Lectia #2

2.1. Populatii si esantioane, caracteristici si variabile 2.2. Reprezentari grafice 2.3. Statistici descriptive. Centrarea unei variabile numerice 2.4. Statistici descriptive. Deviatia 2.5. Statistici descriptive pentru variabile calitative 2.6. Covarianta si corelatia

II-1

2.1. Populatii si esantioane, caracteristici si variabile

Statistica este o stiinta care se ocupa cu tratamentul datelor obtinute din grupuri mici de indivizi si extinderea rezultatelor la populatii mari. Principala caracteristica a proceselor biologice este variabilitatea. Aceasta variabilite determina un anumit grad de incertitudine. Statistica ne permite sa stabilim legi n care sa tinem seama de incertitudine.

anumite atribute importante ale indivizilor; aceste atribute poarta numele de caracteristici. De obicei studiile efectuate asupra indivizilor unei populatii sunt costisitoare si de durata; cteodata ele au ca efect chiar distrugerea indivizilor studiati. Este de neconceput sa poata fi studiati chiar toti indivizii unei populatii mari. Ratiunea esantionarii este limpede: prin efectuarea de studii asupra unei parti relativ mici din populatie parte care este numita esantion sa strngem suficienta informatie care sa ne permita sa inferam la nivelul ntregii populatii asupra caracteristicilor studiate. Numarul indivizilor din esantionul ales este numit volumul esantionului si este notat de obicei, atunci cnd ne referim la un esantion potential (esantionul nu a fost precizat) prin litera n. Unele caracteristici cum ar fi greutatea unui pacient diagnosticat cu tuberculoza, naltimea sa, sau inteligenta unui student sunt masurate si exprimate prin numere. Alte caracteristici cum ar fi sexul sau categoria de vrsta nu sunt masurate, ci sunt identificate prin apartenenta la un grup. Caracteristica culoare a obiectelor ar putea fi masurata (exprimata prin lungimea de unda), nsa de obicei este identificata prin apartenenta la grupurile rosu, portocaliu, galben etc. Atunci cnd ncercam sa comparam sau sa clasificam indivizi, sa stabilim legaturi ntre caracteristicile lor, aceste caracteristici sunt reprezentate prin variabile. Pentru a reprezenta o caracteristica printr -o singura variabila va trebui sa introducem o scara, ceea ce nseamna: 1. Sa definim spatiul observabil, adica multimea tuturor valorilor posibile;

Biostatistica este acel domeniu particular al stiintelor n care metodele specifice statisticii sunt aplicate problemelor biologice (inclusiv medicale), n particular diverselor fenomene si procese care afecteaza calitatea fizica si mentala a oamenilor.
Biostatistica, fiind o ramura a statisticii, ne permite sa dam raspuns la ntrebari cum sunt urmatoarele: a. Care valori sunt normale pentru un anumit proces biologic? b. Ct de mult riscam atunci cnd alegem un anumit tratament? c. Este oare mai bun noul tratament dect cel clasic?

Cuvntul populatie are, n limbajul de zi cu zi, un nteles evident. De obicei, atunci cnd ne referim la o populatie, consideram implicit ca numarul indivizilor ei este mare; aceasta nu exclude nsa multe situatii, cum este cea din exemplul formal populatia pacientilor dr. Ionescu ce sufera de cardiopatie ischemica, n care este clar ca acest numar nu este prea mare. Se subntelege ca o populatie are caracter dinamic (adica numarul indivizilor ei variaza n timp). Totusi, se presupune ca la un moment particular de timp sau ntr-un interval de timp bine definit populatia este bine definita. Fiecare individ al unei populatii si are identitatea sa proprie, iar indivizii prezinta o anumita variabilitate. Atunci cnd studiem o populatie se iau n considerare doar

