmova i imena.
Na to, uostalom, upucuje i slijedeci primjer:
Primjer: (Robbins, S.P: Bitni elementi organizacijskog ponaanja, MATE, Zagreb,
1996., 312.)
Stone, Eugene F., 73
Stott, Russell G., 73
Strategija imitacije, 211-12
Strategija inovacije, 211-12
8.1.1.2. O1+,-/ ./&'-7;/ ?*,*1+;'*' 5*&/9'
8.1.1.2.1. M7+7
Moto se, u principu, smatra perifernim dijelom knjige. No, autori se ponekada
odluuju staviti ga. Ako to ine, mjesto mu je na samom poetku, odmah iza naslova
znanstvenoga djela. Osim toga, moto se moe prakticirati i na poetku svakog poglavlja,
odmah ispod naslova poglavlja. Kada su, pak, po srijedi doktorske disertacije i magistarski
radovi - djela internog karaktera - u njima se moto ne prakticira. No, pogrijesiti se nece i
ako ga se i iskoristi.
Pod motom (geslom, lozinkom, epigrafom) treba podrazumijevati ostroumnu ili
duhovitu izreku, citat, frazu, poslovicu kojom se eli poslati odredenu poruku ili izraziti
karakter teme.
8.1.1.2.2. P71;'+,
Kao i moto, i posveta se smatra perifernim dijelom znanstvene knjige. Inae,
posveta predstavlja izraz potrebe autora da se nekome posebno zahvali za inspiraciju,
potporu, iskazano razumijevanje ili ljubav. U pravilu je ta potreba usmjerena prema
roditeljima - ili jednom od njih, suprunicima, djeci ili cijeloj obitelji, a moe i uzorima,
prijateljima i slino.
Ako se autor opredijeli na posvetu kao dio svoga djela (knjige, monografije itd.),
mjesto joj je takoder na samom poetku knjige, iza mota a ispred pregovora - ukoliko on
postoji - i sadraja znanstvenoga djela.
260
O opravdanosti posvete postoje razliita misljenja. Medu njima je znaajan udio i
onih koji prema posveti imaju negativan odnos. Posvecuje li, misljenje je knjievnika
Pavli.i2a, ovjek knjigu svojoj eni, onda je vrlo alosno ako misli da joj s tom jednom
knjigom moe zahvaliti za sve ono sto je za njega uradila u ivotu. Slina je stvar i s
posvecivanjem knjige obitelji jer ona vas voli i bez knjige, a ako ne voli nece pomoci ni
knjige (vidjeti u Plevnik, 1986., 33.)
8.1.1.2.3. P('.97;7(
Mnogi su skloni stavljati znak jednakosti izmedu predgovora i uvoda pa, sukladno
tome, tu cjelinu naslovljavati ili kao pregovor ili kao uvod
53
. Drugi, opet, na predgovor i
uvod gledaju kao na zasebne i podrazumijevajuce sastavne dijelove znanstvenoga djela.
54
Na predgovor smo, medutim, skloni gledati kao na dio znanstvene knjige koji ne
treba shvatiti kao njezin obvezan sastavni dio. Sve to, dakako, ne znai kako je predgovor i
svojevrsni balast znanstvenom djelu. Dapae. Ozbiljnija znanstvena djela u pravilu u
svojem sastavu - iza posvete, a ispred sadraja - imaju predgovor. S druge strane,
neophodno je dobro poznavati sustinu i znaajke i predgovora i uvoda kako ne bi doslo do
mijesanja elemenata koji pripadaju jednom i onih koji pripadaju drugom.
Kako dakle, definirati predgovor? Po jednima, on je preliminarno objasnjenje
znaenja djela i motiva rada, mora se odnositi na cjelokupno djelo, mora dati opcenite
karakteristike, on je jedinstven nazivnik znanstvenog djela (Salitreic, Zugaj, 1985.,
285.). Za druge, opet, predgovor je dio znanstvenog djela, po pravilu kratak i opceg
karaktera, u kojem se obino iznose razlozi koji su autora podstakli da djelo napise, kao i
eventualni dug koji ima prema drugima - suradnicima na poslu, starijem kolegi, nastavniku
ili rukovoditelju (amic, 1980., 87.). Treci, na koncu, predgovor definiraju kao tekst na
poetku knjige koji objasnjava glavni tekst, daje podatke koji olaksavaju itanje i
razumijevanje glavnog teksta (Anic, 1991., 525.).
Bilo koje, medutim, odredenje predgovora prihvatili, njegovo je razlikovanje u
odnosu na uvod sigurno tek nakon sto mu se preciziraju osnovne znaajke. A one,
zna.ajke (redgovora mogu se pojaviti kao formalne i kao sadrajne.
Medu formalnim znaajkama predgovora istiu se posebice:
1. Kratkoa. Predgovor, u pravilu, treba biti kratak i jezgrovit, redovito kraci od
uvoda, napisan na najvise od nekoliko, a najesce na samo jednoj stranici.
2. Openitost, a to znai da se u njemu iznose opcenite informacije, opci putokaz,
upozorenje i slika o djelu od koje esto ovisi i hoce li ono biti proitano ili ne.
3. Po svojem poloaju u djelu predgovor je na prednjem dijelu znanstvenoga
djela, a po redoslijedu pisanja on je, zapravo, pogovor buduci se, u pravilu, pise posljednji,
nakon sto je djelo zavrseno.
4. Pisac predgovora obino je autor. Ako ga, medutim, pise neka druga osoba, a
moe, on postaje i sadrajno drugaiji, dobiva karakter svojevrsne recenzije i preporuke i
djela i njegova autora.
5. Predgovor u novim izdanjima se prakticira u sluaju da se autor, zbog toga sto
je ranija naklada rasprodana, opredijeli za novo izdanje djela. U tom se sluaju, uz stari
predgovor - ili predgovore ako je bilo vise izdanja - pise i novi. Smisao mu je
pojasnjavanje razlika izmedu novog i starog - ili starih izdanja.
6. U sluaju da se prevodi djelo stranog autora, prakticira se predgovor u
prevedenim djelima, koji se objavljuje uz predgovor autora. Njega obino pise istaknuti
strunjak iz oblasti kojoj pripada konkretno djelo, a cilj mu je upoznavanje itatelja s
autorom, njegovim znanstvenim opusom, ali i drugim pojedinostima
U predgovoru se, medutim, u pravilu moe pronaci i nekoliko tzv. sadrajnih
znaajki. Takve su, primjerice:
53
"Uvod ili predgovor sadri: prvo - objasnjenje teme i drugo - izlaganje postavljenog cilja, zadataka,
namjere rada (Rajnberg, 1949., 91.), pri emu pod predgovorom podrazumijeva skraceni uvod.
54
Predgovor je "po pravilu, kratak i opceg karaktera. Po tome se najvise i razlikuje od uvoda koji je,
opet, ,veceg obima od predgovora...
261
1. Svrha, ciljevi i zadaci istraivanja, koje autor u predgovoru, sto je moguce
jasnije, markira.
2. Motivi - razlozi, zbog kojih se je autor djela odluio pisati o odredenoj temi, a
mogu biti veoma razliiti - od toga da nema udbenika ili prirunika za odredeni kolegij na
fakultetu, preko elje za afirmacijom (u sluaju da se radi o mladom i neafirmiranom
znanstveniku), do potrebe da se istrai podruje koje je nedovoljno istraeno.
3. Kome je djelo namijenjeno. Odgovor na to pitanje, doduse proizlazi i iz motiva
i razloga zbog kojih je djelo napisano. Ali, odgovor na to pitanje nije suvisno dati i
eksplicitno.
4. Upoznavanje itateljstva s potekoama, na koje je autor pri pisanju
znanstvenoga djela naisao, takoder je jedna od znaajki predgovora znanstvenoga djela. A
te poteskoce mogu biti razliite. Najesce je, dakako, rije o poteskocama na koje je autor
djela naisao tijekom istraivanja. Iskljuena nije mogucnost postojanja i drugih poteskoca -
od pomanjkanja financijskih sredstava do poteskoca terminoloske naravi.
5. Zahvalnost suradnicima gotovo redovito je jedan od elemenata od kojih se
sastoji predgovor. Ona treba biti izraena diskretno, bez pretjerivanja, ali i bez ignoriranja
dobivene pomoci.
8.1.1.2.4. P72/1 +,8-/), / /->1+(,)/&,
Ako se u sastavu znanstvenoga djela nalaze i razliite vrste ilustracija (tablica i
slika), grafikona, fotografija, kratica i drugih priloga, njihov popis, sa brojem stranica djela
na kojima se mogu pronaci, nalazi se odmah iza sadraja djela. Svi oni su, medutim, fiziki
smjesteni u dodatku, dakle, iza popisa literature.
8.1.1.2.5. D7.,+,5 G,2'*./510 2(/-7?/0 .72>*'H
Ako znanstveno djelo (knjiga) ima dodatak (apendiks, dopunu, prilog) on dolazi na
gotovo samom kraju znanstvenoga djela - iza popisa literature a ispred indeksa pojmova i
imena (ili indeksa pojmova i indeksa imena). U dodatak ulazi sve sto itatelju moe pomoci
u itanju osnovnoga teksta - zanimljivi prikazi, anketni upitnici, grafikoni, slike i tablice,
abecedni popis najznaajnijih kratica s naznakom njihova znaenja i slino.
