Sunteți pe pagina 1din 23

GHID DE ELABORARE A LUCRĂRII DE LICENŢĂ/DISERTATIE

MODEL ORIENTATIV COPERTĂ

UNIVERSITATEA „DUNĂREA DE JOS” GALAŢI


FACULTATEA DE EDUCAŢIE FIZICĂ ŞI SPORT
Specializarea: Educaţie Fizică Şi Sport
sau
Kinetoterapie şi motricitate specială
Sau
Master............................................

LUCRARE DE
LICENŢĂ/DISRTATIE

Coordonator ştiinţific:
Lect. univ. dr./ Conf. univ. dr./Prof. univ. dr. Nume Prenume

Absolvent: Nume Prenume

Galaţi, 2017
GHID DE ELABORARE A LUCRĂRII DE LICENŢĂ/DISERTATIE

MODEL
PRIMA PAGINA

UNIVERSITATEA „DUNĂREA DE JOS” GALAŢI


FACULTATEA DE EDUCAŢIE FIZICĂ ŞI SPORT
Specializarea: Educaţie Fizică Şi Sport
sau
Kinetoterapie şi motricitate specială
sau
Master...........................................

Titlul lucrării
....................................................................................

Coordonator ştiinţific:
Lect. univ. dr./ Conf. univ. dr./Prof. univ. dr. Nume Prenume

Absolvent: Nume Prenume

Galaţi, 2017
GHID DE ELABORARE A LUCRĂRII DE LICENŢĂ/DISERTATIE

MODEL ORIENTATIV - CUPRINS

Conţinut pag.
Cap. 1 INTRODUCERE.................................................................................. 2
1.1 Aspecte generale privind importanţa alegerii temei............................. 3
1.2 Motivaţia alegerii temei........................................................................ 5
1.3 Scop, sarcini, obiective şi ipoteza de lucru........................................... 5
Cap. 2 FUNAMENTAREA TEORETICĂ ŞI ŞTIIŢIFICĂ A LUCĂRII...... 6
2.1 Aspecte privind dezvoltarea morfofuncţională a copiilor din ciclul
preşcolar............................................................................................... 6
2.2 Importanţa kinetoterapiei în beneficiul copiilor cu cerinţe
educaţionale
special................................................................................................... 9
2.3 Influienţa psihomotricităţii asupra copiilor cu cerinţe educaţionale
speciale.................................................................................................. 11
2.3.1 Structura şi difecienţele de psihomotricitate....................................... 13
2.4 Particularităţile psiho-sociale ale copiilor cu cerinţe educaţionale
speciale.................................................................................................. 15
2.4.1 Caracteristicile fizice, psihice şi comportamentale ale copiilor cu
cerinţe educaţionale speciale................................................................ 15
Aspecte prvind rolul exerciţiului fizic la copii cu cerinţe educaţionale
2.5
speciale.................................................................................................. 17
2.5.1 Educaţia fizică adaptată şi sportul adaptat la copii cu cerinţe
educaţionale speciale............................................................................. 17
2.5.2 Măsurători psihomotrice utilizate în cercetare ..................................... 18
Cap. 3 ORGANIZAREA SI DESFASURAREA CERCETĂRII...................... 19
3.1 Organizarea şi desfăşurarea studiului..................................................... 19
3.2 Metode şi tehnici folosite în cadrul cercetării........................................ 21
3.3 Elaborarea programului kinetoprofilactic diferenţiat prin mijloace
adaptate din judo..................................................................................... 23
3.4 Testarea iniţială, intermediară şi fianlă a subiecţilor cercetării.............. 26
3.5 Rezultatele testării psihomotrice prin testul Oseretsky – Guillmann.. 29
Cap. 4 REZULTATELE OBŢINUTE ŞI INTERPRETAREA LOR ....................... 31
4.1 Reprezentarea grafică comparativă a testării iniţiale, intermediare şi
finale pentru subiecţii cercetării............................................................ 31
CONCLUZIIRECOMANDĂRI............................................................. 44
BIBLIOGRAFIE.................................................................................... 45