II-2

2. Sa definim o structura pe spatiul observabil, si 3. Sa admitem ca putem asocia fiecarui individ cte o (singura) valoare din spatiul observabil. Pentru a preciza ideile, sa consideram cteva exemple. Caracteristica naltime a pacientilor este reprezintata evident printr-o variabila, deoarece consideram n mod intuitiv ca valorile sunt numere reale (cu alte cuvinte spatiul observabil este R iar acest spatiu are o structura foarte bogata: operatii aritmetice, ordonare totala etc.). Este clar ca daca ne alegem o unitate de masura (metrul, centimetrul, ) atunci pentru fiecare pacient vom putea sa obtinem e drept, cu o usoara cheltuiala de timp o unica valoare a naltimii sale. Numerele obtinute sunt reale, prin urmare le putem ordona ntre ele, de asemenea le putea aduna, scadea, etc. O asemenea variabila este numita variabila numerica. Aceeasi caracteristica naltime ar putea fi reprezentata de o variabila de cu totul alt tip. Spatiul observabil este acum format doar din etichetele foarte scund, scund, mediu, nalt si foarte nalt. Nu mai este necesara o masurare precisa a pacientilor, le vom putea aprecia vizual naltimea. Asemenea etichete nu pot fi adunate sau scazute, este definita doar ordonarea ntre ele. De data aceasta avem un exemplu de variabila ordinala. Cteodata o caracteristica este exprimata printr-o variabila de decizie (sau variabila binara) ce ia doar doua valori admis/respins (respectiv da/nu etc.). O alta situatie ce trebuie scoasa n evidenta este cea a caracteristicii inteligenta a unui student, care poate fi exprimata printr-un ansamblu de variabile. Asadar, o caracteristica studiata ar putea fi reprezentata, direct sau indirect, prin mai multe variabile . Atunci cnd avem de-a face cu un esantion mare (adica are un numar mare"de indivizi), de obicei variabilele numerice sunt nlocuite prin variabile calitative, ordinale (care reprezinta aceeasi II-3

caracteristica). Mai precis, datele numerice sunt grupate ntr-un numar mic de clase. De exemplu, se utilizeaza foarte adesea clase de vrsta sau clase de naltime. Numarul K de clase este ales n strnsa dependenta de problema studiata si nu exista definit vreun algoritm de stabilire a sa. Un numar prea mic de clase are dezavantajul ca ascunde particularitatile claselor; din contra, un numar mare de clase face dificila reprezentarea grafica a rezultatelor. (Se recomanda reprezentarea grafica a rezultatelor datorita perceptiei mai rapide pe cale vizuala a informatiei.) Se poate face recomandarea de a se forma ntre 8 si 20 de clase.
Sa luam de exemplu clasele de vrsta ale pacientilor, considernd ca studiem un esantion de indivizi diagnosticati cu o anumita maladie. Pare natural sa grupam vrstele lor n clase delimitate subiectiv dupa cum urmeaza C1 = 0-4 ani, C2 = 5-9 ani, C3 = 10-14 ani si asa mai departe. Observam ca toate clasele descrise anterior au aceeasi lungime, anume 5 ani. Aceasta nu este obligatoriu!

n cazul n care fie indivizii sunt grupati natural n clase, fie datele colectate au fost grupate n clase, putem calcula frecvente. Pentru o clasa de date, frecventa absoluta este numarul indivizilor p entru care datele apartin acelei clase. Frecventa relativa se calculeaza prin mpartirea frecventei absolute la numarul total al indivizilor din esantion. Uneori se folosesc si asa-numitele frecvente cumulate. Frecventele variabilelor (nu numai cu valori numerice) se obtin cu usurinta n Excel prin intermediul functiei FREQUENCY(). Aceasta functie are doua argumente: 1. Domeniul n care au fost plasate valorile variabilelor (data array); 2. Domeniul n general pe o coloana n care se trec valorile de separare, n ordine crescatoare (bins array). Rezultatele aplicarii acestei functii sunt plasate ntr -un domeniu ce are o celula n plus fata de domeniul valorilor de separare. n aceasta celula suplimentara va fi afisat numarul valorilor ce depasesc cea mai mare valoare de separare.

2.2. Reprezentari grafice

Adeseori o reprezentare grafica, interpretata vizual, poate fi extrem de eficienta pentru prezentarea unor date sau Ziua saptamnii Luni Marti Miercuri Joi Frecventa absoluta a cazurilor de infarct 4 4 7 3 rezultate. Sa consideram, de exemplu, cazurile de infarct nregistrate ntr-un oras mare, grupate dupa zilele saptamnii: Ziua saptamnii Vineri Smbata Duminica TOTAL Frecventa absoluta a cazurilor de infarct 6 4 8 36

O inspectare vizuala a numerelor din tabel nu este la fel de eficienta ca examinarea vizuala a unei diagrame cu bare sau a unei rozete. Iar reprezentarea datelor ntr-o diagrama cu bare sau de tip rozeta este o operatiune usoara, implementata n

orice soft statistic sau de calcul tabelar. n figurile de mai jos diagrama cu bare a fost obtinua cu Excel, diagrama de tip histograma a fost obtinuta cu Statistica, iar diagramele de tip rozeta au fost obtinute cu Excel si EpiInfo 2000 .

