Statistică Socială Și Analiza Computerizată A Datelor

UNIVERSITATEA BABE-BOLYAI CLUJ-NAPOCA
CENTRUL DE FORMARE CONTINU, NVMNT LA DISTAN I CU

FRECVEN REDUS
Specializarea : Asisten Social

Prof.dr. CORNELIA MUREAN
STATISTIC SOCIAL I ANALIZA

COMPUTERIZAT A DATELOR
C.F.C.I.D
ANUL I
Cluj-Napoca
2016
Universitatea Babe-Bolyai
Facultatea de Sociologie i Asisten Social
nvmnt la distan
Prof. univ. dr. Cornelia Murean
STATISTIC SOCIAL I ANALIZA

COMPUTERIZATA A DATELOR
2016
CUPRINS
Informaii generale ................................................................................................................6
Date de identificare a cursului ........................................................................................................... 6
Condiionri i cunotine prerechizite............................................................................................... 6
Descrierea cursului............................................................................................................................ 6
Organizarea temelor n cadrul cursului .............................................................................................. 6
Formatul si tipul activitilor implicate de curs .................................................................................. 7
Materiale bibliografice obligatorii ..................................................................................................... 7
Materiale si instrumente necesare pentru curs .................................................................................... 7
Calendar al cursului .......................................................................................................................... 8
Politica de evaluare si notare ............................................................................................................. 8
Elemente de deontologie academica .................................................................................................. 9
Studeni cu dizabiliti....................................................................................................................... 9
Strategii de studiu recomandate: ........................................................................................................ 9
Modul 1 ................................................................................................................................10
Introducere n statistic.......................................................................................................10
1.1. Obiectul statisticii..................................................................................................................... 10
1.2. Rolul statisticii n cercetarea tiinific...................................................................................... 11
1.3. Utilizarea statisticii n profesia de asistent social ....................................................................... 11
1.4. Dificulti i riscuri n nsuirea metodei statistice .................................................................... 12
1.5. Noiuni i concepte utilizate n statistic.................................................................................... 13
1.6. Variabile statistice i msurarea lor........................................................................................... 14
1.7. Scale de msurare a variabilelor statistice.................................................................................. 15
ntrebri pentru studiu ................................................................................................................... 18
Exerciiu pentru acas 1. ................................................................................................................. 18
Modul 2 ................................................................................................................................20
Distribuii de frecvene ........................................................................................................20
2.1. Ordonarea datelor brute ............................................................................................................ 20
2.2. Distribuii (tabele) de frecvene.............................................................................................. 20
2.3. Tabele de frecvene pentru variabile cu intervale de grupare...................................................... 23
2.4. Utilizarea frecvenelor absolute i relative n comparaii.......................................................... 25
Modul 3 ................................................................................................................................28
Prezentarea grafic a distribuiilor de frecvene ................................................................28
3.1. Diagrama de bare i histograma .............................................................................................. 29
3.2. Diagrama circular .................................................................................................................. 31
3.3. Poligonul de frecvene ............................................................................................................ 32
3.4. Diagrama de mprtiere......................................................................................................... 33
Modul 4 ................................................................................................................................36
Indicatori ai tendinei centrale ............................................................................................36
4.1. Modul ...................................................................................................................................... 36
4.2. Mediana ................................................................................................................................... 38
4.3. Media....................................................................................................................................... 39
4.4. Modul, mediana sau media ?..................................................................................................... 41
Modul 5 ................................................................................................................................44
Indicatori ai mprtierii ....................................................................................................44
5.1. Amplitudinea ........................................................................................................................... 44
5.2. Abaterea intercuartil ............................................................................................................... 45
5.3. Abaterea medie ....................................................................................................................... 47
5.4. Abaterea standard i variana ................................................................................................... 48
5.5. Algoritmul de calcul al abaterii standard ................................................................................... 49
Modul 6 ................................................................................................................................53
Distribuia normal ............................................................................................................53
6.1. Proprieti ale distribuiei normale ......................................................................................... 55
6.2. Valori Z i distribuia normal standardizat ............................................................................. 56
6.3. Utilizarea valorii Z n comparaii: un exemplu practic .......................................................... 59
Exerciiu pentru acas 6 .................................................................................................................. 61
Modul 7 ................................................................................................................................62
Introducere in SPSS ............................................................................................................62
7.1. Procesul de analiz statistic a datelor n SPSS ......................................................................... 62
7.2. Procedura Frequencies.............................................................................................................. 67
7.3. Procedura Crosstabs ................................................................................................................. 68
7.4. Procedura Descriptives ............................................................................................................. 69
7.5. Procedura Means...................................................................................................................... 70
7.6. Procedura Explore.................................................................................................................... 71
Modul 8. ...............................................................................................................................74
Notiuni introductive de statistica inferentiala.....................................................................74
8.1. Testarea ipotezelor .................................................................................................................. 74
8.2. Explicatii alternative................................................................................................................ 75
8.3. Respingerea explicaiei ansei prin testele statistice ............................................................... 76
8.4. Dovezi suficiente i semnificaie........................................................................................... 78
8.5. Relaii statistic semnificative i rezultate substaniale ............................................................ 79
Exercitiu pentru acas 7 .................................................................................................................. 80
Modul 9 ................................................................................................................................81
Asocierea..............................................................................................................................81
9.1. Ce caut s determine asocierea ............................................................................................ 81
9.2. Tabele de asociere .................................................................................................................... 81
9.3. Cnd s nu utilizm asocierea ............................................................................................... 88
9.4. Asocierea cu trei sau mai multe variabile............................................................................. 89
9.5. Un exemplu.............................................................................................................................. 91
9.6. Folosirea SPSS n analiza asocierii ........................................................................................... 92
Exerciiu pentru acas 8 .................................................................................................................. 94
Modul 10 ..............................................................................................................................94
Compararea mediilor ..........................................................................................................94
10.1. Popularitatea statisticii t........................................................................................................ 94
10.2. Logica statisticii t ................................................................................................................... 95
10.3. Calcularea i interpretarea valorilor lui t ............................................................................. 96
10.4. Prezentarea statisticii t .......................................................................................................... 100
10.5. Cnd nu se folosete testul t ................................................................................................. 101

10.6. Un exemplu.......................................................................................................................... 101
10.7. Folosirea SPSS in compararea mediilor................................................................................. 103
ntrebri pentru studiu ................................................................................................................. 104
Exerciiu pentru acas 9 ................................................................................................................ 105
Modul 11 ............................................................................................................................ 106

Corelaia............................................................................................................................. 106
11.1. Conceptul de corelaie ........................................................................................................ 106
11.2. Coeficientul de corelaie i proprietile lui fundamentale...................................................... 108
11.3. Corelaia cu trei sau mai multe variabile.......................................................................... 113
11.4. Un exemplu.......................................................................................................................... 113
11.5. Folosirea SPSS in analizele de corelaie ................................................................................ 115
ntrebri pentru studiu ................................................................................................................. 116
Exerciiu pentru acas 10............................................................................................................... 117
ANEXE............................................................................................................................... 118
A: Calendarul disciplinei............................................................................................................... 118
B: Bibliografia completa a cursului ............................................................................................... 119
Informaii generale
Date de identificare a cursului

Date de contact ale titularului de curs:
Nume: Conf.univ.dr. Cornelia Murean
Birou: Birou 313 sediul Fac. de Sociologie i
Asisten social, bd. 21 Decembrie 1989, nr.128
Telefon: 0264-424674
Fax: 0264-424674
Date de identificare curs i contact tutori:

Numele cursului Statistic social i analiza
computerizata a datelor
Codul cursului ALR 2202
Anul, Semestrul anul 1, sem. 2
Tipul cursului - Obligatoriu
E-mail: cornelia.muresan@socasis.ubbcluj.ro
Consultaii: mari 10-12
Pagina web a cursului- http://www.asis.ubbcluj.ro

Tutori: Lector dr. Paul-Teodor Hrgu
(teodor.haragus@ portalid.ubbcluj.ro)
Lector. dr. Cristina Faludi
(cristina.faludi@portalid.ubbcluj.ro)
Condiionri i cunotine prerechizite

Nu sunt condiionri pentru nscrierea la acest curs. Cunotinele generale de matematic i
informatic de liceu vor fi foarte utile n rezolvarea lucrrilor de evaluare ce ncheie fiecare modul i,
respectiv n promovarea examenului de evaluare final.
Descrierea cursului
Cursul de Statistic social i analiza computerizata datelor face parte din categoria disciplinelor
fundamentale de la Facultatea de Sociologie i Asisten Social din cadrul Universitii Babe-Bolyai din
Cluj-Napoca. Cursul urmrete familiarizarea studentului cu conceptele si noiunile necesare in analiza
statistica a datelor culese in procesul de asistare social i cel al cercetrii sociologice de teren. Se are in
vedere dobndirea unor cunotine elementare de statistic descriptiv i de testare a ipotezelor de
cercetare. Prin exemplele i aplicaiile utilizate se urmrete scoaterea n evidenta a rolului statisticii n
profesia de asistent social. Tot aici se introduc i primele noiuni de utilizare a pachetului informatic SPSS
Statistical Package for Social Scientists.
Organizarea temelor n cadrul cursului

Cursul este impartit in 11 module tratand fiecare subiecte specifice: introducere in statistica,
distributiile de frecvente, graficele ataate distribuiilor de frecvente, indicatorii statistici ai tendintei
centrale, indicatorii variabilitatii, distribuia normal, introducere in SPSS, noiuni introductive de statistica
inferential, asocierea, compararea mediilor, i corelaia.
Nivelul de intelegere si, implicit, utilitatea informatiilor pe care le regsiti in fiecare modul vor fi
sensibil optimizate dac, n timpul parcurgerii suportului de curs, veti consulta sursele bibliografice
recomandate i vei gsi rspunsurile corecte la ntrebrile pentru studiu de la sfritul fiecrui modul.
Dealtfel, rezolvarea tuturor lucrrilor de verificare impune, cel puin, parcurgerea referinelor obligatorii,
menionate la finele fiecrui modul. n situaia n care nu vei reui s accesai anumite materialele
bibliografice, sau nu vei gsi rspunsuri la ntrebri, sunteti invitai s contactai tutorii disciplinei.
Formatul si tipul activitilor implicate de curs

Asa cum am mentionat mai sus prezentul suport de curs este structurat pe 11 module, necesare
insuirii graduale a tehnicilor de analiz a datelor. Parcurgerea acestora va presupune att ntlniri fa n
fa (consultatii), ct i munc individual. Consultatiile, pentru care prezena este facultativa, reprezinta un
sprijin direct acordat dumneavoastra din partea titularului si a tutorilor. Pe durata acestora vom recurge la
prezentari ale informatiilor nucleare aferente fiecarui modul dar mai cu seama va vom oferi rspunsuri
directe la ntrebrile pe care ni le veti adresa. n ceea ce privete activitatea individuala, aceasta o veti
gestiona dumneavoastra si se va concretiza in parcurgera tuturor materilelor bibliografice obligatorii,
rezolvarea ntrebrilor pentru studiu de la sfitul modulelor, i efectuarea exerciiilor pentru acas din
cadrul lucrarilor de verificare. Lucrarile de verificare (temele obligatorii) se vor trimite tutorilor de
disciplina prin intermediul facilitatilor oferite de platforma electronica ID. Reperele de timp si implicit
perioadele in care veti rezolva fiecare activitate (exercitii, lucrari de verificare, etc) sunt monitorizate de
catre noi prin intermediul calendarului disciplinei. Modalitatea de notare si, respectiv, ponderea acestor
activitati obligatorii, n nota finala va sunt precizate n seciunea politica de evaluare i notare precum si in
cadrul fiecrui modul.
Pe scurt, avnd n vedere particularitile nvmntului la distan dar i reglementrile interne
ale CFCID al UBB parcurgerea i promovarea acestei discipline presupune antrenarea studenilor n
urmtoarele tipuri de activiti:
a.
consultaii pe parcursul semestrului vor fi organizate dou ntlniri de consultaii fa n fa;

prezena la aceste ntlniri este facultativ;
b.
laboratoare - se vor organiza pe parcursul semestrului intalniri fa n fa in laboratorul de

informatica; prezena la aceaste ntalniri sunt facultative;
c.
dou lucrri de evaluare (teme) care vor fi rezolvate i, respectiv trimise tutorilor n conformitate
cu precizrile din calendarul disciplinei.
d.
forumul de discuii acesta va fi monitorizat de echipa de tutori i supervizat de titularul

disciplinei.
Materiale bibliografice obligatorii

In suportul de curs, la finele fiecrui modul sunt precizate att referinele bibliografice obligatorii,
ct i cele facultative. Sursele bibliografice au fost astfel stabilite nct s ofere posibilitatea adncirii
nivelului de nelegere si, implicit, de facilitare a aplicrii fiecrei proceduri de analiz. Volumul Metode
statistice aplicate n tiinele sociale (2006), este referina obligatorie principal pentru cursul de
Statistic social i analiza datelor; caracteristica sa definitorie e introducerea noiunilor si conceptelor
cu care lucreaz statistica social i trecerea in revist a celor mai utilizate metode de analiz a datelor in
tiinele sociale. Cea de a doua lucrare de referin Statistics for Social Workers (1987) permite accesul
celor mai puin obinuii cu formalismul i rigoarea procedurilor statistice la noiunile i limbajul specific al
statisticii aplicate n cercetarea n asisten social. In plus, al treilea manual obligatoriu Introducere n
SPSS (2004) este un ghid de utilizare a pachetului informatic SPSS. Alternativ se poate utiliza sistemul de
asisten on-line al SPSS sau volumul n limba englez SPSS for Windows. Base System Users Guide
(1992). Celor trei volume obligatorii se adaug o serie de referine facultative, utile ndeosebi atunci cnd
avei simii nevoia unor explicaii i exemple suplimentare. Lucrrile menionate la bibliografia obligatorie
se regsesc i pot fi mprumutate de la Biblioteca Facultii de Sociologie i asisten social din cadrul
Bibliotecii Centrale Lucian Blaga.
Materiale si instrumente necesare pentru curs

Optimizarea secvenelor de formare reclama accesul studentilor la urmatoarele resurse:
- calculator conectat la internet (pentru a putea accesa bazele de date si resursele electronice suplimentare
dar i pentru a putea participa la secventele de formare interactiv on line)
- software SPSS instalat pe calculator
- imprimant (pentru tiparirea materialelor suport, a temelor redactate, etc)

- acces la resursele bibliografice (ex: abonament la Biblioteca Central Lucian Blaga)
- acces la echipamente de fotocopiere
Calendar al cursului
Pe parcursul semestrului II, n care se studiaza disciplina de fa, sunt programate 1-6 ntlniri fa
n fa (consultaii) cu toi studenii. Ele sunt destinate solutionarii, nemediate, a oricaror nelamuriri de
continut sau a celor privind sarcinile individuale. Pentru primele ntlniri se recomand lectura atent a
primelor ase module. La ultimele intalniri se vor efectua lucrari practice SPSS asistate, si este necesara
parcurgerea prealabila a modululelor 7-11. De asemenea in cadrul ntlnirilor studenii au posibilitatea de
solicita titularului si/sau tutorilor sprijin pentru rezolvarea exercitiilor pentru acas, in cazul in care nu au
reuit singuri. Pentru a valorifica maximal timpul alocat ntlnirilor studenii sunt atenionai asupra
necesitii suplimentrii lecturii din suportul de curs cu parcurgerea obligatorie a cel puin a uneia dintre
sursele bibliografice de referina. Datele ntlnirilor sunt precizate n calendarul sintetic al disciplinei, vezi
anexa A. n acelai calendar se regsesc i termenele la care trebuie transmise / depuse lucrrile de
verificare care totalizeaz cele 10 exerciii pentru acas de la sfritul modulelor. Prima lucrare de
verificare const in exerciiile pentru acas 1-6 (in care analizele statistice sunt efectuat manual), iar
lucrarea a 2-a const din exerciiile 7-10 (in care analizele statistice sunt efectuate cu programul software
SPSS).
Politica de evaluare i notare

Evaluarea final se va realiza pe baza unui examen scris, tip gril, desfurat in sesiunea de la
finele semestrului II. Nota final se compune din: a) punctajul obinut la acest examenul scris n proporie
de 50% si b) punctajul pentru lucrrile de verificare pe parcurs 50%.
Examenul scris, tip gril, cuprinde un mix de ntrebri: i) unele cu rspuns liber, scurt i punctual,
ii) altele cu variante de rspunsuri, din care studentul are de ales varianta sau variantele corecte, i iii) un
exerciiu complex de recunoatere i interpretare a rezultatelor produse de SPPS in urma unei proceduri de
analiza statistic inferenial. ntrebrile sunt de genul celor care se gsesc la sfritul fiecrui modul din
acest manual. Nu se cere memorarea formulelor complicate ale indicatorilor statistici, dar se cer cunotine
despre ceea ce msoar indicatorii i proprietile acestora, i se va cere aplicarea unor formule simple (de
exemplu calculul unui scor z). In timpul examenului scris nu se permite utilizarea nici unui tip de
documentaie sau manual.
Lucrrile de verificare pe parcurs vor fi transmise tutorilor la termenele precizate n calendarul
disciplinei. Exerciiile pentru acas, care se gsesc tot la sfritul fiecrui modul, vor face obiectul notrii
din partea tutorilor. Se vor obine dou note pe parcurs: una pentru exerciiile aferente statisticii descriptive,
iar cealalt pentru exerciiile aferente statisticii infereniale. Instruciuni suplimentare privind modalitile
de elaborare, redactare, dar i criteriile de notare ale lucrrilor, v vor fi furnizate de ctre titularul de curs
sau tutori n cadrul ntlnirilor fa n fa. Pentru predarea lucrrilor de verificare se vor respecta cu
strictee cernitele formatorilor. Orice abatere de la acestea aduce dup sine penalizri sau pierderea total a
punctajului corespunztor acelei lucrri. Evaluarea acestor lucrri se va face imediat dup preluare, iar
afiarea pe site a notelor acordate se va realiza la cel mult 2 sptmni de la data depunerii/primirii ultimei
teme din lucrarea de verificare in cauz.
Daca studentul consider c activitatea sa a fost subapreciata de ctre evaluatori atunci poate
solicita feedback suplimentar prin contactarea titularului sau a tutorilor prin email.
Elemente de deontologie academica

Se vor avea n vedere urmtoarele detalii de natur organizatoric:
- Orice material elaborat de ctre studeni pe parcursul activitilor va face dovada originalitii. Studenii
ale cror lucrri se dovedesc a fi plagiate nu vor fi acceptai la examinarea finala.

- Orice tentativ de fraud sau fraud depistat va fi sancionat prin acordarea notei minime sau, in
anumite condiii, prin exmatriculare.
- Rezultatele finale vor fi puse la dispoziia studenilor prin afiaj electronic.

- Contestaiile pot fi adresate n maxim 24 de ore de la afiarea rezultatelor iar solutionarea lor nu va depasi
48 de ore de la momentul depunerii.
Studeni cu dizabiliti
Titularul cursului si echipa de tutori i exprima disponibilitatea, n limita constrngerilor tehnice
si de timp, de a adapta coninutul i metodele de transmitere a informaiilor precum i modalitile de
evaluare (examen oral, examen on line etc.) n funcie de tipul dizabilitii cursantului. Altfel spus, avem n
vedere, ca o prioritate, facilitarea accesului egal al tuturor cursanilor la activitile didactice si de evaluare.
Strategii de studiu recomandate:

Date fiind caracteristicile nvmntului la distan, se recomand studenilor o planificare foarte
riguroasa a secvenelor de studiu individual, coroborat cu secvene de dialog, mediate de reeaua net, cu
tutorii si respectiv titularul de disciplina. Lectura fiecrui modul, gsirea rspunsurilor la ntrebrile de la
sfritul modulelor i rezolvarea la timp a exerciiilor componente a lucrrilor de verificare garanteaz
nivele nalte de nelegere a coninutului tematic i totodat sporesc ansele promovrii cu succes a acestei
discipline.
Modul 1
Introducere n statistic
1.1. Obiectul statisticii
nainte de a ncerca delimitarea obiectului statisticii de cel al altor tiine, vom face cteva
precizri legate de istoricul ei. Vom vedea astfel de unde deriv termenul statistic i ce a nsemnat
aceasta la nceputuri. Rezumnd chiar de la nceput constatarea la care se ajunge n urma unui astfel de
periplu istoric putem spune c, aproximativ n aceeai epoc a doua jumtate a secolului al XVII-lea -,
apar dou curente de gndire, unul n Anglia i altul n Germania. Ele au un element esenial comun, anume
preocuparea de a construi un corp de cunotine pozitive asupra societii, dar se deosebesc destul de mult
ntre ele, mai ales prin mijloacele utilizate n atingerea scopului propus, fiecare revendicndu-i dreptul de a
fi considerat izvorul primar al statisticii. O judecat dreapt va convinge pe oricine c tiina statisticii, aa
cum arat astzi, datoreaz aproape totul colii engleze, ns contribuia universitar german nu poate fi
neglijat chiar i numai pentru motivul c respectivei coli i datorm numele acestei tiine.
Preocuprile care se constituie n izvorul englez al statisticii formeaz curentul ce ar putea fi
intitulat i abordarea cantitativ englez, mai bine cunoscut sub numele de aritmetic politic, dup
cum a botezat William Petty (1623-1687) noua disciplin social, nscut n 1662, atunci cnd John
Graunt, un burghez cu preocupri tiinifice n timpul liber, a publicat un articol despre ceea ce astzi s-ar
numi fenomenele demografice" din oraul Londra.
Iniiatorul celei de a doua linii, cea german, este considerat Herman Conring (1606-1682), un
savant cu un spirit enciclopedic, ocupnd, pe rnd, trei catedre la Universitatea Brunswick din Helmstaedt:
cea de filosofie, cea de medicin i apoi cea de tiine politice. Paternitatea termenului statistic este
atribuit ns unui alt profesor german, Gottfried Achenwall (1719-1772), care a trit i publicat un secol
mai trziu.
Diferena dintre abordarea german i cea englez const n aceea c prima i propune n termeni
mult mai clari s se constituie ca o tiin global asupra statului, aplecndu-se asupra trsturilor
caracteristice ale acestuia. Aceast viziune globalizant avea drept finalitate s pun la ndemna
principilor instrumente eficace de conducere. Poate i datorit dimensiunilor reduse (erau la vremea aceea
aproximativ 300 de uniti statale n Imperiul German), poate datorit altor cauze, cum ar fi slaba calitate a
lumii academice germane, frmiat i ea ntr-o mulime de universiti provinciale, gnditorii germani nu
au crezut de cuviin sau n-au fost capabili s privilegieze caracterul cantitativ-numeric al cunotinelor
despre stat. Ei doreau mai curnd s descrie verbal, s pun un diagnostic pe baza percepiei i intuiiei i s
dea sfaturi privitoare la ameliorarea strii anumitor caracteristici ale statului.
Spre sfritul secolului al XVIII-lea, cele dou direcii ajung s se cunoasc reciproc foarte bine
lucrrile savanilor germani fiind traduse n englez i chiar se declaneaz o concuren puternic ntre
ele. Va nvinge, la nceputul secolului al XIX-lea, aritmetica politic i, culmea ironiei, cu aceast ocazie,
ea se va lepda de propria-i denumire i o va prelua pe cea a adversarului rpus: Staatskunde = tiina
despre stat.
Statistica s-a constituit deci ca disciplin preocupat de culegerea, verificarea, prelucrarea i
interpretarea informaiilor numerice referitoare la fenomenele sociale.
ntemeietorii statisticii moderne se situeaz ns mai aproape, cu ncepere din a doua jumtate a
secolului al XIX-lea, iar principalii reprezentani nu mai aparin domeniului tiinelor sociale. Se produce
astfel o mutaie esenial n concepia general despre obiectul statisticii. Vom aminti doar de Francis
Galton (1822-1911), biolog i antropolog, ntemeietor, n 1901, al revistei Biometrika i al tiinei numit
biometrie, de marele antropolog i psiholog Karl Pearson (1857-1936) i de cel considerat cel mai mare
dintre toi, Ronald Aylmer Fisher (1890-1962), biolog i cercettor ntr-o staiune experimental
agrobiologic.
Dup cum se vede, nici una din cele trei personaliti amintite, la care se pot aduga i altele, nu sa preocupat de fenomene sociale. ncepe astfel nu numai o faz calitativ superioar n dezvoltarea statisticii,
10
ci i perioada de clarificare a coninutului i naturii acestei tiine. Construit pe informaia de tip social,
statistica a fost considerat, de la nceput i pn la finele secolului al XIX-lea, o tiin social; abia
multiplele aplicaii n alte domenii (biologia, genetica, fizica etc.), iniiate n aceea perioad, au artat cu
claritate c simbioza statistic-demografie a fost un accident istoric, explicabil poate prin circumstanele
producerii lui, dar nu prin esena celor dou discipline. Este evident c demografia nu poate s se constituie
ca tiin fr instrumentarul statistic, ns statistica putea s-i forjeze aparatul prin aplicaii n alte
domenii.
n accepiunea actual, statistica se axeaz pe tratarea informaiilor numerice obinute la nivelul
unor mulimi de entiti, informaii prelevate de la fiecare entitate n parte, dar care conduc la rezultate cu
referin la ansamblu, i nu la entitile componente luate individual.
1.2. Rolul statisticii n cercetarea tiinific

n esen, tiina este o metod, un mod specific de a afla rspunsuri la ntrebrile pe care ni le
punem. Principalele ei caracteristici sunt: cutarea unor reguli generale (legiti), colectarea unor dovezi
obiective, operarea cu afirmaii controlabile, atitudine sceptic fa de cunotinele acumulate, atitudine
deschis fa de orice informaii noi, creativitate i transparen.
Utilizarea statisticii n asistena social este impus de exigenele metodei tiinifice, ca metod de
culegere i prelucrare i interpretare a datelor. Dincolo de procedurile care o compun, metoda statistic este
un concept abstract care poate fi mai uor neles dac l raportm la ceea ce nseamn metoda
netiinific, la modul n care ne fundamentm cunotinele i convingerile n viaa de fiecare zi. n acest
sens, se pot distinge trei modaliti netiinifice de fundamentare:
Tradiionalismul sau argumentul autoritii. Ceea ce tim, nvm din contextul social sau
cultural, se bazeaz pe obinuine sau superstiii. Uneori nici nu suntem contieni care este sursa
cunotinelor noastre. Pur i simplu, tim i orice argument contrar este respins nainte de a fi
verificat n vreun fel. Dac la baza unei informaii cu care operm se afl i o figur autoritar
(printe, profesor, cei care au vzut), atunci atitudinea necritic este i mai consistent.
Raionalismul. Baza acestuia este deducia, pornirea de la un principiu general pentru a se ajunge
la anumite concluzii specifice. Problema este c, pentru a obine presupuneri corecte, att
principiul general ct i presupunerile care decurg din acesta trebuie s fie corecte. Ceea ce nu se
ntmpl ntotdeauna. n plus, acest tip de raionament nu aduce un plus de cunoatere deoarece se
bazeaz pe adevrurile care au condus, n trecut, la constituirea principiului pe care s-a bazat
raionamentul deductiv. Spre deosebire de acesta, raionamentul inductiv urmeaz drumul de la
specific la general i permite noi explorri ale unui subiect. Inducia este baza metodei tiinifice.
Empirismul. Aceast modalitate se bazeaz pe concluzii extrase din experiena de zi cu zi, din
observaia direct a faptelor. tiina este n mod esenial empiric. Asta nu presupune c oamenii
de tiin nu se bazeaz pe logic sau raionament deductiv. Dar acolo unde exist ndoieli sau
incertitudini, oamenii de tiin acord credit observaiei i nu deduciei. Dar simpla observaie,
nensoit de metode adecvate de sistematizare a datelor i de o analiz consistent a semnificaiei
lor, nu este cu nimic mai bun dect un raionament deductiv necritic.
Modalitile cunoaterii comune, enunate mai sus, nu sunt prin ele nsele lipsite de valoare. Dei
nu pot constitui argumente pentru enunarea de concluzii, ele pot sluji n calitate de furnizoare de probleme
i ipoteze de cercetare. n nici un caz, ns, nu pot nlocui demersul doveditor al procedurilor inductive. n
acest proces, statistica nu face dect s pun la dispoziie un set de proceduri de calcul i de raionamente
decizionale cu privire la semnificaia datelor de cercetare. Rolul statisticii este acela de a descrie, de a face
predicii i de a conferi credibilitate datelor de observaie. Statistica pune ipoteza cercetrii n faa testului
negaiei, prin raportarea la un model aleator de distribuie a valorilor msurabile. Rezultatele care trec de
acest test al negaiei (ipoteza de nul) sunt considerate, sub rezerva unei erori probabilistice acceptate, ca
fiind semnificative.
1.3. Utilizarea statisticii n profesia de asistent social

Asistenii sociali au nevoie de cunotine statistice. Aceasta nevoie este urgentat de creterea
numrului articolelor publicate n marile jurnale de specialitate, referitoare la cercetrile efectuate i de
11
tendina, ce reiese din manualele de specialitate, spre o munc social orientat empiric. Literatura de
specialitate cuprinde frecvent rezultatele cantitative ale studiilor de cercetare. Articolele publicate folosesc
de regul argumente statistice, iar cititorii au nevoie de cunotine n acest domeniu pentru a le nelege.
Asistenii sociali trebuie s fie capabili s consume i s neleag literatura de specialitate.
Cunoaterea statisticii este necesar pentru luarea deciziilor, de exemplu atunci cnd o nou
metod de terapie ar trebui sau ar putea fi folosit de ctre asisteni sociali n practica lor individual. Ca
specialiti responsabili, asistenii sociali trebuie s-i evalueze regulat eficiena. Ei trebuie s se bazeze pe
rezultate concrete i nu doar pe propria lor perspicacitate i intuiie; evaluarea trebuie s aib baze empirice.
Pentru a-i aduce propria contribuie la cunotinele de baz ale profesiei, rezultatele cercetrilor
trebuie comunicate i altora. Pentru a fi credibili, ei trebuie s demonstreze c datele prelucrate au fost
obinute n acord cu nite reguli specifice. Aceste reguli nu sunt greu de neles; ele sunt bazate pe metode
logice i tiinifice, aplicabile n situaiile de asisten social, fie pentru practic, fie pentru cercetare.
Cnd asistenii sociali iau decizii practice, de multe ori se bazeaz pe simul comun i pe
experiena anterioar. n orice caz ei nu trebuie s uite c simul comun le-a spus poate c beneficiarii
actelor caritabile prefer s nu munceasc, c femeile nu sunt bune supervizoare, i c pedeapsa (i nu
recompensa) i face pe studeni s nvee mai rapid. O mai mare contiinciozitate n folosirea metodelor de
sondare i a procedurilor statistice permite nlturarea acestor prejudeci.
nelegerea i utilizarea procedurilor statistice n mod adecvat, permite asistentului social s
depeasc obiectivele bazate exclusiv pe practica empiric.
1.4. Dificulti i riscuri n nsuirea metodei statistice

Dac este s fim drepi, trebuie s recunoatem c, n ciuda utilitii ei incontestabile, statistica nu
a fost niciodat disciplina preferat a studenilor n asisten social. Confruntarea lor cu aceast materie se
dovedete a fi, uneori, o surpriz neplcut la aflarea planului de nvmnt universitar. Trebuie s
acceptm adevrul c majoritatea celor care vor sa acorde ajutor semenilor lor aflai in dificultate nu
manifest o simpatie deosebit pentru numere, formule i algoritmi de calcul. De aici i pn la fobia de
statistic nu este o distan prea mare. Chiar dac aceast fobie poate fi real n unele cazuri, nu
ntotdeauna performanele insuficiente n nvarea statisticii se datoreaz statisticofobiei. Un curs
introductiv de statistic aplicat este pe deplin accesibil oricrui absolvent de liceu, chiar i celor care nu au
urmat o secie de tip real. Cu toate acestea anumite dificulti nu pot fi negate, cele mai importante fiind:
abundena de concepte noi, cu semnificaii uneori dificil de neles n mod intuitiv;
prezena unor concepte cunoscute din limbajul cotidian dar care au semnificaii diferite n
domeniul statisticii;
dificultatea nelegerii raionamentelor de tip probabilistic.
n alt ordine de idei, naivitatea statistic reprezint un risc cel puin la fel de mare ca i
statisticofobia. Ea se refer la utilizarea n necunotin de cauz a unor prelucrri statistice, fr a ti
dac sunt legitime sau nu i fr a le nelege semnificaia. Acest tip de atitudine a aprut i este favorizat
de utilizarea programelor de calculator, care permit proceduri statistice sofisticate, altdat greu accesibile,
i care ntrein iluzia c ar putea fi aplicate n afara unei profunde cunoateri a rostului i semnificaiei lor.
n fine, un alt tip de risc este cel dat de utilizarea statisticii cu scopul de a epata. Epatantul
statistic abuzeaz de statistic, utilizeaz ct mai multe proceduri, face risip de reprezentri grafice, de
multe ori redundante, sau caut cu orice pre proceduri exotice, rar utilizate i cunoscute de puin lume,
chiar dac ar ajunge la aceleai concluzii prin utilizarea unor proceduri clasice. Pe scurt, se poate vorbi de
epatare statistic ori de cte ori prelucrrile trec naintea raionamentului statistic i, mai ales, naintea
demersului de cercetare. Statistica n asisten social este, ntotdeauna, un mijloc i nu un scop n sine. Ea
este un simplu instrument n atingerea unor obiective, dar un instrument fr care respectivele obiective nu
pot fi atinse.
12
1.5. Noiuni i concepte utilizate n statistic

Individ statistic, variabil
Noiunile statistice elementare sunt cele de individ statistic i populaie statistic. Fr pretenia de
a defini exact nite noiuni care, probabil datorit caracterului lor primar, nici nu pot primi o definiie n
sensul strict al termenului, vom spune c indivizii statistici sunt nite entiti elementare purttoare de
nsuiri. Dintre aceste nsuiri una este comun i exprim natura nsi a entitilor respective, fiind
atributul cu ajutorul cruia aceste entiti sunt desemnate ca atare (oameni, grupuri umane, ri, familii,
aruncri ale zarului, extrageri ale unui numr de bile dintr-o urn, msurtori efectuate cu un anumit
instrument ale unei nsuiri fizice etc.); celelalte nsuiri sunt variabile, adic au forme de manifestare
diferite, la nivelul entitilor diferite, i tocmai studierea lor reclam instrumentele statistice. Aa de pild,
indivizii umani sunt diferii dup o mulime de nsuiri fizice (nlime, greutate corporal, circumferina
craniului etc.), psihice (temperament, inteligen etc.) sau sociale (statut social, nivel de educaie etc.);
familiile se pot deosebi dup mrimea lor, dup statusul social al membrilor ce le compun, dup vrsta
celui mai btrn (tnr) membru .a.m.d. n principiu, caracteristicile luate n considerare definesc
specificitatea cmpului de interes al unei tiine date.
Populaie statistic, volum, eantion

Mulimea indivizilor de aceeai natur, care constituie inta unei investigaii de tip statistic,
formeaz populaia statistic. Dup cum se observ, termenii de individ i populaie trdeaz faptul c,
iniial, n sfera statisticii au fost cuprinse doar persoane i populaii umane. Din exemplele menionate se
vede c noiunile s-au extins i se aplic oricror entiti, respectiv mulimi de entiti, care nu mai au nimic
de a face cu omul dect faptul c devin obiect de cercetare pentru acesta. Mai mult, respectivele entiti nu
sunt neaprat obiecte materiale, ele putnd mbrca, aa cum se vede din exemplele de mai sus, i haina
aciunilor umane (aruncarea zarului, msurarea repetat a aceluiai obiect etc.) sau alte forme.
Numrul indivizilor ce formeaz mulimea statistic se numete volumul populaiei. n principiu,
tehnicile statistice lucreaz, de preferin, cu populaii mari, tocmai pentru ca felul n care se manifest o
nsuire cercetat s capete o anumit relevan la nivelul populaiei, n sensul c o eventual modificare a
numrului de indivizi s nu produc schimbri eseniale ale structurii de ansamblu.
Cu toat aceast cerin, n calculele statistice, volumul populaiei intervine rareori n sensul de
condiie restrictiv, deci ca o valoare minim a acestuia. De cele mai multe ori, volumul, n, al populaiei
intr n calculul indicatorilor statistici fr condiii prealabile de amplitudine, deci indiferent dac acesta
este 10 sau 10 milioane. Relevana, expresivitatea i, cteodat, chiar nelesul mrimii astfel calculate sunt
afectate negativ de o dimensiune prea redus a populaiei. A efectua calcule de statistic avansat sau a
elabora modele explicative cu un numr mare de variabile atunci cnd se lucreaz cu o populaie de 10
indivizi este o absurditate logic evident. Aceasta nu nseamn c, n general, instrumentul statistic nu se
poate aplica i la populaii de dimensiuni mai reduse. O valoare medie, una median sau chiar indicatorii de
dispersie ne dau o informaie valid i pentru o populaie de 5-10 indivizi. ns trebuie s nelegem foarte
clar c, cu ct intrm n analize statistice mai sofisticate, cu ct implicm simultan n analize mai multe
nsuiri ale indivizilor (mai multe variabile) cu att volumul populaiei trebuie s fie mai ridicat.
Studierea populaiilor mari ridic probleme practice, de culegere i prelucrare a informaiei,
deosebit de dificile. Una dintre cele mai de seam cuceriri ale statisticii, care are la baz teoria matematic
a probabilitilor i care vine s rezolve tocmai aceste dificulti, o constituie utilizarea procedurilor de
selecie. Informaia este culeas doar de la o submulime de indivizi numit eantion -, parte a crei
dimensiune poate fi extrem de mic n comparaie cu populaia total, ns concluziile sunt generalizabile la
ntreaga populaie.
Statistica descriptiv i statistica inferenial

n statistic sunt folosite dou categorii generale: statistica descriptiv i statistica inferenial.
Statistica descriptiv este folosit pentru a rezuma caracteristicile unui eantion sau a unei populaii. Dup
ce datele despre membrii unui eantion sau a unei populaii au fost colectate, msurtorile originale, sau
13
rezultatele (date brute), sunt organizate i rezumate folosind tehnici ca acelea descrise n paragrafele
urmtoare. Statistica descriptiv ne permite s derivm informaii noi din msurtorile efectuate, care s
descrie succint un eantion sau o populaie.
Statistica descriptiv se bazeaz pe msurtori fcute fie pe eantioane fie pe o ntreag populaie.
Rezultatele ei nu se extind n afara subiecilor particulari cercetai. Grafice, tabele i numere descriptive
cum ar fi media i procentele sunt mai uor de neles i interpretat dect o list lung de date care
raporteaz rezultatele msurtorilor pentru fiecare variabil i n fiecare caz n parte. Scopul principal al
statisticii descriptive este s reduc ntreaga colecie de date la termeni simpli i mult mai uor de neles,
fr a distorsiona sau a pierde prea mult din informaiile colectate.
Statistica inferenial const n proceduri pentru determinarea generalizrilor ce pot fi fcute,
referitoare la caracteristicile unei populaii, pe baza datelor colectate dintr-un eantion. Statistica
inferenial este relevant atunci cnd avem acces la un eantion luat ntmpltor dintr-o populaie i atunci
cnd nu avem la ndemn toate datele care pot exista teoretic n ntreaga populaie.
Pentru a compara cele dou tipuri de statistici, putem spune c statistica descriptiv furnizeaz
informaii despre un eantion sau o populaie prin date culese n mod real, n timp ce statistica inferenial
const n proceduri care ne indic n ce msur putem generaliza la o populaie, informaiile obinute la
cazurile studiate n mod real i ce fel de constatri putem face. Numai statistica inferenial ne permite s
tragem anumite concluzii, pornind de la un eantion ales ntmpltor, despre o populaie mai larg pe care
nu am msurat-o dar care a furnizat eantionul. Ambele tipuri de statistici sunt accesibile cercettorului n
munca de asisten social.
1.6. Variabile statistice i msurarea lor