ANEXE .................................................................................................. 46
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

1.10 Utilizarea indicatorilor statistici


Introducere, sau de ce este necesară şi la ce ne ajută statistica

Notă: Prezentul material nu are pretenţia unei elaborări complete, foarte


specializate şi maximum de precise. Intenţia autorului a fost doar aceea ca – intr-un
număr destul de redus de pagini - să-l sensibilizeze pe student asupra necesitătii
tratării statistice minimale a datelor lucrării sale de licenţă, oferindu-i in acelasi
timp, intr-o formă cât mai accesibilă, o prezentare a tehnicilor statistice celor mai
frecvent utilizate in domeniul ştiinţelor sportului.

Statistica reprezintă instrumentul (metoda), prin care observaţiile pe care le


facem (adică cifrele, datele, valorile, rezultatele – indiferent cum le spunem), pot să
fie interpretate obiectiv, pentru a putea extrage din comportamentul lor concluzii.
Există mai multe tipuri de tehnici statistice (metode statistice – de fapt, in ultima
instanţă, formule matematice ), in funcţie de ceea ce îşi propun ele să “scoată” din
date (valori, rezultate):
 tehnici statistice care ne permit să descriem (adică să caracterizăm, la modul
general, global) populaţia de valori;
 tehnici statistice care ne permit să vedem dacă între două serii de date
(valori, rezultate) există relaţii semnificative;
 tehnici statistice care ne permit să vedem, dacă între două sau mai multe serii
de date, există diferenţe semnificative.
Atentie!!! Statistica este, mai complet spus, instrumentul prin care noi constatăm,
dacă între caracteristici sau fenomene există relaţii (corelaţii) sau, respectiv, diferenţe
semnificative.
Ce inseamnă semnificativ? Ce vrea acest termen să desemneze?
Semnificativ se foloseşte în cercetare în opoziţie cu întâmplător. Spre exemplu,
între înălţimea corporală (talie) a unor subiecţi şi performanţele lor la săritura în
lungime, poate să existe o corelaţie, adică este posibil ca totdeauna subiecţii mai înalti
să sară mai mult in lungime. Dar pentru a şti, a afla, că există o corelaţie, trebuie să
aplicăm o anumită formulă, iar dacă rezultatul aplicării acelei formule ne dă dreptul
să spunem că între cele două caracteristici există o corelatţe semnificativă, atunci
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

înseamnă că, în cel puţin 95% din alte situaţii, va exista o corelaţie semnificativ între
înălţimea corporală şi săritura în lungime.
Revenind la cele trei tipuri de tehnici statistice, le vom exemplifica pe fiecare.
I. Tehnici statistice prin care descriem populaţia de valori
Să spunem că am măsurat înălţimea corporală şi săritura în lungime, la elevii
clasei a 7-a dintr-o şcoala. Pentru a analiza, altfel spus, pentru a descrie rezultatele
respective, există două posibilităţi:
 Una, cea mai simplă, să enumerăm rezultatele fiecărui elev (adică, spunem :
ca înălţime Alex are 165 cm., Liviu are 155 cm., George are 160 cm etc. La fel
şi la săritura în lungime). Această metodă, de a înşira efectiv rezultatele
fiecărui subiect, ne spune practic foarte exact cum stă fiecare individ, dar nu
ne spune cum stă clasa în general. În plus, ce ne-am face, dacă am testa toţi
elevii de clasa a 7-a din judeţul Constanţa, sau din ţară. Am scrie mii şi mii de
valori, pe care cu siguranţă nu le-ar citi nimeni, şi din care n-am putea să
tragem concluzii despre înăltimea corporală şi, respectiv, săritura în lungime
a elevilor de clasa a 7-a.
 De aceea, pentru a descrie mai sintetic, deci, pentru a caracteriza mai bine
populaţia studiată (în exemplul nostru elevii de clasa a 7-a), apelăm la o
singură valoare, la configurarea căreia participă însă rezultatele fiecăruia
dintre elevii studiaţi. Această valoare, numită medie, rezultă din adunarea
tuturor înălţimilor elevilor (spre exemplu) şi împărţirea sumei la numărul de elevi.
Valoarea obtinută, deci media, va fi mai mare decât cea mai mică înălţime,
dar mai mică decât cea mai mare înălţime, putând chiar să coincidă cu
înălţimea unuia dintre elevii studiaţi. La fel vom proceda şi pentru săritura în
lungime, dar şi pentru orice alt parametru pe care îl măsurăm.
In concluzie, formula de calcul a mediei ne permite să aflăm acea valoare care
caracterizează cel mai bine populaţia de valori ale înălţimii grupului de elevi
studiaţi, deci care caracterizează cel mai bine populaţia (eşantionul) studiată, din
punct de vedere al înălţimii corporale.
Atenţie !!! Se folosesc termeni care, prin asemănare, pot să inducă în eroare:
populaţie de valori, şir de valori, serii de valori, eşantion de valori, rezultate,
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