8.1.2. D/&'-7;/ ?*,*1+;'*79 4-,*5,

Strukturu znanstvene knjige u znaajnom dijelu prati i struktura znanstvenog
lanka. No, za njega su, uz sve to, karakteristine i neke specifinosti. Stoga postoji
potreba barem ukazati i na ustaljene dijelove znanstvenoga lanka. Detaljnije se, medutim,
kanimo zadrati samo na onim dijelovima koji su svojstveni samo znanstvenom lanku.
Radi li se, primjerice, o izvornom znanstvenom lanku, njegovi ustaljeni dijelovi su:
1. Naslov, u vezi s kojim vrijede sve upute koje se odnose i na naslov u
znanstvenoj knjizi. Ako, pak, koja specifinost i postoji, ona se odnosi na duljinu naslova. U
znanstvenom lanku se, tako, tolerira nesto dulji naslov, ali ni ovdje on ne bi trebao
prelaziti pedeset slova, odnosno 10-15 rijei.
2. Autor ili autori. Ako se radi o autoru, problem u tom sluaju i ne postoji.
Potrebno je, dakle, znati jedino da njega treba navesti odmah nakon naslova. Ako je, pa, u
pitanju vise autora - a suvremeni znanstveni rad tu situaciju sve esce podrazumijeva -
problem autora se postavlja u znaajno ozbiljnijoj formi. Takva situacija trai odgovor na
pitanje tko ce biti naveden kao prvi autor, tko ce sve biti naveden kao dio autorskog tima
itd. U pravilu se smatra da prvi autor treba biti onaj tko je na radu najvise radio, najesce
rad osobno i pisao. Ostali se - iako je i to dio dogovora - najesce navode abecednim
redom.
3. Saetak se u znanstvenom lanku nalazi, ili izmedu naslova i teksta - sto je
prirodnije - ili na kraju lanka. Konkretno mu mjesto, u pravilu, u uputama autorima
propisuju asopisi, urednici zbornika itd. Neovisno, medutim, o tome gdje se nalazio,
saetak mora sadrati podatke o ciljevima istraivanja i kako su oni ostvareni, te o
262
rezultatima i zakljucima, a sve radi toga da itateljima stvori mogucnost brzog otkrivanje
vanih dijelova sadraja lanka i donosenja odluke hoce li ga itati ili ne.
4. Uvod je dio znanstvenoga lanka u kojem se navode podaci o predmetu, svrsi i
opsegu istraivanja, itateljstvo se upoznaje s rezultatima srodnih istraivanja, formuliraju
se hipoteze itd.
5. Koritene metode su dio rada koji slijedi nakon uvoda, a svrha mu je detaljno
iznosenje informacija o koristenim sredstvima i postupcima sto drugima omogucuje da
izvrsi provjeru i postupaka i dobivenih rezultata.
6. Rezultati istraivanja su najznaajniji dio lanka u kojem se, jasno i precizno,
istie i opisuje sve bitno do ega se tijekom istraivanja doslo.
7. U diskusijikoja je zaseban dio znanstvenoga lanka, se dobiveni rezultati
kompariraju s rezultatima drugih istraivanja, postavljena hipoteza odbacuje ili prihvaca,
navode se rezultati koji nisu oekivani, daju prijedlozi za buduci rad itd.
8. Popis citirane literature dolazi na kraju znanstvenoga lanka. Iako detaljnije
naloge u vezi s popisom literature daje urednistva asopisa ili zbornika znanstvenih radova,
on slijedi priblino ista pravila koja vrijede i za popis literature kod znanstvene knjige.
U nekim situacijama znanstveni lanak moe sadrati i zahvalu za pomoc kolegama
i suradnicima, institucijama koje su osigurale financijsku potporu i slino. Ako se, pak,
autor - ili autori - opredijele na zahvalu, njezino je mjesto, u pravilu, izmedu diskusije i
popisa citirane literature.
8.2. DOK$MENTA"IJSKA OSNOVA R$KOPISA
Pod znanstvenom dokumentacijom razliiti autori ne podrazumijevaju istu stvar
55
.
Pod dokumentacijskom osnovom rukopisa se, u ovoj analizi, podrazumijevaju etiri
sastavnice:
1. citati,
2. podnosci (fusnote, napomene),
3. konana bibliografija i
4. ilustracije.
Pitanje konane bibliografije vec je tretirano u kontekstu dijelova znanstvene
knjige (vidjeti poglavlje 8.1.1.1.7 Popis literature (bibliografija)). Stoga se nastavak analize
posvecuje ostalim sastavnicama znanstvene dokumentacije.
8.2.1. "/+/(,*&'
Sako znanstveno i struno djelo u svojem sastavu sadri dvije vrste teksta - jednu
koja izraava autorovu misao, spoznaje i ideje, i drugu koja je manifestacija tudih misli i
spoznaja. Koristenje tih, dakle, tudih misli, spoznaja, podataka i ideja nije zabranjeno. No,
postoje procedure kojih se, u tom sluaju dakako, autor mora pridravati. Te procedure se
u znanosti oznaavaju terminom citiranje. Good i Scates (vidjeti Good i Scates, 1967,
671-672.), doduse, pojam citiranja shvacaju i nesto sire. Oni, naime, prave razliku izmedu
izravnih (neposrednih) i neizravnih (posrednih) citata. Pri tome se pod neizravnim
(posrednim) citatima podrazumijeva parafraziranje i prosudivanje, i kod njega se niti ne
upotrebljavaju navodni znaci, ali se odgovarajucim podnoskom (fusnotom) treba naznaiti
parafrazirani izvor. U protivnom, ako se ne navede izvor iz kojeg je tekst preprian ili
podaci iz njega interpretirani na svoj nain, radi se o plagijatu.
Neizravni citati, medutim, u Good-Scatesovom znaenju toga pojma, nisu predmet
ove analize. Sukladno tome, pod citiranjem se podrazumijeva samo pismeno ili usmeno
navodenje, i to od rijei do rijei, tudih rijei ili dijelova teksta u vlastitom znanstvenom ili
strunom radu.
Svrha citiranja u znanstvenim i strunim radovima je doista raznolika. Citiranjem
se, prije svega, ilustrira neki problem. Citat, potom, esto slui i kao dokaz, iako mu tu
55
Za amica i Zugaja, primjerice, znanstvena dokumentacija podrazumijeva citate, podnoske
(fusnote) i konanu bibliografiju. S druge strane, pod znanstvenom dokumentacijom Zelenika
podrazumijeva citate, pozivne biljeske (fusnote) i ilustracije.
263
dimenziju, u pravilu, treba izbjegavati buduci u funkciji dokaza moraju biti vlastiti, a ne tudi
argumenti. Citatom se nerijetko, pozivom na odredeni autoritet, argumentira i vlastita
misao.
Bez obzira, medutim, u kojem ga se svojstvu i s kojim ciljem koristilo, u citiranju
treba imati mjeru. U protivnom, oni mogu biti uzronici gusenja autorove sopstvene misli,
umanjenja originalnosti i vrijednosti njegova teksta, ono sto se predstavlja vlastitim radom
prestaje biti to i postaje, $hamsonovim (amson) jezikom govoreci, donje rublje stranih
ljudi, prerasta u tzv. citatologiju.
Uvaavajuci sve to, citiranje podrazumijeva i pridravanje odredenih pravila.
Najvanija medu pravilima citiranja su i posebno apostrofirani:
1. Citat se svojim sadrajem mora uklapati u tekst na nain da s njime ini
organsko jedinstvo, da se ne osjeca nikakav prijelaz s vlastitog teksta na citat.
2. U pravilu, citat ne smije biti predugaak. Samo u izuzetnim sluajevima
dopusta se da on bude dui od nekoliko redaka, ponekada i od jedne stranice.
3. U pravilu se, potom, citira iz prve ruke.
4. Odstupanje od ovog pravila se dopusta samo u posebnim sluajevima,
primjerice ako primarni izvor nije dostupan. U tim se sluajevima pribjegava citatu iz
druge ruke, citiranju citata. No, u tom se sluaju treba pridravati pravila da se navedu svi
potrebni elementi o originalnom djelu, a tek potom napomena da je citirano prema,
dakle navode se svi potrebni elementi i o autoru od kojeg je citat preuzet. Primjerice:
Kustic, Z., Velike religije svijeta, Zagreb, 1974., str. 32., citirano prema
Kukic, S., Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., str. 332.
Pri tome su, dakako, moguce i razliite vrste skracivanja, na sto - u dijelu o
sustavima citiranja - upozorava i nastavak ove analize.
5. Ukoliko je citat u originalu napisan boldom (masnim slovima) i kurzivom, kod
citiranja ga se u toj formi mora i prenijeti. S druge strane, ako je citat u originalu napisan
obinim tekstom, a autor ga pri citiranju, ili samo jednu ili vise rijei u njemu, eli boldom
ili kurzivom istaci, duan je u podnosku (ili napomeni uz istaknuti dio citata) navesti
podvukao autor ili kurziv je nas.
6. Dio iz drugog djela, ako je ono napisano na nekom od stranih jezika, moguce je
citirati na jeziku kojim je napisan, a moguce ga je i prevesti na jezik djela u kojem se citira.
to ce se od toga uiniti zavisi, prije svega, o tome o kakvom se djelu radi i kome je ono
namijenjeno, ali i kojeg nivoa vanosti je konkretni citat. Radi li se, primjerice, o strogo
znanstvenom djelu, ako je, uz to, ono namijenjeno strunjacima ili pak stranoj publici,
prakticirati ce se citat na jeziku kojim je napisan. U tom bi se sluaju prijevod citata na
jezik autora djela trebao naci u fusnoti. Ako je, pak, djelo namijenjeno sirem krugu
itatelja, ili je citat napisan na jeziku koji ne spada u grupu svjetski rasprostranjenih, u tom
je sluaju loginije oekivati da on bude preveden na jezik autora djela u kojem se citira.