Date, variabile i valori statistice
Multe din activitile asistenilor sociali implic culegerea i organizarea datelor despre diferitele
aspecte ale profesiei i despre clienii lor. Cercettorii din toate disciplinele folosesc forme structurate de
pstrare a datelor. n profesia de asistent social se utilizeaz o larg varietate de metode pentru culegerea
datelor, incluznd aplicarea chestionarelor, analizele de coninut, experimentele sau observarea direct a
comportamentului n condiii naturale. n plus, se folosesc adesea date nregistrate de poliie, materiale
provenite de la recensminte, de la registrele ageniilor i ale spitalelor. Informaiile obinute prin aceste
metode precum i prin alte metode, se numesc date (brute).
Datele sunt puncte de plecare pentru concluziile tiinifice, de aceea trebuie s fim foarte exaci
atunci cnd colectm informaii. Nici o concluzie rezultat din cercetarea tiinific nu poate fi mai bun
dect calitatea datelor pe care se bazeaz.
Exist ntotdeauna o limit a gradului n care datele pot fi culese i folosite n mod real. n studiile
de cercetare datele se refer la aa numitele variabile. O variabil este o caracteristic a individului
statistic, o nsuire care prezint interes tiinific. Dar nu orice nsuire poate fi msurat numeric: uneori
ea nu poate s reflecte mai mult dect o form, stare sau tip, chiar dac variaz n rndurile indivizilor care
compun populaia cercetat. Putem doar s clasm indivizii n funcie de astfel de variabile. Clasificarea
este i ea un fel de msurare. Fr s fim prea filozofici, putem spune c toate variabilele cu care au de-a
face asistenii sociali (att n cercetare, ct i n practic), sunt potenial msurabile. De exemplu, putem s
msurm variabila gen, clasificnd clienii notri n brbai i femei, putem s msurm variabila
vrst", clasificndu-i dup vrsta lor la ultima lor zi de natere, putem msura variabila numrul
clienilor activi ntr-un serviciu de asisten social obinnd-o printr-o simpl numrtoare. Variaiile
poteniale ale unei variabile date se refer la valorile variabilei. De exemplu femeie, brbat sunt valori
ale variabilei gen.
Ca i concept matematic, a msura nseamn a atribui numere sau simboluri unui aspect al
realitii obiective sau subiective, n funcie de anumite aspecte cantitative sau calitative care le
caracterizeaz. Modul n care sunt atribuite numere sau simboluri variabilelor statistice, poarta numele de
scale de msurare
14
1.7. Scale de msurare a variabilelor statistice

nsuirile indivizilor statistici se exprima (evalueaz) sub diverse forme, cunoscute n literatura de
specialitate ca nivele de msurare, scale de msur sau pur i simplu scale. Principalele denumiri
aplicate de statisticieni nivelelor de msurare reflect o precizie cresctoare, de la (1) nominal, la (2)
ordinal, apoi la (3) interval, si pana la (4) rapoarte.
Nivelul nominal
Nivelul de msurare cu cea mai mic precizie este cel nominal. Cuvntul nominal sugereaz
repartiia numelor la categorii (valori), care sunt distincte unele fa de altele. Msurarea nominal este n
esen un sistem de clasificare care implic categorizarea variabilelor n subclase. Valori diferite reflect
doar un tip diferit, nimic mai mult. Deoarece nu sunt implicate diferenieri de cuantum, nu este posibil o
ordonare a valorilor. Variabile cum ar fi genul, rasa, apartenena politic sunt de obicei considerate ca
variabile de nivel nominal. Alte exemple sunt starea civil, diagnosticul, ocupaia, tipul de tratament.
Cerinele msurrii de nivel nominal sunt minime. O variabil nominal poate avea dou sau mai
multe categorii, iar categoriile trebuie s fie distincte, s se exclud reciproc, i s fie exhaustive. Termenii
distinct i reciproc exclusiv desemneaz faptul c fiecare caz n parte trebuie s se potriveasc numai uneia
dintre categorii; termenul de exhaustiv indic faptul c trebuie s existe o categorie potrivit, pentru fiecare
caz. De exemplu, exist doar dou clase pentru variabila nominal starea de via - n viaa sau decedat.
Aceste categorii sunt n mod clar exhaustive i reciproc exclusive, astfel nct fiecare persoan intr numai
ntr-una din aceste dou categorii (exhaustive), dar numai o categorie i se poate atribui (exclusiv).
Pentru msurarea nominal, numerele (sau alte simboluri, cum ar fi literele) pot fi folosite ca
semne convenionale pentru distingerea unei categorii faa de alta. S presupunem c am divizat variabila
"tipul de tratament" n trei categorii: terapie individual, terapie de grup, terapie familial. n acest caz
putem atribui eticheta Terapie 1 - terapiei individuale, Terapie 2 - terapiei de grup, Terapie 3 - terapiei de
familie. Numerele pe care noi le-am folosit sunt doar etichete i servesc numai pentru clasificare. Ar fi
lipsit de sens n acest caz s spunem c 1 este mai mult sau mai puin terapie dect 2 sau 3, sau s facem
orice alt afirmaie, care s dea orice conotaie cantitativ categoriilor. n descrierea datelor de nivel
nominal tot ceea ce putem face este s stabilim numrul cazurilor care intr n fiecare categorie.
Nivelul ordinal
Msurarea la nivel ordinar nu numai c separ diferitele categorii de variabile, dar de asemenea
face posibil o ordonare a acestora de la nalt la sczut, sau de la mai mult la mai puin. Aceasta nseamn
ca le aranjeaz n categorii care intr ntr-o relaie de supraordonare sau subordonare unele fa de altele.
Exemple de variabile care pot fi considerate de nivel ordinal sunt clasa social, prestigiul ocupaional,
nivelul de educaie (bacalaureat, master, doctorat), evaluarea schimbrii (considerabil, ntr-o oarecare
msur, puin, deloc), evaluarea eficacitii tratamentului (foarte eficace, eficace, ineficace, foarte
ineficace), evaluarea satisfaciei clienilor referitor la tratament (foarte satisfcui, satisfcui, nesatisfcui,
foarte nesatisfcui), clasificarea gravitii unei probleme (foarte grav, grav, simpl, foarte simpl),
notarea cu calificative a unui examen (foarte bine, bine, suficient, insuficient).
Etichetele valorilor folosite n clasificarea de nivel ordinal face posibil nu numai identificarea
diferenelor dintre subclasele de variabile, dar i a poziiei lor relative. Printr-o clasificare de nivel nominal
putem doar s exprimm faptul c o valoare este diferit de alta. n clasificarea de nivel ordinal putem
spune nu doar c o valoare este diferit de cealalt dar i faptul c prezint o cantitate mai mare sau mai
mic a variabilei.
Este important s notm faptul c etichetele valorilor de nivel ordinal ale datelor nu indic cantiti
absolute i nu asigur intervale egale ntre valori. De asemenea nu putem ti aranjarea exact cuprins n
toate categoriile. De exemplu putem avea o scal a poziiilor sociale care sugereaz clasificarea claselor
sociale n acord cu un set de categorii aranjate de la Clasa 1 (superioar) la Clasa 5 (inferioar). Deoarece
clasele nu reprezint n mod necesar intervale egale, nu putem spune c Clasa 1 este la exact dou clase
interval superioar Clasei 3, sau c acest interval este exact aceeai distan ca i cea care separ Clasa 4 de
Clasa 2.
15
De aceea, nivelul ordinal este cu un pas nainte fa de cel nominal prin faptul c adaug o
difereniere cantitativ a categoriilor i face posibil o observare ordonat. Diferitele valori ale unei
variabile de nivel ordinal, oricum, nu indic cantitile lor absolute, sau distanele exacte dintre ele.
Nivelul interval
Nivelul interval, clasific i ordoneaz datele n funcie de valorile variabilelor; n plus le
aranjeaz la distane egale. Spre deosebire de scalele ordinale, scalele de nivel interval au unitate de
msur, cum ar fi anul, gradul de temperatur, i aa mai departe. De aceea etichetele valorilor indic exact
la ce distan se afl o valoare fa de cealalt. Cu variabilele de nivel interval putem arta c un obiect are
mai mult sau mai puin dintr-o proprietate dat dect un alt obiect; de asemenea putem specifica cu
cte uniti are mai mult sau mai puin.
Avnd distane egale ntre uniti, valoarea 1 va fi la aceeai distan de 4, ca i valoarea 6 de 9, i
aa mai departe. ntr-un test creat pentru evaluarea inteligenei, cuantificat la nivel interval, diferena dintre
IQ 100 i IQ 105 ar trebui s reflecte aceai diferen ca cea dintre: IQ 115 i IQ 120. Doi indivizi cu
rezultatele de 50 i respectiv 60 ar trebui s aib aceeai diferen ntre rezultatele lor la testele de
inteligen i nvare ca cea dintre ali doi indivizi care au realizat punctajul de 80 i respectiv 90. Deseori
variabilele ca anomia, moralul grupului i anumite atitudini sociale necesit s fie msurate ntr-o scal de
nivel interval. Accesul lor la statutul de variabil de nivel interval este bazat pe munca cercettorilor care
au lucrat muli ani la dezvoltarea unor instrumente adecvate de msurare. Aceste instrumente au trecut
printr-o serie de mbuntiri destinate creterii gradului lor de precizie.
Scalele de nivel interval nu pot include o valoare de zero absolut (adic nu putem identifica un
punct n care nu exist nici o cantitate din variabila studiat). Aceasta nseamn c nu putem spune c 2
este de dou ori mai mult dect 1 - ci doar c este cu o unitate mai mare. De vreme ce citirea unei
temperaturi de 0 grade pe un termometru nu reprezint absena cldurii, o temperatur de 60 de grade nu
este de dou ori mai mare dect o temperatur de 30 de grade. Zero grade C nu este nimic mai mult dect
un punct arbitrar ales pentru a primi eticheta valorii 0. Termometrele Celsius pot genera numai informaii
de nivel interval (spre deosebire de termometrele Kelvin, care au un punct 0 absolut).
Msurtorile de nivel interval indic la ce distan se afl valorile unei variabile, unele fa de
altele. Ele nu indic magnitudinea absolut a valorii variabilei asociate fiecrui obiect sau persoan. Acest
lucru este posibil numai folosind cel mai precis tip de msurare, nivelul rapoarte.
Nivelul rapoarte
Existena unui punct zero natural, absolut, nonarbitrar constituie singura diferen ntre msurarea
la nivel interval i cea la nivel rapoarte. De aceea numerele scalei de nivel rapoarte indic cantitatea real a
proprietilor msurate. Cu astfel de scal putem stabili nu numai faptul c un obiect are cu att mai multe
uniti dintr-o proprietate dect un al doilea obiect, dar i faptul c primul obiect are de attea ori mai mult
sau mai puine uniti. Exemple de scale tip rapoarte sunt rata naterilor sau a divorurilor; numrul de copii
ntr-o familie, numrul de comportamente observate pe parcursul unei anumite perioade de timp.
Punctul zero absolut are o semnificaie empiric. Toate operaiile aritmetice sunt posibile:
adunare, scdere, nmulire mprire. Aceasta permite utilizarea valid i interpretarea complet a
raportului dintre dou rezultate. De exemplu, o ar cu rata total a fertilitii de 4,8 copii pe cuplu are o
rat de dou ori mai mare fa de o ar cu rata de 2,4 copii pe pereche. n mod similar o familie cu un venit
de 1.500.000 lei are un venit dublu fa de o familie cu venitul de 750.000 lei.
Cele mai multe din datele folosite n asistena social, att n practic ct i n cercetare nu
furnizeaz msurri de nivel rapoarte. Un mod de a testa existena unui nivel rapoarte este s ne gndim la
posibilitatea valorilor negative. Dac valorile negative pot fi logic repartizate (de exemplu temperatura de 25 grade Celsius) atunci msurarea variabilei nu poate fi considerat mai mult dect de nivel interval.
Variabile calitative i cantitative

Variabilele msurate pe o scal de nivel nominal i cele msurate pe o scal de nivel ordinal
formeaz categoria variabilelor calitative, numite i caracteristici statistice. Atributul calitativ se confer
16
datorit faptului c distincia ntre clase este una calitativ. Termenul calitativ este aici luat n contrast cu
cel cantitativ, care are semnificaie de msurare propriu-zis.
n contrast cu variabilele calitative vom avea variabilele cantitative, numite uneori simplu
variabile. Ele se definesc prin aceea c proprietatea n cauz se concretizeaz, la nivelul fiecrui individ
din populaie, printr-o valoare numeric, rezultat al operaiei de msurare. Numrul astfel atribuit este un
numr cardinal i red intensitatea, magnitudinea cu care se manifest nsuirea respectiv n cazul
individului concret respectiv.
Variabile continue i variabile discrete

Se numete continu o variabil de tip numeric (cantitativ, de tip interval/raport) care are un
numr teoretic infinit de niveluri ale valorilor msurate. Acest tip de variabil poate lua, n principiu, orice
valoare, permind utilizarea zecimalelor. Exemple: timpul de reacie, nlimea, greutatea, etc.
Se numete discret o variabil care prezint un numr finit al valorilor pe care le poate lua
(numrul persoanelor dintr-o familie, numrul de igarete fumate zilnic).
Precizia msurrii i indicatorii statistici

Cunoaterea nivelului de msurare al datelor de care dispunem servete la alegerea indicatorului
statistic sau al testului statistic potrivit. ntotdeauna vom dori s utilizm un indicator statistic adecvat sau
s aplicm testul statistic potrivit nivelului sau nivelelor de msurare de care dispunem. Uneori testele
statistice potrivite pentru datele de nivel interval, de exemplu, necesit satisfacerea unor cerine
suplimentare ale valorilor variabilei i a modul n care sunt distribuite. Dac aceste cerine nu pot fi
asumate, se pot utiliza testele statistice adecvate pentru variabile msurate la nivel ordinal sau chiar la nivel
nominal.
Nu este posibil s mergem n cealalt direcie n ierarhia msurrii, de la mai puin precis la mai
precis. Dac o variabil este msurat numai la nivel nominal, nu putem s o tratm ca variabil de nivel
ordinal, de vreme ce lipsete o ordonare a categoriilor variabilei. De aceea nu este corect s se aplice teste
statistice create pentru msurarea de nivel ordinal, pentru variabile considerate a fi de nivel nominal. n
mod similar nu este potrivit s se aplice teste statistice destinate msurrii de nivel interval, variabilelor
considerate a fi numai de nivel nominal sau ordinal.
Diferitele nivele de msurare se refer la felul n care sunt conceptualizate i operaionalizate
fenomenele sociale i nu la caracteristicile inerente ale fenomenelor n sine. Dup felul n care este
conceptualizat i operaionalizat o variabil ntr-un studiu de cercetare, cum ar fi de exemplu locul de
reedin, ea poate fi msurat la nivelul nominal - dac se folosete la indicarea numelui locului geografic
al unei reedine -, la nivel rapoarte - dac ea indic distana de la acea reedin la un punct specific de pe
glob -, sau la nivel ordinal dac ea exprim categoria administrativa a localitii (sat, comuna, oras,
municipiu).
S lum n considerare numrul variabil al edinelor de tratament pe care le urmeaz un client
ntr-o anumit perioad de timp, de exemplu o lun. Dac suntem interesai n cantitatea de tratament
administrat, atunci putem s pretindem c numrul de edine este o variabil de nivel rapoarte, de vreme
ce poate s ia valorile 0, 1, 2, 3, etc. n orice caz aceeai variabil poate fi utilizat ca indicator al cantitii
de ajutor terapeutic de care clientul are nevoie. Conceptul de nevoie de ajutor i frecvena edinelor de
tratament efectuate nu sunt chiar aceleai. Numai pentru c clientul A a asistat la patru edine de tratament
ntr-o lun dat, n timp ce un alt client B a asistat numai la dou, nu suntem ndreptii s spunem c A a
avut nevoie de un ajutor de dou ori mai mare dect B. Variabila nu poate fi considerat de nivel rapoarte.
Nici mcar de nivel interval nu este deoarece diferena cantitii de ajutor de care cei doi clienii au avut
nevoie, reflectat n diferena dintre dou i patru vizite, nu este aceiai ca i acela reflectat n diferena
dintre ase i opt vizite. Este totui probabil c diferena numrului de edine de tratament reflect o
anumit diferen cantitativ n nevoia pentru ajutor terapeutic. De aceea variabila poate fi considerat de
nivel ordinal.
17
Variabile dependente i independente

n cercetarea ca i n practica de asisten social deseori suntem interesai n cutarea unei relaii
ntre dou sau mai multe variabile. De obicei exist o variabil, numit variabil dependent, pe care
dorim s o examinm. Vrem s tim ct mai mult posibil despre factorii variaiei variabilei dependente, cu
scopul de a putea influena variaia ei. Deseori, diferitele valori ale variabilei dependente pot fi legate de
efecte cauzate de ali factori. Aceti factori fac trimitere la variabilele independente.
Satisfacia n munc printre angajai poate s depind, ntre altele, de felul de supervizare pe care
l primesc (satisfacia = variabil dependent). Variaiile n notele studenilor la un curs opional poate
depinde de motivaia studenilor, de timpul afectat studiului, de capacitile lor intelectuale (notele
studenilor = variabil dependent). Dac un student reuete s intre sau nu ntr-o relaie de prietenie,
poate depinde de capacitile sale intelectuale, de posibilitatea de a-i gsi prieteni, precum i de competiia
n care intr cu ali studeni (gsirea de prieteni = variabil dependent). n toate exemplele de mai sus,
diferitele valori ale variabilei dependente sunt logic dependente de celelalte variabile (independente), sau
cel puin am vrea s tim dac acest lucru este aa. n fiecare exemplu, ar fi ilogic, dac nu absurd, s
credem c sensul relaiei ar putea fi i invers.
Asistenii sociali, ca profesioniti, sunt de obicei mai interesai n a explica diferenele dintre
variabile cum ar fi satisfacia n munc, notele, succesul ntr-o relaie de prietenie. De aceea, acestea vor fi
variabile dependente n munca lor de cercetare. Sigur c cercettorii care se ocup de alte domenii ar putea
cuta motivele variaiilor n tipurile de supervizare, a variaiilor n motivaia la nvare sau metodele
folosite pentru cutarea unei relaii de prietenie. n aceste studii altele ar deveni variabile dependente, iar
cercettorii ar putea folosi factori ca satisfacia n munc, notele sau succesul ntr-o relaie de prietenie ca
variabile independente. De aceea o variabil este considerat dependent sau independent, pe baz logic
sau dup punctul principal de investigare ntr-un studiu de cercetare dat. Identificarea variabilei
dependente i a celei independente este necesar att pentru formularea ipotezei ct i pentru interpretarea
rezultatelor testului statistic.
Observaie. O relaie de dependen nu implic n mod automat o relaie de tip cauz-efect. Un
simplu test statistic, chiar dac este confirmat, nu este niciodat o dovad c variaia variabilei
independente cauzeaz variaia variabilei dependente.
ntrebri pentru studiu

1.
2.
3.
4.
5.
6.
Explicai prin ce difer variabila calitativ de una cantitativ.

Dai un exemplu de variabil care poate fi dependent ntr-un anumit studiu de cercetare i
independent n altul.
Ce criteriu adiional trebuie pus unei variabile pentru a putea fi considerat de nivel ordinal, criteriu
care nu este cerut de o msurare de nivel nominal?
Ce se cere n plus la msurarea pe o scal de nivel rapoarte, fa de variabilele msurate la nivel
interval?
Explicai de ce i cum o variabil "elev problem" poate fi operaionalizat de nivel nominal ntr-un
studiu i de nivel interval ntr-un alt studiu.
Ce furnizeaz n plus cercettorilor statistica inferenial fa de statistica descriptiv?
Exerciiu pentru acas 1.

Identificai individul statistic, variabila msurat i scala ei de msur in urmtoarele dou situaii de
cercetare:
1a. Scorurile IQ ale unui eantion de 24 studeni care au intrat n primul an de studiu sunt:
115
119
119
134
121
128
128
152
97
108
98
130
108
110
111
122
106
142
143
140
141
151
125
126
18
1b. Datele urmtoare reprezint suprafaa util, msurat in metri ptrai, a locuinei ocupat de beneficiarii
de ajutor la nclzire din anchetele sociale corespunztoare ale Primriei:
37
42
44
47
46
50
48
52
90
54
56
55
53
58
59
60
62
92
60
61
62
63
67
64
64
68
67
65
66
68
69
66
70
72
73
75
74
72
71
76
81
80
79
80
78
82
83
85
86
88
19
Modul 2
Distribuii de frecvene
Dup ce datele au fost culese ele trebuie organizate i rezumate. nainte ca prezentarea sub form
de tabel a unor date s poat fi realizat informaia trebuie aranjat astfel nct ea s fie ct mai uor de
neles. Aceast seciune va descrie cele mai utile moduri de tabelare a datelor.
2.1. Ordonarea datelor brute

Deseori, primul pas al procesului de rezumare a datelor este punerea lor ntr-o anumit ordine. S
presupunem, spre exemplu, c administratorul unei agenii de asisten social dorete s afle dac agenia
servete persoanele n vrst ale comunitii. (Se definete mai nti ce nseamn o persoan in vrst, de
exemplu cea avnd peste 50 ani). Administratorul decide s nregistreze vrsta clienilor noi care apeleaz
la serviciile ageniei timp de o lun. Examinnd fiele de nregistrare a acestor persoane, obine urmtoarele
vrste.
32, 27, 26, 21, 37, 31, 32, 69, 26, 31, 37, 49, 31, 27, 37, 26, 49, 21, 27, 31
Deoarece datele nu sunt prezentate sub o form anumit, ele constituie un sir simplu de date brute.
Pentru a da un neles acestor date, ele trebuie aezate ntr-o alt ordine, ncepnd fie de la valoarea cea mai
ridicat spre cea mai joas, fie invers, ca n lista de mai jos.
21, 21, 26, 26, 26, 27, 27, 27, 31, 31, 31, 31, 32, 32, 37, 37, 37, 49, 49, 69
Acum se vede mult mai clar c cei mai tineri clieni au 21 ani (valoarea minim) i sunt doi la
numr. C cel mai vrstnic client are 69 ani (valoarea maxim) si este doar unul.
n situaii reale, listele de date brute, chiar ordonate fiind, nu ne sunt de mare ajutor, mai ales
atunci cnd numrul lor este mare. Pentru a elimina acest neajuns se folosete tabelul de frecvene.
2.2. Distribuii (tabele) de frecvene

Frecvena este o noiune fundamental a statisticii, derivat din cea de individ, populaie i
variabil. Ea rspunde la ntrebri de genul Ci indivizi sunt la fel ? sau Ci aparin aceleiai clase ?
Cutarea frecvenelor unei variabile nseamn aflarea numrului de indivizi statistici care populeaz
fiecare clas a variabilei.
Prin urmare, dac avem o caracteristic X, cu clasele x1, x2, , xs, i dac din cei n indivizi k1
sunt x1, k2 sunt x2, ., ks sunt xs, atunci se realizeaz o coresponden biunivoc ntre mulimea
X = {x1, x2, , xs }
i mulimea
K = {k1, k2, , ks }
adic ntre mulimea claselor i cea a frecvenelor. Aceast ultim mulime, privit desigur prin prisma
corespondenei cu X, poart denumirea de distribuie de frecvene. Distribuiile de frecvene se prezint
de regul sub forma unor tabele numite tabele de frecvene.
Distribuiile de frecvene, cum sunt tabelele 2.1 2.5, organizeaz n continuare datele exemplului
nceput mai sus pentru a le face mai uor i mai rapid de neles. Vom prezenta cinci feluri de distribuii de
frecvene: tabelul de frecvene absolute, tabelul de frecvene cumulate, tabelul de frecvene procentuale,
tabelul de frecvene procentuale cumulate, i tabelul de frecvene absolute i procentuale. Le vom descrie
pe fiecare pe rnd.
20
Frecvene absolute
Pentru a construi un tabel de frecvene absolute, pur i simplu numrm de cte ori apare fiecare
valoare pentru o anumit variabil. Potrivind frecvenele pentru fiecare valoare, obinem o imagine de
ansamblu a datelor. Aceasta ne permite s identificm ordinea valorilor care apar, valoarea tipic, i
variaia frecvenelor valorilor. O distribuie de frecvene absolute ne permite s observm la prima vedere
cum sunt distribuite anumite valori ale unei variabile. O astfel de distribuie poate fi construit pentru date
de orice nivel.
Partea stng a Tabelui 2.1 arat faptul c vrsta clienilor variaz de la 21 la 69 sau c vrsta care
apare cel mai des este 31 (de 4 ori). Coloana de frecvene absolute din partea dreapt a tabelului indic de
cte ori apare fiecare valoare..
Tabelul 2.1. Tabelul distribuiei de frecvene absolute. Vrsta.
Vrsta
Frecvene
(xi)
(ki)
21
2
26
3
27
3
31
4
32
2
37
3
49
2
69
1
Numrul total al clienilor 20
Frecvene cumulate
Dac datele noastre sunt cel puin de nivel ordinal (adic pot fi puse ntr-o ordine), atunci putem
converti tabelul frecvenelor absolute (Tabel 2.1) ntr-un tabel de frecvene cumulate. Un tabel al
distribuiei frecvenelor cumulate (notat cu Fi), ca i Tabelul 2.2, este de fapt o extensie a unui tabel de
frecvene absolute. Tabelul 2.2 difer de Tabelul 2.1 numai prin ultima coloan din dreapta care prezint
frecvenele cumulate ale vrstei clienilor, de la cea mai mic (21), la cea mai mare.
Fi = k1 + k2 + ki
i= 1, , s
Aa cum arat Tabelul 2.2, doi clieni aveau 21 ani, i trei clieni aveau 26 ani. De aceea frecvena
cumulat a vrstei de 26 ani sau mai puin, este cinci (2+3). Un alt exemplu este faptul c 17 clieni
(2+3+3+4+2+3) au vrsta de cel mult 37 ani.
Tabelul 2.2. Distribuie de frecvene cumulate .Vrsta
Vrsta
Frecvene absolute
(xi)
(ki)
21
2
26
3
27
3
31
4
32
2
37
3
49
2
69
1
Total
20
21
Frecvene cumulate
(Fi)
2
5
8
12
14
17
19
20
-
Frecvene procentuale
Tabelul 2.3 este un tabel al distribuiei de frecvene procentuale care utilizeaz datele din Tabelul
2.2. Forma sa este identic cu cea a tabelului distribuiei de frecvene absolute, cum ar fi Tabelul 2.1, cu
singura diferen c n loc de frecvenele absolute apar frecvene procentuale (sau, mai simplu, procente).
Frecvenele procentuale (pi) se obin prin raportarea frecvenelor absolute (ki) la volumul populaiei (n) i
nmulind apoi rezultatul cu 100.
pi = ki / n *100 i = 1, 2, , s
Putem vedea, de exemplu, din Tabelul 2.3, ca cele dou persoane de 21 de ani, reprezint 10% din
numrul total de clieni, sau c procentul celor de 26 ani este de 15%, sau c o cincime (20%) dintre clieni
au 31 ani. Totalul frecvenelor procentuale trebuie s fie ntotdeauna 100% .
Tabelul 2.3 Tabelul de frecvene procentuale. Vrsta.
Vrsta
Procente
(xi)
(pi)
21
10
26
15
27
15
31
20
32
10
37
15
49
10
69
5
TOTAL
100
Procente cumulate
Un tabel al distribuiei de procente cumulate, cum este Tabelul 2.4, se construiete asemntor
tabelului de frecvene absolute cumulate. Dac un tabel al distribuiei frecvenelor cumulate (Tabelul 2.2)
prezint numrul de indivizi cu vrste sub anumite limite, un tabel al distribuiei de procente cumulate,
prezint procentul celor sub diferite vrste. Aa cum apare n Tabelul 2.4, de exemplu, doar doi clieni au
exact 32 de ani, mpreun ei reprezint 10% din totalul clienilor, i 70% din clieni au cel mult 32 ani.
Tabelul 2.4. Distribuie de procente cumulate. Vrsta
Vrst
Procente
21
10
26
15
27
15
31
20
32
10
37
15
49
10
69
5
Total
100
Procente cumulate
10
25
40
60
70
85
95
100
-
Tabele de frecvene absolute i procentuale

Frecvenele absolute i cele procentuale apar deseori ntr-un acelai tabel. Un tabel de frecvene i
de procente, cum este Tabelul 2.5, este o combinaie a dou tabele: un tabel al distribuiei frecvenelor
cumulate (Tabelul 2.2) i un tabel al distribuiei procentelor cumulate (Tabelul 2.4).
22
Tabelul 2.5. Distribuie de frecvene i de procente. Vrsta

Frecvene
Vrsta
Frecvene
Cumulate
21
2
2
26
3
5
27
3
8
31
4
12
32
2
14
37
3
17
49
2
19
69
1
20
Total
20
-
Procente
10
15
15
20
10
15
10
5
100
Procente
Cumulate
10
25
40
60
70
85
95
100
-
2.3. Tabele de frecvene pentru variabile cu intervale de grupare

Uneori interpretarea tabelelor distribuiei de frecvene poate fi dificil din cauza aranjrii inegale a
valorilor ordonate ale mai multor variabile. n exemplul nostru variabila vrst este distribuit n aa fel
nct apar pauze care duc la confuzii (21 la 26; 27 la 31; 32 la 37; 37 la 49; 49 la 69). Concluziile ar putea fi
mai evidente dac aceste date ar fi mprite pe intervale de vrst (de exemplu, 20-29; 30-39, etc.) i
rezumate ntr-o distribuie de frecvene ca n tabelele 2.6 2.12. Valorile fiind grupate n intervale, i
frecvenele corespunztoare trebuiesc nsumate.
Distribuia de frecvene a variabilelor cu valori grupate pe intervale se utilizeaz nu numai atunci
cnd operm cu variabile discrete cu multe valori, dar i atunci cnd avem variabile continue. Acesta este
cazul des ntlnit la variabilele msurate pe o scal de nivel interval sau rapoarte. Venitul anual al
studenilor, de exemplu, ar cuprinde o foarte lung list, mai ales dac venitul ar fi msurat, pentru fiecare
individ, n dolari i ceni. Transformnd observaiile n categorii distincte, va fi mai uor pentru noi s
vizualizm i s rezumm datele. De exemplu, venitul poate fi grupat n patru categorii: sub 600$; 601$ 900$; 901$ - 1200$; 1201$ i peste.
Cnd stabilim cum mprim valorile in intervale trebuie s inem cont de cteva cerine: intervale
s fie pe ct posibil egale ca lungime, s fie exhaustive (adic s acopere toate valorile posibile), s fie
exclusive (adic orice valoare s se ncadreze ntr-un singur interval fr nici un fel de dubiu), s nu fie
prea multe (ngreuneaz interpretarea), s nu fie prea puine (se pierde prea mult din precizie).
Ca i n cazul distribuiilor de frecvene cu valori discrete vom exemplifica cu cinci variante de
tabele pentru distribuii de frecvene pentru variabile cu intervale de grupare: tabel de frecvene (absolute);
tabel de frecvene cumulate, tabel de procente, tabel de procente cumulate i tabel de frecvene i de
procente.
Tabelul 2.6. Distribuie de frecvene absolute. Grupa de vrst
Grupa de vrsta
Frecvene
20-29
8
30-39
9
40-49
2
50-59
0
60-69
1
Total
20
Lungimea intervalelor n distribuiile de frecvene (care este 10 n Tabelul 2.6) depinde att de
judecata noastr cu privire la ceea ce are importan, ct i de numrul de observaii ce trebuie clasificate.
De obicei cu ct este mai mare numrul observaiilor, cu att este mai mare numrul intervalelor care pot fi
folosite. Dac se folosesc prea multe intervale (s zicem mai multe de 15 ) ele sunt att de nguste nct
informaia este greu de acceptat, i un rezultat important poate rmne ascuns. Pe de alt parte, dac se
folosesc prea puine intervale, foarte mult informaie se poate pierde prin comasarea unor observaii
diferite. Intervalele nu trebuie s fie att de largi nct dou valori incluse s aib ntre ele o diferen
23
considerat important. De exemplu dac nu este considerat ca important o diferen de 200$ n venitul
anual al unei familii, dar este considerat important o diferen de 300$, putem alege urmtoarele
intervale: sub 200$, 201$ - 400$; 401$ - 600$ etc.
Tabelul 2.7. Distribuie de frecvene cumulate. Grupa de vrst
Vrsta
Frecvene
Frecvene cumulate
20 - 29
8
8
30 - 39
9
17
40 - 49
2
19
50 - 59
0
19
60 - 69
1
20
Numrul total de clieni
20
Tabelele de procente prezint att frecvenele absolute ale fiecrui interval ct i procentele
reprezentate de indivizii din fiecare interval n raport cu totalitatea cazurilor. De aceea, aa cum indic
Tabelul 2.8, opt clieni aveau vrsta de la 20 la 29 ani; aceti opt clieni reprezint 40% din ntregul
eantion. Aa cum vom arta puin mai jos, o asemenea prezentare este util mai ales atunci cnd
comparm valorile unei variabile din dou sau mai multe grupuri de mrimi diferite.
n Tabelul 2.8 putem vedea procentul clienilor din fiecare grup de vrst. 45% , adic 9 dintre
clieni, sunt inclui n categoria de vrst 30 - 39 ani. Prin adunare obinem c 85% (40% + 45%) sunt n
categoria 20 - 39 de ani.
Tabelul 2.8. Distribuie de procente. Grupa de vrst.
Vrsta
Frecvene
20 - 29
8
30 - 39
9
40 - 49
2
50 - 59
0
60 - 69
1
Total
20
Procente
40
45
10
0
5
100
Datele prezentate n Tabelul 2.9, al procentelor cumulate, indic faptul c ngrijorarea de la

nceput a administratorului ageniei era justificat. Adic, majoritatea (95%) clienilor care solicit
serviciile ageniei au vrsta sub 50 ani. Aceast concluzie este mult mai precis i mai convingtoare, dect
afirmaia c "mai muli" dintre clieni, se ncadreaz ntre limitele vrstei de 20 - 39 ani, dect ntre 40 i 69
ani.
Tabelul 2.9. Distribuie de procente cumulate. Grupa de vrst
Vrsta
Procente
20 - 29
40
30 - 39
45
40 - 49
10
50 - 59
0
60 - 69
5
Total
100
24
Procente cumulate
40
85
95
95
100
-
Tabelul 2.10. Distribuie de frecvene absolute i procentuale. Grupa de vrst.

Frecvene
Vrsta
Frecvene
Cumulate
Procente
20 - 29
8
8
40
30 - 39
9
17
45
40 - 49
2
19
10
50 - 59
0
19
0
60 - 69
1
20
5
Total
20
100
Procente
Cumulate
40
85
95
95
100
-
2.4. Utilizarea frecvenelor absolute i relative n comparaii

Distribuiile de frecvene cumulate sunt utile atunci cnd suntem interesai de poziia cumulativ a
unei valori. S presupunem, spre exemplu, c administratorul unei mari organizaii de servicii sociale,
dorete s studieze problema absenteismului nemotivat al personalului. El ar dori s identifice specificul
fiecrui anotimp pentru a putea mbunti situaia prin tactici noi pentru vacan i pentru concediul anual.
Ar putea fi utile n acest caz fie un tabel de frecvene cumulate, cum este Tabelul 2.11, sau un tabel de
procente cumulate, cum este Tabelul 2.12.
Aceste dou tabele indic faptul c n luna aprilie au aprut 30 de absene (Tabelul 2.11), sau
numai 15% (Tabelul 2.12) din totalul absenelor pe o perioad de patru luni. Cantitatea cumulat a
absenelor a fost de 200 de zile (Tabelul 2.11).
Tabelul 2.11. Tabelul distribuiei de frecvene cumulate
Absenele nemotivate pe fiecare lun la agenia XYZ
Luna
Frecvene
Aprilie
30
Mai
40
Iunie
60
Iulie
70
Total
200
Frecvene cumulate
30
70
130
200
-
Tabelul 2.12. Tabelul distribuiei de procente cumulate

Absenele nemotivate pe fiecare lun la agenia XYZ (din Tabelul 2.11)
Lun
Procente
Procente cumulate
Aprilie
15
15
Mai
20
35
Iunie
30
65
Iulie
35
100
Total
100
Numai 35% (Tabelul 2.12) din absene sau petrecut n primvara trzie, n timp ce celelalte 65%
(30% + 35%) s-au petrecut n timpul lunilor iunie i iulie. De aceea din cele dou tabele administratorul
ageniei a putut scoate n eviden sezonalitatea absenteismului.
Frecvenele cumulatepentru variabile cu intervale de grupare (mai ales cele procentuale) sunt utile
n special atunci cnd dorim s comparm distribuiile a dou sau mai multe seturi de date, n termeni de
ci (ce procente) de indivizi se situeaz sub o anumit valoare. Pot fi folosite, spre exemplu, pentru a
obine o prim evaluare a posibilului succes al unui ndrumtor de studiu. Am putea s privim rezultatele
persoanelor care au utilizat ndrumtorul (grupul experimental) i comparativ cu rezultatele persoanelor
care nu l-au folosit (grupul de control). Tabelele de frecvene cumulate care arat diferenele dintre
rezultatele celor dou grupuri sunt Tabelele 2.13 i 2.14.
25
Tabelul 2.13. Tabelul distribuiei de frecvene i procente cumulate.

Rezultatele obinute la examen de grupul celor care au folosit indrumtorul (n = 300)
Frecvene
Procente
Puncte
Frecvene
Cumulate
Procente
Cumulate
50 - 59
0
0
0
0
60 - 69
30
30
10
10
70 - 79
120
150
40
50
80 - 89
90
240
30
80
90 - 100
60
300
20
100
Tabelul 2.14 Tabelul de frecvene cumulate i de procente cumulate grupate:

Rezultatele obinute la examen de grupul de control (n = 200)
Frecvene
Puncte
Frecvene
Cumulate
Procente
50 - 59
0
0
0
60 - 69
30
40
15
70 - 79
80
120
40
80 - 89
70
190
35
90 - 100
10
200
5
Procente
Cumulate
0
20
60
95
100
Putem vedea n Tabelul 2.14, c 20% dintre asistenii sociali (40 la numr) din grupul de control
au obinut la examen un rezultat de 69 puncte sau mai puin. Tabelul 2.13 indic faptul c doar 10% dintre
asistenii sociali (30 n valoare absolut) care au utilizat ndrumtorul pentru studiu au obinut un rezultat
asemntor. A trebuit s inem cont n comparare c cele dou grupuri erau alctuite dintr-un numr inegal
de subieci (n), 300 din grupul experimental i 200 din grupul de control. Numai folosind procentele am
putut compara dou grupuri de mrimi diferite.
Din perspectiva cercetrii, cele dou grupuri de 200, i respectiv de 300, subieci pot fi comparate
n mod rezonabil. Compararea procentelor simplific interpretarea datelor dar trebuie s fim prudeni cu
privire la compararea procentelor ntre dou grupuri a cror mrime difer mult. Un astfel de procedeu n
realitate poate mai degrab s distorsioneze dect s clarifice datele pentru cititor. Exemplul de mai jos va
arta cum se poate ntmpla acest lucru.
S presupunem c un asistent social se ocup de 10 clieni n timp ce un altul de 100 de clieni. Cel
care are 10 clieni termin dou cazuri pe parcursul unei luni, iar cellalt termin ase cazuri. Primul
asistent social raporteaz un procent de 20% (2/10 =20%) a cazurilor ncheiate, n timp ce cellalt
raporteaz numai 6% (6/100 = 6%) cazuri ncheiate. Privind numai datele procentuale (20% contra 6%),
apare o diferen semnificativ ntre ratele relaiilor ncheiate la cei doi asisteni sociali (20 este mai mare
dect 6 de mai mult de trei ori). Este aceast diferen att de semnificativ?
Pentru a evita o fals impresie numerele reale pe care se bazeaz procentele, trebuie ntotdeauna
raportate mpreun cu procentele dac numrul de cazuri din ambele grupuri este mare, iar grupurile sunt
inegale n mrime. n general procentele sunt lipsite de semnificaie, dac nu total derutante, atunci cnd
sunt raportate datele unor eantioane mici. Ar fi cel mai bine ca ele s nu fie raportate, de vreme ce
numerele mici sunt destul de uor de neles.
ntorcndu-ne la exemplul cu examenul, putem s observm c procentele cumulate fac posibil
calcularea, cel puin aproximativ, centilei pentru fiecare individ. Centila unei valori indic procentajul
cazurilor a cror valori depesc sau se situeaz sub nivelul valorii date. S presupunem c un anumit
individ din grupul experimental a obinut n cadrul examinrii un rezultat de 90 puncte, dup ce a folosit
ndrumtorul de studiu. Din Tabelul 2.13 putem vedea c persoanele care au obinut un rezultat mai mic
dect el reprezint 80% din toate persoanele grupului experimental - adic individul se situeaz la nivelul
centilei 80%. Frecvenele procentuale cumulate ne permit s privim un rezultat individual raportndu-l la
celelalte rezultate din grup.
26

1.
2.
3.
4.
5.
6.
7.
Ce trebuie s avem in vedere atunci cnd determinm lungimea intervalelor de grupare?

Ce informaie n plus apare la distribuia de frecvene cumulate i care nu este prezent la distribuia de
frecvene absolute?
Ce tip de distribuie de frecvene ne va spune cel mai rapid, ct la sut din 396 studeni are vrst de 25
ani sau mai puin?
Ce tip de distribuie de frecvene ne va spune ci clieni beneficiari de ajutor social dintr-o localitate
au mai puin de patru copii?
Unde este greeala la o distribuie de frecvene grupate dup vrst, care folosete categoriile de vrst
ntre 20 i 30, 30 - 40, 40 - 50, 50 - 60, 60 - 70 i peste 70 ani?
ntr-un studiu care ncearc s relateze despre modul de obinere a unei slujbe, de ce este contraindicat
s se grupeze variabila "numr de interviuri" de la 1 - 10, 11 - 20, i peste 20?
Ce ne spune un rezultat care cade pe al 73-lea procent cumulat, despre performanele unui student
comparaie cu ceilali colegi ai lui?