caracteristici, parametrii, toţi însemnând, de fapt, valorile cifrice pe care le obţinem în


urma testărilor, a efectuării unor măsurători, a efectuării unor analize etc.
Altă categorie de termeni ( populaţie studiată, eşantion populatţonal, subiecţi
etc) sunt termeni care se referă la subiecţii cercetaţi, măsuraţi, testaţi.
II. Tehnici statistice prin care verificăm dacă între două serii de valori, există
sau nu corelaţii semnificative
Aceste formule ne permit să vedem dacă doi parametrii diferiţi, evoluează în
legatură unul cu altul, altfel spus corelat, corelaţia putând fi directâ (pozitivă) sau
inversă (negativă).
În exemplul nostru, putem să ne propunem să vedem dacă între înălţimea
corporală şi săritura în lungime a subiecţilor noştri, există o legătură, o relaţie, o
corelaţie. Aceasta, deoarece logica ne sugerează, că subiecţii mai înalţi vor sări mai
mult în lungime, dar este posibil ca acest raţionament să nu se verifice în practică.
Deci, în mod concret, noi nu avem voie să spunem că între înalţimea corporală
şi săritura în lungime, există o corelaţie, dar nici să respingem aceasta posibilitate,
fără să calculam coeficientul de corelaţie dintre cele două şiruri de valori, deci fără
să aplicăm o anumită formulă.
Corelaţiile, atunci când există, pot fi de mai multe feluri, dar cel mai frecvent ne
punem problema, dacă avem de-a face cu o corelaţie directă sau cu o corelaţie
inversă.
Vorbim despre o corelaţie directă atunci când calculul ne arată că există o
corelaţie între şirurile de valori studiate, si când valorile respective evoluează în
acelaşi sens (corelaţie pozitivă). Spre exemplu, dacă găsim o corelaţie directă între
înălţimea corporală şi săritura în lungime, aceasta ne arată că totdeauna subiecţii mai
înalţi vor sări mai mult în lungime, şi invers, cei mai scunzi vor sări mai puţin în
lungime. Deci, înălţimea corporală şi săritura în lungime evoluează în acelaşi sens.
O corelaţie inversă poate exista spre exemplu (dacă este dovedită, bineînţeles)
între procentul de fibre lente din muşchii subiecţilor şi, respectiv, săritura în lungime.
Asta ar însemna că atunci când creşte procentul de fibre lente, performanţa la
săritura în lungime scade, şi invers, când scade procentul de fibre lente, performanţa
la săritura în lungime creşte.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