No, u tom je sluaju, isto tako, logino i da citat u svojem originalu bude naveden u fusnoti.
to ce, u svakom konkretnom sluaju, autor djela uiniti, za sto ce se opredijeliti, ovisi
iskljuivo o njemu.
7. Temeljno pravilo kod citiranja glasi: preuzeti tekst drugog autora se stavlja
medu znakove navodenja (), a potom se, u fusnoti ili napomeni uz citirani tekst, navodi
i djelo iz kojeg je citirano, ili iz kojeg je citat nekog drugog autora preuzet. Ako se, pak,
citira drugog autora, i ako se u preuzetom tekstu nalazi i citat nekog drugog autora kojega
je on citirao, taj se dio stavlja u polunavodnike ('').
8. Ako se u dijelu teksta koji se citira, zato sto su nezanimljive i slino, ispusti
jedna ili vise rijei, to se itatelju mora dati do znanja na nain da se na mjesto ispustenih
rijei ili dijela teksta stavi zagrada s tri tokice ().
Primjer:
Originalni tekst: Bogardus predlae klasifikaciju koja takoder respektira
vise kriterija, a koja predvida razlikovanje sest klasifikacijskih grupa.
Citat s ispustanjem: Bogardus predlae klasifikaciju () koja predvida
razlikovanje sest klasifikacijskih grupa.
Cini li se, pak, to, mora se voditi rauna da se ispustanjem jedne ili vise rijei ne
izgubi izvorni smisao misli njihova autora.
264
9. Citatu se ponekada moe ponesto i dodati kako bi smisao citiranja bio
upotpunjen. No, u tom se sluaju dodatak takoder stavlja u zagradu, a uz njega je moguce
staviti i inicijale autora kako bi se znalo da se radi o njegovu dodatku, a ne dijelu citiranog
teksta. U koristenom citatu to bi moglo izgledati na slijedeci nain:
Bogardus predlae klasifikaciju koja takoder (kao i kod Gurvitcha,
Simmela, Beckera i drugih - K.S) respektira vise kriterija, a koja
predvida razlikovanje sest klasifikacijskih grupa.
10. Na koncu, u citiranom se tekstu zadravaju sve njegove posebnosti, pa i
eventualne, ako ih ima, pravopisne ili materijalne pogreske. U tom ce sluaju, medutim,
autor koji citira, navedene pogreske, ako ih primijeti, odmah iza njih prokomentirati
latinskom rijei sic, s usklinikom iza nje i sve to smjesteno izmedu zagrada - dakle, kao
(sic!), a to - buduci latinska rije sic znai tako - ima znaiti komentar tipa tako autor.
Primjer: Sustav normi i pravila ponasanja unutar gripe (sic!) i grupe prema vani
Kod citiranja ili navodenja literature se moe koristiti vise naina ili sustava
citiranja - Harvardski, numeriki, abecedno-numeriki itd.
A. U "arvardskom sustavu citiranja se u tekstu, ako je moguce na kraju
reenice, stavlja samo prezime autora i godina publikacije, primjerice (Kukic, 2004), a u
popisu literature referenca bi se, postujuci abecedni redoslijed, navela na slijedeci nain:
Kukic, S. Sociologija, teorije drustvene strukture, Sarajevo Publishing,
Sarajevo, 2004., ili
Kukic, S. (2004). Sociologija, teorije drustvene strukture. Sarajevo.
Publishing Sarajevo.
Unutar ovoga sustava je, osim toga, moguce i prosirenje brojem stranice u tekstu.
U konkretnom sluaju se to prosirenje moe izvesti kao (Kukic; 2004; str. 354) ili samo kao
(Kukic; 2004., 354).
Osnovna prednost Harvardskog sustava citiranja je u tome sto reference nisu
numerirane pa ih je relativno jednostavno naknadno ubacivati ili, pak, izbacivati iz teksta.
Nedostatak mu je, medutim, vezan za injenicu da zauzima relativno dosta prostora i
povecava obujam teksta, posebice ako se koristi veliki broj referenci. Ono sto, potom, kod
ovog sustava moe biti problem jeste mogucnost da medu referencama nadu dva djela
istog autora iz iste godine. U tom se sluaju pribjegava rjesenju da se jedno od djela oznai
s a, a drugo s b.
%. Kod numeri.kog sustava citiranja redni broj reference se odreduje temeljem
redoslijeda njezina pojavljivanja u tekstu. Redni broj reference se, dakle, stavlja u zagradu
kojom se referenca oznaava. Primjerice, ako je citat iz udbenika Sociologija, teorije
drustvene strukture dvanaesti po redu u rukopisu nekog djela, uz citat stavlja broj 12 u
formi (12), a u popisu literature se, na rednom broju 12, stavljaju svi podaci uz citirano
djelo, dakle:
Kukic, S. Sociologija, teorije drustvene strukture, Sarajevo Publishing,
Sarajevo, 2004., ili
Kukic, S. (2004). Sociologija, teorije drustvene strukture. Sarajevo.
Publishing Sarajevo.
Ako se, potom, navedeno djelo citira jos koji put, redni broj prvog citiranja, u
nasem sluaju br. 12, se uvijek zadrava. Dakako, redni broj pojavljivanja odredenog citata
se - sto je jos prihvatljivije - moe i dopunjavati i brojem stranice citiranog djela kako bi se
imao detaljniji uvid u to gdje je u citiranom djelu navod smjesten. U konkretnom primjeru
to bi izgledalo ovako: (12., 134) ili (12; 134), pri emu br. 12 oznaava da se radi o
referenci koja je prvi put citirana dvanaesta po redu, te da se citat nalazi na 134. stranici
navedene reference.
I ovaj sustav citiranja ima svojih i dobrih strana, ali i nedostataka. Dobra mu je
osobina jednostavnost referenci u tekstu. Nedostaci mu se, medutim, ispoljavaju i u odnosu
na autora i u odnosu na itatelja. to se autora tie, problem je u tome sto se, ako se takva
potreba naknadno ukae, ne mogu ubacivati bez teskoca nove reference izmedu vec
postojecih jer se remeti napravljeni redoslijed. to se, pak, itatelja tie, problem je vezan
265
za injenicu da numeriki sustav u popisu literature ne slijedi abecedni red nego redoslijed
prvog pojavljivanja, a to itatelju oteava snalaenje.
". Abecedno4numeri.ki sustav citiranja je svojevrsna kombinacija dvaju
prethodnih. U rukopisu se, naime, citati navode po redoslijedu prvog pojavljivanja, kao kod
numerikog sustava ( u nasem sluaju to je br. 12). U popisu literature se, medutim, slijedi
abecedni redoslijed, a nakon njegova sredivanja vrsi se korekcija i u citiranju na nain da
se na mjesto prvog po redu pojavljivanja odredene reference stavlja redni broj reference iz
abecednog redoslijeda u popisu literature. Nas br. 12, u tom sluaju, u popisu moe doci
na, primjerice, redni br. 4. U tom se sluaju u svim navodima u tekstu, u kojima je redni
br. 12 koristen za oznaku odredene reference, na mjesto broja 12 stavlja broj 4. Dakako, i
u tom sluaju postoji mogucnost navodenja uz citat samo rednog broja reference u popisu
literature - u konkretnom sluaju (4) - ali i navodenja uz redni broj reference broja
stranice (ili stranica) na kojoj se citat pojavljuje - primjerice (4, 143) ili (4;134)
Bez obzira koji se od navedenih sustava koristi, danas je sve vise prijedloga kako
bi se, uz puno prezime -u citiranju, ako se koristi Harvardski sustav, ali i u popisu literature
- trebalo navoditi i puno ime autora. Razlog je u injenici da se s istim prezimenom u
citiranju, ali i referencama, moe pojaviti vise autora, zbog ega koristenje samo prezimena
moe dovesti i do zabune.
Danas je, medutim, sve prisutnije i citiranje izvora s &nterneta. Postoji, dakako,
veci broj posluitelja na Internetu, koji se u popisu literature mogu citirati. Medu njima se
izdvajaju: World Wide Web (WWW) posluitelj, GOPHER posluitelj, FTP (File Transfer
Protocol) adresa, Telnet adresa, Sinkrone komunikacije i drugi. No, najesce se koristi
WWW posluitelj, a na njemu, opet, Linx, Netscape ili neki drugi prebirnik.
Da bi se na tim, ili nekim drugim, prebirnicima moglo citirati, potrebno je
raspolagati slijedecim informacijama koje se na prebirnik unose (Zugaj, 1997., 197):
1. ime autora (ukoliko je poznato),
2. pun naslov dokumenta u navodnicima,
3. naslov kompletnoga rada (ukoliko postoji) u kurzivu,
4. datum publiciranja ili posljednje prepravke,
5. potpun URL (http adresa) unutar kutnih zagrada,
6. nadnevak posjete u zagradama, koji je veoma vaan jer jami da je citirani
dokument u momentu citiranja bio dostupan.