n tabel, n diagrama cu bare, n histograma si n rozete este prezentata aceeasi informatie. Probabil ca suntem de acord cu totii ca informatia reprezentata grafic este mai usor de nteles. (O mica corectie: n diagrama de tip histograma este reprezentata o curba suplimentara, care nsa este inutila n cazul nostru. Vom aborda ulterior interpretarea acestei curbe.) II-4

Se poate observa, n cele doua rozete, ca prezentarea rezultatelor depinde de softul folosit, existnd unele diferente (datorate rotunjirilor). Exista si deosebiri n modul n care trebuie introduse datele. Doar n Excel putem pleca de la tabelul de mai sus. n general se pleaca de la datele primare caz dupa caz.

Att tabelele de frecvente, ct si diagramele sunt adecvate pentru afisarea variabilelor care au un numar mic de valori. Asemenea reprezentari tabelare sau diagramatice nu sunt deloc potrivite pentru variabilele care au un numar mare de valori numerice (asa cum este cazul greutatii pacientilor exprimata n grame). Evident, n asemenea situatii se practica gruparea valorilor n cteva intervale de valori, iar abia apoi rezultatele gruparii sunt prezentate n histograme. De exemplu, sa presupunem ca am cntarit 240 de indivizi (a caror naltime

este de 1.65 m) si am obtinut rezultate care au fost grupate n 16 intervale (grupuri, clase), anume: C1 = 41-45 kg 5 cazuri; C2= 46-50 kg 10 cazuri; C3 = 51-55 kg 20 cazuri; C4 = 56-60 kg 36 cazuri; ... C15 = 111-115 kg 0 cazuri; C16= 116-120 kg 1 caz. Folosind Excel, Statistica si EpiInfo 2000, din aceste date se obtin histogramele urmatoare:

Sa remarcam ca ntr-o histograma clasele sunt intervale de numere reale, iar ntr-o diagrama cu bare clasele sunt reprezentate prin etichete (labels). Reprezentarea grafica a datelor ar putea fi folositoare si pentru identificarea datelor eronate sau a valorilor aberante (outliers). Aceste valori aberante, de orice fel ar fi, distorsioneaza serios rezultatele analizelor statistice.

Atunci cnd se construieste o diagrama de tip histograma, pe axa orizontala se marcheaza punctele de separare ntre clase si, pentru fiecare clasa, se ridica pe verticala un dreptunghi cu naltimea proportionala cu frecventa (fie absoluta, fie relativa) clasei. Dreptunghiurile sunt de latimi egale. ntr-o histograma veritabila aria tuturor dreptunghiurilor este 1.) Sa ncheiem aceasta sectiune subliniind ca reprezentarile grafice sunt folosite pentru accelerarea transferului de informatie de la om la om. Acest transfer bazndu-se nsa pe perceptia vizuala, toate iluziile optice pot fi folosite pentru a induce o perceptie eronata asupra unor date. Trebuie sa fim atenti la corectitudinea tipului de diagrama, la falsificarea datelor prezentate, la modificarea nejustificata a scarilor de masurare, si nu n ultimul rnd la adecvarea textele titlurilor, etichetelor si legendelor de pe diagrama.

II-5

2.3. Statistici descriptive. Centrarea unei variabile numerice

Sa consideram ca, ntr-un studiu efectuat asupra unei populatii mari, suntem interesati n a studia o anumita caracteristica reprezentata printr-o variabila numerica. Dupa ce am ales un esantion sa zicem de n indivizi si am facut masuratorile necesare, vom dispune de numerele reale x1 , x2 ,..., xn . Aceste numere sunt reprezentate prin puncte pe axa reala (a se vedea figura urmatoare) iar intuitia ne spune ca acestea sunt distribuite echilibrat n jurul unui centru. Pare evident cum putem obtine acest centru m: vom calcula media aritmetica a numerelor (adica nsumam numerele, apoi mpartim suma la numarul total n al indivizilor din esantion): x1 + x2 + ... + x n n Sa profitam de ocazie pentru a introduce al doilea nteles al cuvntului statistica, si anume urmatorul: un numar calcula t folosind datele obtinute dintr-un esantion. Formula de mai sus ofera un prin exemplu de statistica. m=
n formula de mai sus toate marimile masurate sunt tratate n mod echitabil (niciuna nu este tratata altfel dect celelalte). Mai mult, rezultatul este exprimat n aceleasi unitati de masura ca si valorile masurate. Aparitia nu neaparat din eroare! unei valori aberante (outlier) influenteaza pozitia mediei aritmetice, totusi nu prea mult a se vedea figura.