În cercetările pe care le vor realiza studenţii (lucrări de cercetare, lucrări de


licenţă/disertatie) va trebui să se vadă, să se verifice şi acest lucru ; şi anume, dacă
între diversele date pe care le recoltează, există sau nu corelaţii, si ce fel de corelaţii.
De exemplu, se poate cerceta dacă există următoarele corelaţii:
 între numărul de lectii la care au participat subiecţii şi îmbunătăţirea
rezultatelor la testele aplicate;
 între vârsta subiecţilor şi anumite rezultate;
 între rezultatele de la un test şi rezultatele altor investigaţii ( spre exemplu
între rezultatele de la testul Åstrand şi numărul de metri alergaţi de un
jucător de fotbal în meci), sau între rezultatele la două teste diferite (de
exemplu între aruncarea mingei de oină si numărul de flotări etc.);
III. Tehnici statistice care ne permit să vedem, dac între două sau mai multe
serii de valori, există sau nu diferenţe semnificative
În cercetările pe care studenţii le vor face, este aproape imposibil să nu trebuiască
să apeleze la aceste tehnici.
De ce? Pentru că, de obicei lucrările se vor realiza după acest tipar:
 se testează iniţial, deci la început, subiecţii, prin diferite teste;
 apoi, timp de 3, 4 luni sau mai mult, subiecţii sunt supuşi unui program de
activitate /kinetoterapie / antrenament;
 după această perioadă de timp, subiecţii sunt testaţi din nou;
Prin urmare, studenţii vor dori să vadă dacă, spre exemplu, după trei luni de
activitate/ antrenamente, performanţele subiecţilor
a) s-au modificat,
b) în ce sens (s-au îmbunătăţit, sau au scăzut) şi
c) dacă modificarea respectivă este sau nu semnificativă ?
Pentru a afla toate aceste lucruri, vom compara rezultatele iniţiale cu cele finale.
Adică, vom calcula diferenţa dintre ele sau, mai corect spus, vom calcula
semnificaţia diferenţei dintre medii (respectiv dintre media finală si media initială).
Dacă diferenţa dintre mediile respective va fi semnificativă statistic, asta ne dă
dreptul să spunem, că într-adevar programul de antrenament la care au fost supuşi
subiecţii, a influenţat anumiţi parametrii (cei pe care i-am testat iniţial si final). Deci,
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

este un program de activitate/antrenament eficient, pe care dacă îl aplicăm si la alti


subiecţi, există foarte mari şanse ca şi la ei să se producă aceleaşi efecte.
Pragul de semnificaţie. Totdeauna când se spune într-o lucrare, că o diferenţă
este semnificativă statistic, se pune în paranteză un indicativ, care ne arată la ce prag
de semnificaţie diferenţa respectivă este semnificativ. Spre exemplu, se spune: “forţa
subiectilor studiaţi a crescut semnificativ după trei luni de antrenament (p<0,05)”.
Ca să se poata scrie fraza de mai sus, trebuie ca diferenţa dintre media forţei
initiale si media forţei finale sa fie semnificativă la p<0,05. Asta înseamnă că, dacă se
mai iau încă 100 de subiecţi, şi li se aplică aceleaşi programe de antrenament, cu
aceeaşi durată, cel puţin 95% dintre ei îşi vor îmbunătăţi forţa, după trei luni.
O diferenţă dintre două medii poate fi semnificativă şi la alte praguri de
semnificaţie. Aceste praguri le găsim în tabele speciale ; vezi Tabelul nr 2.
Cele mai frecvent utilizate praguri sunt 0,05; 0,01; 0,005; 0,001. Daca o diferenţă
este semnificativă la p<0,001, înseamnă că, dacă luăm 1000 de subiecţi, dintre ei cel
puţin 999 se vor comporta la fel cum s-au comportat majoritatea subiecţilor noştrii.
Aceasta este o situaţie mai rară, iar dacaă ne referim la exemplul nostru de mai sus,
ea ne dă dreptul să spunem, că programul de antrenament propus de noi, este
deosebit de eficient. Deci, totdeauna când comparăm două şiruri de valori, practic
două medii, diferenţa dintre ele poate să fie semnificativă (dacă este semnificativă) la
diverse praguri de semnificaţie (de la 0,10 la 0,0005.
Se pune însă urmatoarea problemă: o diferenţă semnificativa la p<0,10, merită
atenţie sau nu?
Ei bine, de regulă o diferenţă la p<0,10 nu este luată în consideraţie. De aceea, de
obicei, pentru a spune că o diferenţă este semnificativă, ea trebuie să fie
semnificativă la minimum p<0,05. Sau la mai mult : p<0,01; p<0,005; p<0,001;
p<0,0005. Dacă diferenţa este semnificativă la p<0,10 ea este considerată
nesemnificativă (deşi este semnificativă, dar la un prag care nu merită atenţie,
încredere).
Concluzionând, tehnicile statistice din această a treia categorie, ne permit să
vedem dacă între două şiruri de valori pe care noi le comparăm, există sau nu o
diferenţă semnificativă, iar pentru a merita atenţie, trebuie ca diferenţa să fie
semnificativă la cel puţin p<0,05.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