Construii un tabel de frecvene pentru datele de la Exerciiul pentru acas 1b, folosind clase de intervale
de cte 5, de exemplu 35-39 etc.
Adugai inclusiv frecvenele procentuale i frecvenele procentuale cumulate.
27
Modul 3
Prezentarea grafic a distribuiilor de frecvene
Este greu de sesizat toate semnificaiile unui tabel, dar acestea pot fi comunicate aproape imediat
prin imagini. Atunci cnd datele se prezint n mod eficient sub form grafic, ele sunt mai degrab vzute
dect studiate; ele sunt sesizate ca un ntreg i nu sub form de fragmente aa cum se poate ntmpla chiar
i atunci cnd tabelele statistice sunt examinate cu atenie. Din acest motiv prezentarea grafic este util, n
mod special pentru a afia rezultatele cantitative ale unui studiu de cercetare care implic discuii statistice.
Este adevrat faptul c reprezentarea grafic poate fi modificat uor astfel nct s duc la concluzii
eronate. Dar acest avertisment nu trebuie s ne descurajeze privind folosirea lor.
O alt piedic n folosirea reprezentrilor grafice este faptul c n general ele renun la detalii i
uneori la acuratee n efortul de mbuntire a comunicrii. Acest sacrificiu este justificat numai atunci
cnd (1) concluzia este foarte important, (2) subiectul poate fi foarte eficient reprezentat n imagini, (3)
auditoriul nu este orientat ctre cercetare i astfel nu ar putea nelege un tabel la fel de uor ca o
reprezentare grafic sau (4) este esenial s se treac la subiect rapid pentru c s-ar putea ntmpla ca
auditoriul s i piard rbdarea i interesul.
Graficele, diagramele i figurile se folosesc ns mai frecvent dect ar putea rezulta din cele spuse
anterior. Ele servesc nu numai comunicrii informaiilor ctre alte persoane, dar i cercettorului n munca
lui de explorare, de cutare sau de analiz a datelor colectate. Mai ales dac sunt obinute cu ajutorul
calculatorului i vor putea fi multe la numr cercettorul le va folosi ca instrumente de cercetare la propriu.
Graficele prezint variabilele, conceptualizate i operaionalizate ntr-o faz anterioar a cercetrii,
ntr-o form uor de priceput.
Frecvene
Figura 3.1. Sistem de axe pentru grafice ataate distribuiilor de frecvene
Valori sau clase ale variabilei

Distribuiile de frecvene, ca de altfel toate tabelele statistice, pot fi transpuse ntr-o multitudine de
forme grafice al cror rol este acela de a face mai perceptibile trsturile distribuiei. Cele mai des utilizate
grafice sunt bazate pe sistemul perpendicular de axe de coordonate. Pe axa orizontal se vor figura clasele
sau valorile variabilei de reprezentat, iar pe axa vertical frecvenele - absolute, relative sau cumulate ca
n figura 3.1.
Reprezentrile grafice ale datelor pentru dou variabile sunt bazate pe dou linii perpendiculare,
aa cum apare n figura 3.2. Linia vertical este cunoscut sub numele de axa Y, iar cea orizontal, axa X.
n graficele care prezint relaia dintre dou variabile, iar aceste pot fi identificate ca dependente sau
independente, axa Y este folosit pentru a reprezenta valorile variabilei dependente, iar axa X pentru a
reprezenta valorile variabilei independente. Valorile pentru fiecare variabil (dependent i independent)
sunt nirate pe o gril uniform, de-a lungul axei corespunztoare. Punctul unde axa X i Y se ntlnesc se
numete "punct de origine". ncepnd cu punctul de origine, valorile variabilelor dependente i
independente sunt plasate de-a lungul axelor respective, ntr-o ordine ierarhic, la intervale egale. Valorile
pentru variabile dependente i independente dintr-un anumit grafic pot sau nu s aib intervale de lungimi
identice. Valorile pentru variabila dependent pot fi marcate la un interval de cinci uniti, spre exemplu, n
timp ce valorile variabilei independente pot fi marcate la un interval de zece uniti.
28
Variabila dependent
Y
Figura 3.2. Sistem de axe destinate evidenierii relaiilor dintre dou variabile
Variabila independent X
Deoarece exist multe tipuri de grafice, vom discuta numai cinci dintre ele, utilizate frecvent n
cercetarea de asisten social: diagrama de bare, histograma, diagram circular, poligonul de frecvene,
diagrama de mprtiere. Primele dou vor fi prezentate mpreun deoarece se utilizeaz ntr-o manier
similar.
3.1. Diagrama de bare i histograma

Figura 3.3.(Exemplu de diagram de bare)
Repartitia minorilor in institutiile statului, 1990
30000
25878
25000
20000
15000
10000
8558
3354
5000
635
2971
594
0
Leagane
Case de
copii
Scoli
reeducare
Camine
spital
Camine
atelier
Camine
scoala
Una din cele mai utilizate forme de reprezentare a distribuiilor de frecvene este diagrama de bare.
Pe axa orizontal se construiesc la distane egale bare de limi egale i de nlimi proporionale cu
frecvenele. Barele sunt desenate astfel nct ele s nu se ating (vezi figura 3.3) i pentru a sugera
diferenele calitative i nu cantitative ale valorilor variabilei. Acest tip de grafic este ideal pentru
distribuiile de frecvene a variabilelor de nivel nominal i ordinal.
Datele msurate pe o scal ordinal pot fi reprezentate eficient i pe un alt tip de grafic, numit
histogram. O histogram seamn mult cu un grafic de bare dar aici atingerea barelor este permis.
Histogramele se mai folosesc atunci cnd se reprezint datele pentru o variabil cu intervale de grupare,
pentru a pune n eviden diferene cantitative.
Figura 3.4 este un exemplu de histogram, derivat din tabelul 3.1, i afieaz frecvenele unei
variabile de nivel ordinal - starea pacienilor care au prsit agenia n care au primit ajutor.
29
Tabelul 3.1 Tabel de frecvene pentru starea clienilor ageniei XYZ, dup intervenie
Rezultat
Frecvene
Mai ru dect la admitere
15
Neschimbat
30
mbuntit
10
Mult mbuntit
35
TOTAL
90
Figura 3.4. Starea clienilor ageniei XYZ dup intervenie

( Exemplu de histogram pentru o variabil ordinal date din Tabelul 3.1)
30
20
10
Mai ru dect
nainte
Neschimbat
mbuntit
Mult
mbuntit
Pentru variabilele de nivel interval sau rapoarte, mai ales dac distribuiile de frecvene folosesc
intervale de grupare, se utilizeaz histogramele i nu diagramele de bare.
Un caz special, cnd histograma se deosebete de diagrama de bare nu doar prin simplul fapt c
barele se ating, este atunci cnd intervalele de grupare a variabilei nu sunt egale ca lungime. Limea
barelor trebuie s fie proporional cu lungimea intervalului. Dac intervalele au lungimi egale, barele vor
fi de aceeai lime. Dac intervalele nu sunt egale atunci barele vor avea limi diferite (ca n tabelul 3.2. i
figura 3.5).
Tabelul 3.2 Tabel de frecvene pentru vrsta clienilor ageniei XYZ
Intervalul de vrst
Numr de clieni
0- 19
80
20-29
80
30-39
55
40-49
65
50-59
60
60-69
30
70-100
60
TOTAL
430
30
Figura 3.5. Repartiia clienilor ageniei XYZ dup vrst

(Exemplu de histogram pentru o variabil cantitativ)
100
80
70
60
50
40
30
20
10
0-19
20-29
30-39
40-49
50-59
60-69
70-100
nlimea barelor, ca i n cazul diagramei de bare, va fi proporional cu frecvenele. Dac

intervalele de grupare nu sunt egale nlimile barelor pentru intervalele mai lungi trebuie diminuate
proporional cu limile. Acest lucru este foarte important pentru c n cazul histogramelor conteaz de fapt
suprafaa barelor i nu nlimea lor ca n cazul diagramelor de bare.
Graficele de bare i histogramele pot deveni un exerciiu de creativitate. Din nefericire, cu ct sunt
mai creative, cu att ele sunt mai dificil de interpretat. Barele orizontale n graficele cu bare pot fi extinse la
dreapta sau la stnga, sau n ambele direcii simultan, dar astfel graficul devine repede mult mai greu de
neles deoarece prezint prea multe informaii.
Uneori suntem tentai s folosim ct mai complex i mai creativ diagramele de bare i histograme,
dar trebuie ntotdeauna s ne ntrebm dac graficul ajut n mod real cititorul s neleag informaiile
noastre? Sau vor avea un efect nedorit n confuzionarea cititorilor raportului de cercetare.
3.2. Diagrama circular

Cteodat diferitele valori ale unei variabile sunt privite ca pri ale unui ntreg i categoriile pot fi
mai bine ilustrate ca segmente ale ntregului. Dac dorim s artm cum se mparte bugetul familial al
clientului pentru: hran, locuin, haine, recreare, putem etala bugetul ca un ntreg - ca un cerc. Diagramele
circulare sunt cercuri sau discuri mprite n sectoare de cerc reprezentnd fraciuni ale unui ntreg.
Deoarece diagramele circulare pot ilustra doar distribuia unei singure variabile, ele nu se pot folosi n
sistemul de axe perpendiculare X-Y .
31
Figura 3.6.(Exemplu de diagram circular)
Repartitia minorilor in institutiile statului, 1990
1% 7%
8%
20%
Leagane
2%
Case de copii
Scoli reeducare
Camine spital
Camine atelier
Camine scoala
62%
Figura 3.6 este un exemplu de diagram circular care arat repartiia minorilor instituionalizai n
1990 n Romnia printre diferitele tipuri existente de instituii. Sectoarele de cerc sunt proporionale cu
frecvenele ntlnite, fie c le considerm pe cele absolute sau pe cele procentuale. Astfel, de exemplu,
pentru minorii din casele de copii s-a alocat un sector de cerc de 73,4 grade adic 20,4% (25870 / 41982
*100 = 20.4) din totalul de 360 grade ct are un cerc ntreg. ntr-adevr:
360 * 20,4 / 100 = 73,4
Diagramele circulare necesit aceleai date ca i diagramele de bare. Orice informaie care poate fi
categorisit ca fiind de nivel nominal, poate fi reprezentat prin diagrame circulare. Principalul avantaj este
c furnizeaz, rapid i n mod vizual, aprecieri asupra informaiilor care pot face ca rezultatele constatrilor
s fie mai pline de neles. Principalul dezavantaj al acestui tip de grafic este c ele nu pot folosi eficient
multe valori diferite ale variabilei; adesea graficele devin prea complicate sau chiar neinteligibile n cazul
n care sunt necesare mai mult de cinci sau ase diviziuni ale cercului.
3.3. Poligonul de frecvene

Poligoanele de frecven, sau liniile poligonale (cum sunt denumite n majoritatea produselor
software de reprezentare grafic a datelor) sunt similare histogramelor i sunt destinate descrierii formei
distribuiilor de frecvene. Dac am lua un creion i am pune un punct n vrful i la mijlocul fiecrei bare
verticale dintr-o histogram i apoi am conecta punctele ntre ele printr-o linie dreapt, vom realiza un
poligon de frecven.
32
Figura 3.7.( Exemplu de poligon de frecvene)
Evolutia numarului de minori

institutionalizati intre 1990 si 1995
55000
50000
49588
46142
45000
41982
42171
40000
39246
41052
35000
30000
1990
1991
1992
1993
1994
1995
Figura 3.7 reprezint un poligon de frecvene etalnd evoluia numrului de minori

instituionalizai (frecvene absolute) n cei 6 ani din perioada 1990-1995, n Romnia.
3.4. Diagrama de mprtiere

Diagramele de mprtiere difer fa de celelalte tipuri de grafice anterior prezentate, prin aceea
c reflect rezultate individuale i nu frecvene realizate de valorile unei variabile la nivelul unei populaii.
Rezultatele observate pentru dou variabile pentru diferii indivizi sunt reprezentate grafic. Acest tip de
prezentare grafic este adesea folosit pentru a sugera o posibil asociere ntre dou variabile de nivel
interval sau rapoarte, sau pentru a sublinia n mod grafic existenta unei relaii care a fost demonstrat prin
folosirea unei analize statistice.
33
Figura 3.8. (Exemplu de diagram de mprtiere)
Tarile lumii, dupa durata vietii si venitul mediu pe cap

de locuitor
Venit mediu pe cap de locuitor
25000
20000
15000
10000
5000
0
40
50
60
70
80
90
Speranta de viata la nastere
De exemplu, putem fi interesai n a examina legtura dintre sperana de via la natere i venitul
mediu pe cap de locuitor pentru toate statele lumii, avnd date relative anului 1995 (vezi figura 3.8). Putem
lansa ipoteza c sperana de via la natere este mai mare cu ct venitul pe cap de locuitor este mai mare, i
invers. Din figura 3.8 putem vedea c multe ri se situeaz aproape de axa orizontal, ceea ce denot c
realizeaz toate doar venituri mici, dar c din punctul de vedere al speranei de via ele prezint variaii
considerabile, putnd varia de la 40 ani pn ctre 85 ani. Pe de alt parte, tot urmrind graficul, putem
vedea c alte foarte multe ri se plaseaz pe grafic ntr-o manier vertical la captul din dreapta al figurii.
Aceasta nseamn c ele au toate o speran de via ridicat, apropiat de valorile maxime atinse pe glob,
dar c din punctul de vedere al venitului mediu pe cap de locuitor sunt extrem de variate, de la cele mai
srace i pn la cele mai bogate. Totui nu putem spune c nu exist nici o relaie ntre cele dou variabile,
pentru c norul de puncte se structureaz foarte clar dup o curb exponenial, ceea ce denot existena
unei relaii speciale ntre cele dou variabile.
Cteodat, ca i n exemplul nostru, variabilele respective pot fi reprezentate pe oricare din axele
de coordonate, atta timp ct nici una nu poate fi clar indicat ca variabil independent. Nu putem spun
c sperana de via influeneaz venitul mediu pe cap de locuitor, nici invers. Putem spune doar c ele sunt
asociate, legate.
Frecvent, punctele reprezint cazuri care pe diagrama de mprtiere apar a fi distribuite n
anumite forme (o linie dreapt, sub form de U, sub form de J, etc.). Aceasta poate fi important
pentru nelegerea i tragerea concluziilor din datele cercetrii.
REZUMAT
n acest capitol am discutat diferite metode pentru reprezentarea grafic a distribuiilor de
frecvene sau pentru ilustrarea relaiilor ntre dou variabile. Graficele pot nlocui cteodat tabelele n
prezentarea rezultatelor cercetrii, sau se pot folosi i mpreun.
n selectarea unui grafic pentru includerea ntr-un raport, cercettorul trebuie s aib n vedere
limitele i specificul diferitelor grafice despre care s-a discutat. n unele cazuri se pot potrivi mai multe
tipuri de grafice. Criteriul principal n alegerea graficului trebuie s fie claritatea i corectitudinea
prezentrii n vederea obinerii unui maximum de comunicare.
34

1.
2.
3.
4.
5.
6.
In graficele care folosesc valorile a dou variabile, pe ce ax trebuie aezate valorile variabilei
dependente?
Prin ce difer un grafic de bare de o histogram?
Ce nivel de msur trebuie s aib variabila a crei distribuie de frecvene este reprezentat grafic
printr-o diagram de bare?
Dac ntr-o agenie cu un buget anual de 36.000$ se aloc pentru cheltuieli de transport 9.000$, care
este poriunea dintr-o diagram circular care va corespunde segmentului transporturi?
De ce poligoanele de frecvene descriu exact datele numai dac ele sunt de nivel interval sau rapoarte?
Care dintre graficele cunoscute de dvs. poate sugera o posibil relaie ntre dou variabile?

Construii histograma distribuiei de frecvene de la Exerciiul pentru acas 2.
Dai un titlu adecvat graficului i scriei un mic comentariu care s valorifice cele mai relevante rezultate
(aproximativ 400-500 cuvinte).
35
Modul 4
Indicatori ai tendinei centrale
Reprezentrile tabelare i grafice ale informaiilor ne pot expune vizual rezultatele cercetrilor
noastre. Apoi vine momentul cnd dorim s ne orientm atenia ctre anumite caracteristici specifice
datelor. n particular, am dori s rezumm informaia, s putem spune care este valoarea tipic , valoarea
normal sau tendina central.
Cuvntul tipic este unul obinuit n vocabularul nostru. Vorbim de clientul tipic sau de salariul
normal pentru asistenii sociali nceptori, adesea fr a fi foarte exaci n nelesul termenilor. Utilizarea
tipicului, a normalului, nivelului general, a ordinii de mrime este o ncercare de a gsi o singur valoare,
sau o singur clas caracteristic, care s descrie ce este reprezentativ pentru un ntreg grup de numere sau
clase.
n statistic exist cteva modaliti de gsire a valorii tipice pentru o variabil. De aceea,
folosirea unei terminologii precise este esenial. Orice termen trebuie folosit i etichetat corect pentru a
evita ambiguitile i confuziile. Grupm diferitele descrieri ale rspunsurilor tipice gsite n datele noastre
sub termenul de tendin central. Indicatorii tendinei centrale mai sunt cunoscui n literatura de
specialitate i sub denumirea de indicatori de poziie. Fiecare indicator al tendinei centrale exprim doar o
cantitate limitat a informaiei despre un grup de valori, i fiecare ne spune ceva diferit despre date. Pentru
a nelege diferena dintre diferiii indicatori ai tendinei centrale, trebuie s lum n considerare modul de
calcul al fiecruia. Interpretarea indicatorului statistic presupune cunoaterea modului n care a fost
determinat valoarea lui.
Comparativ cu oricare alte categorii de indicatori, indicatorii tendinei centrale sunt cel mai des
folosii deoarece sunt uor de calculat (gsit) i sunt foarte utili. Ei au dou ntrebuinri de baz.
1. Furnizeaz o valoare unica, rezumativ, a datelor obinute. Ei reprezint o ncercare de a gsi o
valoare (clas sau numr), care s ne spun mai mult dect oricare alt valoare despre caracteristicile
distribuiei variabilei. De exemplu, o agenie care angajeaz cteva sute de asisteni sociali pe an poate da
un salariu mediu lunar de stagiar de 150$. Acest singur numr ne ajut s rezumm ntr-o singur valoare
politica salarial a ageniei pentru asistenii sociali nceptori.
2. Furnizeaz un numitor comun pentru compararea a dou grupuri de informaii. Dac sunt
obinute dou numere - numrul mediu lunar al clienilor care recurg la servicii familiale (Departamentul
A) i numrul mediu lunar al clienilor care cer asisten financiar (Departamentul B) - se poate face o
uoar i rapid comparare a celor dou departamente.
n acest capitol vom examina cei mai frecveni indicatori ai tendinei centrale: modul, mediana i
media.
4.1. Modul
Modul este un indicator al tendinei centrale care ne spune care valoare din distribuia valorilor
este observat cel mai frecvent.
Pentru date negrupate, ne referim la mod ca la o valoare care apare cel mai des. Dintre cele 10
valori prezentate mai jos, 7 este modul deoarece este ntlnit cel mai frecvent fa de celelalte numere;
numrul 7 se ntlnete de trei ori.
2456777889
mod
Pentru date grupate, ne referim la mod ca la punctul central al intervalului care conine frecvena
cea mai mare. n Tabelul 4.1 avem informaii legate de satisfacia profesional a unui numr de 50 asisteni
sociali. Pentru aceste date grupate, intervalul care conine cea mai mare frecven este 48-50, incluznd
36
numerele 48,49 i 50. De vreme ce punctul de mijloc al acestui interval este 49, spunem c 49 este valoarea
modal a distribuiei, sau modul.
Dup unii autori, alegerea unui punct din intervalul modal care s reprezinte valoarea modal este
nejustificat. Dup prerea lor, cutarea ar trebui s se opreasc la simpla specificare a intervalului modal.
Tabelul 4.1 Distribuia de frecvene cumulate pentru date grupate: satisfacia n munc
Rezultatele obinute de asistenii sociali de la agenia XYZ
Frecvene
Frecvene
Frecvene
Rezultate
absolute
cumulate
cumulate
(Mari-Mici)
(Mici-Mari)
36-38
2
50
2
39-41
2
48
4
42-44
4
46
8
45-47
1
42
9
48-50
7
41
16
51-53
3
34
19
54-56
4
31
23
57-59
1
27
24
60-62
1
26
25
63-65
4
25
29
66-68
5
21
34
69-71
1
16
35
72-74
6
15
41
75-77
5
9
46
78-80
1
4
47
81-83
3
3
50
Se poate ntmpla pentru datele negrupate ca mai mult dect o singur valoare s fie ntlnit cu
aceeai frecven. Dac dou sau mai multe valori au aceiai frecven fiecare dintre aceste valori vor fi
moduri ale datelor. Cnd exact dou valori au aceiai frecven, sau frecvene mult mai mari dect a
celorlaltor valori, chiar dac aceste dou frecvene nu sunt strict egale, distribuia este numit bimodal.
Mai jos sunt prezentate opt valori care conin dou moduri.
4
5 5 6 6 7
modul 1 modul 2
Valorile 5 i 6 sunt moduri i se ntlnesc cel mai frecvent - de dou ori fiecare. Dac acelai lucru
se ntlnete n cazul datelor grupate, punctul de mijloc al intervalelor care conin cel mai mare numr de
cazuri sunt luate ca moduri ale datelor. Datele din Tabelul 4.2 arat o distribuie bimodal. Modurile sunt
punctele din mijlocul intervalelor care conin cea mai mare frecven. n acest caz modurile sunt 55 i 52,
mijloacele intervalelor 54-56, respectiv 51-53 ce conin opt cazuri fiecare.
Restricii de utilizare a modului

Dintre cei trei indicatori ai tendinei centrale prezentai n aceast seciune, modul este cel mai
puin restrictiv, dar i cel mai slab. El se poate utiliza la variabile msurate pe orice scal, inclusiv pentru
cele de nivel nominal.
Avantajele i dezavantajele modului

Modul ne d o idee despre cea mai "popular" valoare dintr-o distribuie, identificnd valoarea cea
mai des ntlnit. Dar modul nu este ntotdeauna cel mai sugestiv indicator al tendinei centrale deoarece i
37
lipsete precizia pe care ceilali indicatori din aceai categorie o posed. Cea mai frecvent sau comun
valoare a unei distribuii nu este n mod necesar cea mai exact descriere a valorii centrale. De exemplu,
Tabelul 4.3 prezint o distribuiei de frecvene n care modul, nu este n mod evident n centrul distribuiei,
ci mai ctre sfritul ei (grupa 57-59). Pentru date de nivel ordinal, interval, rapoarte, putem cu uurin
obine o descriere mai reprezentativ prin folosirea altor indicatori ai tendinei centrale.
Rezultatele obinute de personalul cleric de la agenia XYZ
Frecvene
Frecvene
Frecvene
Rezultate
absolute
cumulate
cumulate
(Mari-Mici)
(Mici-Mari)
45-47
4
31
4
48-50
7
27
11
51-53
8
20
19
54-56
8
12
27
57-59
4
4
31
Rezultatele obinute de asistenii sociali de la agenia XYZ
Frecvene
Frecvene
Frecvene
Rezultate
absolute
cumulate
cumulate
(Mari-Mici)
(Mici-Mari)
39-41
4
33
4
42-44
1
29
5
45-47
2
28
7
48-50
3
26
10
51-53
7
23
17
54-56
6
16
23
57-59
10
10
33
4.2. Mediana
Mediana este valoarea individului statistic (real sau virtual) care mparte populaia n dou
submulimi numeric egale, prima avnd valori mai mari sau egale cu acesta, iar cealalt avnd valori mai
mici sau egale cu ea.
n cele 11 valori prezentate mai jos, mediana este 15, deoarece 15 coincide cu punctul ce mparte
valorile n dou pri egale, cinci valori n stnga lui 15 (10, 11, 12, 13, 14) i tot cinci valori (16, 17, 18,
19, 20) n dreapta lui 15.
10
11
12
13
14
15
median
16
17
18
19
20
Primul pas n determinarea medianei unei distribuii de valori este de a le aranja ntr-o ordine ca
ce-a prezentat n Tabelul 2.2 din Modulul 2. Dac numrul valorilor ntlnite este impar, mediana este
definit ca punctul central al irului de valori ordonate, iar dac numrul lor este par mediana este media
aritmetic a celor dou valori din mijloc. Pentru cele ase valori de mai jos, 14,5 este mediana. Ea este
media celor dou valori centrale (14 i 15).
12
13
14
15
mediana
16
38
17
Trebuie semnalat c aici mediana (14,5) nu coincide cu nici o valoare. Aceast situaie pune n
eviden faptul c - contrar unei concepii greit nelese - mediana nu este doar o simpl valoare a cazului
mijlociu. Cteodat aceasta coincide cu valoarea unui caz mijlociu, dar n exemplul anterior se vede c
poate fi doar o medie a valorilor cazurilor mijlocii. Aceasta se ntmpl deoarece mediana adevrat
(punctul de mijloc al unei serii) este influenat de o serie de factori ca: numrul par sau impar al cazurilor,
frecvena mai mare dect unu a cazurilor cu valori apropiate de centrul seriei; valorile cu frecvena zero,
etc. Mediana se obine n mod obinuit folosind o procedur special desemnat pentru acest scop (pe care
nu o tratm aici). Pentru detalii se poate consulta, de exemplu, volumul Metode statistice aplicate n
tiinele sociale, coord.T.Rotariu, Editura Polirom, 2006.
Restricii de utilizare a medianei
Deoarece mediana mparte distribuia valorilor n dou pri egale, este necesar ca valorile s
poat fi aranjate ntr-o ordine. Din acest motiv, este necesar ca datele s fie msurate pe o scal cel puin la
nivel ordinal.
Avantajele i dezavantajele medianei
Dintre cei trei indicatori ai tendinei centrale tratai n aceast seciune, mediana este cea mai
stabil, ea este mai puin afectat de valorile extreme ntlnite n distribuie. Cele dou seturi de cte
treisprezece valori care urmeaz au aceiai valoare median, dar observai valorile lor extreme foarte
diferite.
Distribuia A
1 14 15 16
Distribuia B
13 14 15
16
17
17
18
19 20
median
18 19 20
median
21
21
22
23
22
23
24
24
50
25
n Distribuia A valorile extreme, sunt mult diferite fa de celelalte valori. n distribuia B,

valorile extreme sunt 13 i 25, i ele sunt mult mai apropiate de celelalte valori ale distribuiei. De fapt
ambele distribuii au aceiai median 19; aceasta demonstreaz c valorile extreme ce se ntlnesc la
nceputul i la sfritul distribuiei nu au efect asupra medianei sau au un efect mic. Aceast calitate,
stabilitatea, face din median, un indicator mai des utilizat pentru msurarea tendinei centrale.
Prin comparaie; modul poate fluctua mai mult dect mediana. Modul prezint doar cea mai des
ntlnit valoare ntr-o distribuie de valori i nu apare n mod necesar n centrul distribuiei.
Dezavantajul major al medianei este acela c obinerea ei este mai dificil dect calculul modului
prezentat anterior. Dublurile valorilor sau ali factori, necesit frecvent utilizarea unei formule mai
complicate. Din fericire n cazul analizrii mai multor date, ne putem folosi de calculator.
n calculul medianei se face abstracie de jumtate din valorile seriei, de acea se consider c
sufer de lips de precizie, dezavantaj care poate fi compensat prin utilizarea mediei, un alt indicator al
tendinei centrale.
4.3. Media
Msurarea tendinei centrale cu un indicator mai sofisticat dect modul sau mediana este posibil
atunci cnd informaia este de nivel interval sau rapoarte. Dac o variabil poate fi considerat de nivel
interval sau de rapoarte, utilizarea mediei ca indicator al tendinei centrale trebuie luat n considerare.
Deoarece media este uor de neles, i deci mai folositoare, ea este adesea utilizat ca msur a
tendinei centrale. n sens matematic, media reprezint suma tuturor valorilor variabilei mprit la
numrul de valori. Media poate fi definit i n alte moduri - care pot fi luate ca tot attea proprieti ale ei ca de exemplu, valoarea comun pe care ar trebui s o ia toi indivizii din populaie pentru ca suma
valorilor s nu se schimbe. Media se poate calcula cu formula:
39
Media =
Suma tuturor valorilor individuale

Volumul populaiei statistice
Pentru date negrupate, ca n cazul valorilor de mai jos, putem obine media prin nsumarea
valorilor i mprirea totalului la numrul valorilor.
4
10
Nu avem nevoie s le aranjm n ordine ca n cazul calculrii medianei. Pentru aceste date este
necesar doar efectuarea operaiilor.
Media = (4+4+5+7+10) / 5
= 30 / 5
= 6 (media)
Media se calculeaz uor i cu ajutorul tabelelor de frecvene, utilizndu-se la numrtor suma
produselor dintre valori i frecvene. Dac tabelul de frecvene este cu intervale de grupare, n calcule se
folosesc valorile centrale ale intervalelor.
EXERCITIU: Calculai indicatorii tendinei centrale pentru numrul de membrii ai familiilor
beneficiari de ajutor social din Tabelul 5.8.
Restricii de utilizare a mediei
Pentru a folosi media, datele trebuie s fie cel puin de nivel interval. Calcularea mediei pentru
nivelul nominal sau ordinal nu are sens. De exemplu, nu pentru orice ir de valori este potrivit a calcula
media. Un student poate fi al treilea clasat n primul an de studii, al patrulea n cel de al doilea, i al doilea
n urmtorul. Suma rangurilor irului parcurs este 3+4+2, deci 9 i astfel media irului este 3 (9/3 = 3) dar
nu are nici un sens s vorbim de acesta. Nivelul interval pentru date arat c exist o distan egal ntre
intervale sau nivele. Doar n acest ultim caz calcularea mediei este valabil. Cnd scala folosit nu este la
nivelul de msurare interval media nu este utilizabil.
O a doua cerin pentru folosirea mediei este legat de volumul eantionului. Deoarece valorile
extrem de mari sau valorile extrem de mici pot distorsiona media foarte uor, este mai bine ca ea s fie
utilizat n eantioane relativ mari n care valorile aberante s cauzeze mai puine distorsiuni. Pentru ca
media s fie utilizat ca indicator unic al tendinei centrale, mai este necesar ca forma distribuiei s fie
simetric sau "normal". Vom explora conceptul de distribuie normal n Modulul 6.
Avantajele i dezavantajele mediei
Media este frecvent folosit i muli dintre noi suntem familiarizai cu ea. Media implic mai
mult precizie dect modul sau mediana. Pentru calculul ei se folosesc valorile precise ale fiecrui rezultat
particular (nu doar unele din valori sau frecvene). Aceast caracteristic poate promova claritate sau
distorsiune, depinznd de ct de asemntoare sunt rezultatele ntre ele.
Un mare dezavantaj al mediei este c poate fi folosit doar pentru date de nivel interval sau
rapoarte. Aceast regul limiteaz posibilitatea folosirii acesteia pentru date msurate la nivel nominal sau
ordinal. Acest dezavantaj este resimit mai ales n cercetarea din asistena social. Exist multe mprejurri
n cercetrile noastre, unde media pur i simplu nu poate fi folosit. De exemplu, multe instrumente de
msurare a atitudinii, genereaz un numr ordinal pentru fiecare caz, dar doar atta nu este suficient pentru
a trata informaiile ca fiind de nivel interval sau rapoarte. Datorit popularitii mediei, unii insist n mod
eronat n aplicarea ei i n astfel de situaii. Este mai recomandabil s se foloseasc mediana n cazul n care
datele nu pot fi justificate ca fiind de nivel interval sau rapoarte.
Calitatea mediei de a fi un indicator precis, senzitiv la orice schimbare, se poate transforma, n
unele situaii, n dezavantaj. Senzitivitatea poate fi considerat excesiv atunci cnd schimbrile se petrec
la extremele intervalelor de variaie. Putem ilustra acest dezavantaj cu media de vrst a clienilor.
Presupunem c avem zece clieni cu urmtoarele vrste:
40
25
26
27
28
30
31
32
32
33
76
Media rezultat din nsumarea valorilor vrstelor, mprite la numrul de clieni, 340 / 10, este 34.
Totodat nou clieni au 33 de ani sau mai puin. n acest caz este evident ca o singur persoan, cea cu
vrsta 76, este principalul responsabil de distorsionarea "mediei de vrst a grupului". In acest caz valoarea
de 76 mrete considerabil media de vrst a grupului. Treizeci i patru nu reflect exact o msur a
tendinei centrale. Modul i mediana pentru aceste date este de 32 i respectiv 30,5; valori cu siguran mult
mai adecvate, n sensul de a fi mai centrale, mai tipice. Acest exemplu sugereaz c atunci cnd distribuia
conine cteva valori deviante (marcant deprtate fa de celelalte) mediana este, n mod obinuit,
preferabil mediei. In cazul tabelelor de frecvente, observnd poligonul frecvenelor, vom vedea c acesta
este foarte asimetric. Cel mai bine este raportam ambii indicatori ai tendinei centrale, att media ct i
mediana, sau chiar toate cele trei (plus modul) pentru ca astfel vom produce o imagine mai bun asupra
distribuiei.
4.4. Modul, mediana sau media ?

La ntrebarea care dintre indicatorii tendinei centrale trebuie folosit? nu este ntotdeauna aa de
simplu de rspuns. In timp ce avem cteva reguli generale de aplicare sigure, decizia final este adesea o
rezolvare etic. Peste toate acestea, cercettorii doresc s foloseasc indicatorii tendinei centrale pentru a
furniza cititorilor o imagine mental clar, o descriere scurt a ceea ce arat datele. Sunt cteva situaii n
care nici o valoare a variabilei nu este tipic i folosirea oricrui indicator al tendinei centrale poate induce
n eroare la fel de bine. Un exemplu care folosete cazuri din agenia XYZ va ilustra acest punct.
Tabelul 4.4 descrie o distribuie de frecvene cu numrul interviurilor pentru toate cazurile nchise
n luna decembrie. Variabila "numrul interviurilor" este de nivelul rapoarte, iar numrul mare de cazuri
sugereaz c media poate fi cea mai bun msur a tendinei centrale. Cu toate c, aa cum am artat mai
devreme, media necesit o distribuie care este n general simetric, forma poligonului de frecvene, n
form de U, este primul avertisment, acela c media, sau de fapt doar ea singur, nu este o alegere
corespunztoare. Numrul mediu al interviurilor din Tabelul 4.4 este 4,56 (numrul total de interviuri este
de 1345, iar rezultatul mpririi ei la 295 - ci clieni a avut agenia -, este 4,56). Deci, n medie fiecrui
client i revin 4,56 interviuri.
Totui intervievarea unui client de patru sau de cinci ori, nu este tipic pentru clienii ageniei.
Exist patru valori (1, 2, 3 i 10) care se ntlnesc la fel de frecvent, sau mai frecvent dect 4 sau 5. Din
cauz c primele trei valori (1, 2 i 3) sunt toate grupate n stnga mediei, media apare ca fiind prea mare ca
s reflecte ceea ce este tipic.
Tabelul 4.4 Distribuie de frecvene: Numr de interviuri pentru

cazurile nchise n luna decembrie la agenia XYZ
Numr de edine
Frecvene absolute (numr de cazuri nchise)
1
55
2
35
3
55
4
30
5
25
6
15
7
10
8
20
9
10
10
40
Total cazuri
295
Dac media nu poate descrie reprezentativ informaia, ce se poate spune despre median? Ea cade
pe 4 i e foarte aproape de valoarea cea mai comun (3). Ca unic alegere pentru o msur a tendinei
41
centrale, este suficient de bun. Dar ea nu este sugestiv pentru grupul clienilor care au fost intervievai de
zece ori (40 de cazuri), un fapt care poate fi un surprinztor i demn de semnalat pentru o agenie care n
general consider s se angajeze n intervenii n criz, pe termen scurt. De asemenea nu confirm
constatarea predictibil c un numr mare de clieni (55) au fost intervievai o singur dat. Pe scurt,
mediana poate fi mai bun dect media sau modul pentru o prezentare a tendinei centrale dar este departe
de perfeciune pentru aceast informaie.
Distribuia este bimodal, cu dou moduri care cad pe unu i trei interviuri. Dar dac am folosi
doar modul, am putea sugera c unu sau trei interviuri (ambele numere mici) sunt tipice pentru cazuri,
dar de fapt mai puin de jumtate din toate cazurile au fost intervievate de patru ori sau mai puin. Ca i
mediana, modul singur nu sugereaz posibilitatea c interveniile n criz se repet adesea ntr-un numr
mare de edine. Aa cum am subliniat, modul este mai adecvat nivelului nominal. El trateaz diferitele
valori ale variabilei ca i cnd ntre ele exist doar diferene de clas i nu ine cont (aa cum s-a ntmplat
i n exemplul nostru) dac exist diferene cantitative reale.
Cteodat nici un indicator al tendinei centrale nu este ideal pentru a descrie ceea ce este tipic
pentru datele concrete. Exemplul nostru ilustreaz o situaie n care oricare din indicatori are un potenial de
eroare. Aici toi trei - modul, mediana sau media - pot contribui ntr-un fel propriu la interpretarea datelor.
Faptul c distribuia este bimodal, cu modurile sunt la unu i la trei interviuri, indic faptul c perioadele
scurte rmn o caracteristic obinuit n agenie. Aici mediana reflect cel mai bine ceea ce este nivelul
general. Ea se bucur de o oarecare precizie, mai mare dect modul, dar mai mic dect media i sugereaz
c perioadele scurte de tratament nu sunt chiar aa de tipice pentru agenie cum am presupus la o prim
vedere. Dac se prezint i media, valoarea ei depind 4 interviuri, se aduce o dovad puternic a faptului
c un numr mare de clieni au fost intervievai mult mai frecvent dect ne-am ateptat.
Exemplul care folosete informaia din Tabelul 4.4 este un argument n recomandarea de a lua n
considerare i de a raporta mai muli indicatori ai tendinei centrale. Un cititor experimentat al rapoartelor
de cercetare, sau chiar i unul care nelege corect modul, mediana si media, trebuie s fie capabil s le
compare, ele oferindu-i o bun imagine asupra datelor deinute. Oricare dintre ei luat singur poate deforma
realitatea; toi trei mpreun i vor oferi o imagine plin de acuratee - ceea ce este, de fapt, un obiectiv al
statisticii descriptive.
REZUMAT
n acest capitol, am discutat diferii indicatori ai tendinei centrale i modurile prin care se pot
folosi pentru a prezenta valoarea tipic, normal, pentru un set de date. Trebuie s subliniem c anumii
factori cum sunt nivelul de msurare, volumul eantionului i prezena sau absena oricrui rezultat deviant,
toate trebuie luate n considerare n selecia unuia sau a mai multor indicatori ai tendinei centrale.
Indicatorii de poziie, cum se mai numesc indicatorii tendinei centrale, sunt un fel de ajutor i nu
un substituent pentru nelegerea variaiilor individuale n interiorul unui set de date. Msura tendinei
centrale este o cale simpl i rapid de comunicare a caracteristicilor subiecilor cnd se dorete o precizie
minim. Acelai lucru se poate spune i despre prezentarea tabelar sau despre prezentarea grafic a
datelor, etica cercetrii cernd ca n alegerea indicatorilor s aib prioritate onestitatea comunicrii.

1.
2.
3.
4.
5.
6.
7.
8.
De ce modul este cel mai potrivit pentru a fi folosit pentru datele de nivel nominal?
Cum arat un poligon de frecvene cnd distribuia poate fi descris ca bimodal?
De ce este mediana mult mai bun i mai precis n descrierea informaiei de nivel ordinar, de ct
modul?
In ce situaii media poate fi nepotrivit pentru nivelul general al notelor ntr-o grup de 12 studeni?
De ce considerm media a fi cel mai precis indicator al tendinei centrale fa de median i mod?
Cum se explic faptul c cteva valori extreme mai ridicate sau mai sczute ale variabilei tind s
distorsioneze media?
Dac nu sunt ndeplinite toate cerinele necesare pentru a folosi media, care este alegerea alternativ
pentru a msura tendina central?
De ce folosirea unui singur indicator al tendinei centrale poate fi inadecvat descrierii unui set de
date?
42
9.
n ce situaie folosirea mai multor indicatori ai tendinei centrale furnizeaz o mai bun descriere a
valorilor variabilei, dect unul singur?

Un lot de 9 pacieni internai la Secia de terapie intensiv a Spitalului clinic din Cluj-Napoca au fost
chestionai n legtur cu numrul de atacuri de cord suferite pn n prezent, rspunsurile fiind: 2, 6, 7, 5,
3, 5, 7, 4, 10. Calculai media. Gsii mediana i modul.
43
Modul 5
Indicatori ai mprtierii
In modulul anterior am prezentat trei indicatori ai tendinei centrale. Dac am opri aici analiza
noastr asupra informaiei, descrierea oricror distribuii de valori ar fi trunchiat sau greit neleas.
Modulul anterior a descris punctele n jurul crora toate valorile distribuiei nclin s se focalizeze, dar nu
explic modul n care valorile au fost distribuite n jurul acestor puncte.
Distribuiile A i B par a avea aceiai medie: 3. Totui modul n care fiecare set de valori este
distribuit n jurul mediei este diferit.
Distribuia A:
Distribuia B:
In general vorbind despre descrierea acestor dou distribuii de cte cinci valori fiecare, putem
spune c valorile Distribuiei B sunt grupate mai apropiat n jurul mediei 3, n timp ce valorile Distribuiei
A sunt mult mai larg mprtiate n jurul aceleiai medii.
Felul n care se mprtie valorile n jurul indicatorilor tendinei centrale al unei distribuii, este
prezentat prin ceea ce numim indicatori de mprtiere. Alte denumiri consacrate sunt indicatori ai
variabilitii sau indicatori de dispersie.
Ei urmresc, n esen, s msoare gradul de mprtiere a indivizilor n cadrul seriei de valori pe
care acetia le iau. Tradus problema n ali termeni, indicatorii de mprtiere caracterizeaz o populaie
statistic din punctul de vedere al omogenitii / eterogenitii, n raport cu o variabil dat. n anumite
situaii, n special cnd variabila reflect anumite ierarhii socialmente recunoscute sau valorizate ntre
indivizii statistici (adic n sensul c valori mai mari sunt considerate ca fiind mai bune sau preferabile
celor mici, cum e cazul salariilor de pild), indicatorii de mprtiere reflect gradul de inegalitate ntre
indivizi, n raport cu factorul social tradus n caracteristic.
n seciunile statisticii consacrate aa-ziselor modele explicative, indicatorii de dispersie capt
un rol esenial prin faptul c li se atribuie semnificaia de a reproduce gradul de nedeterminare, de
variabilitate a unui fenomen. Or, explicaia, cel puin din punct de vedere statistic, nseamn reducerea
acestei nedeterminri sau variabiliti, adic sporirea posibilitii de a prezice starea unui fenomen. ntradevr, aa cum am sugerat deja, un fenomen este tradus ntr-o caracteristic de tip statistic, care, la rndul
ei este exprimat printr-un indicator al tendinei centrale (s spunem media). A afirma c, de pild, media
notelor la matematic ntr-o clas de elevi este de 8,50 nseamn a afla ceva despre nivelul de cunotine n
domeniu al colarilor n cauz. Dispersia notelor din care rezult aceast valoare medie va indica msura n
care valoarea individual este reprodus prin cea de grup sau calitatea prediciei situaiei indivizilor prin
mrimea la nivelul colectiv. Dac n analiz se introduce o variabil nou, cu rol explicativ pentru cea
iniial, atunci, presupunnd cunoscut poziia indivizilor dup aceast caracteristic socotit independent,
se va reduce nedeterminarea situaiei lor dup variabila de baz, n msura n care ntre cei doi factori exist
o legtur. Altfel spus, indicatorul de variabilitate va pune n eviden ct din nedeterminarea variabilei
cercetate se poate reduce prin introducerea n modelul explicativ a unei noi variabile.
n continuare vom prezenta cinci indicatori mai cunoscui ai variabilitii: amplitudinea, abaterea
intercuartil, abaterea medie, variana i abaterea standard.
5.1. Amplitudinea
Amplitudinea este un indicator al variabilitaii care determin distana dintre valoarea maxim i
valoarea minim dintr-o distribuie. Putem exprima aceasta prin formula:
Amplitudinea = Valoarea Maxim - Valoarea Minima
44
Considerm distribuia C si D de mai jos

Distribuia C:
Distribuia D:
1
1
5
5
5
5
5
5
5
9
Amplitudinea distribuiei C se calculeaz astfel:

Amplitudinea
= 5 -1
= 4 (Amplitudinea)
Amplitudinea distribuiei D se calculeaz astfel:
Amplitudinea
=9-1
= 8 (Amplitudinea)
Chiar dac distribuiile C i D au acelai numr de valori, intervale de valori asemntoare, totui
amplitudinea mai mare a distribuiei D indic o mai mare variaie a valorilor acestei distribuii.
Cerine pentru amplitudine
Amplitudinea poate fi folosit n analizele statistice doar cnd informaia este de nivel interval sau
rapoarte. Aceast cerin este frecvent nclcat atunci cnd amplitudinea se folosete pentru distribuiile
datelor msurate la nivel ordinal. Amplitudinea presupune existena distanelor egale ntre toate valorile
dintr-o distribuie. Aa cum am subliniat n Modulul 1, pentru datele de nivel ordinar nu tim cu siguran
ct este de mare distana dintre doua valori oarecare. tim cu siguran, doar c o valoare este mai mare
(sau mai mic) dect o alt valoare, dar nu i cu ct este mai mare (mai mic).
Avantaje i dezavantaje ale amplitudinii
Amplitudinea este o msur util a variaiei, ea poate fi calculat repede i uor. Odat ce am
identificat valoarea limit cea mai nalt i valoarea limit cea mai sczut a unui set de valori, putem
construi mult mai uor distribuia frecvenelor. Calcularea amplitudinii ne permite s determinm numrul
intervalelor folosite pentru gruparea datelor i mrimea cea mai potrivit pentru intervale.
Amplitudinea este un indicator instabil. Ea este calculat pe baza valorii maxime i minime dintr-o
distribuie, deci o singur valoare deviant poate mri considerabil amplitudinea. De exemplu, s
considerm distribuiile E i F de mai jos
Distribuia E:
10
11
12
13
14
15
16
17
90
Distribuia F:
10
11
12
13
14
15
16
17
18
n distribuia E, amplitudinea este 80 (90-10=80). n distribuia F, amplitudinea este 8 (18-10=8). Diferena

ntre amplitudinile 80 i 8, este corect i este cauzat de valoarea extrem 90 din distribuia E. Aceast
proprietate este una nedorit. Aceasta face ca din compararea amplitudinilor a dou sau mai multe
distribuii, s rezulte posibile erori.
5.2. Abaterea intercuartil

Cuartilele sunt acele valori ale indivizilor statistici (reali sau virtuali), din ierarhia valorilor de la
cea mai mic la cea mai mare, care mpart mulimea n patru pri egale. Similar se pot utiliza decilele,
care impart populaia n 10 pri, centilele sau percentilele care o mpart n 100 pri, sau, i mai general,
cuantilele care o mpart ntr-un numr oarecare de pri de volume egale.
45
Tabelul 5.1 Valori i centilele lor

Valori
1
2
3
cuartila 1
4
5
6
cuartila 2
7
8
9
cuartila 3
10
11
12
Centile
3,5
6,5
9,5
n loc de a msura distana dintre maximul i minimul valorilor pentru a obine amplitudinea,
putem msura distana dintre cea de a treia cuartil (sau centila 75%) i prima cuartil (sau centila 25%).
Aceast distan este cunoscut ca abaterea intercuartil. Ca i indicator al variabilitii, este mult mai
stabil dect amplitudinea pentru c, acele cteva valori extreme mai mari sau mai mici nu l pot modifica,
aa cum ar face n cazul calculrii amplitudinii. Dac cuartila 3 i cuartila 1 sunt deja determinate (prin
calcul sau prin estimare ntr-un grafic cumulativ), abaterea intercuartil se calculeaz prin scdere direct. l
putem exprima prin formula urmtoare.
Abaterea intercuartil = cuartila 3 cuartila 1
Considerm cele 12 valori din Tabelul 5.1. Cuartila 1 cade ntre valorile 3 i 4, i cuartila 3 cade
ntre valorile 9 i 10. Abaterea intercuartil al datelor prezentate n Tabelul 5.1 este:
Abaterea intercuartil
= 9,5 - 3,5
= 6 (abaterea intercuartil)
Abaterea intercuartil se folosete in situaii similare cu mediana. Ca i mediana ea este folositoare

n distribuii de nivel interval sau rapoarte unde cteva valori extreme pot distorsiona valoarea unor
indicatori ai variabilitii, cum ar fi abaterea standard (ce urmeaz a fi prezentat).
Cerine pentru abaterea intercuartil
Singura cerin necesar pentru calcularea abaterii intercuartile este s avem informaie de nivel
interval sau rapoarte.
Avantajele i dezavantajele abaterii intercuartile
Principalul avantaj al abaterii intercuartile este c are proprietatea de a fi un indicator al
variabilitii mult mai stabil dect amplitudinea. El nu este influenat de valorile extreme ale distribuiei.
Este necesar un timp mai mare pentru a-l calcula dect timpul necesar pentru aflarea amplitudinii.
Abaterea semi-intercuartil
Abaterea semi-intercuartil este jumtate din abaterea intercuartil. Putem scrie aceasta sub form
de formul:
46
Abaterea semi-intercuartil = (centila 75% - centila 25%) / 2

Pentru distribuia valorilor din Tabelul 5.1 abaterea semi-intercuartil este:
Abaterea semi-intercuartil
= (9,5 - 3,5) / 2
= 3 (abaterea semi-intercuartil)
5.3. Abaterea medie