Functii care calculeaza instantaneu media aritmetica sunt implementate n orice soft statistic sau de calcul tabelar. De exemplu, n Excel aceasta functie este numita AVERAGE() si are un singur argument, anume domeniul n care au fost plasate datele numerice. nsa, n orice soft statistic media aritmetica este afisata mpreuna cu alte statistici elementare, care sunt considerate strict necesare pentru analiza. De exemplu, Statistica, n modulul sau Basic Statistics/Tables contine o comanda Detailed Descriptive Statistics . Ca un alt exemplu, softul biostatistic EpiInfo 2004 are un modul numit Analysis; aici se ntlneste comanda Means , mpreuna cu alte comenzi, grupate n grupul Statistics . n practica media aritmetica nu este singura statistica utilizata pentru a indica centrul datelor. n cazul n care datele sunt ordonate, ca de exemplu astfel: II-6

x1 x 2 ... x n

poate fi folosita si mediana pentru a indica centrul. Mediana (Me) este punctul ce divide valorile n doua parti egale. n situatia n care toate valorile xi sunt distincte, iar n = 2m + 1 (adica numarul datelor este impar), mediana Me coincide cu valoarea xm +1 care este situata exact n mijloc; atunci cnd n = 2m (numarul datelor este par), mediana Me este media aritmetica a celor doua valori, x m si x m+1 , situate n mijloc. n unele situatii, pentru a indica centrul mediei aritmetice si medianei i este preferat modul. Pentru date categoriale (nenumerice), modul Mo este o statistica definita ca acea valoare ce are frecventa maxima. Pentru date numerice, modul M o, ca centru al datelor, este dat de formula:

Mo = 3 Me 2 m .

2.4. Statistici descriptive. Deviatia

Adeseori evaluarea mprastierii da telor n jurul centrului, eventual o masura a acestei mprastieri, este la fel de importanta ca si aflarea centrului. Multe dintre statisticile care exprima mprastierea sunt definite plecnd de la notiunea de deviatie, ele diferind ntre ele doar prin ntelesul pe care-l acordam acestui termen. O prima statistica, evidenta, este amplitudinea notata cu A, si care este definita ca , diferenta ntre valorile maxima si minima ale seriei de date: A = xmax xmin . Amplitudinea ne informeaza asupra lungimii intervalului de variatie (n cazul unor date numerice); are dezavantajul ca depinde doar de doua dintre valorile seriei, si nu ne informeaza deloc asupra modului n care datele sunt mprastiate ntre extreme. Din contra, deviatia medie (abaterea medie) depinde echitabil de toate valorile seriei de date. Aceasta statistica presupune ca a fost calculata anterior media m a seriei. Definitia precisa este urmatoarea: deviatia medie este media aritmetica a abaterilor valorilor fata de media lor, abateri luate n valoare absoluta: pentru varianta. Daca dorim o statistica ale carei valori sa fie expr imate n aceeasi unitate de masura ca si valorile seriei, care sa depinda echitabil de toate valorile, simultan sa aiba si proprietati matematice bune, atunci formula urmatoare satisface toate aceste conditii. Formula ne da asanumita deviatie standard (abatere standard) a seriei de date:
2 ( x k m) . s= n Anumite ratiuni teoretice (care depasesc nivelul acestei prezentari si nu pot fi explicate acum) fac ca formula abaterii standard sa fie usor modificata n urmatoarea: 2 ( x k m) . n 1 (la numitor apare numarul valorilor din seria de date, diminuat cu 1). Ambele formule de mai sus pentru s necesita foarte multe calcule; evident, ele sunt implementate n soft. Astfel aplicatia Excel dispune de functia STDEV() al carui unic argument este, la fel ca n cazul functiei AVERAGE(), domeniul n care a fost plasata seria de date. n Excel avem la dispozitie multe alte functii statistice, ca de exemplu MEDIAN(), cu folosire evidenta. Statistica ne ofera, n modulul Basic Statistics/Tables, comanda Detailed Descriptive Statistics. Ca rezultat al ei se afiseaza media Mean, deviatia standard Std.Dev., valorile minima si maxima (vezi figura urmatoare). Comanda Means (mpreuna cu altele, grupate n grupul Statistics ) din modulul Analysis al aplicatiei EpiInfo 2000 ofera multe rezultate, incluznd media aritmetica, mediana, varianta, deviatia standard (a se vedea figura de mai jos).