*
* *

Dacă în paginile de mai sus am vorbit la modul general de « tipurile de tehnici


statistice », în continuare vom trece la concretizări, adică vom da exemple de formule
din fiecare categorie. Vom exemplifica, desigur, cu formulele cel mai frecvent
utilizate.
I. Măsurarea tendinţei centrale si a variabilităţii
Spuneam mai sus că dacă aveam o populaţie de valori, aceasta trebuie descrisă,
caracterizată, printr-o singură valoare, care « să dea seamă » de fiecare dintre
valorile populaţiei respective. Deci printr-o valoare, care să ne vorbească despre aşa-
numita tendinţă centrală a populaţiei respective de valori.
Există mai mulţi termeni (media, mediana sau modul) care ne vorbesc despre
tendinţa centrală a unei populaţii de valori. Cea mai cunoscută este media. Dar după
ce calculăm media, vedem că fiecare dintre valorile populaţiei diferă, se deosebeşte,
într-o anumită măsură, de medie, deci de valoarea care exprimă tendinţa centrală.
Mărimea acestor diferenţe dintre valorile populaţiei si medie, constituie aşa-
numita variabilitate. Alături de tendinţa centrală, variabilitatea constituie o a doua
modalitate prin care noi putem caracteriza populaţia de valori.
Dacă tendinţa centrală se exprimă prin medie, mediană sau modul, variabilitatea
este descrisă prin doi termeni: deviaţie/ abatere standard si coeficient de
variabilitate.
În concluzie, pentru a descrie (caracteriza) o populaţie de valori, trebuie să
estimăm tendinţa centrală si variabilitatea. Estimarea tendinţei centrale se poate
realiza calculând media, mediana sau modul, iar estimarea variabilităţii se poate
realiza calculând deviaţia standard si coeficientul de variabilitate. Cel mai frecvent se
calculează media, deviaţia standard şi, respectiv, coeficientul de variabilitate.
1. Măsurarea tendinţei centrale
Media este cel mai cunoscut mod de a vorbi despre tendinţa centrală a unei
populaţii de valori.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