Amplitudinea, abaterea intercuartil i abaterea semi-intercuartil, au fiecare avantaje i sunt
folositoare n anumite situaii, dar nici una dintre cele trei nu utilizeaz fiecare valoare a distribuiei pentru
determinarea ei statistic (deci sufer de lips de senzitivitate). Cnd dorim un indicator al variabilitii care
s ia n considerare toate valorile (sau toate observaiile) putem alege abaterea medie.
n loc s privim doar la cele dou valori extreme dintr-o distribuie, ne putem pune problema
descrierii variabilitii prin indicarea gradului n care toate valorile grupului difer (deviaz fa) de media
distribuiei. Cu ct valorile nclin s fie mai mprtiate fa de medie, cu att ele vor tinde s difere unele
fa de altele. Media grupului este un punct de referin ideal din punct de vedere matematic, dar suma
abaterilor fa de medie este ntotdeauna zero (ceea ce nseamn c media este, n fapt, centrul de greutate
al distribuiei). Aceast proprietate este foarte important deoarece ne asigur c valoarea variabilitii
statistice va reflecta doar diferenele dintre membrii grupului i nu dintre valorile lor absolute.
Tabelul 5.2 Abaterile fa de medie
Valoarea Media = Abaterea fa de medie
1
3
=
-2
2
3
=
-1
3
3
=
0
4
3
=
1
5
3
=
2
Total
0
Tabelul 5.2 listeaz cinci valori, media lor i mrimea abaterilor. Mrimea abaterii pentru
o valoare oarecare este diferena dintre valoarea observat i media grupului.
Abaterea pentru o valoare = valoarea - media
Pentru a calcula abaterea medie pentru datele din Tabelul 5.2 procedm dup cum urmeaz:
Abaterea medie =
=
=
=
Suma abaterilor valorilor (ignornd semnul + sau - )

Numrul de valori din distribuie
(2) + (1) + (0) + (1) + (2)
5
6/5
1,25 (abaterea medie)
Valoarea de 1,25 este media abaterilor valorilor fa de media lor (din Tabelul 5.2). Majoritatea
oamenilor neleg uor conceptul distanei medii fa de media unei distribuii. Este relativ uor de calculat
i de interpretat.
Abaterea medie poate fi calculat folosind i alte valori de referin, nu numai media. De exemplu
abaterea medie fa de o valoare oarecare, s zicem a. Se poate demonstra c valoarea de referin pentru
care abaterea medie este cea mai mic este mediana.
n ciuda calitilor i expresivitii abaterii medii, ea se folosete rareori n practic, pentru c se
prefer un alt indicator de mprtiere: abaterea standard. i acesta este un indicator cu expresivitate mare i
n plus, este folosit mult n calculul testelor statistice i n analiza explicativ.
47
5.4. Abaterea standard i variana

Abaterea standard (sau deviaia standard) este un indicator al dispersiei larg utilizat. Ptratul ei,
cunoscut sub numele de varian, este o component important a altor formule care examineaz relaiile
dintre variabile. La fel ca i abaterea medie, pentru calcularea sa, abaterea standard ia n considerare
valorile tuturor cazurilor. Dar nu se ignor pur i simplu semnul diferenei dintre fiecare mrime i medie,
aa cum se fcea la abaterea medie, ci se utilizeaz ridicarea la ptrat pentru a scpa de valorile negative.
n timp ce abaterea medie ne poate spune care este ordinul de mrime a abaterilor valorilor fa de
medie, abaterea standard face mai mult. Folosit mpreun cu media n situaii corespunztoare, ne permite
(1) s avem o imagine complet asupra locului unde se plaseaz o mrime fa de celelalte valori, (2) s
tim ce procentaj de valori dintr-o distribuie se plaseaz n interiorul unei distane specificate fa de medie
i (3) s reconstruim distribuia tuturor valorilor unei variabile. Utilizrile (2) i (3) sunt valabile numai n
cazul n care distribuia de frecvene a datelor empirice se apropie de modelul matematic al distribuiei
normale.
Cerine pentru abaterea standard
Abaterea standard cere date de nivel interval sau rapoarte. Este de asemenea mult mai potrivit s
fie folosit pentru eantioane suficient de mari i cu variabile care pot fi reprezentate grafic sub forma unui
poligon de frecvene simetric, de o form particular de clopot, numit i distribuie normal (discutat n
detaliu n Modulul 6).
Cnd se utilizeaz abaterea standard
Media sugereaz care este nivelul general al datelor pentru o variabil, dar ea nu ne spune cum
sunt dispersate celelalte valori n jurul mediei. Aceast informaie ne este dat de ctre abaterea standard.
De exemplu, putem avea dou distribuii care au medii identice i acelai numr de valori), dar
variabiliti diferite, ca n distribuiile G i H.
Distribuia G:
Distribuia H:
8
1
9
5
10
10
10
16
13
18
Figurile 5.1 i 5.2 reprezint cte cinci valori pentru fiecare din cele dou distribuii. Figurile 5.1 i
5.2 nfieaz valorile celor dou distribuii ca i greuti pe o bar gradat. Putem observa cu uurin din
Figurile 5.1 i 5.2 c distribuia H este mult mai variabil dect distribuia G. Cteodat nici acest tip de
reprezentare nu poate vizualiza care dintre cele dou distribuii este mai variabil.
Figura 5.1 Distribuia de frecvene G
|

| | | | | | |
10
11
12
13
14
15
16
17
18
19
Figura 5.2 Distribuia de frecvene H
| |
| |

| | | | | | | | | |
10
11
12
13
14
Considerm distribuiile I i J:
Distribuia I:
Distribuia J:
1
2
4
5
10
8
11
12
48
14
13
15
16
17
18
19
Reprezentnd grafic valorile celor dou distribuii (ca i greuti pe o bar gradat) pentru a
determina care este mai variabil, poate fi pn la urm o simpl pierdere de vreme (ca la figurile 5.3 i
5.4). In acest punct avem ntr-adevr nevoie de un indicator cum este abaterea standard.
Figura 5.3 Distribuia de frecvene I
| |
| |

| | | | |
10
11
12
13
14
Figura 5.4 Distribuia de frecvene J

|
| |
| |
| | | | | | |
10
11
12
13
14
Sa urmarim si un exemplu mai complex, cu date sistematizate intr-un tabel de frecvente. Mrimea
mediei pe scala depresiei pentru un anumit grup de clieni care primesc un tratament de grup de tip nou
(grupul A) poate fi la fel ca pentru ceilali clieni care primesc un tratament de grup obinuit, dar nu putem
ti, i nici nu putem presupune, c distribuia total a valorilor ar fi tot aceiai. Tabelul 5.3 ne prezint
valorile msurate pe o scal a depresiei pentru 20 de clieni din Grupul A fa de valorile pentru toi ceilali
clieni care primesc tratamentul de grup pentru depresie. Ei au o medie identic de 74 puncte.
Tabelul 5.3 Distribuia de frecvene a valorilor depresiei clienilor unei agenii
Mrimea
Frecvene
Frecvene
depresiei
Grupul A
Ceilali clieni tratai n grup
50
0
10
60
4
10
70
8
25
80
4
45
90
4
5
100
0
5
Total
20
100
Observm c valorile depresiei pentru Grupul A includ valori de la 60 la 90, pe ct vreme pentru
cei din alte grupuri de tratament distribuia include valori mai joase, ca 50, i mai nalte, ca 100. Putem cu
uurin observa c Grupul A are amplitudinea de 30 puncte (90-60=30), pe ct vreme celelalte grupuri de
tratament au amplitudinea de 50 de puncte (100-50=50). Valoarea medie a depresiei pentru ambele
categorii de clienti este aceeasi, 74 de puncte. Amplitudinea insa este o valoare prea grosiera a diferentelor
de imprastiere. Abaterea standard ia in considerare toate valorile celor doua grupuri si tine cont si de
volumul diferit al celor doua populatii (20 persoane, fata de 100 persoane). Abaterile standard ale celor
doua grupuri, 10 puncte pe scala depresiei pentru grupul A si 12 puncte pentru grupul celorlalti, arata ca
grupul A este mai omogen dar nu intr-atat de diferit de omogenitatea grupului celorlati pe cat ar parea sa
induca indicatorul de amplitudine (50 este aprope dublu fata de 30).
5.5. Algoritmul de calcul al abaterii standard

Pentru a decide care distribuie este mai variabil, trebuie s calculm abaterea standard pentru
amndou distribuii. Dup aceea le vom compara: cea mai mare abatere standard va indica cea mai mare
variabilitate n distribuie. Abaterea standard poate fi imaginat ca o distan dintre medie i un anumit
punct de pe poligonul frecvenelor unei distribuii. Compararea a dou abateri standard calculate indic care
distribuie are acest punct mai deprtat de medie (aceea care are abaterea standard cea mai mare).
Abaterea standard (ca i abaterea medie) sugereaz gradul n care valorile cazurilor dintr-o
distribuie tind s varieze fa de media lor. Valorile mediei i ale cazurilor sunt folosite n calcul dar nu
49
afecteaz ordinul de mrime al abaterii standard. ntr-un raport de cercetare, media se prezint de obicei
imediat naintea abaterii standard, astfel nct cititorul s aib o mai bun imagine asupra a cum arat
valorile reale. Adugnd o cantitate fix la toate valorile unei serii de date, aceasta va afecta media prin
creterea sumei tuturor valorilor, dar nu va afecta abaterea standard pentru acea distribuie. Acest fenomen
se ntmpl, de exemplu, cnd o cretere de 50$ este dat tuturor angajailor unei agenii sociale. Media
salariului va fi cu 50$ mai mare, dar cantitatea variaiei de salariu ntre angajai va rmne exact la fel.
Abaterea standard poate fi calculat construind un tabel, n urmtoarele etape:
1. Se nir valorile unei distribuii n coloana a
2. Se obine media valorilor din coloana a.
3. Se trece valoarea mediei n coloana b.
4. Din fiecare valoare din coloana a se scade media i se pune valoarea rezultat n coloana c.
5. Se ridic la ptrat fiecare valoare din coloana c i se aeaz n coloana d.
6. Se adun valorile din coloana d.
7. Se mparte suma valorilor din coloana d la numrul valorilor din seria de date a.
8. Se obine rdcina ptrat a numrului de la pasul 7. Acest numr reprezint abaterea standard a
valorilor din coloana a.
S calculm abaterea standard pentru cele 6 valori ale distribuiei K.
Distribuia K:
Utiliznd cele 8 etape pentru calcularea abaterii standard pentru distribuia dat, putem determina
abaterea standard a Distribuiei K (Tabelul 5.4).
Tabelul 5.4 Determinarea abaterii standard pentru distribuia K
Pas 1
Pas 3
Pas 4
Pas 5
(a)
(b)
(c)
(d)
Valoare - Media = Abatere fa de medie
Ptratele abaterilor fa de medie
5
6.3 =
-1.3
1.69
6
6.3 =
-0.3
0.09
6
6.3 =
-0.3
0.09
6
6.3 =
-0.3
0.09
7
6.3 =
0.7
0.49
8
6.3 =
1.7
2.89
Pas 6
5.34
Pas 7
5.34 / 6 = 0.89
Pas 8
0.89
= 0.94
Reprezentarea celor ase valori ale Distribuiei K poate fi vizualizat sub forma greutilor pe o
bar gradat, aa cum este reprezentat n figura 5.5.
Figura 5.5 Distribuia de frecvene K

| | | | | |
10
11
S lum o distribuie care este mai variat dect distribuia K: Distribuia L, tot cu ase valori.
Distribuia L:
50
12
Tabelul 5.5 Distribuia de frecvene L

Pas 1
Pas 3
Pas 4
(a)
(b)
(c)
Valoare - Media = Abatere fa de medie
1
5.8 =
-4.8
2
5.8 =
-3.8
4
5.8 =
-1.8
7
5.8 =
1.2
9
5.8 =
3.2
12
5.8 =
6.2
Pas 5
(d)
Ptratele abaterilor fa de medie
23.04
14.44
3.24
1.44
10.24
38.44
Pas 6
90.84
Pas 7
90.84 / 6 = 15.14
Pas 8
15.14 = 3.89
Utiliznd cele 8 etape putem calcula abaterea standard, pentru Distribuia L (tabelul 5.5).
Reprezentarea celor ase valori ale Distribuiei L cu ajutorul greutilor pe o bar gradat este prezentat n
Figura 5.6 . Din compararea Figurilor 5.5 i 5.6 reiese evident c distribuia L reflect mai mult variaie
dect reflect Distribuia K. Acest lucru este evideniat i de abaterile lor standard.
Figura 5.6 Distribuia de frecvene L

| | | | |

| | | | | |
10
11
12
Calcularea abaterii standard este un proces puin mai lung. Din fericire nu este necesar s o
calculm manual, deoarece exist programe de calculator care o pot face. Cu toate acestea, este important
s nelegem ce nseamn abaterea standard. O privire aruncat asupra valorilor unor distribuii pe un grafic
de tipul figurilor 5.1 - 5.6 ne poate fi de mare ajutor. Dac nu avei nc o nelegere clar asupra
conceptului de abatere standard Modulul 6 furnizeaz clarificri suplimentare.
Variana i abaterea standard pot fi calculate manual pornind de la informaiile furnizate de o
tabel de frecvene. n aceast situaie algoritmul n 8 pai prezentat mai sus se mbogete cu un pas
suplimentar 5 n care ptratele abaterilor fa de medie se nmulesc cu frecvenele corespunztoare.
Variana are proprietatea c este cea mai mic abatere medie ptratic fa de o valoare oarecare.
Abaterea medie ptratic de la o valoare a se calculeaz, aa cum arat i denumirea, prin ridicarea la ptrat
a diferenelor dintre valorile individuale i o mrime constant, arbitrar aleas, a, urmat de nsumarea
ptratelor respective i de raportarea la numrul cazurilor observate.
n plus, abaterea medie ptratic de la o valoare a, este mai mare dect variana exact cu ptratul
diferenei dintre cele dou valori de referin, adic valoarea mediei minus valoarea a. Aceast proprietate
este deosebit de util n calculul manual al varianelor n cazul n care valoarea mediei are zecimale, iar
ridicrile la ptrat devin astfel laborioase. n loc de a calcula diferenele fa de valoarea medie, le vom
calcula fa de o valoare apropiat, convenabil aleas, apoi vom calcula abaterea medie ptratic fa de
acea valoare, urmnd ca la sfrit s aducem corecia necesar prin scderea ptratului diferenei dintre
valoarea mediei i valoarea aleas. Abaterea medie ptratic, astfel corectat va fi chiar valoarea varianei
cutate.
REZUMAT
n acest capitol, am discutat procesele rezumrii i descrierii informaiei. mprtierea n raport cu
tendina central clarific imaginea unui set de date. Indicatorii mprtierii, asemenea amplitudinii sau a
abaterii intercuartile sunt uor de calculat, dar pot fi nelese eronat. Formulele dup care se calculeaz nu
iau n considerare toate valorile colectate. Dac exist nite valori deviante sau dac informaiile sunt de
nivel interval sau rapoarte se prefer abaterea standard. Cititorii unui raport de cercetare n care s-a furnizat
media i abaterea standard a unei variabile vor fi capabili s reconstruiasc o imagine complet a datelor.
Aa cum am explicat n modulul despre indicatorii tendinei centrale, dac criteriile pentru utilizarea mediei
51
nu sunt ntrunite, trebuie s considerm c este necesar folosirea unui alt indicator. n mod similar dac nu
se regsesc toate criteriile pentru folosirea abaterii standard, va trebui s folosim un indicator al mprtierii
mai puin senzitiv, ca de exemplu abaterea intercuartil sau amplitudinea.

1.
2.
3.
4.
5.
6.
7.
8.
9.
Cum ne ajut indicatorii variabilitii s completm descrierea datelor noastre?

De ce este amplitudinea un indicator nestabil al variabilitii?
Ce face ca abaterea intercuartil s fie un indicator al variabilitii mai stabil dect amplitudinea,
pentru date de nivel interval sau rapoarte?
Care indicatorii variabilitii iau n considerare toate valorile variabilei pentru calcularea lor?
Cum poate o valoare deviant (foarte nalt sau foarte sczut) s distorsioneze abaterea medie pentru
un grup de date.
Cum este afectat abaterea standard prin adugarea numrului 10 la fiecare din valorile unei
variabilele?
Cum se poate compara un poligon de frecvene a unei serii de date cu media 10 i abaterea standard 3,
cu un poligon de frecvene a altei serii de date tot cu media 10 i o abatere standard de 12, dac ele
sunt reprezentate pe acelai sistem de axe rectangulare?
Dac cteva valori foarte deviante dintr-un set de date msurate pe o scal de nivel interval
distorsioneaz ru abaterea standard, care indicator al variabilitii trebuie folosit?
tim c abaterea intercuartil este adesea folosit atunci cnd mediana este cel mai potrivit indicator al
tendinei centrale. Ce indicator al variabilitii este folosit atunci cnd media este cel mai potrivit
indicator de poziie?

5a. Cinci copii de vrst precolar au fost msurai pentru a se nota ce cretere n nlime au nregistrat n
ultimele trei luni, rezultatele exprimate n centimetri fiind urmtoarele: 2.03, 1.98, 2.24, 2.17, 2.08.
Calculai amplitudinea, variana i abaterea standard pentru aceast distribuie i interpretai rezultatele
obinute (aproximativ 400-500 cuvinte).
5b. Calculai abaterea intercuartil pentru variabila de la Exerciiul pentru acas 1a.
52
Modul 6
Distribuia normal
Capitolele precedente au prezentat indicatorii principali ai distribuiilor de frecvene privind
tendina central i variabilitatea. Exist o form special a distribuiilor de frecvene cunoscut sub numele
de distribuie normal. Cunoaterea distribuiei normale este esenial pentru nelegerea inferenei statistice
i pentru testarea ipotezelor.
S considerm o distribuie de frecvene ca n Tabelul 6.1. Aa cum am vzut n discuia asupra
poligoanelor de frecvene din Modulul 3, distribuiile de frecvene pot fi prezentate grafic. Astfel de grafice
pot lua diferite forme. De exemplu, unele pot arta cum un numr mare de cazuri se concentreaz n jurul
unor valori mai mici i doar cteva se distribuie ntre valorile mai mari. Astfel este i distribuia prezentat
n Tabelul 6.1.
Distribuia frecvenelor din Tabelul 6.1 poate fi uor reprezentat grafic ntr-o histogram, aa ca
n Figura 6.1. Linia continu care unete mijloacele segmentelor din vrful intervalelor din histogram se
numete curba frecvenelor.
Tabelul 6.1 Distribuie de frecvene cumulate
Frecvene
Frecvene
Rezultate
absolute
cumulate
(Mici-Mari)
1
60
60
2
50
110
3
40
150
4
30
180
5
20
200
6
10
210
Frecvene
cumulate
(Mari-Mici)
210
150
100
60
30
10
Figura 6.1 Histogram i curb asimetric oblic pozitiv

60
50
40
30
20
10
Distribuiile ca cele din Tabelul 6.1 i Figura 6.1 sunt numite oblice sau asimetrice. Oblicitatea
(skewness) arat c distribuia nu este simetric - adic valorile marginale nu sunt uniform repartizate n
ambele capete. Curba din Figura 6.1 este oblic la dreapta deoarece frecvenele se rresc mai mult la
dreapta. O curba care este oblic la dreapta este numit oblic pozitiv sau pozitiv asimetric.
53
Dac am completa invers frecvenele, din Tabelul 6.1, i le-am aranja ca n Tabelul 6.2, am avea o
distribuie de frecvene ca cea reprezentat de curba din Figura 6.2. Aceast distribuie este tot oblic. De
aceast dat, frecvenele se rresc la stnga. O curb care este oblic la stnga este denumit oblic negativ
sau negativ asimetric.
Tabelul 6.2 Distribuie de frecvene cumulate
Frecvene
Rezultate
absolute
1
10
2
20
3
30
4
40
5
50
6
60
Frecvene
cumulate
10
30
60
100
150
210
Figura 6.2 Histogram i curb asimetric oblic negativ

60
50
40
30
20
10
Figura 6.3 Curba normal
Media
Mediana
Modul
54
Cnd o curb are aceiai oblicitate i la stnga i la dreapta, la fel ca cea din Figura 6.3, se spune
c este simetric, i c distribuia de frecvene pe care o reprezint este simetric. n plus curba din Figura
6.3 este descris ca fiind normal. Nu toate curbele simetrice sunt normale, dar toate curbele normale sunt
simetrice. Cuvntul normal se refer la un tip specific de curb i o distribuie cu proprieti matematice
bine precizate. Alt termen pentru o curb normal este curba sub form de clopot. Aceast form, este
deosebit de alte curbe de frecvene simetrice i arat ca cea din figura 6.3.
6.1. Proprieti ale distribuiei normale

Distribuia normal este o distribuie teoretic, matematic, i ea nu este una real, empiric. Ea
este un fel de etalon la care se raporteaz distribuiile reale. Indiferent de mrimea tendinei centrale i a
dispersiei toate distribuiile normale au aceleai proprieti.
1. Media, mediana i modul (trei indicatori ai tendinei centrale) distribuiei normale, se gsesc
toate n acelai punct - adic n punctul de pe axa orizontal corespunztor cel mai nalt punct al curbei din
centrul distribuiei. Dou curbe normale pot avea medii i abateri standard diferite. La curbele oblice
(asimetrice), media, mediana i modul se gsesc n puncte diferite .
2. Distribuia normal conine ase abateri standard (trei de fiecare parte a mediei). Figurile 6.3 i
6.4 reprezint distribuii normale i ilustreaz aceste proprieti. Aa cum am vzut, ca s comparm dou
distribuii diferite avem nevoie s lum n considerare att mediile ct i abaterile lor standard. Dou
distribuii normale pot avea medii identice dar abateri standard diferite, pot avea medii diferite dar abateri
standard identice sau pot diferi att prin medii ct i prin abateri standard.
3. Aa cum am subliniat, distribuia normal este simetric i sub form de clopot. Marginile
distribuiei se extind ctre infinit - sfritul distribuiei ntotdeauna se apropie de axa orizontal dar
niciodat nu o ntlnete. Din acest motiv, marginile unei curbe normale n toate figurile din acest capitol
sunt prezentate ca ne-atingnd axa orizontal. Aceast proprietate reprezint posibilitatea ca un numr
foarte mic de valori se pot gsi dincolo de trei abateri standard fa de medie. De asemenea reflect faptul
c la un nivel nalt de abstractizare, nu exist niciodat un univers total (sau o populaie total), deoarece
ntotdeauna exist o posibilitate de schimbare, ca de exemplu apariia unor noi cazuri sau dispariia altora
mai vechi. Exist populaii care nu sunt niciodat statice; ele ntotdeauna evolueaz.
Figura 6.4. Suprafee delimitate de curba normal i de un numr ntreg de abateri standard distan fa
de medie
Aria A = Aria B
Aria C = Aria D
Aria E = Aria F
A
-3
0.021
-2
0.1359
-1
0.3413
0.3413
0
Media
Mediana
Modul
0.1359
+1
0.021
+2
+3
4. Aria delimitat de curba normal, de axa orizontal i de perpendicularele ridicate de la un

punct de pe axa orizontal i medie este egal cu aria delimitat de perpendiculara ridicat dintr-un punct
aflat la aceeai distan fa de medie dar de cealalt parte a ei, pe ax. De exemplu, o distan de o abatere
55
standard la stnga mediei este egal cu o distan de o abatere standard la dreapta fa de medie, iar
suprafeele de sub curb care corespund acestor distane, att n stnga ct i n dreapta mediei, sunt egale.
Aceasta este proprietatea de simetrie a curbei. Figura 6.4 ilustreaz acest lucru foarte clar.
6.2. Valori Z i distribuia normal standardizat

Ori de cte ori ntlnim valori ale unor variabile bazate pe msurtori luate din dou populaii
diferite, putem fi pui n situaia de a nu putea face comparri directe. De exemplu, nu putem compara n
mod direct clasa socio-economic a doi indivizi, dac cunoatem doar venitul n dolari ctigat n dou ri
diferite. Compararea este posibil doar cnd tim unde se situeaz venitul n dolari pentru fiecare caz n
parte fa de alte cazuri din grupurile lor respective. Acest surplus de informaii este necesar dac mediile i
abaterile standard pentru cele dou populaii nu sunt identice. Ceea ce este foarte rar ntlnit astzi n
practica cercetrii de asisten social.
Putem depi ns dificultile prin convertirea valorilor luate de la diferite populaii la un
standard comun. Un asemenea standard poate fi gsit cu ajutorul distribuiei normale i a valorilor Z.
Compararea valorilor din diferite populaii dup o astfel de conversie nu mai creeaz probleme, fiecare
populaie este redus la un acelai standard i este msurat n uniti de abateri standard (valori Z).
Valorile Z sunt valorile brute (aa cum au fost ele msurate) transformate n uniti de abateri
standard. Fiecare dat brut poate fi dat ca echivalentul unei valori Z care ne spune la cte abateri
standard se gsete fa de medie. Poziiile relative a dou valori Z luate de la dou distribuii normale
diferite pot fi dup aceea comparate.
Datorit naturii distribuiei normale, valorile Z pot fi transformate ntr-un termen matematic mult
mai familiar, centila. O valoare aflat la centila 75% trebuie s fie mai mare dect trei sferturi din
totalitatea valorilor din distribuie1 i mai mic dect un sfert din valori. Dac de exemplu, Emil a realizat la
un test de statistic un punctaj situat la centila 82%, iar Maria a realizat la un alt test de statistic un punctaj
situat la centila 92%, este de presupus c Maria s-a situat mai bine la test dect Emil, chiar dac amndoi au
primit 75 de puncte la respectiva examinare. Pentru a schimba o valoare brut ntr-o valoare Z, se folosete
urmtoarea formul:
valoarea Z
valoarea brut - media

abaterea standard
Cnd cunoatem media i abaterea standard a distribuiei din care fac parte valorile brute, putem
calcula valorile Z. Aa cum am sugerat mai sus, o valoare Z poate fi perceput ca numrul de abateri
standard fa de media distribuiei. O valoare 1 pentru Z reprezint o abatere standard de la medie, o
valoare 2 reprezint dou abateri standard peste medie i aa mai departe. O valoare Z poate fi pozitiv sau
negativ n concordan cu poziia valorii particulare fa de medie. O valoare Z pozitiv este o valoare
situat peste medie, iar o valoare Z negativ este una sub medie.
Valorile Z a oricrei distribuii normale iau forma distribuiei normale standardizate, adic o
distribuie teoretic, complet cunoscut, cu toi indicatorii statistici cunoscui. Astfel media este egal cu 0,
abaterea standard este egal cu 1, indicatorul de simetrie este 0, la fel ca i valoarea indicatorului de boltire.
n plus aria total delimitat de curb normal standardizata este egal cu unu (1,0). Unu
(ntregul), aa cum folosim termenul aici, se refer la faptul c toate valorile Z (100%) ale unei variabile
distribuite normal, vor cdea dedesubtul curbei normale. Pri din acest ntreg (cteodat referit prin
unitate) sunt reprezentate ca proporii din aria total aflat dedesubtul curbei i nuntrul distribuiei. De
exemplu, 50 de procente ale suprafeei delimitat de curba normal, aflate la stnga mediei, reprezint acea
jumtate a valorilor care cad sub medie. ntr-o distribuie normal (ca cea prezentat n Figura 6.3) toate
valorile se regsesc dedesubtul curbei.
Aa cum se vede i n Figura 6.4, suprafaa delimitat de curba normal i verticalele Z = +1 i
medie este egal cu suprafa cuprins ntre verticala Z = -1 i medie i este egal cu 0,3413 (sau n
procente, 34,13%). Aria suprafeei de sub curb delimitat de verticalele ridicate din oricare dou puncte
1
Acest lucru este valabil numai in cazul n care distribuia real este normal, nu i dac aceasta are o
alt form.
56
(valori Z) este egal cu procentul cazurilor ale cror valori Z se gsesc ntre cele dou verticale. De exemplu,
34,13% din totalul valorilor dintr-o distribuie normal cad ntre medie i Z = +1; 34,13% ntre medie i Z
= -1; 13,59% ntre Z = +2 i Z = +1, 13,59 procente ntre Z = -2 i Z = -1, i aa mai departe.
O mare parte a suprafeei de sub curb i deci i un mare numr al cazurilor dintr-o distribuie
(68,26%) cad n centru (ntre valorile Z = -1 i Z = +1). Doar o mic parte a suprafeei de sub curb i un
procent mic de cazuri dintr-o distribuie normal (mai puin de o jumtate de procent) cad n afara valorilor
Z = -3 i Z = +3. Aceasta nseamn c, ntr-o distribuie normal, valorile care cad sub sau peste trei abateri
standard fa de medie sunt foarte rare.
Tabelul 6.3 Aria cuprins ntre curba normal, medie i valoarea Z
Z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.0
0.1
0.2
0.3
0.4
0.00
3.98
7.93
11.79
15.54
0.40
4.38
8.32
12.17
15.91
0.80
4.78
8.71
12.55
16.28
1.20
5.17
9.10
12.93
16.64
1.60
5.57
9.48
13.31
17.00
1.99
5.96
9.87
13.68
17.36
2.39
6.36
10.26
14.06
17.72
2.79
6.75
10.64
14.43
18.08
3.19
7.14
11.03
14.80
18.44
3.59
7.53
11.41
15.17
18.79
0.5
0.6
0.7
0.8
0.9
19.15
22.57
25.80
28.81
31.59
19.50
22.91
26.11
29.10
31.86
19.85
23.24
26.42
29.39
32.12
20.19
23.57
26.73
29.67
32.38
20.54
23.89
27.04
29.95
32.64
20.48
24.22
27.34
30.23
32.90
21.23
24.54
27.64
30.51
33.15
21.57
24.86
27.94
30.78
33.40
21.90
25.17
28.23
31.06
33.65
22.24
25.49
28.52
31.33
33.89
1.0
1.1
1.2
1.3
1.4
34.13
36.43
38.49
40.32
41.92
34.38
36.65
38.69
40.49
42.07
34.61
36.86
38.88
40.66
42.22
34.85
37.08
39.07
40.82
42.36
35.08
37.29
39.25
40.99
42.51
35.31
37.49
39.44
41.15
42.65
35.54
37.70
39.62
41.31
42.79
35.77
37.90
39.80
41.47
42.92
35.99
38.10
39.97
41.62
43.06
36.21
38.30
40.15
41.77
43.19
1.5
1.6
1.7
1.8
1.9
43.32
44.52
45.54
46.41
47.13
43.45
44.63
45.64
46.49
47.19
43.57
44.74
45.73
46.56
47.26
43.70
44.84
45.82
46.64
47.32
43.83
44.95
45.91
46.71
47.38
43.94
45.09
45.99
46.78
47.44
44.06
45.15
46.08
46.86
47.50
44.18
45.25
46.16
46.93
47.56
44.29
45.35
46.25
46.99
47.61
44.41
45.45
46.33
47.06
47.67
2.0
2.1
2.2
2.3
2.4
47.72
48.21
48.61
48.93
49.18
47.78
48.26
48.64
48.96
49.20
47.83
48.30
48.68
48.98
49.22
47.88
48.34
48.71
49.01
49.25
47.93
48.38
48.75
49.04
49.27
47.98
48.42
48.78
49.06
49.29
48.03
48.46
48.81
49.09
49.31
48.08
48.50
48.84
49.11
49.32
48.12
48.54
48.87
49.13
49.34
48.17
48.57
48.90
49.16
49.36
2.5
2.6
2.7
2.8
2.9
49.38
49.53
49.65
49.74
49.81
49.41
49.55
49.66
49.75
49.82
49.41
49.56
49.67
49.76
49.82
49.43
49.57
49.68
49.77
49.83
49.45
49.59
49.69
49.77
49.84
49.46
49.60
49.70
49.78
49.84
49.48
49.61
49.71
49.79
49.85
49.49
49.62
49.72
49.79
49.85
49.51
49.63
49.73
49.80
49.86
49.52
49.64
49.74
49.81
49.86
3.0 49.87
3.5 49.85
4.049.997
5.049.99997
Dac o valoare Z, corespunztoare unei valori brute date, nu este un numr ntreg (Z = -3, Z = +2,
etc.) datele nscrise n suprafeele distribuiei normale din Figura 6.4 nu sunt suficiente pentru a transforma
o valoare Z ntr-o centil. Din fericire exist tabele care ne ajut n transformarea unei valori Z fracionare
(Z=0,28, Z= 2,15, etc.), n centile.
Tabelul 6.3 cuprinde valori Z ntregi i fracionare. El ne furnizeaz aria de sub curba normal
cuprins ntre valoarea Z (ntreag sau fracionar) i medie, pentru orice distribuie normal. Cifra care
57
reprezint partea ntreag i prima cifr zecimal a valorii Z sunt etichetele liniilor din tabel, i se citesc n
partea stng din prima coloan a tabelului 6.3, n timp ce cea de a doua cifr zecimal a numrului
fracionar se citete din capul de tabel. Numrul gsit n tabel la intersecia liniei i coloanei
corespunztoare unei valori Z, este proporia din suprafaa curbei normale cuprins ntre medie i valoarea
Z. Exemplele din Tabelul 6.4 arat cum poate fi utilizat Tabelul 6.3.
Tabelul 6.4 Exemple de valori Z i ariile lor corespunztoare
Valoare Z
Linia
Coloana
Aria corespunztoare
.12
0.1
.02
4.78
1.78
1.7
.08
46.25
-2.90
2.9
.00
49.81
1.15
1.1
.05
37.49
-1.15
1.1
.05
37.49
Semnul (+ sau -) indic doar dac valoarea Z este sub sau peste medie. Aria proporional indus
de valorile Z de aceeai mrime, dar semne diferite, este aceeai. Pentru valori brute peste medie (avnd o
valoare Z pozitiv), adunm aria cuprins ntre medie i valoarea Z la 50,00 pentru a afla la ce centil se
gsete acea valoare (brut). Pentru valori brute sub medie, scdem din 50,00 aria dintre medie i valoarea
Z pentru a afla la ce centil se gsete acea valoare. De exemplu (vezi Tabelul 6.4), o valoare brut
transformat ntr-o valoare Z de 0,12 va cdea aproape de centila 55% (50,00 + 4,78 = 54,78). Aa cum
arat Tabelul 6.4, o valoare Z de 1,78 va cdea aproape de centila 96% (50,00 + 46,25 = 96,25); o valoare Z
de -1,15 va cdea aproape de centila 13% (50,00 - 37,45 = 12,51) i aa mai departe.
Avantajele i dezavantajele valorilor Z
Primul avantaj al valorilor Z este acela c ele pot fi folosite pentru a compara valori brute luate de
la diferite distribuii. Datele trebuie s fie cel puin de nivel interval.
Figura 6.5. Compararea suprafeelor corespunztoare unei abateri standard
la curbele asimetrice
Aria A # Aria B
A
-1
Media
+1
Cel mai mare dezavantaj al valorilor Z este c presupun o distribuie normal. Cnd aceast
calitate nu este ntlnit, o valoare Z nu poate fi interpretat n termenii unei proporii standardizate a
distribuiei pentru care a fost calculat. Cnd distribuia este oblic, aria cuprins ntr-o abatere standard la
stnga fa de medie nu este egal cu aria aflat la aceiai distan dar la dreapta mediei. De exemplu,
distribuia din Figura 6.5 este oblic pozitiv. Aria A nu este egal cu aria B, chiar dac fiecare arie
corespunde unei abateri standard fa de medie.
58
Utilizarea distribuiei normale n teste standardizate

Distribuia normal se utilizeaz n testele standardizate, asemenea testelor de inteligen IQ
(Intelligence Quotient), iar n SUA chiar i pentru testele de aptitudini colare SAT (Scholastic Aptitude
Tests) sau examenul de bacalaureat GRE (Graduate Record Exams). Dealungul anilor aceste teste au fost
mbuntite i adaptate frecvent astfel ca valorile rezultate, prin testarea unui mare numr de persoane, s
tind s corespund unui model cu o medie i o abatere standard consistente. Astfel de rezultatele vor
forma ntotdeauna o distribuie normal. Testele IQ n general sunt structurate s aib o medie de 100
puncte i o abatere standard de 15 sau 16 puncte, depinznd de test. Dac nelegem principiile i
caracteristicile legate de distribuia normal, cu aceste informaii putem s transformm data brut IQ ntr-o
valoare Z i apoi n centile, folosind Tabelul 6.3. De exemplu, un coeficient de inteligen cu o valoare Z de
+1 (115 sau 116 puncte) va cdea aproape de centila 84%. Transformarea invers, din centile n valori
brute, este de asemenea posibil.
De exemplu, un individ aflat printre primii 5% dintre cei mai inteligeni oameni realizeaz un scor
IQ de cel puin 126,25 (100 + 1,64 * 16) puncte. Rezultatul se obine aplicnd formula de calcul al valorii
brute, derivat din formula valorilor Z:
valoarea brut = media + abaterea standard * valoarea Z
unde media este 100, abaterea standard 16, iar valoarea Z de 1,64 am aflat-o din Tabelul 6.3 n dreptul ariei
45 (de fapt aria cea mai apropiat de 45 n tabel este de 45,09).
Valorile SAT i GRE au fost astfel proiectate ca ele s combine valori verbale i matematice
pentru un numr mare de elevi, astfel nct s formeze o curb normal cu media 1000 i abaterea standard
200. Deoarece n mod virtual toate valorile vor cdea practic ntre +3 i -3 abateri standard de la medie,
valoarea cea mai sczut va fi cu de trei ori 200, adic cu 600 puncte, sub medie (adic 400). Cea mai mare
valoare (aflat la centila 100%) va cdea la 1600 puncte. n realitate (n S.U.A), datorit scderii valorilor
SAT i GRE nregistrate n ultimii ani, media a sczut considerabil sub 1000 pentru un an dat, dar valorile
continu s formeze o distribuie care este aproape simetric i nc acceptat ca normal.
6.3. Utilizarea valorii Z n comparaii: un exemplu practic

Valorile Z sunt folosite n special pentru compararea datelor brute a dou cazuri cnd s-au utilizat
scale de msur diferite pentru aceeai variabil. Ele ne permit s comparm poziia relativ a unui caz
(centila msurii sale) cu poziia relativ a celuilalt caz (centila msurii sale). Presupunnd c dou grupuri
sunt normal distribuite dup o variabil, vom putea face o comparare valid a dou cazuri. Un exemplu ne
va ajuta s ilustrm aceast utilizare.
Dorina, un asistent social dintr-o agenie de consiliere familial, a condus un grup de studeni de
colegiu diagnosticai c au trit experiene de anxietate acut. n trecut, membrii grupului erau selectai pe
baza rezultatelor la testul Scalei de Anxietate A, test aplicat tuturor studenilor luai n considerare. Aceast
scal are o medie de 70 i o abatere standard de 10. Numai clienii care realizau peste 80 puncte pe Scala de
Anxietate A aveau permisiunea s se alture grupului.
S-a ntmplat la un moment dat s apar un loc vacant n grup. Dorina a cutat printre dosarele
cazurilor active din agenia sa i a observat c cea mai nalt valoare realizat de potenialii membrii ai
grupului este de 78 (Gina). Ea a primit un raport de la o alt agenie familial despre un nou client (Toma)
recent mutat n oraul su i care necesita asisten. Scrisoarea de transfer arta c Toma, care suferea de
anxietate, a realizat o valoare de 66 puncte pe Scala de Anxietate B - o scal care era diferit de cea pe care
o folosise Dorina. Scrisoarea mai indic faptul ca Scala de Anxietate B avea o medie de 50 i o abatere
standard de 12.
Ambele scale de anxietate erau teste standardizate. Bazndu-se pe cunotinele sale asupra
distribuiei normale i pe informaiile primite n scrisoarea de recomandare, Dorina s-a vzut nevoit s l
re-testeze pe Toma. S-a decis s foloseasc valoarea Z pentru a determina care dintre studenii Gina sau
Toma, este un candidat mai potrivit pentru locul vacant din grup. Pentru a simplifica decizia sa, Dorina a
construit un tabel comparativ cu datele sale (Tabelul 6.5). Apoi a calculat valoarea Z, pentru ambii
poteniali clieni, ceea ce i-a permis s determine centilele pentru fiecare valoare.
59
Tabelul 6.5 Date comparative: Indicatorii celor dou scale i valorile realizate de clieni
Scala de Anxietate A
Scala de Anxietate B
Valori
(Gina)
(Toma)
Valoarea brut
78
66
Media scalei
70
50
Abaterea standard
10
12
Valoarea Z
(Gina)
= (Valoarea realizat - Media) / Abaterea standard

= (78 - 70) / 10 = 8 / 10 = 0,8
Valorii Z = .80 i corespunde 28.81 n Tabelul 6.3
Valoarea Z
28.81 (aria dintre valoare i medie)

50.00 (aria din stnga mediei)
78.81 = centila 79 % (Scala A)
(Toma)
= (Valoarea realizat - Media) / Abaterea standard

= (66 - 50) / 12 = 16 / 12 = 1,33
Valorii Z = 1.33 i corespunde 40.82 n Tabelul 6.3
40.82 (aria dintre valoare i medie)

50.00 (aria din stnga mediei)
90.82 = centila 91 % (Scala B)
Bazndu-se pe analiza comparativ a valorilor Z, Dorina l alege pe Toma pentru grup. Nivelul
nalt al anxietii (pe baza scalei sale) l-a fcut pe Toma un candidat evident. Mai mult, ea nu a mai fost
nevoit s slbeasc criteriile de admisibilitate pentru a o include pe Gina n grup (care se situa la centila
79%) cnd se cerea o valoare de cel puin 80 puncte (centila 84%) sau mai mult (pe baza pe scalei ei). De
notat c valoarea de 80 pe Scala A este comparabil cu o valoare de 62 pe Scala B, deoarece ambele cad la
punctul Z = +1 (centila 84%). Valoarea Z corespunztoare punctajului realizat de Toma a fost deasupra
acestui punct i bineneles deasupra celui realizat de Gina .
REZUMAT
n acest capitol am prezentat un tip special de analiz a datelor, care poate fi utilizat cnd valorile
unei variabile formeaz o distribuie normal. Prin transformarea unei valori brute, a unei variabile normal
distribuite, n valoare Z, putem compara valorile individuale din dou seturi diferite de valori sau din dou
subseturi, prin observarea modului n care fiecare valoare se raporteaz la celelalte valori din grupul
propriu. De asemenea nelegnd distribuia normal, putem s vizualiz locul n care o valoare dat cade
fa de celelalte dintr-o populaie de volum mare. Prin folosirea centilelor, putem determina procentul de
valori sub care, sau peste care, se situeaz o anumit valoare dat.
Principiul curbei normale ne este folositor n multe feluri. El este necesar chiar pentru testarea
ipotezelor, dar acest subiect este tratat ntr-un alt modul de curs.

1.
2.
3.
4.
Cum difer o distribuie oblic pozitiv fa de o distribuie oblic negativ?