s=

E=

| xk m | . n

Din punct de vedere matematic aceasta formula nu este potrivita (functia modul nefiind derivabila). Acesta este motivul principal pentru nlocuirea sa cu urmatoarea statistica, numita varianta seriei de date:

V=

2 ( x k m) . n

Deviatia medie este exprimata n aceeasi unitate de masura ca si valorile seriei de date, nsa acest lucru nu mai este valabil

II-7

Sa rezumam cele de mai sus: daca dispunem de o serie de date numerice, pentru a le evalua centrul si mprastierea n jurul centrului putem folosi urmatoarele statistici: Media aritmetica m; Mediana Me; Modul Mo ; Amplitudinea A; Abaterea medie (deviatia medie) E; Varianta V; Abaterea standard (deviatia standard) s. (Terminologia dubla n limba romna este cauzata de adoptarea recenta a termenilor din engleza.) Lista anterioara nu este deloc exhaustiva; n practica sunt des utilizate si alte statistici: Cuartilele q1 (prima, de 25%) si q 3 (a treia, de 75%). Acestea sunt numerele care, mpreuna cu mediana Me = q2 (considerata ca a doua cuartila) divid datele seriei n patru parti egale; Asimetria (skewness), care exprima evident lipsa de simetrie a seriei de date n jurul centrului. Sa ncheiem aceasta trecere n revista prin prezentarea unui tip special de diagrama, cunoscuta ca box-and-whisker plot, des folosita n reprezentarea grafica a datelor medicale. ntro astfel de diagrama: o linie transversala sau un asterisc indica centrul; un d reptunghi indica variabilitatea n jurul centrului; acest dreptunghi (box) a) fie contine 50% din datele seriei, anume cele aflate ntre cuartilele q1 si q3 ; b) fie contine datele seriei aflate ntre m 2s si m + 2s .

linii (whiskers) extind dreptunghiul n ambele directii; aceste linii indica domeniul de variatie (excluzndu-se eventualele valori aberante, care sunt marcate special). Un exemplu de trei box-and-whisker plots realiza te cu Statistica este prezentat n figura de mai sus. Ele arata distributii destul de dezechilibrate pentru valorile tuturor celor trei variabile GLIC_08, GLIC_14, GLIC_20.

II-8

2.5. Statistici descriptive pentru variabile calitative

n cazul variabilelor cantitative datele sunt numerice, prin urmare putem calcula media lor prin operatii aritmetice de adunare si mpartire sau abaterea standard (pentru care calculele sunt ceva mai complexe). n cazul variabilelor calitative nsa, valorile sunt etichete, iar operatiile aritmetice nu sunt definite! Am putea nlocui etichetele prin numere de exemplu am putea recodifica eticheta admis prin 1 iar eticheta respins prin 0 si apoi sa facem calculele cu aceste numere; dar, evident, nu avem nicio justificare n a face asa ceva. Data o variabila calitativa, am putea fixa o valoare particulara a ei si apoi, pentru fiecare individ din esantion, am putea nota prezenta respectiv absenta acestei valori. Prezenta este notata de obicei prin 1, iar absenta prin 0. Daca prezenta valorii este constatata la a indivizi ai esantionului, prin raportare vom obtine imediat frecventa relativa a acestei valori: a f = . n Pentru valoarea aleasa, acest raport joaca acelasi rol pe care-l joaca media aritmetica n cazul variabilelor cantitative. (De fapt, este media unor valori ce pot fi doar 1 sau 0.) Prin urmare este o statistica de centrare.

mprastierea este evaluata, n aceasta situatie, prin asa -numita varianta a valorii alese, definita prin:
V = f (1 f )

sau prin deviatia standard a valorii: s= f (1 f ) . (Este vorba de fapt de formulele obisnuite, prezentate n paragraful anterior, adaptate pentru valorile x k = 0 sau 1.) Adevarata statistica de centrare pentru ntreaga serie de date (asadar pentru ansamblul valorilor etichete) este, n acest caz, modul, care nu este altceva dect eticheta/etichetele avnd frecventa maxima.