Model: Crouse, Maurice, Citing Elecrtonic Information in History papers. 7.
prosinac 1996. (htt(>N<<<#(eo(le#mem(his#eduN.crousemNelcite4
html)(16. prosinca 1996)
Bilo koji sustav citiranja da se koristi pri citiranju su moguce i izvjesne pogreske.
One su svojstvene posebno mladim autorima. Medu njima je, primjerice, posebno esta
pogreska da se citat najavljuje nekom vrstom parafraziranja, da se nakon citata ponovo
osvrce na njegov sadraj, a moguce je da citat prati i parafrazirajuca priprema i
naknadni komentar u isto vrijeme.
8.2.2. P7.*7C,5 G:>1*7+,0 *,276'*,H
Podnoak (fusnota, podnona napomena, napomena, rubna biljeska itd.) oznaava
biljesku koja se obino stavlja ispod teksta, pri dnu stranice, koja je otisnuta slovima
sitnijima od teksta samog, i kojom se obino objasnjava nesto u vezi s napisanim tekstom,
nesto sto bi u tekstu bilo balast, oteavalo mu itanje i razumijevanje. Radi se, u pravilu, o
objasnjenjima koja su korisna, ali za razumijevanje teksta ne i nuna.
Postoje razliite vrste podnoaka (fusnota, napomena). Svi oni se, dakako, mogu
grupirati prema dva osnovna kriterija - po sadraju i mjestu gdje se nalaze.
266
Prema sadraju moguce je praviti razliku izmedu tri temeljne vrste podnoaka ili
napomena - dokumentarnih (bibliografskih), eksplikativnih i uputnih.
56
Dokumentarnom (izvornom, bibliografskom) napomenom se navode bibliografski
podaci izvora iz kojih su citati, ideje ili injenice uzimani, a cilj joj je, prvo, da prui
odredenu garanciju istinitosti citiranih injenica, sudova i ideja i autorov tekst uini
pouzdanijim, i drugo, da itatelju omoguci da se, ako eli, podrobnije i temeljitije upozna s
citiranim izvorom, da, dakle, dodatno razvije svoje znanje. Ovim napomenama, sukladno
tome, treba u najvecoj mjeri zahvaliti i razlikovanje izmedu strogo znanstvenog i
popularno-znanstvenoga djela.
Eksplikativnom napomenom se, u pravilu, nudi dopunsko objasnjenje odredene
misli ili injenice iz teksta, u njemu iznijetih podataka, informacija, stavova itd.
Na koncu, uputnom napomenom se itatelja upucuje na neki drugi izvor koji tretira
istu ili slinu problematiku ili na druge dijelove istog izvora.
Prema mjestu gdje se nalaze, moguce je praviti razliku izmedu tri vrste
napomena:
a) Napomene koje su sastavni dio teksta. Za njih je, zapravo, i ispravnije koristiti
termin napomene jer su smjestene uz sami tekst na kojeg se odnose.
57
Ako se prakticira
ovu vrstu napomena onda se podaci, koji je ine, stavljaju u zagrade nakon teksta na koji
se ona odnosi. Takve su, u pravilu, dokumentarne napomene, one kojima se navode
bibliografski podaci citiranog izvora, npr. (12., 134).
b) Fusnote (podnone napomene) koje se nalaze ispod teksta, u podtekstu, i na
stranici na koju se odnose. One su, u pravilu, oznaene arapskim brojevima.
c) Fusnote (podnone napomene) iza svakog poglavlja ili na kraju knjige. U tom su
sluaju sve fusnote, koje se u tekstu koriste, navedene na istom mjestu.

Radi li se, pak, o fusnotama kao podnonim napomenama, takoder su moguce
razliite kombinacije. Oznaavaju li se, primjerice, fusnote arapskim brojevima, to je
moguce uiniti takoder na tri naina. Moguce je, prvo, da fusnote na svakoj stranici poinju
rednim brojem 1. Istina je, doduse, da se ovakva mogucnost, zbog nedostataka kojima je
opterecena - male promjene u tekstu mogu dovesti do velikih poremecaja - relativno
rijetko koristi. Ako je, medutim, opredjeljenje na takav nain oznaavanja, umjesto
arapskih brojeva se mogu upotrijebiti i zvjezdice (*), jedna ili vise njih ovisno o tome koliko
fusnota na dotinoj stranici ima. Moguce je, potom, da se fusnote odnose na jedno
poglavlje. U tom sluaju, u svakom novom poglavlju fusnote poinju rednim brojem 1. Na
koncu, moguce je da su fusnote jedinstvene za itavo djelo. U tom sluaju, redni broj 1 koji
stoji uz prvu fusnotu u djelu, a broj X uz posljednju.
U sluaju, potom, da je djelo optereceno fusnotama ispod teksta ponekada se
pribjegava rjesenju da se razdvoje bibliografske i eksplikativne napomene, i to na nain da
se eksplikativne pisu pri dnu stranice, a bibliografske na kraju poglavlja ili knjige. U sluaju
takvog opredjeljenja, medutim, mora se napraviti razlika i u oznaavanju napomena - da
se, primjerice, eksplikativne napomene oznaavaju arapskim, a bibliografske rimskim
brojevima.
Kada su, na koncu, u pitanju svi oblici fusnota, odnosno podnonih napomena, u
vezi s njima je potrebno poznavati i nekoliko pravila njihova koristenja. Medu znaajnije
spadaju, svakako, i slijedeca pravila koristenja podnoaka:
Broj fusnote se obino (osim u izuzetnim sluajevima kada se, kako je i
naznaeno, koriste rimski brojevi ili zvjezdice) oznaava arapskim brojem (1,2,3,), bez
zagrade, pri emu je broj malo izdignut;
56
Ormus i Matijevic za tu vrstu napomena koriste termin komparativne (vidjeti, Ormus i Matijevic,
1979., 180). No, tim se nazivom, po nasem sudu, ne pogada u potpunosti i smisao onoga sto ova
vrsta podnoaka znai. Stoga termin uputne smatramo prihvatljivijim.
57
Za razliku od njih, termin fusnota po svojoj strukturi upucuje da se radi o napomeni koja je ispod
teksta (ili na kraju poglavlja, ili na kraju knjige). Termin fusnota je, naime, njemako-latinska
kovanica (Njem. Fuss = noga, podnoje, lat. nota = znak, zabiljeska) koja se moe prevesti
kao podnona zabiljeska (napomena).
267
Broj fusnote dolazi na kraju citata, a ne odmah nakon navodenja autora u vezi s
kojim je fusnota. Idealno bi, dakako, bilo kada bi s njim zavrsavala reenica. No, to esto
nije sluaj;
Ako na mjestu, koje je predvideno za broj fusnote, postoji i odreden
interpunkcijski znak (zarez, toka itd.), broj fusnote dolazi poslije interpunkcijskoga znaka;
Kod tehnologije pravljenja fusnota, odnosno podnonih napomena, u sluaju da se
radi o dokumentarnim (bibliografskim) fusnotama, takoder se treba pridravati odredenih
pravila. Neka od najvanijih pravila pravljenja fusnota su i prezentirana u nastavku analize.
Kod prvog navodenja bibliografskih podataka iz izvora, u sluaju da na kraju
znanstvenoga rada nema bibliografije, navode se svi bibliografski podaci: Prezime i ime (ili
prvo slovo imena), naslov djela, broj izdanja (ako ih ima vise), ime izdavaa, mjesto
izdanja, godina izdanja, broj stranice (ili stranica). No, i u tom se sluaju mogu primijeniti
dva pristupa.
Primjer br. 1: Kukic, S., Sociologija, teorije drutvene strukture,
Sarajevo Publishing, Sarajevo, 2004., s. 134
Primjer br. 2: Kukic, S., Sociologija, teorije drutvene strukture,
(Sarajevo Publishing, Sarajevo, 2004.), s. 134
Ukoliko, pak, na kraju znanstvenoga rada postoji bibliografija, i kod prvog
navodenja djela je moguce izvrsiti skracivanje - bilo da ostanemo vjerni Harvardskom, bilo
da se opredijelimo za numeriki ili abecedno-numeriki nainu navodenja. U koristenju
Harvardskog naina navodenja prethodni bi primjer mogao izgledati ovako:
Kukic, S., Sociologija, teorije., 2004., s. 134
Ako je u tekstu dano prezime autora djela, ili i prezime i naslov, onda se ti
podaci ne moraju navoditi i u podnosku ili fusnoti.
Primjer 1: u tekstu se nalazi prezime autora
Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134
Primjer 2: u tekstu se nalazi i prezime autora i naslov djela
Sarajevo Publishing, Sarajevo, 2004., s. 134
Ako u djelu nije dano ime autora, napomena poinje naslovom djela. U
koristenom primjeru to bi izgledalo ovako:
Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134
Ako se u fusnoti (podnonoj napomeni) navodi vise izvora, oni se obino
rastavljaju tokom i zarezom.
Primjer: Kukic, S., Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134; Marusic, A., Sociologija, Zagreb, 1965., s. 45.
Ako su djelo napisala dva ili tri autora, navode se imena svih njih, npr.:
Kukic, S. i Demirovic, M., Metodologija znanstvenoistraivakog rada
drutvenih znanosti, Mostar-Bihac, 2003., s. 45.
Ako je djelo plod rada vise autora, u fusnoti se navodi samo prvi od njih, a uz
njega se stavi i dr. ili et al.
Primjer: Buble, M. et al. (ili Buble, M. i dr.), strategijski management,
Ekonomski fakultet, Split, 1997., s. 234.