Care sunt caracteristicile unui poligon de frecvene normal, sau sub form de clopot?
Cum arat distribuia ntr-un poligon de frecvene pentru variabila numr de copii n familiile cu
ajutor social, normal, oblic pozitiv, sau oblic negativ?
ntr-o distribuie oblic pozitiv, unde se afl mediana fa de medie?
60
5.
6.
7.
8.
La o variabil care este normal distribuit, aproximativ ce procent din toate valorile se gsesc la o
distan de o abatere standard fa de medie?
ntr-o distribuie normal, ct de frecvent se poate ntmpla s se gseasc o valoare care este mai mare
dect trei abateri standard peste sau sub medie?
La un test IQ cu media de 100 i abaterea standard 16, la ce centil va cdea un IQ de 132?
Ce valoare Z reflect o valoare brut mai mare, -1,62 sau +1,50 ?
Exerciiu pentru acas 6

6a. Ce valoare Z corespunde unei anxieti de 79 puncte cnd anxietatea medie in populaie este de 84
puncte, iar abaterea standard este 5 puncte?
6b. Dac o femeie are o valoare Z de -0,71 pentru greutate i 1,95 pentru nlime, pe o scal normativ
determinat pentru toate femeile din ara, cum pare s fie corpul ei fa de celelalte?
61
Modul 7
Introducere in SPSS
7.1. Procesul de analiz statistic a datelor n SPSS
n principal, SPSS a fost conceput pentru ajuta utilizatorul n ducerea la capt a unei cercetri.
Desigur, n procesul cercetrii analiza statistic intervine mult mai trziu. nainte de a ne aeza n faa
unui calculator i a folosi Editorul de date (modulul Data Editor) al SPSS pentru a introduce datele, se
presupune c am parcurs deja pai importani n procesul unei cercetri.
Computerul i pachetul de programe SPSS intervine doar n partea de analiz a datelor. n faa
calculatorului activitatea se desfoar practic n patru pai care, de obicei, se reiau de mai multe ori (vezi
figura 7.1).
Pasul care ne intereseaz n prima faz este cel de introducere a datelor ntr-un fiier de date sau,
dup caz, de aducere a datelor n memoria intern.
Aducerea datelor
n memoria
intern
Pas 1
Selectarea unei
proceduri
Pas 2
Selectarea
variabilelor
Transformri
Pas 3
fiier de date
Interpretarea
rezultatelor
Pas 4
Figura 7.2. Procesul de analiz a datelor
1. Aducerea datelor n memoria intern
Datele de gestionat (sau, dup caz, de analizat) pot fi date salvate anterior ntr-un
fiier de date SPSS.
Se pot citi date din fiiere proprii altor produse software. Cele mai cunoscute sunt
bazele de date dBASE, FoxPro sau Access; fiierele tip foaie de calcul produse cu
tabelatorul Excel; sau fiiere simple de tip text ASCII, produse cu orice editoare de
texte. Desigur, pentru a importa astfel de date, trebuie respectate nite reguli clare
i trebuie furnizate informaii suplimentare de conversie, n cadrul procedurilor
iniiate de SPSS.
62
Se pot introduce direct datele n formatul propriu fiierelor de date SPSS cu ajutorul
modulului Data Editor.
2. Selectarea unei proceduri

Sistemul de meniuri al SPSS ofer o gam de comenzi care permit selectarea i declanarea
a patru categorii de proceduri:
Proceduri de gestionare a datelor
Proceduri de obinere a listelor i rapoartelor
Proceduri de construire a tabelelor statistice, de calcul a unor indicatori statistici, de

cutare a unor modele explicative
Proceduri pentru crearea unor grafice
3. Selectarea variabilelor
Cele mai multe din procedurile SPSS cer precizarea variabilelor. Acestea sunt listate n
casetele de dialog ale procedurilor, iar utilizatorul va trebui s indice variabilele care intr n
analiz.
4. Interpretarea rezultatelor
Dup ce toate elementele de informaii necesare execuiei unei proceduri au fost precizate de
ctre utilizator, procedura se va declana i va produce rezultatele. Ele trebuie privite cu
atenie i interpretate.
O edin de lucru cu SPSS const n mai multe reluri a celor patru faze: n mai multe operaiuni
de management al datelor, sau mai multe proceduri de analiz a datelor. De multe ori ceea ce hotrm s
facem n continuare depinde de rezultatele unei operaiuni anterioare. Utilizatorul (sau dup caz,
cercettorul) folosete SPSS ca un asistent docil, dar foarte puternic i capabil, ale crui performane depind
de abilitatea cercettorului de a lua deciziile cele mai potrivite.
SPSS sub Windows funcioneaz sub controlul unui mediu grafic GUI (Graphical User Interface),
utiliznd un sistem de meniuri descriptive i casete de dialog care uureaz mult interfaa om-calculator.
Cele mai multe operaiuni sunt declanate i duse la capt prin punctare i clic cu mouse-ul, chiar dac
lucrul cu tastatura este oricnd o a doua alternativ.
Module si ferestre SPSS

Ca orice produs sub Windows, SPSS se pornete prin dublu-clic pe pictograma sa aflat fie pe
ecranul dispay-ului, fie n lista de Programe al meniului Start.
Ceea ce vom vedea prima dat va fi modulul Data Editor (vezi figura 1.2). n afara acestui modul,
SPSS mai are nc dou: modulul Output Navigator modul care se ocup de afiarea rezultatelor
prelucrrilor, precum i de modificarea aspectului lor - i modulul Chart Editor modul care faciliteaz
manipularea i gestionarea graficelor obinute prin SPSS.
63
Figura 7.2. Ferestrele Data Editor i Output Navigator

Fiecare fereastr are o linie de titlu. Sub ea se gsete meniul principal al aplicaiei. Fereastra
Editorului de date conine datele de analizat sub forma unui tabel asemntor unei foi de calcul, iar orice
rezultat produs de o procedur SPSS se va introduce n fereastra Output al Navigatorului de rezultate.
Iniial se va deschide doar fereastra Editorului de date. Fereastra Navigatorului de rezultate se deschide
ndat ce vreo procedur produce rezultate. In afara acestor dou ferestre mai pot apare, la nevoie, alte dou
ferestre: fereastra Editorului de grafice sau fereastra Sintax (pentru pstrarea comenzilor SPSS n vederea
repetrii lor ntr-o alt edin de lucru).
Sistemul de meniuri
SPSS v7.5 poate lucra ntr-o varietate de moduri, dar majoritatea procedurilor pot fi accesate
fcnd selecii din meniuri. Meniul principal al Editorului de date, cea mai utilizat component a
pachetului, conine nou meniuri:
File. Se utilizeaz pentru a crea fiiere noi SPSS, pentru a deschide fiiere existente, pentru a citi
fiiere de tip spreadsheet sau baz de date create cu alte programe software. Meniul File se mai
utilizeaz pentru crearea i deschiderea altor fiiere SPSS, adic fiiere de grafice, de rezultate sau
de sintax.
Edit. Se utilizeaz pentru a modifica sau copia texte din ferestrele de rezultate sau de sintax.
64
View. Se utilizeaz pentru a modifica aspectul ecranului n funcie de opiunile utilizatorului.

Data. Se utilizeaz pentru a face schimbri globale la fiierul de date, cum ar fi agregarea datelor
din mai multe fiiere, mprirea cazurilor n subseturi. Aceste schimbri sunt doar temporare i nu
afecteaz fiierul permanent cu excepia cazului cnd se cere explicit acest lucru (prin salvare).
Transform. Se utilizeaz pentru a face schimbri variabilelor selectate din fiierul de date i
pentru a calcula variabile noi pe baza valorilor existente n alte variabile. Nici aceste schimbri nu
afecteaz fiierul permanent dect dac schimbrile se salveaz n mod explicit.
Statistics. Procedurile statistice se selecteaz din acest meniu. Cele mai comune proceduri
statistice sunt: tabelele de frecvene, tabelele de asociere, calculul indicatorilor statistici
descriptivi, analiza varianei, corelaia sau regresia liniar.
Graphs. Meniul Graphs se folosete pentru a crea diagrame de bare, diagrame circulare,
histograme, diagrame de mprtiere i alte grafice n culori i de mare rezoluie. Chiar i unele
proceduri statistice pot genera grafice. Orice grafic poate fi mbuntit cu ajutorul Editorului de
grafice (Chart Editor).
Utilities. Se folosete pentru a afia informaii despre variabilele din structura fiierului de date,
pentru a defini i utiliza seturi restrnse de variabile, sau pentru a deschide un index al comenzilor
SPSS.
Window. Se utilizeaz pentru a aranja, a selecta i a controla atributele diverselor ferestre SPSS.
Help. Acesta deschide ferestre de asisten on-line cu manuale electronice, demonstraii, sfaturi
contextuale i programe de nvare asistat de calculator de tip tutorial.
Linia de pictograme
Cele mai comune comenzi SPSS, folosite n mod uzual, pot fi accesate prin intermediul unor
pictograme situate imediat sub linia de meniuri, n linia de pictograme (Tool Bar). Aceast linie este
prezent la oricare din ferestrele modulelor SPSS, dar poate conine pictograme diferite, adaptate situaiei
(vezi figura 7.2).
Unele din pictograme s-ar putea ntmpla s nu fie eligibile n anumite situaii chiar dac apar pe
ecran. O scurt explicaie a ceea ce reprezint ele poate fi obinut foarte simplu prin plasarea indicatorului
mouse-ului pe ele.
Casetele de dialog
Cele mai multe proceduri SPSS afieaz casete de dialog prin intermediul crora adun toate
informaiile necesare ducerii la bun sfrit a operaiunilor cerute de utilizator.
Pentru c aceste casete ofer informaii utile n alegerile pe care utilizatorul le are de fcut i
pentru c aceste casete sunt foarte asemntoare ntre ele, s aruncm o privire, de exemplu, pe cea folosit
la deschiderea unui fiier: figura 7.3
Aceast caset conine o zon etichetat Look in unde va apare directorul curent (BazeDate, n
exemplu). Dac fiierul cutat nu este n directorul curent, acesta poate fi schimbat cu ajutorul
pictogramelor din aceast zon.
65
Fiierele sunt listate n zona cea mai ntins a casetei de dialog. De exemplu, n figura 2.2 putem
vedea patru fiiere. Oricare dintre ele poate fi deschis. Alegerea se face prin pointare i clic pe butonul
stng al mouse-ului.
Numele fiierului selectat va apare in zona File name. Aceast informaie poate fi i tastat dac se
dorete folosirea tastaturii i nu a mouse-ului.
Nu toate fiierele din directorul curent sunt listate n caset. Ele sunt filtrate cu ajutorul extensiilor
consacrate pentru diverse tipuri de fiiere. Observm c n exemplu, toate cele trei fiiere au extensia .sav.
Zona Files of type ofer ns posibilitatea selectrii altor tipuri inclusiv a tuturor tipurilor, deci posibilitatea
neutilizrii filtrelor.
Figura 7.3. Caseta de dialog Open File

n partea dreapta jos a casetei se gsesc butoanele, adic acele zone care declaneaz aciuni.
Clic pe butonul Open produce deschiderea fiierului selectat. Clic pe butonul Paste produce doar un text cu
comanda de deschidere a fiierului selectat, comand ce se va scrie ntr-un fiier de tip sintax, n vederea
folosirii lui ulterioare. Butonul Cancel anuleaz operaiunea n curs, fr s declaneze procedura pentru
care se fceau pregtirile. Dup acionarea butoanelor casetele de dialog dispar de pe ecran.
n majoritatea casetelor de dialog apare i butonul Reset. Selectarea lui va anula toate specificrile
fcute n caseta de dialog afiat, fr ca acesta s fie tears de pe ecran. Utilizatorul va putea face deci
alte selecii.
Unele casete de dialog pot conine butoane radio i / sau csue pentru bifare (check box). Ele
nu declaneaz aciuni imediate dar permit optarea pentru anumite variante ale procedurilor. Butoanele
radio se deosebesc de csuele pentru bifare prin faptul c numai una dintre opiuni poate fi aleas i una
din alegeri este obligatorie. n cazul csuelor pentru bifare, acestea pot fi bifate sau nu, indiferent cte sunt
ntr-o caset de dialog. Butoanele radio au o aparen circular iar opiunea ales se marcheaz cu un punct
(). Csuele pentru bifare au aparen ptratic i opiunile alese vor fi marcate cu [4] .
66
Asistena on-line
Figura 7.4. Fereastra Tutorialului SPSS

Meniul Help ofer multiple posibiliti de a obine ajutor interactiv. Procedura Topics permite
accesul n manualul electronic pe baza unor opiuni tematice, procedura Tutorial este indicat pentru un
prin contact cu SPSS (vezi figura 7.4), iar procedura Statistics coach este un meditator pentru procedurile
statistice. Unele din proceduri conin demonstraii interactive, cele mai multe conin ilustraii i toate conin
explicaii textuale n limba englez.
Vom explora n cele ce urmeaz cteva din cele mai comune ci de a descrie datele dintr-o baz de
date prin intermediul procedurilor de statistic elementar Frequencies i Descriptives. De foarte multe ori
vom vedea c aceste dou proceduri sunt suficiente pentru a rspunde la multe din ntrebrile cercetrii.
Procedurile Crosstabs i Means sunt utile n investigarea unor posibile relaii ntre dou variabile. Aceste
patru proceduri, la care se adaug i procedura Explore, nu sunt numai tehnici puternice descriptive, dar
constituie tot attea mijloace de investigaie necesare naintea ntreprinderii unor analize statistice mai
sofisticate, de testare a ipotezelor.
7.2. Procedura Frequencies

Procedura Frequencies, furnizeaz tabele statistice i reprezentri grafice. Implicit, ea va genera o
distribuie de frecvene sub form de tabel, n care pentru fiecare valoare distinct a variabilei selectate, se
67
va afia numrul de apariii, procentul pe care acesta-l reprezint din ntregul eantion i procentul
cumulativ. Ca opiuni, pot fi selectate grafice ca diagrama de bare, histograma (care vor fi alese n funcie
de tipul variabilei), valorile pentru anumite percentile sau indicatori statistici descriptivi.
n tabela de frecvene sau n diagramele de bare, valorile distincte pot fi ordonate n ordine cresctoare sau
descresctoare. Generarea / afiarea tabelei de frecvene poate fi eliminat dac variabila are prea multe
valori distincte. Unitile de msur folosite n diagrame i grafice pot fi sub form de frecvene numerice
(implicit) sau procente.
Indicatori statistici ce pot fi cerui: media, mediana, modul, suma, abaterea standard, variana,
amplitudinea, minimum i maximum, eroarea standard a mediei, oblicitatea (skewness) i ascuimea
(kurtosis) (cu erorile lor standard), cuartile i percentile definite de utilizator, frecvene, procente, procente
cumulate.
Pentru declanarea procedurii se va alege din meniu: Statistics, Summarize, Frequencies
7.3. Procedura Crosstabs

n cazul n care dorim s studiem o relaie de asociere ntre variabile categoriale, va fi util o tabel care
conine frecvenele combinaiilor valorilor (categoriilor) celor dou variabile. Acestea sunt tot tabele de
frecvene, dar se genereaz nu doar pentru o variabil, ci pentru combinaia a dou variabile. Vom numi o
astfel de tabel, tabel de frecvene ntre dou variabile, tabel de asociere sau tabel de contingen. Ea
se obine din meniu, alegnd:
Statistics, Summarize, Crosstabs
Pentru exemplificare, vom utiliza fiierul Martie97.sav, care conine variabilele gen i mservici (satisfacia
n munc). Putem studia relaia ntre mservici i venit, sau ntre orice alte variabile ntre care bnuim c ar
68
putea exista o legtur. Coninutul celulelor aa cum apare sub form de frecvene absolute nu exprim
relaia dintre cele dou variabile. Pentru a putea compara diversele grupuri ntre ele, trebuie s folosim o
msur independent de numrul cazurilor cuprinse n grupul respectiv; fiecare grup avnd un numr diferit
de cazuri (359 persoane de sex masculin i 293 persoane de sex feminin). O exprimare n procente a
frecvenelor din fiecare celul permite comparaiile dorite.
Genul respondentului * Multumit de - serviciu Crosstabulation
Count
Genul respondentului
masculin
feminin
Total
deloc
multumit
32
40
72
Multumit de - serviciu
nu prea
destul de
multumit
multumit
61
190
60
148
121
338
foarte
multumit
76
45
121
Total
359
293
652
Tabel de asociere ntre gen i satisfacia n munc (frecvene absolute)

Genul respondentului * Multumit de - serviciu Crosstabulation
Genul respondentului
masculin
feminin
Total
Count
% within
Genul
respondentului
Count
% within
Genul
respondentului
Count
% within
Genul
respondentului
deloc
multumit
32
Multumit de - serviciu
nu prea
destul de
multumit
multumit
61
190
foarte
multumit
76
Total
359
8.9%
17.0%
52.9%
21.2%
100.0%
40
60
148
45
293
13.7%
20.5%
50.5%
15.4%
100.0%
72
121
338
121
652
11.0%
18.6%
51.8%
18.6%
100.0%
Tabel de asociere ntre gen i satisfacia n munc (frecvene procentuale)

Procentajul pe coloane ne arat distribuia variabilei de pe linii pentru fiecare categorie a variabilei de pe
coloane (ce procent din totalul cazurilor de pe o coloan este distribuit pe fiecare linie). Tabelul din figura
7.4 nu afieaz astfel de procente.
Procentajul pe linii ne arat distribuia variabilei de pe coloane pentru fiecare categorie a variabilei de pe
linii (ce procent din totalul de cazuri de pe o linie este distribuit n fiecare coloan). n tabelul din figura
7.4 putem vedea, de exemplu, c 8,9% din persoanele de sex masculin (variabila gen este variabila de pe
linii) se declar deloc mulumii de serviciul pe care l au (variabila de pe coloane), 17% nu sunt prea
mulumii, 52,9% sunt mulumii i 21,2% sunt foarte mulumii.
Observaie: Cum putem spune dac ntr-un astfel de tabel procentele din celule reprezint procentajul pe
linii sau pe coloane? Dac n coloana numit Total procentul nscris n fiecare celul este 100%, avem de-a
face cu procente pe linii. Dac pe linia numit Total procentul nscris n fiecare celul este 100%, avem dea face cu procente pe coloane.
7.4. Procedura Descriptives

Aceast procedur calculeaz i afieaz indicatori statistici univariai (o variabil la un moment dat) pentru
diferite variabile i poate calcula valorile standardizate (scoruri Z) pentru fiecare caz. Implicit, pentru
69
fiecare variabil ce se selecteaz se vor calcula media, abaterea standard, minimum, maximum (vezi
csuele bifate din caseta de dialog Descriptives Options din figura 7.5.). Opional mai pot fi cerute
variana, amplitudinea, eroarea standard a mediei, oblicitatea i ascuimea.
Observaie: Mediana, modul, cuartilele i percentilele nu pot fi calculate aici, ele se determin cu procedura
Frequencies.
Procedura Descriptives
Declanarea procedurii se face din linia de meniu cu:
Statistics, Summarize, Descriptives
7.5. Procedura Means

ntr-un grup de subieci putem distinge subgrupuri de cazuri n funcie de diverse criterii, subgrupuri ntre
care este util s facem comparaii n scopul stabilirii unor diferene ce merit exploatate mai ndeaproape.
Putem studia de exemplu media notelor la matematic obinute ntr-o clas, separat pentru fete i biei.
Sau putem studia diferenele privind media de vrst pentru femei i brbai ntr-un eantion reprezentativ
al populaiei Romniei (vezi figura).
Subgrupurile pot fi formate atunci cnd cazurile pot fi divizate pe baza uneia sau mai multor variabile de
grupare.
Variabila sub studiu este deci de tip interval iar variabila de grupare este categorial.
Declanarea procedurii se face prin intermediul liniei de meniu:
Statistics, Compare Means, Means
70
Rezultatul este o tabel care afieaz pentru variabila n cauz media, abaterea standard i efectivul fiecrei
categorii de grupare.
n cazul n care se dorete definirea grupurilor n funcie de mai multe variabile de grupare, variabilele
categoriale vor fi puse n straturi (Layers) diferite.
Procedura Means
7.6. Procedura Explore

Poate fi folosit pentru a studia distribuia unei variabile:
Calculeaz indicatori statistici descriptivi pentru toate cazurile sau pentru subgrupuri de cazuri.
Identific valorile extreme. Acestea se datoreaz uneori introducerii greite a datelor n calculator.
Dac sunt reale, atunci ele pot influena puternic deciziile pentru analiza statistic ulterioar, de aceea
este util s fie depistate.
Calculeaz percentilele distribuiei variabilei, att pentru toate cazurile ct i pentru subgrupuri de
cazuri;
Genereaz o varietate de reprezentri grafice a datelor (stem and leaf, boxplot, histograme) care ne
arat vizual cum se distribuie valorile datelor.
Pentru declanare vom alege din linia de meniu:

Statistics, Summarize, Explore
71
n Dependent List se trece variabila pe care dorim s-o explorm (variabil tip interval). Variabila factor este
o variabil de grupare, care se alege n cazul n care dorim s calculm statistici pentru subgrupuri de cazuri
ale variabilei numerice studiate.
Caseta de dialog al procedurii Explore
100
834
766
80
968
90
1105
1097
953
1117
1007
943
60
40
vrsta
20
0
N=
72
121
338
deloc multumit
121
destul de multumit
nu prea multumit
Multumit de - ser viciu
72
f oarte multumit
Grafic boxplot pentru legtura dintre satisfacia n munc i vrst (Martie97)

n figura de mai sus putem vedea o diagram boxplot produs de procedura Explore avnd ca i variabil
factor mservici (satisfacia n munc) iar ca variabil dependent vrsta. Caseta de dialog al procedurii
Explore a fost completat ca n figura.
73
Modul 8.
Noiuni introductive de statistica inferenial
Statistica descriptiva se ocupa de organizarea, tabelarea i rezumarea datelor colectate despre

caracteristicile unei populaii statistice. Procedurile descriptive sunt destinate s prezinte datele ntr-o form
care s fie ct mai sugestiv pentru cei interesai de cunoaterea empirica a realitii. Dei, pentru un
observator atent, prezentrile grafice i indicatorii statistici descriptivi pot sugera legturi ntre variabile,
totui ele nu pot confirma i nici verifica astfel de legturi. Ele nu ne permit s generalizm nici un fel de
constatri dincolo de eantioanele pe care le-am studiat. Pentru astfel de generalizri, avem nevoie s
dezvoltm ipoteze i s le testm n concordan cu principii tiinifice.
8.1. Testarea ipotezelor

Formularea ipotezelor n cercetarea i practica de asisten social este extrem de important. Fie
c sunt validate sau nu, ipotezele ne permit s abordm n mod tiinific practica de asisten social.
Ipotezele sunt formulate de obicei dup trecerea n revist a literaturii de specialitate sau prin
procesul sintetizrii cunotinelor cantitative i calitative pentru o tem particular: din experiena
profesional ctigat n practic; din cursuri scrise de profesioniti i din multe alte surse specifice
domeniului, incluznd legislaia, documente nepublicate i persoanele cunosctoare. Dup o examinare a
literaturii, putem expune doar rspunsuri pariale sau putem finisa rspunsuri la ntrebri generale. La
nceput se dorete exprimarea impresiilor sau a concluziilor noastre sub forma ipotezelor. Dup aceea
ipotezele vor trebui testate.
Multe definiii au fost date ipotezelor, dar toate au la baz acelai concept - o ipotez este o
tentativ de rspuns la o ntrebare de cercetat, derivat din trecerea n revist a literaturii de specialitate sau
inspirat din practica curent. Este n acelai timp o exprimare a unei relaii dintre dou sau mai multe
variabile. O ipotez, fie c este sau nu susinut de analiza datelor, ea trebuie s fie o extensie logic a
cunotinelor existente anterior. Oricare alt metod folosit pentru formularea ipotezelor nu este altceva
dect smulgerea unei legturi i genereaz posibilitatea de pune la ndoial credibilitatea studiului de
cercetare.
Dup colectarea, organizarea i rezumarea informaiilor, utiliznd statistici asemntoare celor
prezentate n prima parte a cursului, putem ncepe s nelegem dac ipotezele noastre sunt sau nu susinute
de datele colectate. S presupunem, de exemplu, c am lansat ipoteza: clienii alcoolici care primesc
tratamentul n grup se pot abine de la butur mult mai bine, dup trei luni de tratament, dect clienii
74
alcoolici care au primit tratamentul individual. Frecvenele i procentajele par s ne furnizeze suportul
pentru aceast ipotez; mai ales c numrul clienilor a fost mic i ne-a fost uor s observm tendina de
succes pentru o metod de tratament (aici tratamentul n grup) n opoziie cu altele (tratamentul individual).
Probabil, 70% din clienii alcoolici care au primit tratamentul n grup se pot abine acum de la butur n
comparaie cu 65% din cei care au primit tratamentul individual. Exist n aparen o legtur ntre
variabila dependent (butor / nebutor) i variabila independent (tratamentul de grup / tratamentul
individual). Cu toate acestea, doar un naiv ar concluziona, doar pe baza celor prezentate anterior, c
tratamentul n grup este cea mai bun metod de lucru cu alcoolicii. Pentru a testa ipotezele noastre n mod
tiinific, trebuie s examinm i alte explicaii posibile.
8.2. Explicaii alternative
Aa cum am afirmat, ipotezele noastre trebuie s fie sprijinite de date colectate. Dar e nc
prematur s concluzionm c exist o relaie adevrat ntre cele dou variabile. O relaie poate fi verificat
doar dup epuizarea tuturor explicaiilor alternative care ar putea justifica legtura. n cazul nostru cele trei
explicaii alternative majore sunt: (1) deformarea, (2) alte variabile i (3) ansa. Primele dou sunt n
principal legate de metodologia cercetrii, iar cea de-a treia este direct legat de testarea statistic. O bun
cunoatere a metodelor de cercetare folosite n asistena social ne va ajuta s minimalizm efectele
primelor dou explicaii alternative - iar statistica inferenial ne va ajuta cu eliminarea efectelor celei de a
treia explicaie alternativ.
Deformarea
Prima explicaie alternativ este deformarea realitii. Influenele conjuncturale sunt o surs
sistematic de distorsiune, care afecteaz calitatea datelor colectate. Ele pot conduce la rezultatele eronate
i apoi la tragerea unor concluzii eronate. Deformri conjucturale pot apare cnd datele se colecteaz ntrun moment neprielnic sau cnd studiul este influenat de evenimente exterioare, de vreo tendin contient
sau incontient a persoanelor care colecteaz datele i care nu au o percepie corect asupra lor. Dac
dintr-un motiv oarecare, sau combinaie de motive, datele au fost deformate, variabilele noastre
dependente i independente pot aprea ca fiind legate, cnd de fapt ele nu sunt. Posibilitatea ca deformarea
s poat explica o legtur aparent ntre dou variabile este minimizat deobicei prin folosirea cu mare
grij a tehnicilor de msurare.
Alte variabile
A doua explicaie alternativ este influena altor variabile. Factorii care influeneaz variabila
independent pot de asemenea explica diferenele din cadrul variabilei dependente (a bea / a nu bea, n
exemplul nostru). n exemplul nostru, acetia ar putea fi intensitile diferite ale suportului familiar pentru
metoda de tratament i nivele de calificare diferite ale asistenilor sociali care practic cele dou metode.
Un plan experimental bun, construit pe baze aleatoare, poate garanta un anumit nivel de control pentru
celelalte variabile, dar planurile experimentale bune sunt rare n cercetarea n asisten social. Alegerea
unei tehnici metodologice corespunztoare ne poate garanta c alte variabile nu sunt explicaii reale ale
unei aparente legturi ntre dou variabile. Cile prin care planurile de cercetare pot ajuta n controlul altor
variabile sunt prezentate n general n textele privind metodologia cercetrii.
ansa
Cea de-a treia explicaie alternativ este ansa, care poate fi referit i prin termeni ca
probabilitate, eroare de eantionare, ntmplare norocoas - sau pur i simplu noroc. ansa stipuleaz ca
probabilitatea s se ntmple un eveniment se poate situa oriunde ntre valorile 0 (niciodat) i 1 (absolut
75
sigur). Ea se bazeaz pe presupunerea c n timp ce prin repetarea n timp ndelungat a unor observaii se
poate vedea ca exist o anumit regularitate (pattern), n particular, sau pe termen scurt, observaiile tind s
difere ntr-un fel de pattern-ul pe termen lung. De exemplu, cnd desemnm n mod aleator, un eantion
dintr-o populaie, putem s nu selectm un eantion care s aib o compoziie identic cu cea a populaiei
din care provine. Teoria probabilitii ne trimite direct la conceptul de eroare de eantionare, prezentat n
textele metodologice.
Probabilitatea spune c o moned lansat n aer, are 0,5 anse (sau 50%) s cad cu o anumita fa
n sus. Cu alte cuvinte, probabilitile ca s fie cap sau pajur sunt egale. n realitate dac aruncm o
moned de zece ori am putea gsi un rezultat diferit de 5 cu 5. Nu vom fi surprini dac obinem 4 cu 6, sau
8 fee din zece aruncri. n acest caz vom nvinovi ansa (eroarea normal de eantionare), i vom
presupune c dac vom repeta testul de suficient de multe ori, procentul de apariie a feei va fi aproximativ
de 50%.
Cnd analizm datele noastre, trebuie s determinm dac nu cumva rezultatele noastre sunt
aberaii plauzibile de la patternul normal al evenimentelor aprute din cauza erorilor de eantionare.
Trebuie s fim ct mai siguri c o legtur aparent dintre variabile nu este un simplu noroc ce poate aprea
din cnd n cnd. Avem nevoie s determinm dac ansa poate fi explicaia real pentru o legtur
aparent. O ipotez poate fi susinut doar cnd ansa, la fel ca i deformarea i ca influena altor variabile,
pot fi convingtor eliminate ca explicaii alternative. ansa este de obicei ultima explicaie pe care
consumatorii sceptici de rapoarte de cercetare l propun ca i cauz real a legturii aparente dintre dou
variabile. Spre deosebire de cazul deformrii sau al altor variabile, planurile solide de cercetare nu sunt
suficiente pentru a elimina ansa ca explicaie alternativ pentru o aparent legtur ntre dou variabile.
Doar testele statistice o pot face.
8.3. Respingerea explicaiei ansei prin testele statistice

Toate testele statistice ncearc s discrediteze ansa ca explicaie a unei aparente legturi ntre
variabile. Cu toate acestea, ele o fac pe ci diferite. Din fericire, ntre testele statistice sunt mai multe
asemnri dect diferene. Acest capitol examineaz cile prin care toate testele statistice se apropie de
acest obiectiv.
n ncercarea de a ctiga suport pentru ipoteze, nu putem elimina total ansa ca explicaie pentru o
legtur aparent. nainte de susine o legtur, trebuie s ne asigurm ntr-o msur rezonabil c cea ce
am observat nu este o ntmplare norocoas care poate fi uor explicat prin eroarea normal de eantionare
derivat din ntmplare. Nu dorim s raportm o legtur care pare s fie adevrat, dac ea nu este de fapt
aa. n acelai timp, nu trebuie s fim niciodat att de rigizi sau neraionali, nct s nu cerem suport
statistic pentru un rezultat al cercetrii care este foarte probabil s nu se datoreze ansei. Dac cercettorii
devin obsedai de eliminarea total a ansei ca explicaie alternativ, puine, sau chiar niciunul din
rezultatele gsite ar vedea lumina zilei.
Testele statistice determin probabilitatea ca relaiile aparente dintre variabile s se
datoreze ntmplrii. Dac probabilitatea efectului ntmplrii este mic, i dac deformrile i celelalte
variabile au fost eliminate ca i explicaii posibile pentru o legtur aparent, rmne o singur explicaie
raional: exist o legtur credibil. Dac efectul ansei este mare, noi nu mai putem pretinde suport
pentru o ipotez care prezice o legtur, chiar dac celelalte dou explicaii alternative au fost eliminate. Pe
scurt trebuie eliminate toate cele trei explicaii alternative nainte ca o ipotez s poat fi considerat ca
avnd suport.
Tipuri de legturi declarate n ipoteze
O ipotez care declar o legtur ntre variabile, dar care nu indic care valori ale unei variabile se
vor grupa cu care valori ale altei variabile, este denumit ipotez nedirecional (sau two-tailed) O ipotez
care declar o legtur ntre dou variabile i specific modul (direcia) n care se crede c sunt legate, este
denumit ipotez direcional (sau one-tailed).
Exemplul folosit mai devreme n acest capitol este o ipotez direcional. Ea precizeaz clar c
rata nalt a abstinenei la alcool va fi gsit printre clienii alcoolici care au primit tratamentul n grup fa
de clienii alcoolici care au primit tratamentul individual. O ipotez nedirecional pentru exemplul nostru,
ar stabili c abstinena este legat de metoda de tratament folosit; dar nu ar putea prezice care metod de
tratament poate fi asociat cu rata ridicat sau sczut de abstinen.
76
Exist, firete, o a treia descriere posibil a legturii ntre dou variabile - predicia c ele nu vor
fi gsite legate (nu exist nici o relaie ntre ele). Aceast este numit ipotez nul. Dei ipotezele cercetrii
tind n mod frecvent s fie direcionale, cteodat sunt folosite i ipotezele nedirecionale, dac cunotinele
asupra subiectului sunt limitate. Cutarea suportului pentru a prezice c dou variabile nu sunt legate (caz
in care ipoteza cercetrii este chiar ipoteza nul) este rar, dar nu fr utilizare n practica i cercetarea din
asistena social. Cercettorii care au cutat s contrazic ipoteza c o ras ar fi superioar alteia din punct
de vedere intelectual, au cutat suport statistic pentru ipoteza nul (rasa i inteligena nu sunt legate).
Similar practica curent poate sugera c tratamentul individual este mai eficient dect tratamentul n grup
pentru tratarea disfuncionalitii sexuale a clienilor. Din observaiile noastre i din literatura de
specialitate am putea totui concluziona c nu se pot face diferenieri ntre metodele de tratament folosite
n asistena social. n acest caz am putea alege ipoteza nul ca ipotez pentru o astfel de cercetare:
succesul n tratarea disfunciei sexuale nu este legat de metoda de tratament.
Ipoteza nul i ipoteza cercetrii
Cele trei forme ale ipotezei (direcional, nedirecional i nul) sunt toate importante pentru noi
n construcia ipotezei unei cercetri. Toate trei, dar n special ipoteza nul, sunt extrem de importante n
nelegerea modului n care indicatorii statistici sunt folosii n testarea ipotezelor. Formal, testele statistice
iau in considerare ipoteza nul, chiar dac aceasta nu este ipoteza cercetrii .
Trebuie amintit c ipoteza nul este consistent n raport cu ansa. Ea susine c dou variabile
sunt nelegate chiar dac ele par a fi legate ntr-un set de date. Ea continu s susin c doar fluctuaia
normal a ansei, sub forma erorilor de eantionare, este cea mai potrivit explicaie pentru aparenta
legtur dintre dou variabile. Chiar i atunci cnd ipoteza nul nu este folosit ca ipotez a cercetrii, i
ipotezele sunt fie direcionale fie nedirecionale, conceptul ipotezei nule joac un rol important n testare.
Pentru a confirma c dou variabile sunt legate, trebuie s verificm mai nti c ele nu sunt nelegate. Altfel
spus trebuie s demonstrm c ansa (ca expresie a ipotezei nule) nu este explicaie fericit a legturii
aparente.
Cnd o ipotez este direcional sau nedirecional, exist un fel de fantom a ipotezei nule.
Ipoteza nul statueaz c o legtur aparent este de fapt un rezultat al ansei. nseamn c am extras un
eantion atipic de date i c legtura aparent pe care am observat-o n eantion nu caracterizeaz n
realitate populaia din care am extras eantionul. Pentru a respinge ipoteza nul, avem nevoie s
demonstrm c ansa este o explicaie nefericit pentru legtura aparent observat i c o legtura
adevrat este o concluzie mult mai plauzibil. Testele statistice ne permit s determinm cnd putem ntri
o ipotez direcional sau non direcional cu ajutorul unui suport statistic.
Erori de tipul I i de tipul II
Dou tipuri de erori pot fi fcute n interpretarea rezultatelor unei cercetri: tipul I i tipul II. O
eroare de tipul I este atunci cnd se respinge ipoteza nul i se concluzioneaz c exist o legtur ntre
dou variabile, cnd de fapt nu exist nici o legtur. O eroare de tipul II este atunci cnd ncercarea de a
respinge ipoteza nul i de a identifica o legtur adevrat ntre dou variabile eueaz, de fapt exist una.
Cele dou tipuri sunt comparate n Tabelul 5.1.
Tabel 8.1. Erori de tip I i II
n realitate
Ipoteza nul este fals
Ipoteza nul este adevrat
Decizia noastr
Respingem ipoteza nul
Acceptm ipoteza nul
Corect
Eroare de tip II
ex: criminalul este nevinovat
Eroare de tip I
Corect
ex: nevinovatul este criminal
77
Unii din factorii care influeneaz probabilitatea producerii erorilor de tipul I sau II privesc
deciziile privind planul de cercetare. Acetia includ selectarea unui eantion deformat, utiliznd
instrumente de colectare a datelor care sunt nevalabile i/sau nesigure, i care vor sfri prin imposibilitatea
de a controla efectul altor variabile.
Tipul I i II de erori pot de asemenea rezulta din folosirea testelor statistice nepotrivite. Dac
folosim un test statistic ce necesit condiii puternice care nu sunt ndeplinite, sau dac utilizm un test care
necesit doar cteva condiii i n realitate sunt ndeplinite condiii pentru un test mai puternic, pot aprea
erori de tipul I sau II. n primul caz datele au fost tratate ca i cnd ar poseda caliti care de fapt le lipsesc,
n ultimul caz, oportunitatea pentru o analiz mai exact nu a fost folosit. Dac nu e folosit testul statistic
potrivit, poate aprea o legtur statistic numai datorit nsuirilor eronate pe care le-am atribuit datelor i
modului n care au fost colectate. Sau s-ar putea ca o legtur adevrat s rmn ascuns.
Niciodat nu putem elimina n totalitate posibilitatea de comitere a erorilor n luarea deciziilor,
deci nici n decizia de a respinge sau nu ipoteza nul. De fapt dac suntem prea prudeni s nu comitem
erori de tipul I (s respingem n mod greit ipoteza nul), crete posibilitatea comiterii tipului II de eroare
(greeala de a nu respinge ipoteza nul). Analog, grija exagerat de a nu comite erori de tipul II duce la
creterea probabilitii de a comite erori de tipul I. Cercettorii trebuie s decid pn la urm care eroare,
de tipul I sau de tipul II, este mai acceptabil pentru ei. Aceasta este o decizie de natur etic ce presupune
cunotine din practica asistenei sociale i despre consecinele uneia sau alteia din erori. Din fericire aa
cum vom prezenta mai departe, exist convenii statistice care s ne ghideze n luarea deciziilor.
ntr-un studiu de cercetare importana acestor erori este, desigur, potenial grav. De exemplu,
profesionitii n asisten social nerecunoscnd c folosirea greit a testului statistic sau a unei erori
metodologice a dus la un rezultat eronat din tipul I, pot concluziona n mod eronat c exist o legtur ntre
o metod particular de tratament i rata mai mare de succes n tratament. Ei pot ajusta accesul la tratament
pe baza acestui fapt. Sau ei pot reaciona la alte rezultate ale cercetrii n care (din anumite motive) a fost
comis eroare de tipul II, i care discrediteaz o metod de tratament n realitate foarte buna, dar care a
aprut c nu face parte dintre tratamentele eficiente. Tipul I i tipul II de erori pot fi la fel de distructive
cnd aplicm rezultatele cercetrii la situaiile practice de asisten social. Amndou ne pot conduce la
concluzii greite, pot face ru clienilor asistai, sau duc la risipirea resurselor limitate ale ageniei.
Chiar dac studiile de cercetare sunt bine planificate i dac noi nelegem i aplicm criteriile de
selecie a testului statistic potrivit, rmne ntotdeauna posibilitatea comiterii unei erori n tragerea
concluziilor intr-o cercetare. ntotdeauna rmne posibilitatea de-a ni se ntmpla ca unul din miliardele de
eantioane posibile s ne conduc la concluzii eronate privind legturile dintre variabile n populaia din
care provine eantionul. Nu putem exclude in totalitate nici existena unor mici erori metodologice care sa
fi introdus deformarea sau existena altor variabile cu impact asupra variabilei cercetate dar ignorate n
planul nostru de cercetare. Aceast vag posibilitate nu trebuie, totui, s ne timoreze n a ne asuma riscuri
rezonabile n interpretarea rezultatelor cercetrii i n aplicarea lor practic. n felul acesta putem face
progrese i putem deveni practicieni cu o baz de cunotine tiinifice.
8.4. Dovezi suficiente i semnificaie

Dac ne ntoarcem la exemplul nostru cu cele dou tipuri de tratamente i la posibila legtur cu
abstinena clienilor alcoolici, putem observa c diferena de procente dintre rata abstinenei pentru grupul
care a primit tratamentul n grup (70%) i rata abstinenei pentru aceia care au primit tratamentul individual
(65%), este de fapt destul de mic. Chiar dac am fi avut 50 de clieni pentru fiecare tratament, muli dintre
noi nu pot spune dac aceste 5 procente (70% - 65% = 5%) diferen pot fi suficiente pentru a respinge
ipoteza nul (ipoteza nul n acest exemplu poate fi aceea c metoda de tratament i efectele nu au legtur
una cu alta). O diferen de 40 procente ntre dou metode de tratament, ne-ar da mai multe sperane n a
obine suport statistic pentru o asemenea ipotez.
Din nefericire, n realitate datele arareori vorbesc att de tranant pentru a putea susine sau
respinge ipoteza nul. Ele de obicei sunt astfel nct avem nevoie de testele statistice care s ne ajute n a
decide dac avem sau nu suport statistic pentru eliminarea ipotezei nule. Pn la ce punct ne putem simi
linitii cnd vrem s respingem ipoteza nul i s susinem c avem suport statistic pentru ipoteza
direcional? Dac ar fi posibil s repetm un studiu de cercetare (numit replicare n terminologia
cercetrii) de 100 sau chiar de 200 de ori i n fiecare studiu clienii tratai n grup ar avea o rat de
abstinen alcoolic mai nalt, am fi mai convini c ipoteza nul poate fi respins. Din nefericire, n
78
cercetarea de asisten social nu prea avem posibilitatea de a repeta studiile de mai multe ori. Astfel c
avem nevoie s obinem nite dovezi palpabile ale improbabilitii ipotezei nule, cu ajutorul unui singur
studiu. De la ce punct putem fi suficient de siguri c o legtur aparent nu poate fi respins n mod
rezonabil, datorit aportului ansei? Aici trebuie s apelm la simul comun i la convenii.
De-a lungul anilor, cele mai multe cercetri au situat la nivelul de 95% certitudine, punctul care
este suficient de nalt pentru a putea avea ncredere n eliminarea ipotezei nule. Altfel spus cercettorii se
vor simi siguri n a concluziona c dou variabile sunt legate (sau n relaie) dac analiza statistica
sugereaz c exist mai puin de 5% procente anse de a face o greeal, prin respingerea ipotezei nule.
Acest nivel de risc n comiterea unei erori de tipul I este acceptabil n majoritatea studiilor de cercetare.
Convenia statistic declar c exist suport pentru o ipotez direcional sau nedirecional, dac
probabilitatea de a face o eroare de tipul I este mai mic dect 5% - se mai utilizeaz i terminologia
echivalent: nivel de semnificaie 0,05 , sau coeficient de risc 0,05, sau nivel de ncredere 0,95. O decizie
care respinge ipoteza nul nu poate elimina definitiv ansa ca explicaie posibil a unei legturi aparente,
dar ea este un argument pentru a putea declara o legtura ca fiind statistic semnificativ.
Nu exist nimic sacru n ceea ce privete nivelul de semnificaie 0,05, dar el este cel mai des
folosit pentru respingerea ipotezei nule. Decizia folosirii i a altor nivele dect cel de 0,05 se justific n
funcie de consecinele care ar rezulta prin luarea unei decizii greite. O cerere de dovezi mai tari, pentru
acceptarea unei legturi ntre variabile, cum ar fi cele de nivel 0,025 sau 0,01, poate fi dorit cnd este
necesar s existe chiar mai puine posibiliti de a grei respingnd ipoteza nul i de a concluziona c
exist o legtur ntre dou variabile, atunci cnd ntmplarea este o explicaie real pentru legtura
observat dintre ele. Dac utilizarea rezultatelor cercetrii poate fi o problem de via i de moarte, aa
cum e n cazul unui nou medicament, este nevoie de un nivel de probabilitate mai nalt i mai mult
precizie n eliminarea ipotezei nule, de exemplu putem folosi nivelul 0,001. Cnd acceptm o legtur la un
nivelul de semnificaie mai mic dect 0,01, spunem c ea este foarte semnificativ statistic. ntr-adevr, n
acest caz, probabilitatea de a respinge ipoteza nul n mod eronat este de numai 1 la 100, adic
probabilitatea ca legtura s fie adevrat este de 99%.
n studiile de cercetare n care importana unei erori n respingerea ipotezei nule nu este fatal sau
traumatic, putem considera c nivelul de semnificaie 0,10 (10% probabilitate de a grei) este acceptabil.
La nivel de semnificaie 0,10 exist de dou ori mai multe posibiliti de a comite o eroare de tipul I (sub
forma erorii de eantionare) dect exist la nivelul 0,05. Cnd se accept un nivel de semnificaie mai mic
dect pragul critic 0,10 spunem ca avem legturi slab semnificative statistic. Pentru confirmarea unei astfel
de legturi se cere ca planul de cercetare s includ replicarea (repetarea cercetrii). Dac un nivel de 0,10
poate fi considerat ca insuficient pentru a dovedi o legtur, un caz tipic sau o serie de cazuri tipice sunt
suficiente pentru a ajunge la concluzia c ipoteza nul poate fi respins.
Dei o anumit flexibilitate este permis n selectarea pragurilor la care ansa este n mod
acceptabil eliminat ca explicaie pentru o legtur aparent, alegerea unui nivel de ncredere nu trebuie
vzut ca i cauzal. Selectarea unui nivel de ncredere trebuie de asemenea s fie fcut nainte ca
informaiile s fie colectate. Nu ar fi etic s schimbm nivelul de ncredere dup aceea, deoarece deciziile
ar fi interpretate ca un efort manipulator pentru a ntoarce rezultatele n favoarea sprijinirii concluziilor
cercetrii.
8.5. Relaii statistic semnificative i rezultate substaniale

Cuvntul semnificativ este larg utilizat si totodat foarte vag n profesia noastr. l folosim deseori
pentru a accentua importana a ceva, ca de exemplu contribuia semnificativ a unui asistent social la
autorizarea plii notelor de plat sau pe rol de evoluii semnificative n dezvoltarea respectului de sine la
clieni. Cu alte cuvinte l folosim zilnic, ca o valoare, de aceea este bine s aezm alturi de nelesul lui
semnificativ utilizat n mod obinuit, i ceea ce el nseamn n statistic. Semnificaia statistic este o
demonstraie, prin procedeul testrii statistice, care elimin ipoteza nul ntr-un mod sigur, i art
c exist o legtur real ntre variabile. O legtur ntre dou variabile care este declarat a fi statistic
semnificativ este atunci cnd suntem n mare msur siguri (95%, n cele mai multe cazuri) c ea nu poate
fi datorat ansei sau erorii de eantionare. n statistic exist doar un singur neles relevant al cuvntului
semnificativ sau semnificaie; trebuie s fim ateni n folosirea termenilor numai n acest sens.
O legtur statistic semnificativ ntre variabile poate sau nu sugera un rezultat ntr-adevr
important al cercetrii. Trebuie s fim ateni la evaluarea fiecrei legturi cu suport statistic, n contextul
79
ntrebrii, Ei i ce ?! n practica de asisten social, nu orice legtur statistic semnificativ este un

rezultat ce necesit o implementare real. In realitate pot exista legturi statistic semnificative care sunt
judecate ca fiind nesemnificative n sens absolut.
Un exemplu ne poate ajuta s ilustrm aceast distincie. Un asistent social care a condus un studiu
de cercetare pentru a determina care tip de abordare (A sau B) produce rezultate mai bune la clienii care
apeleaz la serviciile de consiliere familial. El demonstreaz c scorul mediu de 53 puncte obinut de
cuplurile care au primit Tratamentul A este suficient de diferit fa de scorul mediu de 57 a cuplurilor ce au
primit Tratamentul B. Asistentul social poate dovedi empiric ca ipoteza nul ne se susine i
concluzioneaz c exist o legtur statistic semnificativ ntre tipul de tratament i aranjamentul marital.
Dar dup o privire mai atent, el concluzioneaz c rezultatele nu sunt relevante, pentru c o diferen de
numai patru puncte (57-53) este prea mic. Aceast diferen nu este n mod sigur ndeajuns de mare pentru
a justifica trimiterea ctorva membrii ai personalului la un program costisitor de nvare i deprindere a
Tratamentului B. Bazndu-se pe lipsa cunoaterii a ceea ce poate fi interpretat ca un rezultat substanial (o
diferen banal de patru puncte) supervizorul decide s nu implementeze rezultatele.
Existena unei legturi statistic semnificative ntre variabile poate fi determinat prin testare
statistic pe baza legilor probabilitii. Dup aceea trebuie determinat dac un rezultat este suficient de
substanial sau nu. Aceast decizie cere o bun nelegere a mai multor aspecte diferite din practica
asistenei sociale.