Dacă avem următoarele cifre (să zicem rezultatele unei testări) 4, -5, 3, 6, -2, -1, 4,
-2, 3, -3, media va rezulta din suma lor algebrică împărţită la 10, adică la numărul de
valori, şi va fi 7 : 10 = 0,7. Această valoare medie – 0,7 – reprezintă, deci
caracterizează (exprimă), tendinţa centrală a populaţiei de valori, populaţie
reprezentată de cele 10 cifre.
Mediana. Uneori media nu caracterizează bine populaţia de valori, adică nu
exprimă fidel tendinţa centrală a ei. Să spunem, spre exemplu, că avem 9 valori, dar
ele sunt 4, 5, 4, 6, 3, 5, 26, 3, 4. Media lor va fi 6,7. Dar această valoare, adica 6,7, nu
caracterizează bine populaţia de valori, deoarece ea este mai mică doar decât 26, şi
mai mare decât toate celelalte valori. Or, valoarea care exprimă tendinţa centrală a
unei populaţii de valori, trebuie să se plaseze aproximativ la mijlocul lor, adică să fie
mai mică decât cca. jumătate dintre ele şi să fie mai mare decât cca. jumătate dintre
ele.
Deci 6,7 nu este reprezentativă deoarece 26, foarte mare în comparaţie cu
celelalte 8 valori, a făcut ca ea, media, să nu mai caracterizeze bine populaţia de
valori. Într-un asemenea caz, vom folosi mediana pentru a estima tendinţa centrală.
Mediana este valoarea aflată la mijlocul şirului de valori. Dacă ordonăm
crescător cele 9 valori ale populaţiei despre care vorbim ( 3, 3, 4, 4, 4, 5, 5, 6, 26 ) cifra
de la mijloc, adica 4, va fi mediana. Dacă, spre exemplu, avem un şir cu un număr
par de valori (spre exemplu, 10 valori ), mediana va fi media dintre cele două valori
care se situează la mijlocul şirului (adică valorile a patra şi a cincea din şirul cu 10
valori).
Modul. Modul este valoarea care apare cel mai frecvent într-o populaţie de
valori. În exemplul de mai sus, cifra 4 este cea care apare cel mai frecvent (de trei
ori). Modul se foloseste mai rar.
2. Măsurarea variabilităţii
Pe lânga evaluarea tendinţei centrale, pentru a caracteriza o populaţie de valori
trebuie să estimăm şi variabilitatea. Variabilitatea sau împrăştierea valorilor, se
estimează cel mai frecvent calculând deviaţia standard [DS].
Atenţie!!! Deviaţia standard se mai numeşte: abatere/ standard, abatere medie
pătratică, abatere tip, abatere etalon sau abatere sigma. Cel mai frecvent se folosesc
primele două denumiri.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

Pentru a înţelege cum se calculează deviaţia standard, vom lua următorul


exemplu. S spunem că am pus 5 subiecţi să şuteze de 10 ori la poartă, şi ei au nimerit
poarta, în ordine, de 2, 4, 3, 5 si 6 ori. Populatţa de valori pe care noi vrem s-o
descriem, deci s-o caracterizăm, este reprezentat de cele 5 cifre de mai sus. Deci
pentru a caracteriza populaţia de valori, îi estimăm tendinţa centrală (adică media) şi
variabilitatea, adică DS. Ambele lucruri se pot afla alcătuind următorul tabel (de
obicei media se notează cu “M” sau cu _
X ( adică X cu o bară deasupra).
Tabelul nr. 1
x (rezultatele
Subiecţii x-M 2
(x-M)
individuale)
1 2 -2 4
2 4 0 0
3 3 -1 1
4 5 1 1
5 6 2 4

 x =20  x  M 
2
N=5 0 =10

Media (M sau X ) este, deci, suma rezultatelor individuale (  x ) împărţită la

numărul de subiecţi (N). Formula lui M este, aşadar, următoarea:

M=
x
N
unde, x sunt rezultatele individuale ale fiecărui subiect, iar
N – numărul de subiecţi.
Deviaţia standard (DS) nu se poate calcula decât după ce am calculat media (x;
M). După cum se observă, în coloana a treia scădem media din fiecare rezultat
individual (scăderea algebrică), iar în coloana a patra ridicăm la pătrat fiecare
diferenţă din coloana a treia.
Deci, ori de câte ori vom avea de calculat media şi deviaţia standard, va trebui să
revenim la acest model, să alcătuim acest tabel pe patru coloane, şi să facem toate
operaţiile descrise aici.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

Formula lui DS, care se mai notează şi cu „s” (s mic), este


2
 _

 x  x 
 x  M 
2
S  DS    sau S  DS 
N 1 N 1
unde, DS (s) este deviaţia standard;
M – media;
N – numărul de subiecţi;
x – rezultatele individuale.