Prethodni primjer upozorava i na jos jedan detalj koji se javlja u koristenju
fusnota. U pitanju je, naime, koristenje razliitih kratica u fusnotama. U znanstvenim i
strunim djelima se - pri emu se misli na ukupnost teksta u njima - najesce koriste
slijedece kratice:
A(+/)>->1 (skraceno, ,(+.) = lan
"7*:'( (skraceno, ):.) = usporedi
E+ )'+'(, (skraceno, '+).) = i tako dalje
I8/.'6 (skraceno, /8/.. ili /8.) = na istom mjestu (u istom djelu, na istoj strani)
I* :/*' = konano, na kraju (knjige), na svrsetku.
I*:(, (skraceno, /*:.) = ispod, nie (upucuje na ono sto ce doci kasnije)
268
L7)7 )/+,+7 (skraceno -7).)/+. ili -.).) = na navedenom mjestu
O2>1 )/+,+>6 (skraceno 72. )/+ ili samo 7.).) = u navedenom djelu (u djelu
koje je ranije vec bilo spomenuto)
P,9/*, (skraceno, 2,9. ili 2.) = stranica u knjizi
S/*' ,**7 (skraceno, 1.,.) = bez godine izdanja (kod djela koja nemaju godinu
izdanja)
S/*' -7)7 (skraceno, 1.-.) = bez mjesta izdanja (takoder kod znanstvenih djela)
S/) = tako (obiljeava da je tako u originalu, moe biti i udenje)
S>2(, (skraceno, 1>2.) = ispred, prije (upucuje na ranije podatke)
T76>1 (skraceno +.) = svezak
V/)' ;'(1, (skraceno, ;.;.) = obrnuto
Kod fusnota ili podnonih napomena se, medutim, najesce koriste tri od
navedenih kratica - Ibidem (ibid.), Opus citatum (op.cit.) i Loco citato (loc.cit.)
Kratica /8/.. (ibidem) koristi se u sluaju da se isti izvor, isto djelo, citira, ili se na
njega poziva u vise navrata uzastopno. U tom se sluaju glavni podaci o djelu navode samo
kod prvog citiranja. Kod svih ostalih sluajeva, ako se nadovezuju na prvo citiranje bez
prekida, koristi se kratica /8/..
Primjer:
1. Kukic, S., Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134
2. Ibid., 65.
3. Ibid., 321.
Ako se, medutim, izmedu citiranog djela pojavilo jedno ili vise drugih djela,
ponovno citiranje toga djela ne podrazumijeva potrebu i ponovnog navodenja njegovih
glavnih podataka. Dovoljno je samo navesti prezime i prvo slovo imena autora i kraticu
72.)/+. ili samo O.). (Opus citatum).
Primjer:
1. Kukic, S., Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134
2. Buble, M. et al. (ili Buble, M. i dr.), strategijski management,
Ekonomski fakultet, Split, 1997., s. 234.
3. Kukic, S., op.cit., 326
4. Buble, M. et al., op.cit., 421.
Na koncu, ako se u fusnoti hoce uputiti na isto djelo, isti svezak, istu glavu i istu
stranu, koristi se skracenica -7). )/+. (loco citato = citirano mjesto).
Primjer:
1. Kukic, S., Sociologija, teorije drutvene strukture, Sarajevo Publishing,
Sarajevo, 2004., s. 134
2. Kukic, S., loc. cit.

8.2.3. I->1+(,)/&'
Pod ilustracijama se podrazumijevaju svi prilozi koji su u funkciji reljefnijeg i
zornijeg predoavanja itatelju opsirnih deskripcija i raznih sloenih pojava. U
znanstvenoistraivakom radu koristi se veliki broj razliitih ilustracija. Neke od njih, koje
se esce pojavljuju, u nastavku se teksta i poblie odreduju.
1. Tabela, odnosno sustavni pregled podataka o znaajkama promatrane pojave,
dobivenih grupiranjem pojedinanih podataka koji su prikupljeni i obradeni. U stvarnosti se
pojavljuju tri temeljne vrste tabela:
jednostavne, u kojima se prikazuju podaci jedne pojave prema samo
jednom obiljeju. Sastavljene su od samo dvije kolone - pretkolone u
kojoj je istaknuto obiljeje prema kojem se grupiranje vrsi, te kolone, u
kojoj su brojani podaci za svaku grupu.
269
sloene, nastale spajanjem vise jednostavnih tabela nastalih prema
istom obiljeju, zbog ega im je zajednika i pretkolona, te
kombinirane, u kojima se grupiranje vrsi prema dva obiljeja, pri emu
se jedno od njih stavlja u pretkolonu, a drugo u zaglavlje.
Kod koristenja tabela mora se voditi rauna o tome da svaka tabela ima i neke
svoje sastavne dijelove, slijedece prije svega:
Naslov, i to iznad tabele, jasan i kratak,
Redni broj, koji se, u pravilu, pise ispred naslova, i pomocu kojeg se podaci
iz tabele povezuju s tekstom,
Izvor podataka, koji se navodi ispod tabele,
Zaglavlje, pretkolonu, redove i kolone iji broj moe biti razliit, te
Napomenu, koja se, ako se uopce koristi, pise ispod tabele, a iznad izvora
podataka.
2. Gra'ikon, zahvaljujuci kojem odredeni brojani podaci postaju prijemivijim,
jasnijim, pristupanijim. Grafikon se, naime, esto koristi i za prikazivanje podataka koje
sadri odredena tabela. Pri tome se, dakako, mogu koristiti razliite varijante grafikog
prikazivanja podataka - pomocu razdijeljenih stupaca, dvostruko razdijeljenih stupaca,
linijskoga grafikona, te strukturnih krugova. Svaki grafikon prate najmanje tri vrste
podataka, i to:
Redni broj, koji se navodi ispred naslova,
Naslov, koji se nalazi iznad grafikona, te
Izvor podataka, koji se nalazi ispod grafikona.
3. $rte, koji takoder, nekada manje, a nekada vise, prati znanstvenoistraivaki
rad. Veoma su razliite vrste crtea koji mogu pratiti znanstveno djelo, a mogu se dijeliti
prema razliitim kriterijima - sadraju, namjeni, nainu prikazivanja i tehnici izrade.
4. Slika, koja je znaajan sastavni dio znanstvenoga djela. Medutim, izraz slika se
dosta esto koristi u razliitim znaenjima, esto i dosta upitnima. Neki pod tim pojmom
podrazumijevaju sve ilustracije osim tabela (Silobric, 1983., 65), drugi, opet, pod pojam
slika svode sve moguce ilustracije (Milovanovic, 1979., 57 i 88.), itd. Sve to, dakako, je
upitno. Stoga se, kako ne bi dolazilo do zabune, preporua koristenje adekvatnih naziva za
svaku od pojedinanih ilustracija - grafikon, tabela itd.
5. %otogra'ija, koja se takoder relativno esto koristi u znanstvenim djelima. Pri
tome se dopusta da one budu u crno-bijeloj tehnici ili u boji, ali i u jednom i u drugom
sluaju jasne i s dosta kontrasta. Dakako, i fotografije - svaka od njih ponaosob - moraju
imati svoj redni broj, naslov i izvor.
8.3. KOMPONIRANJE I JEZINODSTILSKA O%RADA R$KOPISA ZNANSTVENOG I
STR$NOG DJELA
8.3.1. K7627*/(,*&' ?*,*1+;'*79 / 1+(>4*79 .&'-,
Komponiranje znanstvenog i strunog djela podrazumijeva sve radnje koje se, na
bilo koji nain, odnose na utvrdivanje sastava toga djela, raspored dijelova koji ga ine, te
nain na koji su oni medusobno povezani. U svim tim radnjama se, dakako, treba
pridravati i odredenih naela. U teoriji se apostrofira posebice njih sest i to:
1. N,4'-7 &'./*1+;, 57627?/)/&' se postie ako se tijekom pisanja, i u istom
radu dakako, ostvari jedinstvo cilja (da autor zna sto konkretnom temom eli postici), misli
(da su za glavnu misao povezane sve pojedinosti i ideje koje proizlaze iz uoenog
problema), i izlaganja (autor se, tako, ne smije upustati u nefunkcionalne digresije).
2. N,4'-7 7.,8/(, podrazumijeva nekoliko detalja. Pisac se, prije svega, mora
sam postaviti u ulogu itatelja i iz njegove pozicije ocijeniti sto ga zanima a sto ne. S druge
strane, on mora birati samo ono sto je za konkretnu temu i njezino razvijanje vano. Ne
smije, na koncu, podleci iskusenju suvisnih digresija, iako to, dakako, ne znai i potrebu
uzdravanja od digresija uopce. Dapae. Funkcionalne digresije su dopustene, pridonose
atmosferi opustanja itatelja, te uspjesnijim i slikovitijim objasnjenjima.
270
3. N,4'-7 A,(67*/&' G15-,.,H, koje podrazumijeva da se nadene i odabrane
pojedinosti, slijedom logikih i prirodnih pravilnosti, rasporeduju prema redu koji je
najprikladniji, da se svrstavaju u manje ili vece skupine (paragrafe ili stavke) i vezuju u
jasnu i skladnu cjelinu.