1.
2.
3.
4.
5.
6.
7.
8.
nainte de a pretinde c exist o legtur real ntre variabile, care sunt cele trei explicaii concurente
care trebuie eliminate ?
Care dintre explicaiile concurente necesit aportul statisticii ca s fie respinse ?
Care explicaii concurente trebuie s fie controlate la nceputul planului de cercetare?
Care sunt ceilali patru termeni pentru ans folosii n domeniul testrii ipotezelor?
Care este diferena dintre o eroare de tipul I i una de tipul II ?
Care este forma nul a unei afirmaii pentru o legtur ntre vrst si preferina politic?
Care este legtura dintre ipoteza nul i ans n testarea ipotezei ?
In ce condiii se folosesc alte nivele de semnificaie dect convenionalul 0,05 ?

Care nivel de semnificaie 0,01 sau 0,10 sugereaz o probabilitate mai mare de existen a unei legturi
reale ntre variabile ?
80
Modul 9
Asocierea
9.1. Ce caut s determine asocierea
Aa cum am discutat anterior, toate testele statistice ncearc s elimine ansa ca explicaie pentru
o legtur aparent ntre dou sau mai multe variabile. Cu asocierea, spectrul ansei are anumite
caracteristici. Dac spre exemplu, am cuta s gsim o legtur ntre o variabil dependent ca succesul
tratamentului clientului (succes/eec) i o variabil independent asemenea tipului de tratament (de
grup/individual) pentru urmrirea evalurii unui program de consiliere n privina alcoolismului, ansa ar
putea juca rolul scepticului. Ipoteza nul spune c nu exist nici o legtur ntre cele dou variabile: dac
clienii s-au abinut de la alcool pentru o perioad de timp (succes) sau nu s-au abinut (eec) i dac au
primit tratamentul de grup sau individual. Ocazional poate aprea c acei clieni care s-au abinut au fost n
general cei care au primit tratamentul individual sau viceversa. Totui, n concordan cu ipoteza nul,
aceast aparent legtur dintre cele dintre dou variabile poate fi explicat i de variaiile normale ale
caracteristicilor ntlnite n eantionul mic pe care s-a lucrat (fa de populaia tuturor alcoolicilor). Ar
putea fi doar rezultatul erorii de eantionare. Ipoteza nul trebuie s susin c nu exista o legtur real
ntre dou variabile dintr-o populaie.
Putem pretinde existena unei legturi reale ntre dou variabile doar dac putem demonstra c
legtura observat dintre ele este improbabil s se fi datorat ansei, i deci orice persoan rezonabil va
elimina ntmplarea (i firete factorii de deformare i alte variabile) ca explicaie improbabil.
Asocierea ncearc s determine dac exist o legtur adevrat ntre dou variabile, examinnd
n ce msur valorile specifice unei variabile sunt asociate cu valorile specifice ale celei de a doua
variabile, ntr-un grad de probabilitate suficient de mare ca aceasta s nu fie doar efectul erorii de
eantionare.
Cnd folosim asocierea nu suntem att de ambiioi ca s sugerm c o variabil poate fi cauza
variaiei celeilalte variabile. Putem doar afirma, n cel mai bun caz, c exist un anumit tip de legtur
(patern). Testele de asociere sunt folosite cnd dorim s tim dac aceste legturi sunt suficient de puternice
i consistente pentru a elimina ansa (ntmplarea) ca o explicaie a legturii observate.
Analiza asocierii este una dintre cele mai simple ci pentru a determina dac exist o legtur
adevrat ntre dou variabile. Exemplul care urmeaz ilustreaz modul n care asocierea este folosit n
examinarea eficacitii relative a tratamentului de grup fa de tratamentul individual la clienii care au fost
tratai pentru alcoolism ntr-un centru nonguvernamental de tratament. Pentru a face aceasta, un grup de
clieni care au primit tratamentul n grup sunt comparai direct cu un grup de clieni care au primit
tratamentul individual.
9.2. Tabele de asociere

Pentru a nelege procedeul asocierii este util s ncepem cu un tabel care este asemntor
Tabelului 9.1 sau Tabelului 9.2 . Tabelele au multe nume: tabele de asociere, tabele hi-ptrat sau tabele de
contingen. n continuare ne vom referi la ele ca tabele de asociere. n ultima coloan din dreapta
Tabelului 9.1 i Tabelului 9.2, sunt totalurile (frecvenele) pentru fiecare rnd introdus. Totalurile pe
coloane sunt introduse n linia de jos. Aceste totaluri de pe rnduri i coloane sunt denumite frecvene
marginale. Ele indic numrul total de cazuri care au fost observate avnd o anumit valoare pentru una
din variabilele - aceste sunt: tratament n grup, tratament individual, succes sau eec. Totalul general,
numrul total de cazuri (N), este introdus n colul din dreapta-jos. Suma totalurilor de pe ultima coloana i
de pe ultimul rnd sunt egale, i egale cu numrul total de cazuri.
Aa cum se vede, Tabelul 9.1 conine dou variabile dihotomice (cu dou categorii), tipul de
tratament i succesul clientului. Clienii difer dup tipul de tratament pe care l-au primit (variabila
independent) i pot varia datorit succesului (variabila dependent). Este, desigur, posibil a avea variabile
cu mai mult de dou categorii. Tabelul de asociere va avea atunci mai multe rnduri i coloane i, firesc,
81
mai multe celule. Frecvenele din interiorul tabelului de asociere, notate in Tabelul 9.1 cu a, b, c i d, poart
numele de frecvene celulare.
Tabelul 9.1 Tabel de asociere pentru succesul in abinerea de la alcool si tipul de tratament
Succes?
Tip de tratament
Tratament n grup
Tratament individual
Total
Da
a
c
a+c
Nu
b
d
b+d
Total
a+b
c+d
N
Categoriile variabilelor din tabelul de asociere pot fi puse n orice ordine, deoarece ele sunt de
nivel nominal, neexistnd o ordonare dup rang sau alte diferene cantitative. Matematic, este posibil s
folosim analiza tabelelor de asociere cu variabile de nivel ordinar, interval sau raport. Totui, folosind
tabelele de asociere cu variabile de nivel ordinal sau interval, acestea nu vor putea profita de avantajele pe
care le ofer precizia de msurare a acestor variabile. Valorile, n aceste cazuri, sunt tratate fr s se in
cont de diferenele cantitative pe care le reflect, ca i cum ele ar reprezenta doar diferene calitative.
Tabelele de asociere prezint de obicei frecvenele pentru o variabil independent i pentru una
dependent. n acest capitol, n toate tabelele, variabila dependent va fi dispus pe coloane, iar variabila
independent va fi dispus pe linii. Aceasta nu reprezint o lege, de aceea unele studii folosesc aezarea
invers. De fapt, n orice studiu de cercetare, n momentul calculului, indicatorul de asociere este orb n
ceea ce privete care dintre variabile este cea independent i cea dependent. Asocierea examineaz numai
dac exist legturi ntre cele dou variabile. Sunt situaii cnd nici una dintre variabile nu este clar
dependent sau independent. Ele sunt doar dou variabile, a cror legtur dorim s o studiem. Indicatorul
hi-ptrat este, de asemenea, potrivit pentru acest tip de situaii.
Frecvene observate
Tabelul 9.2 prezint rezultatele actuale sau observate, rezultate din studiul nostru ipotetic asupra
celor dou metode de tratament. Datele din cele patru celule ale Tabelului 9.2 reprezint numrul observat de
clieni care au realizat fiecare combinaie de valori corespunztoare pentru cele dou variabile. Putem
observa c au existat n total 100 de clieni (N), dintre care 60 au primit tratamentul n grup (a+b) i 40 au
primit tratamentul individual (c+d). Cincizeci i cinci au avut succes, n timp ce 45 au avut insucces. n plus,
printre cei 60 care au primit tratamentul n grup, 40 de clieni au avut succes (celula a) i 20 de clieni au
avut insucces (celula b). Printre clienii care au primit tratamentul individual, 15 au fost considerai ca avnd
succes (celula c) i 25 ca avnd insucces (celula d).
Tabel 9.2 Numrul de succese observate, dup tipul de tratament
Succes?
Tip de tratament
Da
Nu
Tratament n grup
40
20
15
25
Total
55
45
Total
60
40
100
n exemplul nostru avem nevoie s comparm clienii care au primit tratamentul n grup cu aceia
care au primit tratamentul individual, n ceea ce privete rezultatele lor. O astfel de comparaie este relativ
greu de observat n Tabelul 9.2 pentru c cele dou tipuri de tratament au numere diferite de clieni (60 i
40). Evident c pe cei 40 de clieni care au avut ca rezultat succesul cu tratamentul n grup (celula a), nu-i
putem compara direct cu cei 15 clieni care au avut ca rezultat succesul, dar pe baza tratamentului
individual (celula c) i astfel nu putem concluziona c tratamentul n grup este cea mai bun metod de
tratament doar pentru c numrul 40 este mai mare dect 15. n ciuda diferenei dintre numrul de cazuri n
cele dou grupuri, este posibil s facem o ncercare de comparare ntre cele dou tipuri de tratament, prin
82
calcularea procentelor. De exemplu, putem afla ce procentaj reprezint 40 de clieni din 60 de clieni i ce
procentaj reprezint 15 clieni din 40 de clieni. Tabelul 9.3 este un tabel de asociere cu procentaje pentru
datele observate n Tabelul 9.2. El arat c 66,7 procente ale clienilor care au primit tratamentul n grup au
avut ca rezultat succesul, comparativ cu 37,5 procente ale acelor clieni care au primit tratamentul
individual. Variabilele tipul de tratament primit i succesul clienilor ar putea fi deci legate. Dac
procentajele (celula a i celula c) ar fi identice, cele dou variabile, n mod sigur, nu ar fi legate. Pn la
acest punct, nu putem ns exclude ntmplarea ca explicaie a legturii aparente dintre variabile.
Dei cele dou variabile par s fie ntructva legate, totui s-ar putea spune c ele nu sunt prea
mult legate. Argumentul ar consta n faptul c 29,2 procente diferen (66,7 procente - 37,5 procente =
29,2 procente) nu este foarte mult i s-ar putea ca faptul de a fi legate este doar un rezultat al erorii de
eantionare. Aa s fie? Multe dintre raionamentele statistice sunt preocupate s ne ajute s decidem ct de
mare trebuie s fie diferena pentru a putea elimina ansa ca explicaie posibil a unei legturi aparente
ntre variabile.
Tabel 9.3 Procentul succeselor observate, dup tipul de tratament
(din tabelul 9.2)
Succes?
Tip de tratament
Da
Nu
Total
Tratament n grup
66.7
33.3
100.0
37.5
62.5
100.0
Tratament n grup
=
Celula a: 40 / 60 = 66.7%
Celula b: 20 / 60 = 33.3%
100%
=
Celula c: 15 / 40 = 37.5%
=
Celula d: 25 / 40 = 62.5%
100%
Frecvenele ateptate
Ct de mare ar trebui s fie diferena ntre procente pentru ca ansa s fie o explicaie improbabil?
Putem rspunde la aceast ntrebare prin concentrarea asupra a ct de mult difer frecvenele observate fa
de acele frecvene pe care noi ne ateptm s le gsim mai frecvent, dac ipoteza nul ar fi adevrat acestea sunt frecvenele ateptate.
S ne ntoarcem la Tabelul 9.2 i s ne concentrm doar asupra frecvenelor marginale. Din totalul
de 100 de clieni, 55 sau 55 % au avut ca rezultat succesul. Dac tipul de tratament nu este legat de succesul
clientului, ar trebui s ne ateptm ca aproximativ 55 de procente din totalul clienilor s aib succes,
indiferent de tipul de tratament aplicat. Dei rezultatele dintr-un eantion particular nu vor iei exact n
acest mod, foarte adesea, ntr-un numr mare de eantioane dintr-o populaie n care ipoteza nul este
adevrat (variabilele n mod sigur sunt nelegate), vom gsi rezultatul mediu al tuturor eantioanelor;
adic proporia medie de aproximativ de 55 %.
Putem construi un tabel al frecvenelor ateptate presupunnd c ipoteza nul ar fi adevrat,
asemntor Tabelului 9.4 . Pentru a calcula frecvena ateptat dintr-o celul, se ia totalul pe coloan, se
nmulete cu totalul de pe linie pentru acea celul i apoi se mparte rezultatul la numrul total de cazuri
(n). Adic:
fe
l *c
n
unde:
fe = Frecvena ateptat ntr-o celul particular
l = Totalul pe linia celulei
c = Totalul pe coloana celulei
n = Numrul total de cazuri
83
nlocuind valorile vom gsi:

celula a: fe = (60) (55)
100
celula b: fe = (60) (45)
100
celula c: fe = (40) (55)
100
celula d: fe = (40) (45)
100
Totalul frecvenelor ateptate
= 33
= 27
= 22
= 18
= 100
Tabelul 9.4. Numrul i procentul succeselor ateptate, dup tipul de tratament

Succes?
Tip de tratament
Da
Nu
Numr Procent
Numr Procent
Tratament n grup
33
55%
27
45%
22
55%
18
45%
Total
55
45
Total
Numr Procent
50
100%
150
100%
100
Tabelul 9.5. Diferena dintre frecvenele observate i cele ateptate.

Numr de succese, dup tipul tratamentului (din Tabelele 9.2 i 9.4)
Observate
Ateptate
=
Diferene
Celule
(Tabelul 9.2)
-(Tabelul 9.4)
=
(Tabelul 9.5)
Celula a
40
33
=
+7
Celula b
20
27
=
-7
Celula c
15
22
=
-7
Celula d
25
18
=
+7
Total
100
100
=
0
Succes?
Tip de tratament
Da
Nu
Total
Tratament n grup
+7
-7
0
-7
+7
0
Total
0
0
0
Diferena dintre frecvenele observate i frecvenele ateptate
Tabelul pentru frecvenele observate este acum comparat cu tabelul frecvenelor ateptate. Aceasta
nseamn c vom examina mai ndeaproape diferenele dintre frecvenele observate (Tabelul 9.3) i
frecvenele ateptate (Tabelul 9.4) pentru fiecare celul. Tabelul 9.5 prezint diferenele matematice ntre
frecvenele observate i frecvenele ateptate din exemplul nostru.
Indicatorul statistic hi-ptrat
Ar fi nevoie acum de un indicator unic al diferenelor prezentate n Tabelul 9.5. Simpla adunare a
diferenelor pentru toate celulele nu este util pentru c va fi ntotdeauna zero. Un indicator mai bun poate
rezulta prin ridicarea la ptrat a diferenelor din fiecare celul, mprirea acestor ptrate la valoarea
ateptat pentru fiecare celul i adunarea rezultatelor pentru toate celulele. Numrul care rezult este numit
valoarea hi-ptrat, reprezentat de litera din alfabetul grec
exprima aceasta cu formula:
( fo f e )2

fe
2
(hi) cu semnul ridicrii la ptrat. Putem

A
84
unde:
2= Valoarea hi-ptrat
fo = Frecvena observat
fe = Frecvena ateptat
= Suma (tuturor celulelor)

nlocuind literele cu valori gsim:
(40 33) 2 (20 27) 2 (15 22) 2 (25 18) 2
... 8,2
33
27
22
18
(+7) 2 + (-7) 2 + (-7) 2 + (+7) 2

33
27
22
18
= (49) / 33 + (49) / 27 + (49) / 22 + (49) / 18
=
1,5
+ 1,8
+
2,2 +
2,7
=
8,2 (valoarea lui hi-ptrat)
... =
Valorile indicatorului statistic 2 al tuturor eantioanelor posibile se distribuie dup o curb

matematic bine cunoscut, cu urmtoarele proprieti: i) este pozitiv asimetric, ii) are originea n 0 (zero),
din cauza ridicrii la ptrat i iii) e o familie de curbe a cror form depinde de mrimea tabelului de
asociere.
Observaie. Dac tabelul de asociere are doar patru celule (2x2) aa cum este cazul n exemplul
nostru, trebuie s mai scdem 0,5 din diferena dintre frecvenele observate i cele ateptate pentru fiecare
celul nainte de ridicarea la ptrat (acesta este Factorul de corecie al lui Yates in SPSS Continuity
Corection). Dar de dragul simplificrii i pentru a prezenta formula obinuit, exemplul nostru nu a mai
efectuat aceast scdere.
Grade de libertate
nainte s putem utiliza un tabel de asociere pentru calculul lui hi-ptrat, pentru a determina dac
exist o asociere statistic semnificativ ntre cele dou variabile, avem nevoie s nelegem conceptul de
grade de libertate. Probabilitatea obinerii unei valori hi-ptrat mari este afectat de mrimea tabelului de
asociere pe baza cruia este calculat. Mrimea se refer aici la numrul de coloane i de linii (adic
numrul total de celule) din tabel. Cu ct tabelul este mai mare, cu att este mai probabil s avem o valoare
mai mare al lui hi-ptrat. Aceasta reiese evident din faptul c valoarea hi-ptrat este suma cifrelor derivate
din fiecare dintre celule. Cu ct sunt mai multe celule ntr-un tabel, cu att vor fi mai multe cifre care
adunate, vor crete valoarea lui hi-ptrat.
Fiecare valoare hi-ptrat trebuie s fie evaluat innd cont de dimensiunea tabelului, exprimat n termeni
de grade de libertate. Numrul de grade de libertate pentru un tabel de asociere este egal cu numrul de linii
minus unu, nmulit cu numrul de coloanelor minus unu. Putem scrie aceast formul astfel:
df = (l-1) (c-1)
unde:
df = grade de libertate
l = numrul de linii
c = numrul de coloane
nlocuind literele cu valorile din exemplul nostru, gsim:
df = (2-1) (2-1)
= (1) (1)
= 1 (grade de libertate)
ntr-adevr, Tabelul 9.2 are un singur grad de libertate, aa cum au toate tabelele formate din dou
linii i dou coloane.
Gradele de libertate exprim cte frecvene celulare pot fi schimbate n mod liber pstrndu-se neschimbate
toate frecvenele marginale.
Determinarea probabilitii
Pentru a determina dac valoarea lui hi-ptrat pentru un tabel de asociere dat sugereaz sau nu o
asociere statistic semnificativ ntre variabile, trebuie s gsim n primul rnd linia care corespunde
85
gradelor de libertate al tabelului de asociere n Tabelul 9.6. Cele ase valori din fiecare linie a Tabelului 9.6
sunt valori hi-ptrat care au probabilitatea indicat n capul de tabel al coloanelor respective. Vom citi n
dreptul liniei pentru a gsi unde cade valoarea noastr hi-ptrat. Dac numrul exact nu apare, vom
considera numrul din stnga locului unde ar cdea valoarea lui hi-ptrat. Dup aceea ne vom deplasa la
vrful coloanei i vom gsi probabilitatea asociat lui.
Dac, de exemplu, fixm nivelul de probabilitate P la 0,95 - ceea ce corespunde unui nivel de semnificaie
p de 0,05 - vom ti c dac respingem ipoteza nul, probabilitatea statistic de a comite o eroare de tipul I
este mai mic dect 5 din 100.
n exemplul nostru, valoarea obinut pentru hi-ptrat este de 8,2, cu un grad de libertate. Lum
valoarea lui hi-ptrat de 8,2 i gsim cele dou valori din prima linie a Tabelului 9.6 ntre care se gsete
aceast valoare. Valoarea noastr hi-ptrat, 8,2 este localizat ntre valorile 6,64 i 10,83. Astfel, dac
ipoteza noastr a fost direcional, adic clienii care primesc tratamentul n grup au o rat statistic
semnificativ mai nalt de succes dect clienii care primesc tratamentul individual, putem spune c dac
respingem ipoteza nul, exist o probabilitate de doar 0,005 de a face o eroare de tipul I (doar 5 dintr-o
mie). Pe scurt, ipoteza noastr direcional poate fi considerat ca avnd suport statistic, deoarece 0,005
este mult mai mic dect convenionalul 0,05. Pe de alt parte, dac ipoteza noastr ar fi fost nedirecional,
putem nc considera c avem suport statistic pentru ea, pentru c probabilitatea corespunztoare este tot
mai mic dect 0,01, care este mai mic dect convenionalul 0,05 .
Tabelul 9.6 Valori critice pentru hi-ptrat
Nivel de semnificaie pentru un test direcional
.10
.05
.025
.01
Nivel de semnificaie pentru un test nedirecional
df
.20
.10
.05
.02
1
1.64
2.71
3.84
5.41
2
3.22
4.60
5.99
7.82
3
4.64
6.25
7.82
9.84
4
5.99
7.78
9.49
11.67
5
7.29
9.24
11.07
13.39
.005
.0005
.01
6.64
9.21
11.34
13.28
15.09
.001
10.83
13.82
16.27
18.46
20.52
6
7
8
9
10
8.56
9.80
11.03
12.24
13.44
10.64
12.02
13.36
14.68
15.99
12.59
14.07
15.51
16.92
18.31
15.03
16.62
18.17
19.68
21.16
16.81
18.48
20.09
21.67
23.21
22.46
24.32
26.12
27.88
29.59
11
12
13
14
15
14.63
15.81
16.98
18.15
19.31
17.28
18.55
19.81
21.06
22.31
19.68
21.03
22.36
23.68
25.00
22.62
24.05
25.47
26.87
28.26
24.72
26.22
27.69
29.14
30.58
31.26
32.91
34.53
36.12
37.70
16
17
18
19
20
20.46
21.62
22.76
23.90
25.04
23.54
24.77
25.99
27.20
28.41
26.30
27.59
28.87
30.14
31.41
29.63
31.00
32.35
33.69
35.02
32.00
33.41
34.80
36.19
37.57
39.29
40.75
42.31
43.82
45.32
21
22
23
24
25
26.17
27.30
28.43
29.55
30.68
29.62
30.81
32.01
33.20
34.38
32.67
33.92
35.17
36.42
37.65
36.34
37.66
38.97
40.27
41.57
38.93
40.29
41.64
42.98
44.31
46.80
48.27
49.73
51.18
52.62
26
26
31.80
31.80
35.56
35.56
38.88
38.88
42.86
42.86
45.64
45.64
54.05
54.05
86
27
28
29
30
32.91
34.03
35.14
36.25
36.74
37.92
39.09
40.26
40.11
41.34
42.69
43.77
44.14
45.42
46.69
47.96
46.96
48.28
49.59
50.89
55.48
56.89
58.30
59.70
32
34
36
38
40
38.47
40.68
42.88
45.08
47.27
42.59
44.90
47.21
49.51
51.81
46.19
48.60
51.00
53.38
55.76
50.49
53.00
55.49
57.97
60.44
53.49
56.06
58.62
61.16
63.69
62.49
65.25
67.99
70.70
73.40
44
51.64
56.37
60.48
65.34
68.71
78.75
48
55.99
60.91
65.17
70.20
73.68
84.04
52
60.33
65.42
69.83
75.02
78.62
89.27
56
64.66
69.92
74.47
79.82
83.51
94.46
60
68.97
74.40
79.08
84.58
88.38
99.61
Valoarea hi2 este semnificativ dac ea este mai mare sau egal cu valoarea listat n tabel
S inem minte c trebuie s folosim valoarea din stnga valorii calculate a lui hi-ptrat pentru a
determina corect nivelul probabilitii. De exemplu, avem nevoie s gsim o valoare hi-ptrat la cel puin
2,71, cu un grad de libertate, pentru ca o ipotez direcional s fie susinut la un nivel obinuit de
semnificaie de 0,05.
Prezentarea rezultatelor unei analize de asociere
Prezentarea rezultatelor noastre obinute n urma unei analize de asociere, este relativ simpl. n
primul rnd, vom prezenta tabelul de asociere cu frecvenele observate (att cele absolute, ct i cele
procentuale). Frecvenele observate procentuale trebuiesc calculate prin raportare la frecvenele marginale
ale variabilei considerate independente. Dup aceea plasm la sfritul tabelului valoarea hi-ptrat (2),
gradele de libertate (df), nivelul de semnificaie (p) asociat valorii calculate a lui hi-ptrat, i poziia fa de
nivelul critic (0.05, sau 0. 01, sau 0.10, dup caz). In exemplul nostru, aceste trei elemente de informaie
vor fi scrise astfel:
2 = 8,2; df = 1 ; p < 0,005
Tabelele 9.7; 9.8; 9.11 i 9.12 sunt exemple de prezentare a analizei de asociere.
Observaii
In SPSS in loc de notaia p pentru nivelul de semnificaie se folosete Sig.
Pe lng valoarea 2 SPSS afieaz in tabelele rezultat i ali indicatori derivai din acesta -cum ar
fi Coeficientul (phi) sau Coeficientul V al lui Cramer - care prezint avantajul c au limite fixe de
variaie (ntre 0 i 1), ceea ce ne permite s i interpretm i n termeni de indicatori de intensitate ai
asocierii (vezi i Rotariu i colaboratorii 2006, p.127 i p.135). n formula coeficientului V, s* este minimul
valorii dintre numrul de linii i numrul de coloane. Coeficientul se utilizeaz pentru tabelele 2x2 , iar V
pentru tabelele de dimensiuni mai mari.
2
n
2
n ( s * 1)
87
9.3. Cnd s nu utilizm asocierea

Analiza hi-ptrat poate s ne fie foarte folositoare. Totui, ea poate fi greit neleas.
Probabilitatea indicat poate s nu fie prea adecvat n cazul n care frecvenele ateptate din cteva celule
ale tabelului de asociere sunt mici. Exist trei situaii n care procedeul tabelelor de asociere nu poate fi
folosit:
1.
Cnd ntr-un tabel cu dou linii i dou coloane (patru celule), una sau mai multe celule au valoarea
ateptat mai sczut dect 5.
2.
Cnd ntr-un tabel cu mai mult dect dou linii i dou coloane, exist mai mult de 20% din celule care
au valori ateptate mai mici dect 5.
Cnd ntr-un tabel cu mai mult dect dou linii i dou coloane, exist celule cu frecvene observate
nule (0).
O verificare rapid dac sunt probleme cu valorile ateptate prea mici, ntr-un tabel de asociere
poate fi realizat prin localizarea celulei cu valoarea ateptat cea mai mic. Pentru a face aceasta, se
localizeaz linia i coloana cu cele mai mici totaluri. Celula cu cea mai mic valoare se afl la intersecia
liniei i coloanei localizate. Dup aceea, valoarea ateptat a celulei este determinat cu formula (L) (C) /
(N). Dac frecvena ateptat este 5 sau mai mult, este permis folosirea analizei tabelului de asociere.
Dac ea este mai mic dect 5, poate fi necesar s combinm anumite celulele ntre ele (prin grupare),
astfel nct criteriul pentru folosirea lui hi-ptrat s poat fi ndeplinit; sau se poate folosi un alt test statistic
(vezi ultimul capitol). Desigur, un tabel 2 x 2 (dou linii i dou coloane) nu poate fi grupat.
3.
Volumul eantionului
n general, cu ct avem un eantion mai mare, cu att avem mai multe anse s respingem ipoteza
nul. Cu ct este mai mare dimensiunea eantionului, cu att este mai puternic testul. (Acesta este valabil
pentru orice test statistic) De fapt, cu un eantion foarte mare este extrem de probabil ca ipoteza nul s fie
respins, chiar dac diferena absolut dintre frecvenele ateptate i cele observate din fiecare celul este
suficient de mic. Cnd oamenii interpreteaz un tabel de asociere, sunt adesea indui n eroare de valoarea
lui hi-ptrat i de nivelul de probabilitate rezultat, mai ales dac nu urmresc cu atenie volumul
eantionului (N). Trebuie ntotdeauna s avem n minte c o valoare hi-ptrat i nivelul de probabilitate sunt
legate direct de dimensiunea eantionului pe baza cruia sunt calculate.
Cele prezentate anterior pot prea greu de neles, dar un acelai tabel de asociere poate prezenta o
legtur statistic important ntre dou variabile (via indicatorul statistic hi-ptrat) sau - credei sau nu - el
poate descrie o legtur slab, dar statistic semnificativ. Pe scurt, putem aproape ntotdeauna avea o
valoare hi-ptrat statistic semnificativ - interesnd mai puin magnitudinea legturilor dintre dou variabile
- dac eantionul este suficient de mare. Astfel, trebuie ntotdeauna s privim la ceea ce nseamn legtura nu doar nivelul de semnificaie statistic (p) al valorii hi-ptrat. Aceasta este legat de discuia noastr
dintr-un capitol anterior n care am fcut distincie ntre: (1) legturi statistic semnificative ntre variabile i
(2) rezultate substaniale.
O continuare a exemplului nostru va clarifica cele afirmate. S presupunem c ntr-un alt studiu,
200 de clieni au primit tratament n cadrul programului de tratare a alcoolicilor. Rezultatul studiului poate
fi asemenea celui prezentat n Tabelul 9.7. Aa cum poate fi observat din acest tabel, p este mai mare dect
0,20 doar dac direcia legturii nu a fost precizat i mai mare dect 0,10; dac s-a specificat direcia n
prealabil (vezi Tabelul 9.6). Cu alte cuvinte, noi am putea s nu avem suport statistic suficient la nivelul
0,05 pentru a fi capabili s respingem ipoteza nul.
88
Tabelul 9.7 Testul hi2, numrul i procentul succeselor observate, dup tipul de tratament
pentru un eantion de 200 clieni
Succes?
Tip de tratament
Da
Nu
Total
Numr Procent
Numr Procent
Numr Procent
Tratament n grup
30
60.0%
20
40.0%
50
100%
80
53.3%
70
46.7%
150
100%
Total
110
90
200
2 = 0,672, df = 1 ; p > 0,20 (fr predicia direciei)
Acum s presupunem c avem nu doar 200 de clieni, aa ca n Tabelul 9.7 ci de zece ori mai muli
- 2000, iar proporia celor 2000 clieni n toate celulele este exact aceeai ca i n cazul eantionului
anterior, prezentat n Tabelul 9.7. Rezultatele se gsesc n Tabelul 9.8.
O privire atent asupra Tabelelor 9.7 i 9.8 va arta c frecvenele observate n ambele tabele sunt
absolut proporionale una fa de cealalt, dar diferena ntre valorile fiecrui hi-ptrat i nivelele de
probabilitate este foarte mare. Frecvenele observate n Tabelul 9.7 nu sunt statistic semnificative, n timp
ce frecvenele observate n Tabelul 9.8 sunt statistic semnificative (la nivelul 0,01 pentru o ipotez
nedirecional i la nivelul 0,005 pentru o ipotez direcional). Dac am fi folosit 20000 clieni valoarea
hi-ptrat ar fi fost de 67,2; dac am fi folosit 200000 clieni, hi-ptrat ar fi devenit 672 i aa mai departe. i
totui, cele dou tabele 9.7 i 9.8 sunt aproape identice, singurul lucru care le difereniaz este numrul de
cazuri pe care le-am folosit pentru calcularea celor dou mrimi hi-ptrat.
pentru un eantion de 2000 de clieni
Succes?
Tip de tratament
Da
Nu
Total
Numr Procent
Numr Procent
Numr Procent
Tratament n grup
300
60.0%
200
40.0%
500
100%
800
53.3%
700
46.7%
1500
100%
Total
1100
900
2000
2 = 6,72, df = 1 ; p < 0,01 (fr predicia direciei)
9.4. Asocierea cu trei sau mai multe variabile

De obicei ne concentrm atenia mai nti pe legturile dintre dou variabile. Totui, trebuie s
avem n vedere c o a treia variabil poate, ntr-un anumit fel, explica legtura aparent. n exemplul pe
care-l vom folosi, ncepem n primul rnd cu legtura dintre cele dou variabile: tipul de tratament i
succesul clientului. Este posibil ca o a treia variabil, nivelul motivaiei clientului naintea intrrii la
tratament, care nu a fost controlat metodologic, s poate explica aparenta legtur ntre variabila
dependent i cea ndependent. Va trebui s o reverificm pentru a avea o imagine mai bun asupra
legturii adevrate dintre tipul de tratament i succes. A treia variabil, motivaia clientului, se numete
variabil de control.
O modalitate de explorare a efectului celei de-a treia variabile este de a mpri clienii notri dup
categoriile celei de-a treia variabile i de a examina legtura dintre variabilele principale, controlndu-le
astfel prin prisma celei de-a treia variabile. n exemplu nostru, vom mpri eantionul n dou subcategorii: cu motivaie nalt pentru tratament i cu motivaie sczut pentru tratament. Vom construi dup
aceea dou tabele separate, pentru a urmri legtura dintre variabilele noastre, tipul de tratament i succesul
clientului. Rezultatul poate aprea ca n Tabelul 9.9 (motivaie nalt pentru tratament) i Tabelul 9.10
(motivaie sczut pentru tratament). Legtura dintre tipul de tratament i rezultatul clientului aproape c a
disprut, aa cum putem vedea examinnd diferenele dintre frecvenele observate i cele ateptate n
celulele respective (ele sunt aproape zero). Astfel, controlnd motivaia clienilor pentru tratament, legtura
aparent dintre variabilele dependent i independent nu mai are suport statistic. Este foarte probabil ca
legtura observat dintre variabila dependent i cea independent s nu fi fost una real, ci una neltoare
89
(spurious in limba englez). Legtura dintre tipul de tratament i succes a putut apare pentru c motivaia
este asociat cu ambele variabile din ipotez: cu succesul (pentru c o motivaie ridicat influeneaz direct
rata succesului) pe de o parte, i cu metoda de tratament (pentru c subiecii nalt motivai au perseverat
mai mult n a participa la edinele de terapie n grup) pe de alt parte.
pentru subeantionul clienilor cu o motivaie nalt (N = 70)
Succes?
Tip de tratament Da
Nu
Total
Numr Procent
Numr Procent
Numr Procent
Tratament n grup
22
55.0%
18
45.0%
40
100%
16
53.3%
14
46.7%
30
100%
Total
38
32
70
df = 1 ; p > 0,20 (pentru un test nedirecional)
pentru subeantionul clienilor cu o motivaie sczut (N = 30)
Succes?
Tip de tratament
Da
Nu
Total
Numr Procent
Numr Procent
Numr Procent
Tratament n grup
11
55%
9
45%
20
100%
6
60%
4
40%
10
100%
Total
17
13
30
2 = 0,68, df = 1 ; p > 0,20 (pentru un test nedirecional)
Nu ntotdeauna o relaie iniial confirmat statistic dispare pentru c ea ar fi neltoare. Atunci
cnd cea de a 3-a variabil introdus n analiz se situeaz ntre variabila independent i cea dependent n
sensul c variabla independent influeneaz de fapt variabila de control, iar aceasta la rndul ei este cea
care influeneaz variabila dependent, avem de a face cu variabil nnbuit (se mai numete i latent).
De exmplu am putea controla legtura observat dintre metoda de tratament i succes dup timpul petrecut
n edinte de terapie. N-ar fi de mirare s dispar i n acest caz suportul statistic pentru ipoteza iniial, dar
explicaia ar fi alta: metoda de tratament n grup cere participarea periodic la edine fcnd astfel s
creasc timpul acordat terapiei, iar timpul n sine duce la creterea succesului n abinerea de la butur.
Legtura iniial nu dispare ntotdeauna cnd o controlm printr-o a treia variabil. Firete, poate
rmne n esen aceeai n toate categoriile celei de-a treia variabile. n astfel de cazuri, vom putea
concluziona c cea de a treia variabil nu joac un rol important n explicarea legturii iniiale. Legtura
poate fi mai sczut chiar dac nu dispare. n acest caz, a treia variabil poate explica doar o parte, nu totul,
dintr-o legtura iniial. Intensitatea legturii poate s creasc cnd o a treia variabil este verificat. n
asemenea situaii, cea de-a treia variabil este tot o variabil nbuit (sau latent) aceasta ascunznd
natura real a asocierii dintre variabila dependent i cea independent.
Astfel putem da peste un alt rezultat cnd introducem o a treia variabil. Legtura dintre primele
variabile poate fi diferit pentru diferitele categorii ale variabilei de control. Acesta nu este un rezultat
simplu, el este adesea unul important. Nu ntotdeauna este posibil s obinem uor rezultate rezumative;
mai curnd legtura iniial trebuie s fie descris pentru fiecare categorie a variabilei de control. Cea de a
treia variabil este introdusa ca s detaileze mai departe legtura dintre primele dou variabile, i se
numete variabil de control.
90
9.5. Un exemplu
Descrierea situaiei care genereaz un studiu
Ca asistent social ntr-un spital, Ioana se ocup de internarea pacienilor. Ea a observat c un
numr mare de pacieni care au fost lsai s triasc cu propriile rude sunt reinternai n spital. Cunoscnd
c asistenii sociali, colegi de ai ei, care se ocup cu planificarea externrilor trimit frecvent pacienii
externai la internat, ea s-a ntrebat de ce a vzut att de puine reinternri printre acei pacieni care au fost
externai la internat. Ea s-a ntrebat dac nu poate fi o legtur ntre pacienii care sunt reinternai n spital
i locul n care au fost ei externai (internat/la rude).
Ipoteza ce urmeaz a fi testat
Ioana citete literatura de specialitate asupra temei care o preocup. Bazndu-se apoi pe consensul
general al altor practicieni de asisten social, pe rezultatele cercetrilor anterioare i pe propriile intuiii i
observaii subiective, ea pornete la realizarea i implementarea unei cercetri de mici proporii care va
strnge datele necesare testrii unei ipoteze direcionale.
Pacienii externai la internat vor avea o rat de reinternare mai sczut fa de pacienii
externai la rude, statistic semnificativ.
O privire asupra metodologiei
Ioana a ales o strategie simpl pentru a testa ipoteza sa direcional. Ea a primit permisiunea
supervizorilor si s selecteze un eantion de 10 procente din toate dosarele pacienilor care au fost
externai n ultimele 18 luni, alese la ntmplare. Utiliznd un instrument de colectare a informaiilor
standardizat ntocmit de ea, a strns date de o mare varietate a variabilelor demografice pentru 148 de
pacieni (10% din 1480 pacieni = 148 pacieni) care au fost externai la internat i 250 de pacieni (10% din
2500 pacieni = 250 pacieni) care au fost trimii la rude. Eantionul total a fost de 398 pacieni
(148+250=398). Variabila dependent n ipoteza ei a fost dac pacientul a fost reinternat spital (da/nu).
Variabila independent a fost locul externri pacienilor (internat/rude).
Rezultatele
Tabelul 9.11 prezint rezultatele la care a ajuns Ioana, folosind procedeul tabelelor de asociere aa
cum sunt prezentate n acest capitol.
Tabelul 9.11 Reinternarea n spital dup starea externrii
Reinternare?
Locul externrii
Da
La internat
25
La rude
71
Total
96
2 = 7,2 , df = 1, p < 0.005 (utiliznd corecia lui Yates)
Nu
123
179
302
Total
148
250
398
Interpretarea rezultatelor i tragerea concluziilor

Ce a aflat Ioana din testarea ipotezei direcionale folosind tabelul de asociere? Din cunotinele
sale generale despre testarea ipotezelor, ea tia c p < 0.005, este un nivel de probabilitate impresionant.
Aceasta a nsemnat pentru ea c diferenele dintre frecvenele observate i cele ateptate au fost mari. Ea
tia, de asemenea, c dac respinge ipoteza nul pe baza analizei sale, va grei de mai puine ori dect 5
dintr-o mie. Astfel, ea a putut respinge ipoteza nul i s concluzioneze c exist o legtur statistic
semnificativ ntre cele dou variabile. Important este c ea a avut suport statistic pentru ipoteza ei
direcional.
De asemenea, Ioana tia c n analiza tabelei de asociere trebuie s priveasc nu numai dac
rezultatul este statistic semnificativ, dar i dac legtura ntre cele dou variabile a fost n direcia ipotezei.
Asemenea altor teste statistice despre care vom discuta, tabelul de asociere nu ia n seam direcia ipotezei.
Deoarece n analiza tabelului de asociere se ine cont n primul rnd de diferenele dintre frecvenele
ateptate i cele observate pentru toate celulele, el va fi sensibil la relativa mrime sau micime a
frecvenelor observate pentru fiecare celul, neinnd cont de ceea ce a fost prevzut. Mai trebuie s ne
reamintim c o diferen este doar o diferen, chiar dac sugereaz numere mai mici sau chiar mai mari
91
dect cele prezise. O diferen mare ntre frecvenele observate i cele ateptate dintr-o celul (n orice
direcie) contribuie mult la creterea valorii lui hi-ptrat, care se va reflecta prin creterea probabilitii ca
ipoteza nul s fie respins. Trebuie s determinm dac asocierea este n direcia prezis, privind direct
celulele n care se gsesc frecvenele observate relativ mari, sau examinnd procentajele.
Folosind Tabelul 9.11, Ioana a fost capabil s determine c aproximativ 17% (25 din 148) din
pacienii externai la internat au fost readmii n spital, comparativ cu 28% (71 din 250) dintre aceia dirijai
ctre rude. Aceste dou procentaje, 17 i 28 au fost consecvente cu direcia ipotezei sale; pacienii eliberai
ctre internat au fost mai puin ntlnii ca reinternai fa de pacienii externai la rude.
nainte ca Ioana s trag orice concluzie despre nsemntatea semnificaiei statistice dintre cele
dou variabile, ea a tiut c trebuie s recunoasc efectele metodologiei de cercetare pe care a folosit-o n
interpretarea rezultatelor obinute. Ea a folosit un instrument de colectare a datelor standardizat i
structurat. Totui, validitatea i sigurana informaiilor din fiele pacienilor poate fi o problem, ca i ali
factori deformatori. Din cauza lipsei unui plan experimental, lista altor variabile (factori) care ar fi putut
afecta reinternarea ar putea fi mare. Printre acetia s-ar putea numra: diagnosticul pacientului, durata
primei spitalizri, disponibilitatea serviciului de ngrijire de dup externare, medicaia folosit de pacient i
muli ali factori pe care ea nu are motiv s cread c au fost egal reprezentai n cele dou grupuri de
pacieni (ngrijii acas / n internat).
Deci, ce i spun rezultatele despre ipotez? Scopul procedeului tabelelor de asociere este de a
cpta probe pentru sau mpotriva existenei unei legturi ntre dou variabile. Cunoaterea relaiei cauzefect nu este posibil de la nceput, datorit absenei unui plan experimental i datorit limitelor proprii ale
analizei de asociere. Ceea ce Ioana a aflat este faptul c pentru diferite motive, pacienii externai din
spitalul ei ctre internate, au avut o probabilitate mai mic s fie reinternai fa de aceia care au fost
eliberai acas.
Ioana nu i-a limitat analiza asocierii doar la legtura dintre variabila independent i cea
dependent. Ea a mai adunat date despre diagnosticul pacienilor i durata primei spitalizri. Ea a putut deci
examina legtura dintre aceste alte variabile i variabila dependent folosind mai multe analize complexe
ale tabelelor de asociere, i alte teste statistice adecvate. Fiele pacienilor pot conine informaii despre
variabile suplimentare care au contribuit la luarea deciziei de externare, cum ar fi unde au locuit nainte de
internare (la rude sau n internat); aceste informaii pot fi folosite pentru a tempera rezultatele analizei sale
i pentru a ls s cad mai mult lumin pe rezultatele statistice.
9.6. Folosirea SPSS n analiza asocierii

Pentru a exemplifica asocierea cu ajutorul programului SPSS, vom apela la fiierul de date 1991
US General Social Survey. Vom ncerca s vedem dac exist vreo asociere ntre sexul respondenilor
(variabila sex) i consumul de droguri (variabila hlth5). Vom considera sexul ca variabil independent i
consumul de droguri ca variabil dependent, ambele variabile fiind dihotomice (cu doar dou variante de
rspuns). Ipoteza de la care pornim este c brbaii consum ntr-o msur mai mare droguri dect femeile.
Opiunile de meniu pe care le vom aplica n SPSS sunt: Statistics Summarize Crosstabs.
Fereastra de dialog deschis de Crosstabs conine lista tuturor variabilelor fiierului de date, din care vom
selecta variabilele ale cror categorii vor constitui rndurile tabelului (Rows variabila sex), respectiv
coloanele (Columns variabila hlth5). Butonul Statistics din aceeai fereastr de dialog deschide, la rndul
su, o fereastr n care putem selecta coeficienii de asociere care dorim s fie calculai, n cazul nostru hi
2
ptrat - (Chi square). De la butonul Cells, care apare tot n fereastra deschis de opiunea de meniu
Crosstabs, vom deschide o alt fereastr n care vom opta ca n csuele tabelului s apar att valorile
observate, ct i cele calculate pentru cazul independenei (frecvenele ateptate sau teoretice): Counts
Observed, Expected. De asemenea, vom opta aici pentru procente pe linii: Percentages Row. Iat ce ne va
afia programul SPSS:
CROSSTABS
/TABLES=sex BY hlth5
/FORMAT= AVALUE TABLES
/STATISTIC=CHISQ
/CELLS= COUNT EXPECTED ROW .
Crosstabs
92
Respondent's Sex * Illegal Drugs (Marijuana, Cocaine) Crosstabulation
Respondent's
Sex
Male
Female
Total
Illegal Drugs
(Marijuana,
Cocaine)
Yes
No
23
393
12,3
403,7
5,5% 94,5%
7
589
17,7
578,3
1,2% 98,8%
30
982
30,0
982,0
3,0% 97,0%
Count
Expected Count
% within R's Sex
Count
Expected Count
% within R's Sex
Count
Expected Count
% within R's Sex
Total
416
416,0
100,0%
596
596,0
100,0%
1012
1012,0
100,0%
Chi-Square Tests
Value
Pearson
Chi-Square
Continuity
a
Correction
Likelihood Ratio
Fisher's Exact
Test
Linear-by-Linear
Association
N of Valid Cases
16,149
Asymp.
Sig.
(2-sided)
df
b
,000
14,670
,000
16,190
,000
16,133
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
,000
,000
,000
1012
a. Computed only for a 2x2 table

b. 0 cells (,0%) have expected count less than 5. The minimum expected
count is 12,33.
Observm c mai nti programul SPSS afieaz sintaxa corespunztoare opiunilor de meniu
executate. Primul tabel este tabelul de asociere dintre variabila sex i variabila consum de droguri. Pentru
c am cerut calcularea procentelor pentru categoriile variabilei independente, putem observa o diferen
ntre ponderea brbailor i femeilor care au raportat consumul de droguri (5.5% fa de 1.2%). Ipoteza
noastr pare s fie confirmat de aceste date.
Urmtorul tabel conine valoarea coeficientului de asociere cerut, mpreun cu teste de
semnificaie privind diferena lor fa de zero. Observm c valoarea coeficientului de corelaie
2 (16,149), ne permite respingerea ipotezei nule, nivelul de ncredere fiind mai mare de 99,9% (p<0.001).
Aadar, exist diferene semnificative ntre brbai i femei n privina consumului de droguri.