II-9

2.6. Covarianta si corelatia

Rare sunt studiile efectuate asupra unei populatii n care suntem interesati n a studia doar o anumita caracteristica (reprezentata printr-o variabila). Sa consideram, printr-un exemplu, cazul cel mai simplu, cel n care studiem doua caracteristici: se nregistreaza, pentru fiecare nou nascut, vrsta mamei (n ani) si greutatea noului nascut (n grame). Oare exista vreo legatura ntre aceste doua variabile? Si daca da, oare putem exprima aceasta legatura printr-o formula liniara? La prima vedere se pare ca raspunsurile la aceste ntrebari sunt fie da, fie nu. nsa modul binar de a raspunde la ntrebari nu este specific statisticii! n cadrul statisticii se dau raspunsuri diversificate, de exemplu exprimate printr-un numar ce exprima intensitatea legaturii ntre cele doua variabile (?). Iar fiecare persoana ar putea sa-l interpreteze, dupa cum doreste, ca un da sau un nu! Una dintre posibilitatile de a da asemenea raspunsuri consta n folosirea coeficientului de corelatie (Pearson), al carui calcul se bazeaza pe calculul covariantei. n practica, atunci cnd studiem legatura ntre doua variabile numerice, ncepem prin a alege un esantion, apoi nregistram datele provenite din masuratorile efectuate asupra indivizilor; datele rezultate sunt prezentate fie ntr-un tabel: Individul 1 2 ... k ... n Valorile variabilei X x1 x2 ... Valorile variabilei Y y1 y2 ...

Sa notam cu m X respectiv mY mediile celor doua serii de date. Covarianta ntre cele doua serii de date se calculeaza cu formula

C=

1 n

(x

m X )( y k mY ) .

(Se observa ca atunci cnd seria de date Y coincide cu seria de date X, expresia covariantei C devine expresia variantei V.) Corelatia (liniara) ntre cele doua serii de date este definita prin asa-numitul coeficient de corelatie Pearson: rX ,Y = ( xi m X )( yi mY )
2 2 ( xi m X ) ( yi mY )

Acest numar este ntre 1 si 1. n cazurile extreme (adica atunci cnd numarul rX ,Y este apropiat fie de 1, fie de 1) avem de-a face cu o puternica legatura liniara ntre seriile de date, pe care o putem extrapola (asumndu-ne riscuri!) la o legatura liniara:
Y = X +

ntre variabile. Sa facem observatia ca formula de calcul a coeficientului de corelatie Pearson poate fi rescrisa n felul urmator:
rX ,Y = C s X sY

xk ... xn

yk ... yn

fie ca un nor de n puncte n plan (a se vedea figura de mai sus). n cazul n care (avem impresia ca) punctele sunt aliniate, ne exprimam spunnd ca exista o corelatie liniara ntre variabilele X si Y. II-10

unde s X respectiv sY sunt abaterile standard ale celor doua serii de date. Calculul destul de dificil al numarului rX ,Y este efectuat n Excel prin intermediul

functiei CORREL(). Aceasta functie are doua argumente care sunt, evident, domeniile n care am depus cele doua serii de date. Ca un caz concret, sa pre supunem ca pentru 10 indivizi alesi n esantion au fost masurate temperatura axilara (n C) si pulsul (n numar de oscilatii/minut), obtinndu-se rezultatele din tabelul urmator: i 1 2 3 4 5 6 7 8 9 10 Pulsul x k 75 80 70 90 75 85 80 90 100 95 Temperatura axilara y k 38.2 37.5 36.5 38.3 37.1 38.0 37.6 38.5 39.4 38.9

Prin calcul (cu functia CORREL() din Excel) obtinem (vezi figura de mai jos):

rX ,Y = 0.911885 0.912
care ne indica o legatura liniara puternica ntre puls si temperatura axilara. Coeficientul de corelatie Pearson poate fi calculat doar daca dispunem de date numerice. Sa consideram acum ca valorile variabilelor X si Y nu pot fi obtinute prin masuratori; dimpotriva, ele sunt numere de ordine, asa cum ar fi, de exemplu, rangurile acordate concurentilor de catre doi arbitri. Coeficientul de corelatie Pearson, chiar daca este calculabil, nu ofera o interpretare adecvata a concordantei ntre evaluarile arbitrilor. n situatii de acest fel se va calcula, cu formula
ro = 1 dk N ( N 2 1)
2

n care d k este diferenta rangurilor obtinute de concurentul k , asa-numitul coeficient de corelatie Spearman.

II-11