4. N,4'-7 (,;*76&'(*71+/ /-/ 2(727()/&' znai odredivanje adekvatnog prostora
za svaku misao prema vanosti koju ona ima u cjelini. Da bi to uopce bilo moguce
neophodno je unaprijed izvrsiti plansko razgraniavanje ideja prema razini njihove vanosti
na nain da glavna ideja dobije najvise prostora, da vanije ideje dobiju vise prostora od
onih manje znaajnih, sporednijih itd. Ta vrsta razgraniavanja, planiranja se primjenjuje
na svim razinama kompozicije - na razini rukopisa kao cjeline, ali i na razini njegovih
sastavnih dijelova - sve do paragrafa (stavka) i reenice)
5. N,4'-7 /?(,?/+71+/ je isprepleteno s prethodnim. Uvjet da se ono i ostvari je
isticanje najvanijih misli u prvi plan. Kako to, medutim, postici? Vise je naina moguce.
No, jedan od pouzdanijih je izrazitost, snaga zavrsetaka, dojam zaokruenosti i potpunosti
izlaganja u njima, izbjegavanje opasnosti da se, u tim dijelovima teksta, podlegne
iskusenju da se poine razliite vrste pogresaka - od stereotipija, nedovoljne preciznosti do
naglih zavrsetaka bez adekvatne pripreme i tome slino.
6. N,4'-7 (,?*7;(1*71+/ je vano zbog injenice da se, vodi li se rauna o
njemu, izbjegava sivilo misli i izraza, a samim tim i mogucnost monotonije, da se odrava
visoka razina pozornosti itatelja teksta, da ih se motivira da u itanju istrajavaju i slino.
Dakako, raznovrsnost se moe osigurati na razliite naine - izbjegavanjem fraza,
promjenom stila, upotrebom novih rijei itd.

8.3.2. J'?/5 ?*,*1+;'*79 / 1+(>4*79 .&'-,
Jezik je, generalno govoreci, sredstvo sporazumijevanja medu ljudima, a govor,
opet, forma njegove primjene, ali i forma komunikacije izmedu dviju osoba. Razlike,
dakako, treba praviti izmedu knjievnog i narodnog jezika na kojem se on temelji jer je
ovaj prvi normiran razliitim, gramatikim i stilistikim pravilima. Razlike, potom, treba
praviti i izmedu razliitih formi pojavljivanja jezika - umjetnikog, znanstvenog, tehnikog,
jezika koji se prakticira u razliitim vrstama znanosti, a koji se od ostalih razlikuje po
specifinim pojmovima koje koristi itd.
Jeziku su, potom, svojstvene i odredene *7(6'. U pitanju je, primjerice,
gramatika norma kao jedna od onih koje su za jezik bitne. Njome se propisuje i tumai sve
ono sto je u gramatikom ustrojstvu jezika dopusteno, ali i upozorava na ono sto, zbog
toga jer nije prihvaceno, treba popravljati. Medu jezinim normama je i ona koja se tie
pravopisa, konvencije, dogovora o tome kako ce se sto pisati, kada ce se koristiti veliko, a
kada malo slovo, kada toka, zarez itd. Jedna od normi je i leksika, norma koja ozakonjuje
upotrebu rijei i njihova znaenja, koja pravi razliku izmedu rijei koje se podvode pod
termin istoznanica i onih koje spadaju u red slinoznanica, koja precizira pojam sinonima
i regulira pitanje njihova koristenja i slino. U red relevantnih, potom, se ubraja i izgovorna
norma, ona koja propisuje knjievni izgovor, ponajprije izgovor pojedinanih rijei,
ozakonjuje akcente ili naglaske i slino. Na koncu, zanemariti se ne smije ni norma
stilistika, norma koja polazi od toga da je, sve sto u jeziku postoji, dobro, dakako ako slui
svrsi, ali ne i jednako vrijedno, da je vrjednije ono ime se, i pismom, potvrduje
individualnost od onoga u emu ona nije u prvom planu.
U koristenju jezika se, kada je jezik znanosti po srijedi, dogoditi mogu i razliite
vrste 279('3,5,. Cest je sluaj, primjerice, da se odredene rijei zloupotrebljavaju. Stoga
rijei, koje takvu mogucnost dopustaju, prije svega, one koje upucuju na krajnje relativne
pojmove - kao, primjerice, termini slabo, jako, esto, mnogo, kolosalno i tome
sline - u znanstvenim radovima treba, koliko je moguce vise, izbjegavati.
Izbjegavati je, potom, uputno i upotrebu prvog lica jednine i mnoine jer, ni jedno
ni drugo, nije izraz skromnosti, izaziva osjecah samohvalisanja i znade iritirati itatelje.
Umjesto toga se preporua pisanje u bezlinoj formi, u trecem licu, u konstrukcijama tipa
smatra se, istraivanja pokazuju i slino.
Preveliko znaenje, sukladno tome, ne treba davati ni vlastitim rezultatima
istraivanja. Dapae. I tu treba imati mjeru i izgraden osjecaj za objektivno i realno.
271
Uputno nije ni koritenje potapalica tipa opce je poznato, svatko to zna i tome slinih,
ali ni stranih rijei - osim, dakako, da za odredeni pojam ne postoji i odgovarajuca domaca
rije.
Na koncu, odredena se pravila jezika moraju znati i u pisanju brojeva, kako u
numerikom, tako i u tekstualnom obliku. Jedno od pravila u vezi s tim je da se brojevi do
deset pisu slovima, a svi ostali brojevima. Ako se, pak, u jednoj reenici pojavljuju obje
vrste brojeva, pribjegava se pravilu da ih se sve pise numeriki. Na koncu, brojevima se, i
to u svim pojavnim formama, pisu i brojevi dana, mjeseca i godine.
8.3.3. S+/- ?*,*1+;'*79 / 1+(>4*79 .&'-,
8.3.3.1. P7&,6 1+/-,
Jasno je da znanstveno i struno djelo nije u potpunosti neovisno od stila pisanja.
Dapae. Izgradenost stila pisanja moe bitno utjecati i na prihvatljivost konkretnog djela
kod itateljske publike. Drugim rijeima, znanstveno i struno djelo zahtijevaju i primjeren
stil iznosenja misli - stil koji je jasan, neusiljen, jednostavan, originalan, pun maste,
ivosti, harmonije. Kako, medutim, stil pisanja i definirati? U literaturi je, dakako, moguce
sresti razliite definicije. Ne ulazeci, dakako, u variranje pojedinih od njih, pod stilom se
moe razumjeti izbor izraajnih sredstava u jeziku, i to izbor koji je ukupnost svih izraajnih
sredstava.
Medu stilovima postoje znaajne razlike. Sukladno tome, moguce je praviti razliku
izmedu razliitih stilova pisanja - knjievno-umjetnikog, publicistikog, administrativnog,
znanstveno-popularnog, znanstvenog itd. I, svaki od njih ima posebnosti po kojima se
razlikuje u odnosu na druge. U znanstvenoistraivakom radu se, primjerice, prakticira
znanstveni stil, stil koji istie logika obiljeja onog sto se izlae, intelektualne elemente
jezika, znanstvene izraze. Odlikuje ga, drugim rijeima, inzistiranje na jednostavnosti,
jasnoci, kratkoci i loginosti misli i izlaganja rezultata znanstvenoistraivakog rada, ali i
zanemarivanje intimnosti, individualnosti, osjecajnosti. Za razliku od njega, kod
knjievno4umjetni.kog stila do izraaja dolazi puno vise masta i osjecaji nego razum i
intelekt. Za razliku od znanstvenog, ovaj stil koristi bas sve mogucnosti koje prua
knjievni jezik. Publicisti.ki stil, opet, spaja mnoge elemente novinarskog i znanstvenog.
Odlikuju ga kratkoca, jasnoca, esto i polemika ostrina. Na koncu, svojevrsnom se
mjesavinom moe oznaiti i znanstveno4(o(ularni stil, kombinacijom znanstvenog,
knjievno-umjetnikog i publicistikog u isto vrijeme. Pribjegava mu se obino u
situacijama kada se autor odredenog znanstvenog ili strunog djela ne obraca specijalistima
nego siroj itateljskoj publici i kada se, upravo zbog tipa publike, izlaganje hoce uiniti
ivahnim, kada se strunu terminologiju opisima, knjievnim izrazima i slino.
Izvjesno je, dakako, da se u stvarnosti relativno rijetko, ili nikako, moe govoriti o
istom stilu. U principu se radi o odredenim ukrstanjima razliitih stilova. Dijelovi kojeg od
njih ce biti naglaseniji ovisi, bez dvojbi, o onima kojima je rad upucen. No, bez obzira na to
elementi kojeg od stilova su dominantni, jedno je pravilo, kada je znanstvenoistraivaki
rad u pitanju, opcevaece - dobar je onaj stil koji je jasan, jednostavan, prirodan,
odmjeren, suvisao, ali i raznolik. Autor teksta, naime, nikada ne smije izgubiti iz vida da ne
pise za sebe nego za druge, da to sto pise mora biti pregledno, da izmedu dijelova teksta -
reenica i paragrafa - postoji potrebna logina veza itd.

8.3.3.2. O.-/5' .78(79 ?*,*1+;'*79 1+/-,
Govoreci o pravilima dobrog pisanja, !ilson apostrofira posebice slijedece: 1.