1.
2.
3.
4.
Ce reprezint numerele din fiecare celul a unui tabel de asociere?

Ce se pierde cnd se folosete testul hi-ptrat pentru date care sunt de nivel interval i normal
distribuite?
Poate indicatorul statistic hi-ptrat s ne spun dac o variabil produce variaia n a doua variabil?
Explicai.
Ce sunt frecvenele ateptate i cum sunt ele folosite n testul hi-ptrat?
93
5.
6.
7.
8.
Cum intervin gradele de libertate n determinarea semnificaiei statistice a unei valori hi-ptrat
precizate (de exemplu 10)?
Care este valoarea minim a frecvenei ateptate necesare pentru folosirea lui hi-ptrat?
Care sunt cei doi pai ai procesului de determinare a suportului statistic pentru o ipotez direcional?
Cum poate fi folosit hi-ptrat pentru a examina legtura dintre dou variabile cnd se ine sub control
efectului unei a treia variabile?

n programul SPSS deschidei baza de date GSS93 subset.sav i studiai variabilele degree (diploma
obinut) i cappun (n favoarea sau contra folosirii pedepsei cu moartea n SUA). Formulai o ipotez de
cercetare care s studieze posibila relaie ntre cele dou variabile folosind asocierea. Interpretai rezultatele
obinute.
Modul 10
Compararea mediilor
In acest capitol, vom examina unul dintre testele statistice potrivite atunci cnd una din variabile,
de obicei cea dependent, este cel puin de nivel interval iar cealalt variabil, de obicei variabila
independent, este de nivel nominal.
10.1. Popularitatea statisticii t

Exist multe teste infereniale proiectate pentru varii necesiti de analizare a datelor. Noi vom
prezenta doar unul dintre acestea, anume testul t , un test des folosit n cercetarea din asisten social.
Ce face testul t (numit i testul Student) att de folositor? Una dintre cele mai mari nevoi pentru
asisteni sociali este n acele studii care caut evaluarea eficacitii diferitelor abordri ale interveniei.
Avem nevoie s tim dac o metod de intervenie este n mod real mai bun dect alta pentru obinerea
rezultatelor dorite. Testul t este ideal pentru a fi folosit n situaii n care avem dou categorii a unei
variabile independente (intervenia A / intervenia B) care este de nivel nominal, pe cnd variabila
dependent (comportamentul, atitudinea, valoarea sau orice altceva) pe care sperm s o gsim afectat,
este msurat pe o scal cantitativ (interval sau rapoarte).
De obicei avem msurtori rezonabil de precise ale variabilei dependente. Exemplele pot include
variabile ca: stima de sine, aspiraia ctre bunstare, satisfacia marital, nivelul de funcionare social, sau
alte caracteristici ale clientului. Mulumit muncii cercettorilor care au mbuntit instrumentele pentru
aceste msurri, acum aceste variabile pot fi tratate statistic, ca fiind msurate la nivel interval. Alte
variabile dependente frecvent folosite ca: numrul ntlnirilor ratate, numrul mpotrivirilor exprimate fa
de un program de bunstare social, sau numrul comportamentelor violente ndreptate ctre soie, sunt de
nivel interval sau de rapoarte datorit naturii lor. Dac putem justifica o variabil ca fiind de nivel interval
sau de rapoarte i cealalt variabil este doar de nivel nominal, t poate fi ales ca test statistic.
Alt motiv pentru care cercettorii n asisten social adesea folosesc testul t, este dimensiunea
relativ mic a eantionului necesar pentru utilizarea acestui test. Eantioanele mari sunt rar disponibile n
cercetarea n asisten social, n special n situaii clinice. Testul t este potrivit pentru cercetrile care
folosesc un numr mic de cazuri (de exemplu, un total de doar 20 sau 30 de cazuri). n plus cele dou
grupuri nu trebuie neaprat s conin un numr egal de cazuri. Chiar i n cercetrile planificate cu mare
grij, de exemplu cele asupra eficacitii unui tratament, exist oameni care renun nainte ca studiul s fie
terminat. Aceasta conduce la o situaie n care exist mai multe cazuri ntr-un grup dect n altul.
Discrepana dintre dimensiunea celor dou grupuri este automat controlat de formula lui t.
94
10.2. Logica statisticii t

Testul t, asemenea altor teste statistice, este folosit pentru a ne ajuta s determinm dac o legtur
aparent dintre dou variabile este o legtur adevrat, la nivelul ntregii populaii, sau este rodul ansei.
Cu t, se face de fapt o comparare ntre dou medii. Eantionul este divizat n dou grupuri (sub-eantioane)
pe baza valorii fiecrui caz pentru una din cele dou categorii, variabila de nivel nominal (de exemplu,
intervenia A sau intervenia B). Mrimile mediilor variabilei de nivel interval (sau de rapoarte) pentru cele
dou grupuri sunt comparate apoi folosind formula lui t.
Mediile celor dou subeantioane sunt probabil diferite; t este o analiz a mrimii acestei
diferene. Dac diferena se dovedete ca fiind mic din punct de vedere matematic, att de mic nct
hazardul ar putea fi explicaia probabil pentru aceast diferen, ipoteza nul nu va putea fi respins. Vom
putem atunci concluziona c, mult mai probabil, diferena dintre mediile celor dou grupuri se datoreaz
ansei i nu reflect o diferen real care ar exista n populaie. Dar dac testul nostru t, indic faptul c
diferena este destul de mare ca ea s nu fie explicat doar prin jocul ansei, vom fi abilitai s respingem
ipoteza nul si s concluzionm c diferena observat n eantion este ntr-adevr o reflectare a unei
diferene reale n interiorul populaiei. ansa, sub forma erorii de eantionare, va fi eliminat ca explicaie
pentru o legtur observat ntre dou variabile.
Dac eantionul este mic, chiar i o diferen mare ntre dou medii poate fi atribuit ansei. Dar
exist un punct unde diferena dintre doua medii este suficient de mare, astfel ca ansa s fie puin probabil,
o explicaie pentru legtura aparent dintre dou variabile. Unde poate fi gsit acest punct? Testul t ni-l
spune. Acest punct se determin sub forma unei probabiliti statistice, probabilitatea de a face o eroare de
tipul I, adic de a respinge ipoteza nul i de a concluziona c diferena dintre cele dou medii este legat
de prezena valorilor diferite pentru variabila secundar (cea de nivel nominal).
S lum un exemplu pentru a ilustra utilizarea lui t. Un ghid teoretic de studiu a fost realizat pentru
a ajuta la pregtirea absolvenilor pentru examenul de licen. Pentru a evalua rezultatele unui asemenea
ghid de studiu, putem selecta la ntmplare 15 din 30 de studeni care au planificat s participe la examen i
crora le vom furniza o copie a acestui ghid. Le vom da astfel cteva direcii specifice pentru a-i mpri
timpul de studiu, fiecare putnd folosi ghidul ca ndrumtor.
Cei 15 studeni care au folosit ghidul vor putea fi privii ca un grup experimental, rmnnd 15
care nu au folosit ghidul i care vor fi privii ca i grup de control. Dup ce cei 30 de abolveni vor reui s
promoveze examenul de licen, rezultatele lor vor fi comparate. Nu vom compara direct notele tuturor
acelora care au folosit ghidul de studiu cu notele celor care nu l-au folosit. n schimb vom compara media
notelor rezultate pentru cei 15 absolveni din grupul experimental cu media notelor celorlali 15 absolveni
din grupul de control.
Odat cu compararea mrimilor celor dou medii, este necesar s ne punem cteva ntrebri:
Este oare diferena dintre mediile celor dou grupuri suficient pentru a ne permite s respingem
ipoteza nul, care spune c nu exist nici o legtur ntre folosirea respectiv nefolosirea ghidului de studiu
i rezultatele lor la examen?
Ct de ncreztori putem fi, pentru a spune c diferena nu s-a datorat erorii de eantionare? Altfel
spus, este posibil ca diferena dintre mediile celor dou grupuri s reflecte o asociere real ntre cele dou
variabile?
Cu ajutorul testului t putem compara mrimile celor dou medii, folosind o formul matematic
conceput pentru a ne spune dac diferena dintre mrimile mediilor celor dou grupuri este suficient de
mare pentru ca legtura dintre cele dou variabile s fie puin probabil din cauza ansei. Testul t ne spune
dac ipoteza nul poate fi respins i dac exist suport statistic pentru a susine c ghidul de studiu poate n
mod real mbunti rezultatele la examen. Desigur, chiar dac se demonstreaz c exist o legtur statistic
semnificativ ntre cele dou variabile, va mai trebui s decidem dac legtura este una substanial.
Diferena rezultat din examinare este suficient de mare ca s justifice preul de achiziie a ghidului de
studiu?
95
10.3. Calcularea i interpretarea valorilor lui t

Datorit extinderii utilizrii calculatoarelor, aflarea lui t nu mai este o problem n ceea ce privete
calculul matematic. Acest fapt este o uurare, deoarece formula lui t este complex i va implica o cantitate
considerabil de timp dac se lucreaz cu creionul i hrtia. n plus, exist mai multe variante de formule de
calcul a valorii t n funcie de natura eantioanelor: dac avem dou eantioane diferite de subieci
(Independent Samples t Test) sau n cazul acelorai subieci la momente diferite de timp (Paired Sample
Test). De asemenea exista diferene in calculul statisticii t in ipoteza ca cele dou eantioane fac parte din
populaii cu variane egale sau dac cele dou populaii au grade de eterogenitate diferite (variane neegale). In cele ce urmeaz abordam doar cazul in care varianele celor doua populaii din care provin
eantioanele sunt egale.
Testul t pentru eantioane (mici) independente un exemplu
Ana lucreaz ca asistent social ntr-un program de prevenie privind infecia cu HIV SIDA. n
calitate de coordonator de program, pregtete dou echipe de voluntari pentru implementarea programului
ntr-una din colile profesionale din ora. Una dintre echipe va utiliza metode de informare indirect, prin
distribuirea de pliante i brouri elevilor, iar cealalt echip va folosi metode interactive, respectiv discuii
i activiti de grup directe cu clasele de elevi. Dup implementarea programului, ea evalueaz rezultatele
activitilor de prevenie, ncercnd s afle dac una dintre metodele folosite a fost mai eficient dect
cealalt, cu alte cuvinte dac exist diferene ntre cunotinele elevilor privind riscurile infeciei cu HIV n
funcie de modalitatea de prevenie folosit. n acest sens, utilizeaz un proces de selecie separat a elevilor
n funcie de metoda de prevenie utilizat (adic fiecare eantion n parte este reprezentativ n raport cu
variabila nivel de informare privind riscurile infeciei cu HIV) i le aplic un test de cunotine, al crui
scor minim este 0, iar cel maxim 10. Rezultatele obinute sunt urmtoarele: pentru primul eantion: 5, 7, 8,
9, 6, 7, 10, 8, 6; pentru al doilea eantion: 9, 10, 8, 6, 8, 7, 9. Pentru a rspunde la aceast ntrebare, se
aplic testul t, calculndu-se mai nti m1, m2, s1 i s2 (mediile i abaterile standard ale rezultatelor obinute
la testul de cunotine aplicat elevilor din cele dou eantioane), iar apoi valoarea lui t, dup formula:
m1 m2
(n1 1) s12 ( n2 1) s 22
n1 n2 2
1
1

n1 n2
Cele dou medii m1 i m2 sunt:
m1
m2
5 7 ... 6 66
7,33
9
9
pentru grupa tratata cu metode indirecte
9 10 ... 9 57
8,14
7
7
pt. grupa tratat cu metode interactive
n1
X
n2
Pentru a calcula s1 i s2 (adic abaterile standard in cele doua eantioane2 ) ne sunt de ajutor
urmtoarele tabele de calcul:
Spre deosebire de eantioanele mari unde abaterile standard se calculeaz ca valori medii ale
abaterilor ptratice fata de medie cu alte cuvinte prin mprirea sumei diferentelor la ptrat la volumul
eantionului n, urmat de extragerea radicalului , la eantioanele mici se calculeaz o abatere standard
ajustat s, unde in loc de n se utilizeaz n-1 la numitor. De aici i diferena in notaie: s in loc de .
96
X1
5
6
7
8
9
10
k1
1
2
2
2
1
1
= 9
x1*k1
5
12
14
16
9
10
= 66
x-m1
-2,33
-1,33
-0,33
0,67
1,67
2,67
k2
1
1
2
2
1
x2*k2
6
7
16
18
10
= 7
= 57
s1 =/(n1-1) = 2,5
(x-m2)2
4,59
1,31
0,02
0,73
3,45
x-m2
-2,14
-1,14
-0,14
0,86
1,86
s2
(X
m1 ) 2 k1
n1 1
(X
m2 ) 2 k 2
n2 1
(x-m2)2* k2
4,59
1,31
0,04
1,47
3,45
= 10,86
2
m2 = 8,14
s1
(x-m1) * k1
5,44
3,56
0,22
0,89
2,78
7,11
= 20
2
m1 = 7,33
X2
6
7
8
9
10
(x-m1)
5,44
1,78
0,11
0,44
2,78
7,11
s2 =/(n2-1) = 1,81
20
2,5
8
10,86
1,81
6
Acum putem calcula numitorul formulei lui t, adic eroarea standard comun Es:
Es
(n1 1) s12 (n 2 1) s22

n1 n2 2
1
1

n1 n2
8 * 2,5 6 * 1,81 1 1

14
9 7
20 10,92
0,25 0,560 0,748
14
7,33 8,14
0,81
1,08
0,748
0,748
97
Pentru determinarea nivelului de probabilitate a valorii t obinut se procedeaz astfel:

Se calculeaz gradele de libertate (df) dup formula
df = n1+n2 2
n Tabelul 10.1 cuprinznd valorile critice ale lui t, se caut linia corespunztoare gradelor de
libertate df (afiate pe prima coloan a tabelului).
Se compar valoarea t obinut (valoarea absolut, neinnd cont de semnul valorii) cu valorile
tabelate fie pentru testul direcionat (one-tailed), fie pentru cel nedirecionat (two-tailed), n funcie
de tipul ipotezei de cercetare.
n eantionul din exemplu, valoarea lui t este -1,08, la 14 grade de libertate (df = 16 2 = 14).
ntrebarea este: "Care e probabilitatea de a comite o eroare de tipul I cu o valoare a lui t de -1,09, la 14
grade de libertate date?" Pentru a rspunde la aceast ntrebare, avem nevoie s consultm tabelul de
probabiliti al valorilor t (Tabelul 10.1). Dac valoarea t calculat este mai mare dect valoarea critic de
2.145 (corespunztor la 14 grade de libertate), nivelul de semnificaie p va fi mai mic dect 0.05 pentru o
ipotez nedirecionat i dect 0.025 pentru o ipoteza direcionat, deci se va respinge ipoteza nul.
n exemplul nostru, valoarea t nu este statistic semnificativ, att pentru un test cu o ipotez nedirecionat
(two-tailed), ct i pentru un test direcionat (one-tailed), deoarece 1.09 este mai mic dect 2.145.
Interpretare: De vreme ce 1.08 < 2.145, Ana accept ipoteza nul i concluzioneaz c nu exist
diferene n capacitatea unei metode de prevenie de a duce la cunotine mai solide privind riscul infeciei
cu HIV n rndul elevilor. Rezultatele obinute i-au artat Anei c nu exist suport statistic pentru ipoteza
sa, n ciuda faptului c valoarea medie a grupului de elevi cu care s-a lucrat prin metode indirecte indic un
nivel de cunotine mai redus dect media grupului elevilor care au participat la activiti interactive.
Imposibilitatea de a respinge ipoteza nul relev c metoda de prevenie folosit produce mici diferene
ntre cunotinele elevilor despre riscurile contaminrii cu HIV. Firete, Ana i-a pus ntrebarea dac
ipoteza de cercetare (aceea a diferenelor ntre cunotinele elevilor n funcie de metoda folosit) poate fi
nc corect. S-ar putea ca adevrata legtur dintre variabila dependent (cunotinele dobndite n urma
programului de prevenie) i cea independent (metoda de prevenie folosit) s fi fost ascuns de tehnica
msurtorilor sau de influena altor variabile (de exemplu, experiena mai mare a voluntarilor care au
aplicat metode interactive). Ana este contient c sunt necesare studii suplimentare pentru a clarifica acest
aspect. n orice caz, pornind de la rezultatele acestui mini studiu, ea va stabili dac, pe viitor, va pstra
folosirea unor metode diferite de prevenie de la un grup de elevi la altul sau va merge pe combinarea
metodelor de lucru indirecte cu cele directe. Cum rezultatele acestui studiu nu justific deocamdat
realizarea unor schimbri n modul de implementare a programului de prevenie la elevi, Ana va continua
punerea n aplicare a acestuia, pn cnd rezultatele cercetrilor ulterioare i vor furniza un rspuns mai
tranant la ntrebarea sa.
Tabelul 10.1 Valori Critice pentru testul t
Nivele de semnificaie pentru testul direcionat (one-tailed)
0.10
0.05
0.025
0.01
0.005
Nivele de semnificaie pentru testul nedirecionat (two-tailed)
df
0.20
0.10
0.05
0.02
0.01
1
3.078
6.314
12.706
31.821
63.657
2
1.886
2.920
4.303
6.965
9.925
3
1.638
2.353
3.182
4.541
5.841
4
1.533
2.132
2.776
3.747
4.604
5
1.476
2.015
2.571
3.365
4.032
6
1.440
1.943
2.447
3.143
3.707
7
1.415
1.895
2.365
2.998
3.499
8
1.397
1.860
2.306
2.896
3.355
9
1.383
1.833
2.262
2.821
3.250
10
1.372
1.812
2.228
2.764
3.169
11
1.363
1.796
2.201
2.718
3.106
12
1.356
1.782
2.179
2.681
3.055
98
0.0005
0.001
636.619
31.689
12.941
8.610
6.859
5.959
5.405
5.041
4.781
4.587
4.437
4.318
13
1.350
1.771
2.160
2.650
3.012
4.221
14
1.345
1.761
2.145
2.624
2.977
4.140
15
1.341
1.753
2.131
2.602
2.947
4.073
16
1.337
1.746
2.120
2.583
2.921
4.015
17
1.333
1.740
2.110
2.567
2.898
3.965
18
1.330
1.734
2.101
2.552
2.878
3.922
19
1.328
1.729
2.093
2.539
2.861
3.883
20
1.325
1.725
2.086
2.528
2.845
3.850
21
1.323
1.721
2.080
2.518
2.831
3.819
22
1.321
1.717
2.074
2.508
2.819
3.792
23
1.319
1.714
2.069
2.500
2.807
3.767
24
1.318
1.711
2.064
2.492
2.797
3.745
25
1.316
1.708
2.060
2.485
2.787
3.725
26
1.315
1.706
2.056
2.479
2.779
3.707
27
1.314
1.703
2.052
2.473
2.771
3.690
28
1.313
1.701
2.048
2.467
2.763
3.674
29
1.311
1.699
2.045
2.462
2.756
3.659
30
1.310
1.697
2.042
2.457
2.750
3.646
40
1.303
1.684
2.021
2.423
2.704
3.551
60
1.296
1.671
2.000
2.390
2.660
3.460
1.282
1.645
1.960
2.326
2.576
3.291
Valoarea t obinut din calcule este semnificativ dac ea este mai mare sau egal cu valoarea listat n
tabel
Testul t pentru eantioane mari
In cazul in care cele doua eantioane sunt mari, adic depesc limita convenional a celor 30
indivizi, eroarea standard a diferenelor dintre medii se calculeaz dup o formula mai simpl n care nu
intervin gradele de libertate, iar testul care se utilizeaz este testul z (Vezi Modulul 6, despre Distribuia
normal). Indicatorul z are o distribuie normal cu media 0 si abaterea standard 1 si nu depinde de numrul
gradelor de libertate (important e ca eantionul sa fie mare). Formula de calcul a statisticii t (in acest caz
echivalent cu indicatorul z) este:
m1 m2
12 22
n1 n 2
Testul t pentru eantioane perechi

Testul t se poate utiliza pentru evaluarea de pild a impactului unui program de intervenie asupra
unei trsturi a populaiei cuprinse n eantion (atitudine, comportament, caracteristic psiho-social, etc.).
Valoarea lui t se calculeaz pe baza mediei diferenelor dintre valorile variabilei respective nainte de
intervenie, respectiv dup intervenie. Valoarea lui t exprim succesul interveniei, adic msura n care,
n medie, valorile variabilei respective s-au modificat. Modul de calcul difer ns fa de cel de la
eantioanele independente, dar programul SPSS trateaz, din fericire, toate variantele de calcul.
mD
sD / n
unde mD este media distribuiei D (a diferenelor dintre cele dou msurri), iar sD este abaterea
standard a distribuiei D (msoar mprtierea distribuiei D).
Exemplu: Dorii s aflai dac n urma participrii la un grup de suport pentru mamele singure,
nivelul de stres al celor 8 participante s-a redus. In acest caz ipoteza de cercetare este ca participarea la
99
grupul de suport reduce semnificativ nivelul de stres al mamelor singure. Aplicnd acelai chestionar care
msoar nivelul de stres nainte i dup 6 luni de participare la grupul de suport, obinei rezultatele din
tabelul urmtor. Aplicai testul t, situndu-v la un nivel de semnificaie de .0.01.
X
n
m
sD
nainte de
program
(X1)
7
9
11
10
6
7
12
6
Dup
program
(X2)
7
8
12
9
6
6
11
5
68
8
64
8
-4
8
8,50
mD= - 0,5
D
(X2 - X1)
D - mD
(D - mD)2
.00
-1.00
1.00
-1.00
.00
-1.00
-1.00
-1.00
.50
-.50
1.50
-.50
.50
-.50
-.50
-.50
.25
.25
2.25
.25
.25
.25
.25
.25
(D mD )2
n 1
mD
4
0 , 75
7
Introducem valorile astfel obinute n formula de mai sus i obinem:
0 ,5
2 ,08
0,75 / 8
De reinut: n privina procedurii statistice, nu conteaz care diferen o utilizm, X1 X2 sau X2

X1. Depinde de ceea ce dorim s determinm. Important este ca, n final, s interpretm corect rezultatul
obinut, innd cont de semnul diferenei i de semnificaia concret a acestuia. Totui, n modele de tipul
nainte / dup (tratament, intervenie), este mai potrivit utilizarea diferenei X2 X1.
Interpretare: Comparm t calculat (n valoare absolut) cu valoarea critic la nivelul de
semnificaie 0.01, pentru o ipotez nedirecionat (nu am specificat direcia legturii dintre variabile) i la 7
grade de libertate (df = n - 1 = 8 - 1 = 7) i observm c 2.08 < 3.49. Deoarece probabilitatea de a obine un
nivel de stres mai redus ca urmare a ansei este mai mare dect nivelul pe care ni l-am propus drept criteriu
de decizie (adic mai mic de 1%), acceptm ipoteza nul. n acest caz, datele noastre nu sprijin ipoteza
cercetrii, ca urmare nu putem accepta c efectul obinut se datoreaz participrii la grupul de suport. n
concluzie, grupul de suport nu reduce n mod semnificativ nivelul de stres al participantelor.
10.4. Prezentarea statisticii t

De obicei este util a prezenta mrimile brute ale cazurilor n ambele grupuri (dac eantionul nu
este prea mare) astfel ca cititorii s poat face propriile comparri. Dac nu dorim s raportm rezultatele
individuale, vom prezenta cel puin rezultatele medii pentru fiecare grup. Trebuie reinut c mrimea
diferenei observate ajut cititorul n a determina dac o legtur semnificativ statistic este n mod real un
rezultat esenial. Astfel vor mai fi prezentate pe lng valoarea lui t, gradul de libertate (df) i valoarea
probabilitii p asociate. Dac se realizeaz mai multe teste t, este folositor un singur tabel care s conin
toate rezultatele obinute. Dac sunt calculate doar puine teste t, rezultatele sunt de obicei prezentate n
corpul textului, mai degrab dect ntr-un tabel.
n majoritatea studiilor statistice, se raporteaz att analizele care nu au permis respingerea
ipotezei nule, ct i cele care au permis-o. n unele cazuri este suficient s se raporteze c nu s-a gsit c
variabilele ar fi legate la un nivel statistic semnificativ. n situaiile n care ipoteza nul este ipoteza central
100
a cercetrii (adic, ncercm s dovedim ca fals o legatur care n mod obinuit este considerat ca fiind
adevrat), suportul statistic sau nesprijinirea pentru respingerea ipotezei nule trebuie, firete, s fie
prezentat.
10.5. Cnd nu se folosete testul t

Ca i testul hi-ptrat, popularitatea testului t printre asistenii sociali ne poate conduce la utilizri
greite. n graba noastr de a folosi o statistic care ne este familiar, putem folosi cteodat testele t n
situaii n care ele nu sunt corespunztoare i n care ar fi putut fi utilizate alte teste mai potrivite. De obicei
cnd testul t este folosit greit avem una din urmtoarele situaii: (1) cnd ignorm forma distribuiei
variabilei n populaie i (2) cnd nu inem cont de ipotezele de cercetare i adoptm o abordare ocant.
Forma distribuiei
Faptul c variabila independent este de nivel interval i c cea dependent este de nivel nominal
nu justific folosirea lui t pentru a determina prezena unei legturi ntre dou variabile. Testul t este un test
din categoria celor parametrice, ceea ce nseamn c este proiectat pentru a fi folosit doar cnd variabila de
nivel interval poate fi considerat a fi normal distribuit n populaie. Dac distribuia de frecvene pentru
valorile variabilei n populaie este vizibil asimetric, va trebui folosit un alt test, ca de pild, testul Mc
Neamar, testul exact Ficher, testul Man-Whitney, etc. Credibilitatea rezultatelor cercetrii este serios
periclitat dac testul t este folosit cu variabile a cror distribuie este departe de curba normal.
Abordarea ocant
O a doua greeal obinuit implic calcularea n serie a testelor t, cu o singur variabil
dependent legat eventual de mai multe variable independente. n cteva exemple particulare ale acestei
erori, cercettorii au calculat testele t folosind sute de posibile variabile independente (fr prea mare
legtur), doar pentru a anuna cu mndrie c ei au gsit o legtur semnificativ statistic ntre una dintre
variabilele independente i variabila dependent.
Teoria probabilitilor sugereaz c astfel de rezultate reflect probabil erori de Tipul I i c
legtura aparent va fi legat de ans i nimic mai mult. Conform legilor probabilitii, o variabil
dependent va prea c are o asociere semnificativ statistic cu cteva variabile independente dac sunt
testate suficiente legturi. n situaiile unde exist motive s credem c mai multe variabile independente
diferite pot fi n legtur cu variabila dependent, ar trebui s folosim alte teste statistice, special proiectate
pentru astfel de situaii.
10.6. Un exemplu
Florin este un asistent social ntr-un centru de planificare familial. El a fost nvat n agenia sa
c cea mai bun form pentru consilierea marital este de a ntlni ambii parteneri (soul i soia) mpreun.
nainte cu cinci ani, a tratat 20 de cupluri n care consilierea nu s-a putut realiza dect individual (so sau
soie), din cauza programului pe care l aveau acetia la serviciu. El a fost surprins observnd c, dei ei nu
au consiliai niciodat mpreun, dup primele interviuri, toate cele 20 de cupluri preau s realizeze un
progres excelent n rezolvarea problemelor lor maritale.
De-a lungul a ctorva ani, Florin a consiliat tot mai multe cupluri pe o baz individual. Creznd
c a obinut rezultatele bune datorit metodei folosite, el a ncurajat ase dintre colegii si s consilieze
cuplurile cu dificulti maritale, ntlnindu-i separat mai degrab dect mpreun. Ali asisteni sociali au
fost de asemenea surprini de progresele excelente ale clienilor lor. Florin nu a fost pregtit s
concluzioneze c metoda de consiliere marital individual este preferabil consilierii cuplului. El a decis
s realizeze o mic cercetare pentru a vedea dac poate gsi suport statistic pentru ipoteza c satisfacia
marital este cel mai bine sporit cnd partenerii sunt tratai n consiliere individual i nu de cuplu.
101
Ipotezele care vor fi testate

A nceput s caute n literatura de specialitate de asisten social i a gsit suport pentru afirmaia
conform creia consilierea n cuplu este mai adecvat n obinerea satisfaciei maritale, dect cea
individual. Dar cum s-a aventurat n literatura de specialitate din alte domenii ca psihologia i consilierea
pastoral, Florin a gsit o cantitate mare de suport pentru ideea c satisfacia marital ar fi mult mai
probabil s rezulte din consilierea individual. Explicaia cea mai uzitat era c persoanele consiliate tind s
discute despre insatisfacie mai uor i mai cinstit atunci cnd cellalt so nu este prezent. Florin a
concluzionat c literatura de specialitate era n contradicie. Totui, el a simit c propriile observaii i cele
ale colegilor si au fost suficiente pentru a justifica o ipotez direcional:
Printre clienii care a beneficiat de consiliere marital, aceia care au fost consiliai individual vor
reflecta un nivel mai nalt de satisfacie marital dect cei care au fost consiliai n cuplu.

Florin a realizat o mic cercetare pentru a-i testa ipoteza. El a primit permisiunea din partea
directorului ageniei de a-i fi repartizai la ntmplare clienii noi care au cerut consiliere marital pe o
perioad de trei luni pentru a realiza consiliere individual sau de cuplu. Pentru a realiza cercetarea, clienii
au fost repartizai la ntmplare n dou grupuri de subieci. Toi cei ase asisteni sociali care au folosit
anterior consilierea individual (i care, deci, aveau experien) au participat ca i consilieri la studiul lui
Florin. ncepnd cu luna urmtoare, fiecare cuplu care era de acord a fost repartizat la unul dintre cei ase
asisteni sociali pentru a participa mpreun la o consiliere de 50 de minute pe sptmn; cuplurile care au
rmas au fost repartizate pentru consiliere individual, timp de 25 de minute n fiecare lun. Cei care nu au
fost de acord cu acest aranjament au fost de asemenea tratai, dar nu au mai fost inclui ca subieci n acest
studiu.
Metoda de consiliere (individual sau n cuplu) a fost variabila independent. S-a decis c
variabila dependent, satisfacia marital, va trebui msurat dup zece sptmni consecutive de
consultan. A fost aleas o scal pentru a msura gradul satisfaciei maritale, ea fiind adaptat pentru a
produce informaii de nivel interval.
Paisprezece cupluri au fost vzute n sesiuni de consiliere individual i paisprezece au fost vzui
ca i cuplu. Toi clienii au completat scala satisfaciei maritale. Florin a comparat mrimea mediei scalei
pentru clienii care au fost vzui individual (grupul experimental) cu mrimea mediei scalei pentru clienii
care au fost vzui ca i cuplu (grupul de control). Variabila "satisfacie marital" msurat pe scal a fost
gsit ca fiind normal distribuit, deci Florin s-a simit n msur s foloseasc testul t pentru analiza
statistic. El a ncercat s determine dac diferena dintre mrimile mediei (pentru cele dou grupuri) a fost
suficient de mare pentru a-i permite s resping ipoteza nul. El a dorit s fie capabil s concluzioneze c o
legtur real dintre dou variabile a fost probabil explicaia pentru diferenele observate n eantion.
Rezultatele
Valoarea lui t pentru informaiile lui Florin, a fost de 1.312 . Din tabelul valorilor critice ale lui t
(Tabelul 10.1), el a observat c ar fi avut nevoie de o valoare minim a lui t de 1.706 pentru a putea
respinge ipoteza nul (pornind de la o ipotez direcional i folosind o statistic semnificativ la nivelul
0.05, un eantion de 28 indivizi statistici i 26 de grade de libertate).

Florin a notat c dac ar fi respins ipoteza nul pe baza informaiilor lui, ar fi desconsiderat mai
mult dect 1 din 10 (10 procente) anse n comiterea unei erori de Tip I. El avea n mod clar o lips de
suport statistic pentru ipoteza sa. Dezamgirea lui iniial a fost chiar i mai mare atunci cnd a privit
mrimile mediilor celor dou grupuri. Clienii care au participat la consiliere individual au avut media cu
ceva mai mic dect cei care au fost consiliai mpreun. Florin a privit rezultatele sale cu mai mult
obiectivitate. Astfel, el a realizat c lipsa argumentului statistic pentru legtura dintre metoda de consiliere
i satisfacia marital poate fi un rezultat folositor pentru sine nsui. Imposibilitatea de a respinge ipoteza
102
nul poate fi interpretat n termenii existenei unei diferene prea mici determinate de metoda de consiliere
folosit.
Florin i-a pus, de asemenea, problema cum de a putut grei. Rezultatele cantitative din studiul
su au fost inconsistente n ceea ce privete impresiile anterioare. El s-a ntrebat dac el sau ali asisteni
sociali nu cumva au perceput doar c consilierea individual fcut de ei duce la rezultate superioare,
pentru c ei au fost surprini c ceilali clieni consiliai n cuplu au putut obine rezultate superioare.
Firete el s-a ntrebat dac ipoteza sa poate fi nc corect. S-ar putea ca adevrata legtur dintre variabila
dependent i cea independent s fi fost ascuns de tehnica msurtorilor sau de influena altor variabile
(de exemplu, experiena mare a asistenilor sociali care au efectuat consilierea n cuplu). Florin a
concluzionat c sunt necesare studii suplimentare pentru a clarifica aceast situaie.
10.7. Folosirea SPSS in compararea mediilor

Vom face o aplicaie SPSS pentru acest test, folosind fiierul de date 1991 US General Social
Survey. Dorim s testm dac exist o diferen semnificativ ntre femei i brbai n ceea ce privete
nivelul educaional atins, msurat n numrul total de ani de studiu absolvii. Nivelul educaional al
respondenilor este dat de variabila educ. Alegem secvena de opiuni: Statistics Compare Means
Independent Sample T Test. Ultima opiune deschide o fereastr de dialog n care specificm variabila ale
crei medii dorim s le testm (Test Variable educ) i variabila care ne d cele dou subpopulaii n
acest caz sexul (Grouping Variable, Define groups, n care trecem codurile celor dou sexe: 1 pentru
brbai i 2 pentru femei). De asemenea, la Options specificm nivelul de ncredere dorit (vom folosi 95%).
Iat ce ne afieaz programul SPSS:
T-TEST
GROUPS=sex(1 2)
/MISSING=ANALYSIS
/VARIABLES=educ
/CRITERIA=CIN(.95) .
T-Test
Group Statistics
Respondent's Sex
Highest Year of
Male
School Completed Female
N
633
877
103
Std. Error
Mean
Std. Deviation
Mean
13.23
3.143
.125
12.63
2.839
.096
Independent Samples Test

Levene's Test
for Equality of
Variances
Sig.
t-test for Equality of Means
df
Std.
Mean
Sig.
Error
Differ(2-tailed)
Difference
ence
95%
Confidence
Interval of the
Difference
Lower Upper
Highest
Year of
School
Completed
Equal
variances 11.226
assumed
Equal
variances
not
assumed
.001
3.887
1508
.000
.60
.155
.298
.906
3.824
1276.5
.000
.60
.157
.293
.911
Ca de obicei, apare sintaxa corespunztoare opiunilor din meniu folosite. n tabelul urmtor apar
valorile mediilor variabilei nivelul educaional al respondentului pentru cele dou populaii (din
eantion), abaterile standard i erorile standard corespunztoare. Ultimul tabel este cel care prezint
rezultatele testului de semnificaie. n primele dou coloane avem valori pentru testarea egalitii
varianelor distribuiilor variabilei pentru cele dou populaii, sau altfel spus, similaritatea omogenitii
celor dou distribuii, folosind testul F3. Aici cele dou distribuii sunt semnificativ diferite (p=0.001 sau
P=99.9%); n consecin, vom citi valorile de pe rndul de jos, calculate pentru variane semnificativ
diferite ale celor dou distribuii. Valoarea lui t este 3.824, la nivelul de semnificaie p=0.000, ceea ce
nseamn c sunt 99.9% anse ca diferena s fie real. De asemenea, dac ne uitm la intervalul de
confiden pentru diferena mediilor Confidence Interval of the (Mean) Difference, observm c nu
conine valoarea 0, deci nu este posibil ca diferena mediilor s fie 0, adic mediile s fie egale. Aadar,
exist o diferen semnificativ ntre femei i brbai, la nivelul populaiei, n ceea ce privete numrul de
ani de coal absolvii (brbaii au, n medie, mai muli ani de coal dect femeile: mediile lor sunt 13.23,
respectiv 12.63).
Observie: n cazul eantioanelor perechi, procedura SPSS este urmtoarea: din meniul Statistics,
Compare Means, Paired-Sample T test. Introducem variabilele pe care le testm n rubrica Grouping
Variables.

1.
2.
3.
4.
5.
6.
Care este combinaia de nivele de msurare a variabilelor utilizate n testul t?