Nikada ne upotrebljavaj veliku rije ako ti je mala dovoljna. 2. Nikad ne upotrebljavaj dvije
rijei ako je jedna dovoljna. 3. Izbjegavaj pasiv kao kugu (npr. pasiv: u odsudnoj utakmici
nasi su pobijedeni. Aktiv: Nasi su izgubili odsudnu utakmicu). 4. Pusti glagole da podnesu
glavni teret (prema, Zugaj, 1997., 188.). U Wilsonovim pravilima se, dakako, moe
prepoznati i detalje dobrog znanstvenog stila. O tim detaljima, medutim, drugi autori
govore i bitno kompleksnije. Po 8ami2u, primjerice, moguce je govoriti o tri odlike dobrog
stila i jezika jednog znanstvenog djela. To su:
272
1. J,1*7@,, odnosno sposobnost jezika da kod itatelja razvija iste misli i
osjecaje kao i kod autora u vrijeme dok je djelo pisao. To je, s druge strane, moguce samo
u sluaju ako je autor, dok djelo pise, svjestan da pise za druge, a ne za sebe, da, prema
tome, misao treba i izlagati na nain da je itatelj, ak i pod pretpostavkom da o predmetu
ne zna gotovo nista, u potpunosti i bez vecih poteskoca razumije.
2. J'.*71+,;*71+0 2(/(7.*71+0 7.6&'('*71+. Ova odlika, zapravo,
podrazumijeva veci broj osobina dobrog znanstvenog stila pisanja. Prema amicu, dobar
znanstveni stil ne smije biti ni pretenciozan, ni patetian (zanesen, strastven), ni emfatian
(napuhan), ni bombastian (kicen), ni panegirian (koji sve hvali), ni dijabolian (koji sve
negira), ni ironian (koji se svemu smije), ni skeptian (koji u sve sumnja), ni polemian
(koji je sklon polemici u vezi sa svim i svaim), ni hiperkritian (koji pretjerano kritizira), ni
familijaran, ni retorski, ni svearski, ni leeran (vidjeti, amic, 1969., 117-118). Dobar je
znanstveni stil, naprotiv, onaj koji je jednostavan, prirodan i odmjeren, a kojem, uz sve to,
ne fali ni topline, ivosti i duha.
3. K7*)/?*71+, koja podrazumijeva racionalnost u izraavanju, te ekonominost i
konciznost izraza koja se moe postici na razliite naine - izbjegavanjem opisnog naina
kazivanja i tautologije, racionalnom upotrebom rijei i gramatikih oblika, postivanjem
generalnog pravila da ono, sto niemu ne slui, zapravo skodi, ali i da je, ono sto nije
dobro, u stvari lose.
S tim u vezi se, dakako, postavlja i jos jedno pitanje. Kako, naime, ove odlike ili
svojstva dobrog stila postici? Tri su bitne pretpostavke tome - izbor rijei, struktura i bitne
osobine reenice, te struktura i osobine paragrafa ili stavaka.
i) I?87( (/&'4/, kao jedna od pretpostavki postizanja dobrog stila, zavisi od vise
detalja - vrste napisa o kojem je rije, vrste itatelja za kojeg se pise (drugaije se pise za
strunjaka, a drugaije za siru i neobrazovaniju publiku) itd. No, nesporno je da uvijek
treba birati rijei kojima se najizrazitije i najefikasnije moe saopciti ono sto se eli. Kada
je, primjerice, znanstveni tekst u pitanju, za svaki pojam treba birati ona jezika odredenja
koja su za njega i najprikladnija, koja najpreciznije izraavaju odredenu misao. Istodobno,
medutim, kod izbora rijei treba voditi rauna i o kriteriju njihove raznolikosti, o tome da se
izbjegne ponavljanje istih rijei, upotrebu kliseja, obrata i fraza kakve su, primjerice, i te
kako, fantastino itd.
j) Jedna od pretpostavki postizanja dobrog stila su, potom, i 1;7&1+;, ('4'*/)'
kao stilske jedinice pomocu koje se saopcava misao. Da bi ona bila u funkciji izgradnje
dobrog stila neophodno je da je krase odredene osobine. Dvije medu njima - koherentnost
i raznolikost
58
- zasluuju posebnu pozornost.
Koherentnost podrazumijeva logian odnos pojedinih dijelova i rijei u reenici, koji
omogucuje da njezin sadraj itatelj shvati brzo i bez vecih napora. Pri tome se, kako bi se
postigla koherentnost reenice, esto mogu napraviti i razliite vrste pogresaka - da
reenica bude dvosmislena, da se nekoj rijei dade pogresno mjesto u reenici (ime se
mijenja i smisao reenice), da se izostave veznici koji utiu na koherentnost itd.
Raznolikost je druga pozitiva osobina koju treba imati jedna reenica. Njome se,
naime, izbjegava monotonija. Kako, medutim, raznolikost i postici? Najjednostavnije
kazano, variranjem reenica na razliite naine - variranjem koje se tie strukture reenica
(da se kombiniraju proste i sloene reenice), njihove duine, reda rijei u njima itd.
k) Jedna od pretpostavki dobrog stila je, na koncu, vezana i za 1+(>5+>(> /
7178/*' 2,(,9(,:, G1+,;5,H, misaone jedinice koja se sastoji od niza medusobno
povezanih reenica na nain da ine siru koherentnu cjelinu, a koja je istovremeno i dio
vece cjeline - pododsjeka, odsjeka, poglavlja itd. Da bi, medutim, jedan paragraf bio
valjan, neophodno je da i on zadovoljava odredene uvjete. Tri medu njima - jedinstvo,
koherentnost i prikladno isticanje - su i najznaajnija. Jedinstvo paragrafa podrazumijeva
da se u itavom paragrafu, od njegova poetka do kraja, razvija ista osnovna misao, da su
sve reenice koje ga ine toj misli ili temi usmjerene. S druge strane, koherentnost
paragrafa podrazumijeva da on ispunjava dva uvjeta - da mu reenice ine vrstu logiku i
organsku cjelinu, te da je to oevidno i za itatelje. Na koncu, jedan od uvjeta valjanosti
paragrafa je i tzv. prikladno isticanje, davanje pojedinim dijelovima jednog paragrafa onog
58
Neki autori, Zugaj, Zelenika i jos neki, ove osobine reenice izdvaja kao dio odlika dobrog
znanstvenog stila.
273
mjesta i prostora koji je neophodan kako bi se osnovna misao paragrafa, sav njezin
sadraj, itatelju i saopcila.
9. LITERAT$RA
1. Anic, V.: Rjenik hrvatskog jezika, Novi Liber, Zagreb, 1991.
2. Baban, Lj., S. Jelinic, M. Lamza-Maronic, K.Ivic: Primjena metodologije znanstvenog
istraivanja, Ekonomski fakultet, Osijek, 1993.
3. Bakovljev, M.: Osnovi metodologije pedagokih istraivanja, prvi dio, Nauna knjiga,
Beograd, 1997.
4. Bazala, V.: Pogled na probleme suvremene znanosti, kolska knjiga, Zagreb, 1986.
5. Brkic, M., Kundaina, M.: Statistika u istraivanju odgoja i obrazovanja, Koled
drustvenih i humanistikih znanosti, Bijakovici-Medugorje, 2003.
6. Cochran, W.G.: Sampling Tachniques, Edt. Wiley, New York, 1997.
7. Collins T.W.: Fokus grupe, Univerzitet u Sarajevu, Sarajevo, 1999.
8. Demirovic, E.: Metode novinarstva, Sarajevo, 2000.
9. Diederichseb, U.:Einfuerungen in das wiessenschaftlichen Denken, Werner-Verlag,
Duesseldorf, 1972.
10. Dubic, S.: Uvodenje u nauni rad, Zavod za izdavanje udbenika, Sarajevo, 1970.
11. Eco, U.: Kako se pie diplomska radnja, Milano, 1977, prijevod s talijanskog
Stipanic, B. i Franulic, M.
12. Enciklopedija Leksikografskog zavoda, sv.1-6, JLZ, Zagreb, MCMLXVI-MCMLXIX.
13. Foreman, E.K., Survey Sampling Principles, Marcel Dekker, 1991.
14. Franjic, Z.: Kako citirati Internet u bibliografiji?, NET, br. 12/1996
15. Gerhards, G.: Seminar-, Diplom- und Doktorarbeit5. Auflage, Verlag Paul Haupt,
Bern, Stuttgart, 1984.
274
16. Gilli, G.A.: Kako se istrauje, Vodi u drustvenim istraivanjima, kolska knjiga,
1974.
17. Good, Carter V., Scates, Douglas E.: Metode istraivanja u pedagogiji, psihologiji i
sociologiji, Otokar Kersovani, Rijeka, 1967.
18. Hrkac, S.: Filozofija odgoja I (Pro manuscripto), Mostar 1999.
19. Ivic, I., M. Milinkovic, R. Rosandic, V. Smiljanic: Razvoj i merenje inteligencije,
Zavod za udbenike i nastavna sredstva, Beograd, 1976.
20. Kedrov, B.M.: Predmet i uzajamna veza prirodnih nauka, Nolit, Beograd, 1969.
21. Kirk, R.E.: Experimental Design: Procedures for the Behavioral Sciences,
Brooks/Cole Publishing Company, Pacific Grove, 1995.
22. Kliemann, H.: Anleitung zum wiessenschaftlichen Arbeiten, Verlag Rambach,
Freiburg, 1973.
23. Kniewald, J., Metodika znanstvenog rada, Multigraf, Zagreb, 1993.
24. Koenig, R.: Handbuch der empirischen Sozialforschung, Stuttgart, 1962.
25. Krippendorf, K.: Content Analysis - An Introduction to Its Methodology, Sage
Publication, Beverly Hills, London, 1981.
26. Kukic, S., Demirovic, M.: Metodologija znanstvenoistraivakog rada, Mostar-Bihac,
2003.
27. Kukic, S., M. Jakic: Logika za gimnaziju, Sarajevo Publishing, Sarajevo, 2004.
28. Kukic, S.: Sociologija, Sarajevo Publishing, 2004.
29. Lukic, R.: Osnovi sociologije, Nauna knjiga, Beograd, 1976.
30. Maslovu A.H.: Motivacija i linost, Nolit, Beograd, 1982.
31. Milardovic, A.: Metodologija politologije, Pan liber, Osijek-Zagreb-Split, 1998.
32. Milic Vojin: Socioloki metod, Nolit, Beograd, 1978.
33. Miller C. Delbert: Handbook of Research Design and Social Measurement, David Mc
Kay Company, New York, 1970.
34. Milovanovic, M.: Pisanje, uredivanje i tampanje, NIRO Tehnika knjiga, Beograd,
1979.
35. Muic, V.: Metodologija pedagokog istraivanja, Svjetlost, Sarajevo, 1982.
36. Ormus, M., M. Matijevic: Intelektualni rad, Metode i tehnike, Radniko sveuiliste
Mosa Pijade, Zagreb, 1979.
37. Peujlic, M., B. Milic.: Metodologija drutvenih nauka, Beograd, 2000.
38. Petrovic, G.: Logika, deseto izdanje, kolska knjiga, Zagreb, 1977.
39. Petz, B.: Osnove statistike metode za nematematiare, V. izdanje, SLAP, 2004.
40. Plevnik, J.: Knjievni odresci s prilogom, SVIJET, 24. listopada 1986., Zagreb
41. Power: Politics and People, The Collected Essays of C.W.Mills, ed by.I.L.Horowitz,
Oxford Univ ersity Press, New York, 1963.
42. Prirunik fraskati, Jugoslavensko udruenje Nauka i drustvo, Beograd, 1976.
43. Rajnberg, S.A.: Metodika i tehnika naunog rda, O metodici i tehnici nauno-
istraivakog i nauno-literarnog rada, Drugo izdanje, Medicinska knjiga, Beograd,
1949.
44. Rueckrim, G., J. Stary, N. Franck: Die Technik wissenschaftlichen Arbeitens,
Ferdinand Schoeningh, Padeborn-Muenchen-Wien-Zuerich, 1997.
45. Salitreic, T., M. Zugaj: Uvod u znanstvenoistraivaki rad, V. izdanje, FOI,
Varadin, 1985.
46. Salitreic, T.: Uvod u znanstveni rad, Ekonomski fakultet Osijek, Osijek, 1974.
47. Silobric, V., Znanstveno djelo, Kako sastaviti i objaviti, JUMENA, Zagreb, 1983.
48. Standop, E.: Die Form der wiessenschaftlichen Arbeih, 10., durchgesehene und
verbesserte Auflage, Quelle&Meyer, Heidelberg, 1984.
49. Stojak, R.: Metoda analize sadraja, Sarajevo, 1990.
50. Supek, R.: Ispitivanje javnog mnijenja, Naprijed, Zagreb, 1961.
51. amic, M., Kako nastaje nauno djelo - uvodenje u metodologiju i tehniku
naunoistraivakog rada, Sarajevo, 1980. godine.
52. amic, M.: Kako nastaje nauno djelo, Sarajevo, 1969.
53. esic, B.: Opta metodologija, peto, popravljeno i dopunjeno izdanje, Nauna
knjiga, Beograd, 1980.
54. esic, B.: Osnovi metodologije drutvenih nauka, Nolit, Beograd, 1974.
275
55. osic, H., Uvod u samostalni struni rad, Visa ekonomska skola , Varadin, 1971.
56. osic, I., V. Serdar: Uvod u statistiku, kolska knjiga, Zagreb, 1995.
57. usnjic, .: Kritika socioloke metode, Gradina, Nis, 1973.
58. Theisen, M.R.: ABC des wissenschaftlichen Arbeitens, Manheim, 1995.
59. Theisen, M.R.: Wissenschaftliches Arbeiten, 10. Auflage, Verlag Franz Vahlen,
Muenchen, 2000.
60. Vujevic, M.: Uvodenje u znanstveni rad u podruju drutvenih znanosti, Informator,
Zagreb, 1990.
61. Weber, M.: Metodologija drutvenih nauka, Globus, Zagreb, 1986.
62. Weizsaecker, C. F.: Jedinstvo prirode, Veselin Maslesa, Sarajevo, 1988.
63. Zajearanovic, G.: Osnovi metodologije nauke, "Nauna knjiga", Beograd, 1977.
64. Zakic, M.: Metodologija naunog rada, Banja Luka, 1983.
65. Zelenika, R.: Metodologija i tehnologija izrade znanstvenog i strunog djela, Rijeka,
1990.,
66. Zvonarevic, M.: Socijalna psihologija, kolska knjiga, Zagreb, 1989.
67. Zugaj, M., Dumiic, K., Dusak, V.: Temelji znanstvenoistraivakog rada, Fakultet
organizacije i informatike, Varadin, 1999.
68. Zugaj, M.: Metodologija znanstvenoistraivakog rada, Fakultet organizacije i
informatike, Varadin, 1997.
69. Zugaj, M.: Osnove znanstvenog i strunog rada, Samobor, 1989.
70. Zuvela, I.: Uvod u ekonomska istraivanja, Ekonomski fakultet Rijeka, 1978.
71. Zuvela, I.: Valorizacija rezultata znanstvenog istraivanja, "Financijska praksa,
Zagreb, 1980, br. 7-8,
10. INDEKS POJMOVA
11. INDEKS IMENA
Ackof
Adorno, T.
Akvinski, Toma
Anic,
Arhimed
Aristotel
Baban, Lj.,
276
Bakalovic H
Bakovljev,
Bazala, V
Becker
Becquerel,
Beitz, Charles R.
Berelson, B.
Bernard,
Boas,
Bogardus,
Boskovic, Ruder
Brkic, M.,
Bruno, Giordano
Buble, M.
Buffa,
Chamson,
Chapin, Stewart
Cheryl, L.,
Cheung, A.,
Chick, V.,
Closets F. de,
Cochran, W.G.
Cohen James,
Collins T.W.:
Comte Auguste
Copernicus Nicolaus
Crouse, Maurice
Curie,
Cajkovski,
da Vinci, Leonardo
Day
Demirovic, E.
Demirovic, M.,
Diederichseb, U.
Dobrov
Dodd, Stewart
Dubic, S.
Dumiic,
Durkheim Emile
Dusak,
Eco, U.
Einstein
Euklid
Foreman, E.K.
Franjic, Z.
Freedman, P.
Gajger,
Galilei, Galileo
Gallup, Georg
Gerhards, G.
Gilli, G. A.
Gilli, G.A.
Gold,
Good, Carter V.,
Gurvitch, Georges
Harrod,
Herbart,
277
Hobbes, Thomas
Hodic, Kadrija
Hrkac, Serafim
Humboldt Wilhelm von
Infeldb,
Ivic, I.,
Ivic, K.
Jelinic, S.
Junker,
Kant, Immanuel
Kedrov, B.M.
Kepler,
Kesic, Tanja
Keynes, J.,
Khaldun, I.,
King, M.L.,
Kirk, R.E.
Kirstein, P..
Kliemann, H.
Kneale, W.
Kniewald, J.
Koenig, R.
Krippendorf, K..
Kukic, S.
Kundaina, M.
Kustic, Z.,
Lamza-Maronic, M.
Lasswell, Harold
Lazarsfeld, P.
Lewin, Kurt
Likert
Lukic, R.
Lundberg,
M. Jakic,
Malinovski
Manheim, Karl
Marusic, A.,
Marx Karl
Maslov, A.H.
Matijevic, M.
Matijevic, Z.
Merton, Robert K.
Michels
Milardovic, A.
Milerlaj, D.
Milic Vojin
Milinkovic, M.
Miller C. Delbert
Mills Wright
Milovanovic, M.
Mojsije,
Muic, Vladimir
Nagel
Newton, Isac
Ormus, M.,
Parsons Talcot
Pavliic,
278
Peujlic, M.,
Petrovic, G.
Petz, B.
Pitagora
Platon,
Plevnik, J.
Protagora,
Rajnberg,
Ritsert, J.
Robbins, S.P
Roentgen,
Rohrschach
Rosandic, R.
Roterdamski, Erazmo
Rueckrim, G., J.
Salitreic, T.
Scates, Douglas E.
Scheler, Max
Serdar, V
Silobric, V.,
Simmel,
Simon Saint
Smiljanic, V.
Smith John,
Sokrat,
Spencer Herbert
Standop, E.
Stary, N. Franck
Stivens
Stojak,
Stone, Eugene F.
Stott, Russell G.
Supek, Rudi
amic, Midhad
esic Bogdan
osic, H.,
osic, I.,
usnjic, .
Tales
Tesla, Nikola
Teak, B.
Theisen, Manuel
Thurston
Vandersmissen,
Vesalius, Andreas
Vujevic, Miroslav
Weber Max
Weizsaecker, C. F.
Wilson,
Zajearanovic, G.
Zakic, M.
Zelenika, Ratko
Zvonarevic, Mladen
Zugaj Miroslav
Zuvela, Ivo
279
280