De ce dimensiunile cerute de testul t pentru volumul eantionului i a subeantioanelor l fac ideal
pentru cercetrile n asisten social?
Dac ipoteza nul este corect, valoarea medie a variabilei din eantion va fi similar sau foarte diferit
de valoarea medie a variabilei din cellalt eantion?
Cum se determin gradele de libertate pentru statistica t, ntr-un set de date concrete?
Ce pas suplimentar este necesar n a determina dac o valoare t semnificativ din punct de vedere
statistic ofer suport pentru o ipotez direcionat?
Cum poate un test t care nu a gsit o valoare semnificativ statistic s reflecte un rezultat care s fie util
pentru un practician?
Putei afla mai multe despre testul F din volumul Metode statistice aplicate n tiinele sociale (2006),
Rotariu T. (coord.), Ed. Polirom, Iai, pp. 102-106.
104

n programul SPSS deschidei baza de date 1991 US General Social Survey.sav i studiai variabilele
race (rasa respondenilor) i sibs (numrul de frai i surori). Folosind testul t pentru eantioane
independente ncercai s aflai dac exist o diferen semnificativ ntre albi i negri atunci cnd studiem
numrul de frai i surori. Interpretai rezultatele obinute.
105
Modul 11
Corelaia
Acest capitol explic modul n care putem s analizm legtura dintre dou variabile de nivel
interval sau rapoarte prin procedura analizei de corelaie.
11.1. Conceptul de corelaie

Un exemplu de legtur ntre dou variabile poate fi cel al nivelului de funcionare social a
persoanelor considerate ne-integrate social dup nivelul de motivaie pentru tratament. Tabelul 11.1
cuprinde datele culese de la zece clieni cu tulburri de comportament. Pentru fiecare client avem att
valoarea nivelului de motivaie (variabila cantitativ X) ct i valoarea nivelului de funcionare social
(variabila Y, tot de nivel interval). Ambele variabile se presupune c au fost msurate pe o scal de la 0 la
11 puncte. O legtur ntre aceste dou variabile este evident deoarece, fr excepie, nivelul nalt al
motivaiei pentru tratament este asociat cu nivelele nalte de funcionare social i viceversa. Florin de
exemplu, a nregistrat cea mai sczut valoare la ambele teste: 1 punct la nivelul de motivaie i 2 puncte la
nivelul de funcionare social; Jana se situeaz pe penultimul loc, cu cele 2, respectiv 3 puncte obinute pe
scala nivelurilor de motivaie si de funcionare social., n timp ce Lia a atins nivelurile cele mai nalte
pentru ambele variabile (rezultatele 10 i respectiv 11).
Tabelul 11.1 Rezultate nregistrate de 10 clieni cu probleme de funcionare
Nivel de motivaie
(X)
1
2
3
4
5
6
7
8
9
10
Numele clientului
Florin
Jana
Robert
Sica
Horia
Radu
Margareta
Ana
Dorina
Lia
Nivel de funcionare social

(Y)
2
3
4
5
6
7
8
9
10
11
Figura 11.1 Legtur perfect pozitiv ntre dou variabile: nivel de funcionare social i nivel de
motivaie (din Tabelul 11.1)
Nivel
de
funcionare
(Y)
11 10 987654321-
Florin
|
1
|
2
Robert
Jana
|
3
|
4
Horia
Sica
|
5
|
6
Nivel de motivaie (X)
Lia
Dorina
Ana
Margareta
Radu
|
7
|
8
|
9
|
10
|
11
Aceast legtur poate fi vizualizat cu ajutorul diagramei de mprtiere, ca cea ilustrat n Figura
11.1. Axa orizontal reprezint rezultatele individuale obinute de clieni la testul care msoar nivelul de
motivaie (X), n timp ce axa vertical reprezint rezultatele individuale privind nivelul de funcionare
106
social (Y). Fiecare punct reprezint un caz i totodat o pereche de valori, msuri ale celor dou variabile
pentru client. Dac punctele se conecteaz, ele vor forma o linie dreapt, indicnd c cele dou variabile
sunt perfect corelate. Asemenea perfeciune este rar ntlnit n practica cercetrii de asisten social. Aici
ea este folosit pentru a ilustra conceptul de corelaie.
Intensitate i direcie
Figura 11.1 pune n eviden dou aspecte importante ale relaiei dintre variabile: intensitatea i
direcia. In ceea ce privete intensitatea, o legtur ntre dou variabile este cea mai puternic atunci cnd
rezultatele tuturor clienilor cad pe o linie drepte. Linia care trece prin toate punctele (reprezentnd clienii)
diagramei de mprtiere este numit linie de regresie. n aceste, foarte rare, cazuri n care exist o legtur
perfect, putem prezice cu precizie maxim (de 100%) c unei valori Y i corespunde o anume valoare X,
i viceversa. n cazurile obinuite unde intensitatea legturii este mai puin perfect, linia de regresie este
mai puin distinct, iar capacitatea noastr de a prezice valorile unei variabile din valorile alteia este supus
erorii.
Figura 11.2 Legtur perfect negativ ntre dou variabile: nivelul de funcionare social i durata izolrii
Nivel
de
funcionare
(Y)
11 10 987654321-
|
6
|
7
|
8
|
1
|
2
|
3
|
4
|
5
|
|
9
10
Numrul de luni petrecute n izolare (X)
|
11
n afar de intensitate, corelaia are i un al doilea aspect: direcia legturii. Legtura din Figura
11.1 este una pozitiv: legtura dintre nivelul de motivaie i nivelul de funcionare social a clienilor este
o legtur pozitiv (o legtur perfect pozitiv). Unor valori nalte pentru X ii corespund valori nalte
pentru Y, i viceversa. ntr-o legtur negativ (ca cea din Figura 11.2), valorile nalte ale unei variabile
corespund unor valori sczute pentru cea de-a doua variabil. Corelaia perfect pozitiv i corelaia
perfect negativ sunt foarte rare n realitatea social, ele aprnd mai des n domeniul fizicii.
n cercetrile sociale, putem ntlni multe variabile care sunt corelate (pozitiv sau negativ) dar
exist situaii n care nu exist legturi de corelaie ntre dou variabile. Acestea lucru este susinut de
ipoteza nul. Totui majoritatea legturilor dintre variabilele de nivel interval sau rapoarte reflect un
anumit grad de corelaie, mergnd de la legturi aproape perfecte i ajungnd pn la legturi abia
distinctibile numite i corelaii nonperfecte.
Figura 11.3 Legtur nonperfect pozitiv ntre dou variabile: nivelul de motivaie i nivelul de
funcionare social
Nivel
de
funcionare
(Y)
11 10 987654321-
Robert
Sica
|
1
|
3
|
4
|
5
|
2
|
6
107
|
7
|
8
|
9
|
10
|
11
Similar, figura 11.4 furnizeaz un exemplu de legtur negativ care este mai puin perfect.
Figura 11.5 prezint un exemplu n care nu se poate observa nici un fel de legtur ntre cele dou variabile.
Figura 11.4 Legtur nonperfect negativ ntre dou variabile: nivelul de motivaie i nivelul de
funcionare social
Nivel
de
funcionare
(Y)
11 10 987654321-
|
7
|
8
|
9
|
10
|
2
|
3
|
4
|
5
|
1
|
6
|
11
Figura 11.5 Nici o legtur ntre dou variabile: nivelul de motivaie i nivelul de funcionare social
Nivel
de
funcionare
(Y)
11 10 987654321-
|
7
|
8
|
9
|
2
|
3
|
4
|
5
|
1
|
6
|
10
|
11
11.2. Coeficientul de corelaie i proprietile lui fundamentale

Figurile 11.1 - 11.5 sunt diagrame de mprtiere standard. Ele sunt modaliti dificile i
consumatoare de timp de prezentare a perechilor de valori pentru un numr mare de cazuri. O cale mult mai
eficient de punere n eviden a unei relaii dintre variabile de nivel interval sau rapoarte este folosirea
unei indicator statistic numit coeficient de corelaie. Acesta furnizeaz o valoare numeric care indic att
intensitatea ct i direciei unei legturi. Aa cum este prezentat n Figura 11.6, coeficientul de corelaie
variaz ntr-un continuu de valori, de la o extrem -1 (legtura perfect negativ) la o alt extrem +1
(legtura perfect pozitiv), cu 0 (ne-corelaie) ca punct de mijloc. Un coeficient de corelaie nu poate fi mai
mare dect +1sau mai mic dect -1.
Figura 11.6 Intervalul n care variaz coeficientul de corelaie
|
-1
Corelaie negativ
|
0
Ne-corelaie
|
+1
Corelaie pozitiv
108
Cu ct valoarea numeric a coeficientului de corelaie este mai aproape de una din valorile
extreme (+1 sau -1), cu att mai puternic este legtura dintre cele dou variabile. De exemplu, un
coeficient de 0,92 este mai apropiat de o corelaie perfect dect oricare din coeficienii -0,65 sau +0,60 i
de aceea, sugereaz o mai puternic corelaie dect oricare dintre cele dou. Cu ct coeficientul este mai
apropiat de mijlocul acestui interval cu att legtura dintre cele dou variabile este mai slab. Un coeficient
de corelaie care este apropiat de valoarea 0 sugereaz c nu exist nici o legtur de corelaie ntre cele
dou variabile.
Semnul plus sau minus indic direcia legturii. De exemplu, corelaia dintre nivelul ndemnrii
asistenilor sociali i anii de experiena profesional n asisten social poate fi de +0,85. Absena semnului
minus indic o legtur pozitiv. Corelaia dintre nivelul de ndemnare i nivelul de apatie a celor care
muncesc poate fi de -0,75, indicnd astfel o puternic legtur negativ. Exist persoane care sunt mai
apatice i mai ne-implicate n munca lor, astfel este normal ca ele s fie mai puin ndemnatice, i
viceversa.
Pot fi utilizate o varietate de analize de corelaie. Una din procedurile cele mai frecvent utilizate
este i cea care va fi prezentat n acest capitol. Este vorba de coeficientul de corelaie Pearson (sau
coeficientul de corelaie r), pe care l vom numi n discuiile ce urmeaz, simplu: r. El se calculeaz cu
formula:
xi m * yi m
x
N * x * y
unde:
xi i yi reprezint valorile individuale ale distribuiilor X i Y
mx i my reprezint mediile distribuiilor X i Y
x i y reprezint abaterile standard ale distribuiilor X i Y
N este volumul eantionului
Suma produselor perechilor (xi-mx)*(yi -my) mprit la volumul eantionului este cunoscut sub
denumirea de covarian (notat cu cov(X,Y) ) sau momentul produselor de ordinul nti. Coeficientul r se
obine prin mprirea covarianei la produsul dintre abaterile standard ale celor dou variabile. Procednd
astfel, se scap de unitile de msur ale covarianei i de intervalul ei nedefinit de variaie, obinndu-se
un indice (r) care are proprieti mult mai bine definite.
nelegerea indicatorului statistic r
Folosind r, ncercm s determinm statistic ceea ce arat o diagram de mprtiere - adic, pn
la ce grad punctele reprezentnd valorile celor dou variabile pentru fiecare caz vor tinde s formeze o linie
dreapt. Dac valoarea lui r este mare (dac se apropie de +1 sau -1) punctele vor tinde s se strng
aproape de linia de regresie; iar dac valoarea lui r este mic (n apropierea lui 0) o diagram a punctelor va
reflecta distanarea punctelor fa de dreapta de regresie.
Pentru a nelege cum a aprut formula lui r ca un indicator al corelaiei dintre variabile, este bine
s inem minte c r este interpretat ca o expresie a abilitii noastre de a prezice o valoare a unei variabile
pe baza valorii celeilalte variabile. Nu este implicat nici o relaie de cauzalitate. Argumentul care explic
ce variabil cauzeaz variaia alteia, trebuie s se bazeze pe ali factori.
Trebuie remarcat n formula lui r, c numrtorul este derivat din perechile de valori (una pentru
fiecare variabil) ale fiecrui caz. Suma de la numrtor reflect gradul n care variaz mpreun cele dou
variabile iar prin mprirea la volumul eantionului avem expresia variaiei medii. Exprimat n alt fel,
covariana ne spune n ce grad anumite valori ale unei variabile tind s fie gsite mpreun cu anumite
valori ale celeilalte variabile.
La numitor, formula introduce cantitatea total de variaie a tuturor datelor; anume produsul
abaterilor standard al celor dou variabile. Valoarea r care rezult din formula final, este proporia din
variaia total ce revine covariaiei de la numrtor. ntr-o corelaie perfect (r = +1 sau r = -1), 100 % din
variaia total a celor dou variabile va fi explicat de ctre covariaia de la numrtor. Invers, n acele
cazuri rare n care nu exist corelaie (r = 0) ntre variabile, nimic din variaia total nu va fi explicat de
109
covariaia rezumat n numrtor. In cazul n care r = 0 , cunoaterea valorii X pentru un individ nu ne va

ajuta cu nimic n a prezice valoarea Y a acelui individ.
Valoarea indicatorului statistic r care rezult din formul ne spune mai multe. Dac ridicm la
ptrat valoarea r, noua valoare r2 va fi proporia variaiei dintr-o variabil care poate fi explicat prin
legtura ei cu cealalt variabil. inei minte c termenul explicaie pe care l folosim aici, nu nseamn
cauzalitate. Se refer doar la abilitatea noastr de a prezice valorile unei variabile dac tim valorile altei
variabile. De exemplu, un coeficient r de 0,80, relativ la corelaia dintre numrul de interviuri de tratament
i la rezultatele obinute la testul stimei de sine, nseamn c 64% (r2=0,80 x 0,80 = 0,64) din variaia
rezultatului obinut la testul stimei de sine poate fi explicat pe baza numrului de interviuri de tratament.
Celelalte 36 de procente ale variaiei valorilor stimei de sine (= 1 - 0,64) rmn ne-explicate, sau factorii
care explic acestea sunt altele. Capacitatea noastr de a prezice imaginea de sine a clienilor dac tim
numrul de interviuri avute ar trebui s fie bun, dar cu siguran nu poate fi perfect. Doar un r de +1 sau
de -1 (o corelaie perfect) ne-ar permite s facem preziceri cu o acuratee de 100% (12 = 1).
Coeficientul de corelaie r este un indicator al intensitii i al direciei unei legturi care exist
ntre valorile unei variabile i valorile altei variabile. Aa cum am subliniat n prezentarea lui hi-ptrat,
folosim greit un test cnd ncercm s mergem mai departe dect este principala sa destinaie (predicia n
cazul lui r) i ncercm s i atribuim mai multe atribuii (implicaii n cauzalitate) dect este el capabil s
realizeze. Exemplul i aplicarea pas cu pas a formulei care urmeaz, va sublinia faptul c r (la fel ca alte
teste statistice) este doar o manevrare matematic a numerelor care pot furniza doar un rspuns parial
pentru ntrebrile cercetrii noastre. Rspunsurile plenare trebuie s vina din logic, teorie, intuiie,
experien practic, sau din alte domenii, mai puin din procesele mecanice.
Calcularea indicatorului statistic r
Pentru calculul coeficientului de corelaie r s pornim de la un exemplu.
Exemplu: Coordonatorul unui centru de servicii familiale dorete s realizeze un plan de
perfecionare a asistenilor sociali angajai n scopul mbuntirii calitii serviciilor oferite clienilor.
nainte de a organiza activitatea de perfecionare, va dori s afle dac exist o legtur ntre numrul de ore
de specializare urmate de asistenii sociali pe durata ultimilor 5 ani i numrul de eecuri n intervenie
raportat de asistenii sociali cu ocazia autoevalurilor anuale n aceeai perioad. Ipoteza de la care pornete
coordonatorul este c cu ct crete numrul de orelor de perfecionare ale asistenilor sociali cu att scade
numrul de eecuri n intervenie. n urma investigaiei, el obine urmtoarele date:
Tabel 11.2. Date despre asistenii sociali din eantion
Identificator asistent social
A.s. 1 A.s. 2
Nr. ore de perfecionare
20
30
Nr. de eecuri n intervenie
7
6
A.s. 3
30
5
A.s. 4
40
4
A.s. 5
50
3
As. 6
50
2
A.s. 7
60
1
Coeficientul de corelaie msoar intensitatea unei relaii liniare dintre dou variabile X i Y,
dintre care una poate fi considerat variabil independent (n acest caz, numrul de ore de perfecionare),
iar cealalt variabila dependent (n acest caz, numrul de eecuri n intervenie)4. Semnul coeficientului de
corelaie r indic direcia legturii dintre cele dou variabile.
Pornind de la datele empirice se poate construi Tabelul 11.3.
Concluzii: Coeficientul de corelaie ntre numrul de ore de formare realizate i numrul de
eecuri n intervenie este -.98, foarte apropiat de -1, indicnd o corelaie negativ foarte puternic. Pe baza
acestui rezultat, Robert concluzioneaz c asistenii sociali care s-au perfecionat mai intens au mai puine
eecuri n munca de intervenie. Totui, este important de reinut: corelaia nu implic i cauzalitate.
Aadar, nu se poate afirma faptul c un anumit numr de ore de formare cauzeaz un anumit numr de
eecuri n intervenie. Exist i ali factori cu care cele dou variabile sunt, la rndul lor, corelate (cum ar fi
de pild, trsturile de personalitate ale asistenilor sociali). Dar putem oare extinde rezultatul la ntreaga
populaie a asistenilor sociali?
4
Nu este absolut nevoie s facem distincie ntre variabila independent i cea dependent, pentru c r nu
cere acest lucru.
110
Tabelul 11.3. Schem de calcul pentru coeficientul de corelaie r a lui Pearson. Corelatia dintre
numarul de ore de perfectionare (X) si numarul de cazuri esuate (Y), la 7 asistenti sociali
x
y
x-mx
(x-mx)2
y-my (y-my)2
(x-mx)(y-my)
20
7
-20
400
3
9
-60
30
6
-10
100
2
4
-20
30
5
-10
100
1
1
-10
40
4
0
0
0
0
0
50
3
10
100
-1
1
-10
50
2
10
100
-2
4
-20
60
1
20
400
-3
9
-60
= 280
mx = 40
= 28
my = 4
= 0
r = cov (X , Y) / ( x * y )
test direcional, n = 7, p < 0.005
= 1200
x= 171,4
x = 13,1
= 0
= -25,7 / (13,1 * 2)
= 28
2y = 4
y = 2
=
= -180
cov(x,y)= -25,7
-0,98
Testarea semnificaiei statistice a lui r

Ct de mare trebuie s fie r pentru a putea respinge n siguran ipoteza nul i s avem suport
statistic pentru existena unei legturi reale ntre cele dou variabile? Ca i la alte legturi bivariate,
coeficientul de corelaie este gndit s fie suficient de puternic ca s ajung la sau s depeasc nivelul
predeterminat al semnificaiei statistice. Nivelul de semnificaie de 0,05 justificat i statuat anterior, este
folosit i aici ca punct de referin pentru a determina dac putem respinge ipoteza nul. Tabelul pentru
valorile critice ale lui r (Tabelul 11.4) ilustreaz punctul la care semnificaia statistic este realizat pentru
diferite intensiti ale coeficientului de corelaie, depinznd de mrimea eantionului. Aa cum arat
tabelul, pentru un eantion de 7 indivizi, este nevoie de un coeficient de corelaie de 0,754 cu o ipotez
nedirecional, care ajunge la o semnificaie statistic de nivelul de 0,05 (0,874 pentru nivelul 0,01) i care
permite astfel respingerea ipotezei nule. Pentru o ipotez direcional ca in exemplul de mai sus, o valoare r
de 0,874 este semnificativ chiar la nivelul 0,005. Cu o mrime a eantionului de 400 de cazuri, respingerea
ipotezei nule este posibil cu un coeficient de corelaie mult mai slab (0,098 la nivelul 0,05 i 0,128 la
nivelul 0,01). Acesta este un punct important care trebuie reinut.
Ca i la analiza de asociere, i la analiza corelaiei probabilitatea demonstrrii semnificaiei
statistice cu ajutorul lui r este legat direct de mrimea eantionului. ntr-un eantion mai mic este mult mai
probabil ca ntmplarea (ansa), sub forma erorii de eantionare, s fie cauza legturii aparente dintre dou
variabile, dect ntr-unul mai mare. Cu un eantion mare, o legtur aparent, chiar una care la prima
vedere apare a fi slab, este de departe mai puin probabil s fie rezultatul ansei. Un tabel cum este
Tabelul 11.4 ncorporeaz acest factor cnd ia n considerare dimensiunea eantionului n furnizarea
nivelului de semnificaie.
111
Tabel 11.4. Valorile critice ale coeficientului de corelaie r

Nivel de semnificaie pentru un test direcional
.025
.005
.025
Nivel de semnificaie pentru un test nedirecional
n
.05
.01
n
.05
3
.997
.999
38
.320
4
.950
.990
39
.316
5
.878
.959
40
.312
6
.811
.917
41
.308
7
.754
.874
42
.304
8
.707
.834
43
.301
9
.666
.794
44
.297
10
.632
.765
45
.294
.005
.01
.413
.408
.403
.398
.393
.389
.384
.380
11
12
13
14
15
16
17
18
19
20
.602
.576
.553
.532
.514
.497
.482
.468
.456
.444
.735
.708
.684
.661
.641
.623
.606
.590
.575
.561
46
47
48
49
50
55
60
65
70
75
.291
.288
.284
.281
.279
.266
.254
.244
.235
.227
.374
.372
.368
.364
.361
.345
.330
.317
.306
.296
21
22
23
24
25
26
27
28
29
30
.433
.423
.413
.404
.396
.388
.381
.374
.367
.361
.549
.537
.526
.515
.505
.496
.487
.478
.470
.463
80
85
90
94
100
125
150
175
200
300
.220
.213
.207
.202
.195
.170
.159
.148
.138
.113
.286
.278
.270
.263
.256
.230
.210
.194
.181
.148
31
32
33
34
35
36
37
.355
.349
.344
.339
.334
.329
.325
.456
.449
.442
.436
.430
.424
.418
400
500
600
700
800
900
1000
.098
.088
.080
.074
.070
.065
.062
.128
.115
.105
.097
.091
.086
.081
Substanialitatea coeficientului de corelaie

Pentru a interpreta intensitatea unui coeficient de corelaie, trebuie s lum n considerare modul
n care se utilizeaz o analiz de corelaie. Chiar dac se obine un coeficient de corelaie statistic
semnificativ, valoarea r n sine nu este n mod necesar purttoare de neles i nu reprezint neaprat un
rezultat substanial. Pentru eantioane mici, existena unei corelaii semnificative este un rezultat important,
dar pentru eantioane mari semnificaia statistic nu este suficient. De exemplu, cercetrile care
construiesc instrumente de msurare sunt preocupate de validitatea i fiabilitatea lor. Punctul tradiional de
la care se poate accepta un instrument ca prezentnd siguran, cere adesea un coeficient de corelaie de
peste 0,85, pe cnd punctul pentru a accepta validitatea instrumentului este frecvent de 0,40 sau chiar mai
sczut. In cercetrile sociologice (unde eantioanele sunt de regul mari) doar o corelaie de la 0,60 in sus
112
se consider ca fiind substanial. Dintr-o perspectiv diferit, identificarea faptului c nu exist o asociere
(r = 0) ntre dou variabile despre care se credea c sunt legate, poate reprezenta cel mai important rezultat
al unui studiu.
n interpretarea unui coeficient de corelaie, mai este important s nu l tratm ca i cum ar fi
echivalent cu date de nivel interval sau rapoarte; sau s nu facem judeci care dau o astfel de impresie. De
exemplu, un coeficient de corelaie de 0,80 nu este de dou ori mai puternic ca unul de 0,40. De fapt, 0,80
descrie o asociaie de patru ori mai puternic (0,802 = 0,64; 0,402 = 0,16; 0,64 / 0,16 = 4) n ceea ce privete
cantitatea de variaie pe care o poate explica din variaia total a celeilalte variabile. Trebuie inut minte c
un coeficient de corelaie att de puternic ca 0,80, arat un model (pattern) de la care se vor abate foarte
puine excepii - adic tuturor valorilor mari ale primei variabile le vor corespunde virtual valori mari i
pentru cea de a doua variabil, i viceversa. Un coeficient de corelaie mai slab (aa ca 0,40) va avea un
procentaj mai mare de cazuri care se opun direciei de asociere.
Prezentarea rezultatelor unei analize de corelaie

Prezentarea unui coeficient de corelaie ntr-un raport de cercetare este simpl. Dup calcularea lui
r conform schemei date n Tabelul 11.3 i formulei lui de calcul, vom gsi nivelul de probabilitate asociat
cu r -ul obinut; pe baza dimensiunii eantionului n tabelul 11.4. Acesta ne va permite s determinm dac
putem respinge ipoteza nul sau nu. Cu informaia astfel obinut, putem prezenta rezultatele noastre ntro fraz.
De exemplu:
ntre numrul orelor de perfecionare (variabilele independent) i numrul eecurilor n
intervenie (variabila dependent) la un eantion de 7 asisteni sociali de la un centru de
consiliere familial, s-a gsit o corelaie r = -0,98. Nivelul de semnificaie corespunztor acestei
valori este p < 0,01, ceea ce indic prezena unei corelaii negative, puternic semnificative din
punct de vedere statistic.
11.3. Corelaia cu trei sau mai multe variabile

Legturile bivariate necesit frecvent explicaii n continuare. De exemplu, este improbabil s
putem prezice cu siguran ct timp un client va rmne n tratament doar pe baza unor informaii privind
severitatea problemei prezentate de client, motivaia lui pentru tratament; sau orice alt variabil singular.
Perspectiva sistemelor i alte teorii a cauzelor multiple, susin c exist multe variabile care contribuie
mpreun i determin comportamentul uman. Acurateea prediciei poate fi mbuntit prin extinderea
volumului de date disponibile prin includerea mai multor (dect dou) variabile n acelai timp ntr-o
analiz. Deciziile privind direcia n care s aib loc extinderea, sursele suplimentare i tipurile de date
necesare mbuntirii explicaiilor i capacitilor noastre predictive, constituie adesea urmtorul pas critic
n procesul de analiz a datelor. n acest text, nu ne vom ocupa cu descrierea testelor care examineaz
corelaiile ntre trei sau mai multe variabile (unul binecunoscut este coeficientul de corelaie parial).
Pentru dezbaterea noastr, este suficient s spunem c ar trebui s tim despre existena lor i despre ceea
ce pot ele oferi (sau ce nu pot ele oferi) n plus fa de o analiz bivariat, cu utilizarea lui r.
11.4. Un exemplu
Radu este un asistent social ntr-o agenie de servicii familiale. El conduce cteva grupuri de
tratament, constituite din adolescente. Recent el i-a dat seama de variabilitatea mare n participarea verbal
printre membrii grupului. Virtual toate fetele ar fi trebuit s participe la discuiile de grup; dar cteva dintre
ele nu au fcut niciodat vreun comentariu nesolicitat. El a simit c aceste fete aveau un nivel sczut al
dorinei de a se implica n grup. Dup o perioad de cteva sptmni, Radu a ntrebat cteva dintre fetele
mai timide, de ce sunt aa de rare comentariile lor voluntare. Dintre cele apte fete ntrebate, cinci au dat un
rspuns asemntor: fiecare a fost singurul copil n familie i au fost nvate de ctre prini c nu este
datoria lor s iniieze comunicarea. Apoi Radu le-a ntrebat pe trei dintre cele mai vorbree, care nclinau
s domine discuiile din grup, ci frai i /sau surori au. Rspunsurile lor au fost ase, apte i nou.
113
Pe baza incursiunii sale limitate, Radu a nceput s speculeze o posibil legtur ntre o variabil
dependent, neiniierea unui comentariu n tratamentul de grup i o variabil independent, numrul frailor
din familie.
Ipoteza ce urmeaz a fi testat

Din literatur, Radu a aflat tot ce a putut despre fenomenele ca trsturile sociale ale copilului
singur, modelele de comunicare dintre frai i variaiile n participarea verbal n grupurile de adolesceni.
Majoritatea literaturii de specialitate prea s-l conduc la concluzia c adolescenii cu mai muli frai sunt
mai dispui pentru comentarii voluntare dect aceia cu mai puini frai. Aceast presupunere se explica prin
experiena n comunicare ctigat prin maturizarea printre frai. Totui, alt parte a literaturii de
specialitate prea s sugereze o versiune opus. Ea susinea c acei copii care au n jur aduli cu care s
comunice vor cpta mai mult iscusin verbal i vor fi mai puin intimidai de prezena adulilor. Astfel
Radu a rmas indecis. Oriunde era vorba de o astfel de tem, n diferitele surse, se sugera c variabila
dependent i cea independent par a fi logic legate. Dar n ce direcie? Radu avea i el o oarecare
experien ctigat (desigur netiinific) din propriile observaii. Pn la urm, s-a decis s realizeze un
studiu de cercetare de dimensiuni mici, care s testeze urmtoarea ipotez direcional:
Printre adolescentele dintr-un grup de tratament, exist o corelaie pozitiv ntre numrul
comentariilor nesolicitate i numrul frailor din familie.

Este o procedur obinuit n agenia n care lucra Radu de a se nregistra video sesiunile de
tratamente de grup i de a se folosi apoi de ctre personalul ageniei pentru supervizare. Astfel Radu nu
avea nici o problem n privina accesului la informaiile care i-ar putea folosi pentru a-i testa ipoteza. El a
primit permisiunea administratorului ageniei de a folosi benzile video n cercetarea sa.
Pentru operaionalizare Radu a definit un caz, ca fiind o adolescent care a participat la cel puin
75% dintre edinele grupului su ntr-o perioad de patru luni. Avnd identificate 35 de fete care
ndeplineau acest criteriu, el a revzut toate videocasetele mpreun cu un coleg care a fost interesat de
studiul su. Radu i prietenul su au dezvoltat o definiie operaional pentru variabila comentariu
nesolicitat. Dup aceea, ei au nregistrat numrul comentariilor nesolicitate realizate de fiecare fat n
timpul fiecrei edine. Un comentariu nesolicitat a fost judecat ca fiind fcut doar dac Radu i colegul su
au simit c a fost conform cu definiia.
Radu i colegul su au adunat numrul comentariilor nesolicitate pentru fiecare dintre fete (cazuri)
i apoi l-au mprit la numrul de edine la care tinerele au participat. Acest numr le-a furnizat media
comentariilor nesolicitate pe o edin pentru fiecare caz (variabila dependent). Din nregistrrile fcute de
ctre agenie, ei au scos datele pentru variabila independent, numrul frailor pentru fiecare caz. Radu a
aezat msurtorile pentru fiecare dintre cele dou variabile ntr-un tabel asemntor tabelului 11.2.
Rezultatele
Radu a folosit r pentru a determina dac poate s aib suport statistic pentru ipoteza sa. Folosind
formula pentru r, el a aflat c valoarea coeficientului de corelaie dintre numrul comentariilor nesolicitate
pe edin i numrul de frai a fost de 0,340. Gndindu-se la ceea ce nseamn puterea corelaiei, el a fost
oarecum dezamgit, dar reamintindu-i c dimensiunea eantionului su este mare (35 este relativ mare
pentru r), i-a dat seama c nu avea nevoie de o corelaie mare pentru a avea semnificaie statistic. Cnd sa uitat n tabelul pentru r, unde dimensiunea eantionului este controlat (Tabelul 11.4), el a observat c
probabilitatea comiterii unei erori de tipul I n respingerea ipotezei nule cu o corelaie de 0,340 i un
eantion de 35 era mai mic dect 0,025. (De semnalat c 0,340 se gsete la dreapta lui 0,334, dar este n
stnga lui 0,430).
114

Radu a tiut c nivelul de semnificaie 0,05 este n general acceptat ca suport pentru o legtur
dintre dou variabile. El tia de asemenea c n ceea ce privete legtura dintre variabila dependent i cea
independent, se afl pe trmul sigur al statisticii. Totui este necesar un al doilea pas pentru interpretare,
nainte de a revendica suport statistic pentru ipoteza sa. A fost oare corelaia dintre variabile n direcia n
care el a formulat ipoteza, adic este o corelaie pozitiv? Radu a inut minte c o corelaie pozitiv ntre
dou variabile (Figurile 11.1 i 11.3) nseamn ca valorile nalte ale unei variabile tind s se afle printre
cazurile care au valori nalte ale celeilalte variabile i viceversa. Aceasta nseamn c, pentru aceste date,
fetele care au avut valori mari pentru variabila numrul comentariilor nesolicitate ar fi trebuit s aib
valori mari i pentru variabila numrul frailor i viceversa. Datele lui Radu arat c este aa. El a
concluzionat c are suport statistic pentru ipoteza sa, n direcia presupus.
Radu a fost realist n privina rezultatelor sale. El a tiut c pot fi i alte explicaii pentru rezultatul
su statistic semnificativ, dect existena unei legturi adevrate ntre variabile. Cercetarea sa a fost una de
dimensiuni mici, el s-a bazat pe un eantion care i convenea cel mai mult: de la agenia sa i dintre cazurile
lui. Multe efecte deformante i multe alte variabile ar fi posibil s fi afectat rezultatele obinute de el.
Acestea ar putea s fie legate de factori ca: (1) o anume deformare creat n interiorul eantionului ca
urmare a cazurilor pierdute; (2) o posibil inabilitate a lui Radu de a fi un bun mediator pentru fetele care
nu au fost obinuite cu situaiile de grup; (3) o posibil distorsiune a evenimentelor dat de limitele
echipamentelor de nregistrare video folosite. n plus, o corelaie de 0,340 dintre variabile nu este puternic
n sens absolut. Lipsa de ncredere absolut n rezultatele sale i mrimea acestora, l-au determinat pe Radu
s nu publice nc un articol din studiul su pentru a comunica rezultatele sale i altora.
11.5. Folosirea SPSS in analizele de corelaie

Deschidei fiierul de date coninut n pachetul SPSS numit World95. Fiierul conine mai multe
variabile, dintre care ne intereseaz corelaia ntre mortalitatea infantil numr de decese la 1000 nateri
vii (babymort) i produsul intern brut pe cap de locuitor (gdp_cap), i corelaia ntre mortalitatea infantil i
procentul femeilor care citesc (lit_fema). Pentru aceasta, vom specifica toate cele trei variabile n rubrica
Variables. Programul va calcula corelaii ntre toate cele trei variabile, luate dou cte dou (chiar dac pe
noi, de pild, nu ne intereseaz corelaia ntre produsul domestic brut pe cap de locuitor i procentul
femeilor care citesc).
Pentru a calcula coeficientul de corelaie ntre dou variabile prin programul SPSS, vom urma
seria de opiuni de meniu: Analyze Correlate Bivariate. Ultima opiune deschide o fereastr de dialog
coninnd lista variabilelor din fiierul de date (specificate n Variables), din care vom alege variabilele
ntre care dorim s se calculeze corelaia, coeficientul pe care dorim s-l folosim desigur, n funcie de
tipul de date de care dispunem (Pearson, Kendalls tau-b, Spearman). Pentru fiecare din coeficienii de
corelaie calculai, putem opta s aplicm un test de semnificaie a diferenei fa de 0 (Test of
Significance). De asemenea, prin butonul Options, putem cere calcularea unor indici sau valori: medii,
abateri standard, etc. (Means and standard deviations, Cross-products deviations and covariances). Iat ce
afieaz programul dup executarea comenzilor din meniu:
CORRELATIONS
/VARIABLES=babymort gdp_cap lit_fema
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE .
115
Correlations
Infant
mortality
Gross
(deaths
domestic
per 1000
product /
Females who
live births)
capita
read (%)
Infant mortality (deaths Pearson Correlation
1
-.640**
-.843**
per 1000 live births)
Sig. (2-tailed)
.
.000
.000
N
109
109
85
Gross domestic
Pearson Correlation
-.640**
1
.429**
product / capita
Sig. (2-tailed)
.000
.
.000
N
109
109
85
Females who read (%) Pearson Correlation
-.843**
.429**
1
Sig. (2-tailed)
.000
.000
.
N
85
85
85
**. Correlation is significant at the 0.01 level (2-tailed).
Dup ce afieaz sintaxa corespunztoare opiunilor de meniu executate, programul tiprete un

tabel n care sunt calculai coeficienii de corelaie ntre variabile, luate dou cte dou. Observm c
valoarea coeficientului de corelaie ntre mortalitatea infantil i procentul femeilor care citesc este -.843,
iar ntre mortalitatea infantil i produsul intern brut pe cap de locuitor este -.64. Sub fiecare dintre
coeficienii calculai, sunt trecute rezultatele testelor de semnificaie (nivelul de ncredere e peste 99%
pentru c p=0,000 n fiecare caz) i aa cum se specific n nota **, fiecare dintre coeficienii calculai sunt
semnificativ diferii de 0 (aadar, exist corelaie ntre variabilele respective). Ultima parte a fiecrui rnd
d informaii despre variabile (N reprezentnd numrul de cazuri valide folosite la calculul coeficienilor).
Pe baza rezultatelor obinute de SPSS, putem concluziona c exist o corelaie negativ puternic
ntre mortaliatea infantil i procentul femeilor care citesc, cu alte cuvinte, cu ct procentul populaiei
feminine care citete este mai redus, cu att rata mortalitii infantile e mai mare. Coeficientul de corelaie
ntre celelalte dou variabile investigate indic de asemenea o corelaie negativ, mai slab dect n cazul
primelor dou variabile, care ne permite s afirmm c rile care au un produs domestic brut pe cap de
locuitor mai ridicat, nregistreaz o rat a mortalitii infantile mai redus.
Atenie: Putei folosi corelaia pentru a identifica intensitatea i direcia legturii dintre dou
variabile, dar nu i pentru a stabili o relaie de cauzalitate. Analiza de corelaie de mai sus ne arat c, n
general, rile cu un nivel economic mai ridicat i cu o pondere mai mare de alfabetizare a femeilor, au o
mortalitate infantil mai sczut, dar nu i c, de pild, mortalitatea infantil e mai ridicat deoarece
femeile sunt ntr-o pondere mai mare analfabete.

1.
2.
3.
4.
5.
6.
7.
8.
Care va fi forma unei diagrame de mprtiere care reflect o corelaie negativ perfect?
Ce coeficient de corelaie sugereaz o legtur mai puternic ntre dou variabile, 0,74 sau -0,86?
Ce coeficient de corelaie sugereaz c nu exist nici o legtur ntre dou variabile de nivel interval?
Cum influeneaz dimensiunea eantionului, mrimea coeficientului de corelaie considerat
semnificativ statistic?
Cum se poate ca o corelaie foarte slab, de 0,10 , s fie o contribuie valoroas la mbuntirea
cunotinelor practice?
De ce nu este corect s afirmm c un coeficientul de corelaie de 0,84 sugereaz o legtur de dou ori
mai puternic dect un coeficient de corelaie de 0,42?
De ce analizele bivariate, asemenea lui r, nu furnizeaz n mod uzual o explicaie total asupra legturii
dintre dou variabile?
Poate o analiz bivariat de corelaie s ne spun care variabil cauzeaz variaia n a doua variabil?
Explicai.
116
Cnd poate un coeficient de corelaie s fie folosit pentru a prezice, cu siguran de 100%, valorile unei
variabile cu ajutorul valorilor cunoscute pentru cealalt variabil?
10. Care este formatul obinuit pentru prezentarea rezultatelor din analiza de corelaie?
9.

n programul SPSS deschidei baza de date 1991 US General Social Survey.sav i studiai variabila
educ (numrul de ani de coal absolvii de respondent) i variabila prestg80 (scorul prestigiului
ocupaional). Formulai o ipotez de cercetare care s studieze posibila relaie ntre cele dou variabile i
cerei programului s calculeze coeficientul de corelaie Pearson. Interpretai rezultatele obinute.
117
ANEXE
A: Calendarul disciplinei
Tema
Termen
predare
Tutorial (AT)
Tematica
Activiti asistate
(AA)
Termen
Laborator Lucrari
programat
practice/
proiect
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
Sesiune
examene
Programare curent
Sptmna
Lucrri de control (TC)
118
Verificri
Data
Tipul
(E/C/V)
B: Bibliografia completa a cursului

Rotariu T., Bdescu G., Culic I., Mezei E., Murean C., 2006 - Metode statistice aplicate n tiinele
sociale, Editura Polirom, 334 p.
Weinbach R.W., Grinnell R.M. Jr., 1987 - Statistics for Social Workers, New York & London
Pah I., 2004 - Introducere n SPSS, Editura Eikon, Cluj-Napoca
Atherton C.R., Klemmack D.L., 1991 - Research Methods in Social Work, An introduction, University of
Alabama
Freedman D., Pisani R., Purves R., 1998 Statistics (3rd ed). Norton & Company Inc., New York
Jaba E., Grama A., 2004 Analiza statistica cu SPSS sub Windows, Editura Polirom
Norusis, J. Marija, 1992 SPSS for Windows. Basw System Users Guide, SPSS Inc.
Pah I., 2004 - Tehnici de analiz a datelor cu SPSS, Presa Universitar Clujean, Cluj-Napoca
Popa Marian, 2004 Statistica psihologica, Universitatea Bucuresti, http://marianpopa.tripod.com/
Radu I., Micle M., Albu M., Moldovan O., Nemes S., Szamoskozy S., 1993 Metodologie psihologica si
analiza datelor, Editura Sincron
119

Statistică Socială Și Analiza Computerizată A Datelor

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Statistică Socială Și Analiza Computerizată A Datelor

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA BABE-BOLYAI CLUJ-NAPOCA

CENTRUL DE FORMARE CONTINU, NVMNT LA DISTAN I CU

Specializarea : Asisten Social

STATISTIC SOCIAL I ANALIZA

Prof. univ. dr. Cornelia Murean

STATISTIC SOCIAL I ANALIZA

10.5. Cnd nu se folosete testul t ................................................................................................. 101

Modul 11 ............................................................................................................................ 106

Date de identificare a cursului

Date de identificare curs i contact tutori:

Pagina web a cursului- http://www.asis.ubbcluj.ro

Condiionri i cunotine prerechizite

Organizarea temelor n cadrul cursului

Formatul si tipul activitilor implicate de curs

consultaii pe parcursul semestrului vor fi organizate dou ntlniri de consultaii fa n fa;

laboratoare - se vor organiza pe parcursul semestrului intalniri fa n fa in laboratorul de

forumul de discuii acesta va fi monitorizat de echipa de tutori i supervizat de titularul

Materiale bibliografice obligatorii

Materiale si instrumente necesare pentru curs

- imprimant (pentru tiparirea materialelor suport, a temelor redactate, etc)

Politica de evaluare i notare

Elemente de deontologie academica

ale cror lucrri se dovedesc a fi plagiate nu vor fi acceptai la examinarea finala.

- Rezultatele finale vor fi puse la dispoziia studenilor prin afiaj electronic.

Strategii de studiu recomandate:

1.2. Rolul statisticii n cercetarea tiinific

1.3. Utilizarea statisticii n profesia de asistent social

1.4. Dificulti i riscuri n nsuirea metodei statistice

1.5. Noiuni i concepte utilizate n statistic

Populaie statistic, volum, eantion

Statistica descriptiv i statistica inferenial

1.6. Variabile statistice i msurarea lor

1.7. Scale de msurare a variabilelor statistice

Variabile calitative i cantitative

Variabile continue i variabile discrete

Precizia msurrii i indicatorii statistici

Variabile dependente i independente

ntrebri pentru studiu

Explicai prin ce difer variabila calitativ de una cantitativ.

Exerciiu pentru acas 1.

2.1. Ordonarea datelor brute

2.2. Distribuii (tabele) de frecvene

Tabele de frecvene absolute i procentuale

Tabelul 2.5. Distribuie de frecvene i de procente. Vrsta

2.3. Tabele de frecvene pentru variabile cu intervale de grupare

Datele prezentate n Tabelul 2.9, al procentelor cumulate, indic faptul c ngrijorarea de la

Tabelul 2.10. Distribuie de frecvene absolute i procentuale. Grupa de vrst.

2.4. Utilizarea frecvenelor absolute i relative n comparaii

Tabelul 2.12. Tabelul distribuiei de procente cumulate

Tabelul 2.13. Tabelul distribuiei de frecvene i procente cumulate.

Tabelul 2.14 Tabelul de frecvene cumulate i de procente cumulate grupate:

ntrebri pentru studiu

Ce trebuie s avem in vedere atunci cnd determinm lungimea intervalelor de grupare?

Exerciiu pentru acas 2.

Figura 3.1. Sistem de axe pentru grafice ataate distribuiilor de frecvene

Valori sau clase ale variabilei

3.1. Diagrama de bare i histograma

Figura 3.4. Starea clienilor ageniei XYZ dup intervenie

Figura 3.5. Repartiia clienilor ageniei XYZ dup vrst

nlimea barelor, ca i n cazul diagramei de bare, va fi proporional cu frecvenele. Dac

3.2. Diagrama circular

Figura 3.6.(Exemplu de diagram circular)

Repartitia minorilor in institutiile statului, 1990