Dacă înlocuim în formula aceasta valorile pe care le luăm din tabelul de mai sus,
vom obţine:

10 10
s = DS = = = 2,5 = 1,58
5 1 4
Atenţie!!! În formula de mai sus, vom pune la numitor N - 1, numai dacă
numărul subiecţilor studiaţi este de cel mult 30. Peste acest număr de subiecţi, se
pune chiar numărul respectiv (de subiecţi).
Astfel, dacă am studiat 5 subiecţi (cum este în exemplul nostru), vom pune la
numitor cifra 4, adică 5 – 1. Dacă însă am studiat 31 de subiecţi, vom pune la numitor
31 (acelaşi lucru este valabil şi pentru eşantioane mai mari de subiecţi).
Prin urmare, după ce am calculat media şi deviaţia standard, putem spune că
avem datele esenţiale, care caracterizează populaţia de valori. Totdeauna vom
caracteriza populaţia de valori, menţionând media si deviaţia standard (indferent de
parametri măsuraţi, sau de datele culese; fie că este vorba vârsta, greutate, înălţime,
numărul de flotari, orice).
În cazul exemplului nostru de mai sus, se va scrie:
M ± DS = 4 ± 2,5
De ce este atât de important să calculăm DS?
Tocmai din cauză că, uneori, se poate întâmpla ca în exemplul de mai sus (vezi
mediana) ; adică se poate întâmpla ca media să nu caracterizeze bine populaţia de valori.
Altfel sus, se poate întâmpla ca media să nu constituie o bună reprezentare sintetică a
respectivei populaţii de valori. Această situaţie (în care media nu caracterizează bine
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

populaţia de valori) apare atunci când împrăştierea valorilor este mare, deci când între cele
mai mici şi cele mai mari valori ale populaţiei, există diferenţe mari.
Cine ne spune însă că împrăştierea valorilor este mare sau, altfel spus, că
omogenitatea populaţiei de valori este mică? Tocmai deviaţia standard.
Deviaţia standard ne permite să calculăm aşa-numitul coeficient de
variabilitate (CV). Acest coeficient de variabilitate ne arată cât la sută din medie
reprezintă valoarea pe care o are deviaţia standard.
DS
Formula este : CV(%) = x 100
M
Pornind de valorile exemplului nostru de mai sus, vom avea aşadar :
1,58
CV = x 100 = 0,39 x 100 = 39% Ceea ce reprezintă un CV foarte mare (vezi
4
mai departe)
În funcţie de valoarea lui CV, vom spune că populaţia de valori are o
omogenitate mare, medie sau mică. Limitele pentru a stabili omogenitatea diferă de
la autor la autor, într-o anumită măsură, dar şi în funcţie de domeniul în care se face
cercetarea. Cel mai frecvent se consideră c:
- CV < 10% - defineşte o populaţie de valori omogenă (altfel spus, o populaţie
de valori cu dispersie/ variabilitate mică);
- când CV este între 10 şi 20 %, variabilitatea este medie, iar omogenitatea este
şi ea medie;
- când CV > 20%, populaţia (colectivitatea) de valori este neomogenă, deci
dispersia, adică variabilitatea, este mare. Lucrul acesta putându-se
datora şi faptului că numărul de subiecţi studiaţi este prea mic).
Unii autori spun că vorbim de o lipsă de omogenitate, atunci când CV > 30%.
Din păcate, destui autori români care comunică sau publică lucrări în domeniul
educaţiei fizice şi sportului, nu cunosc foarte bine aceste detalii şi, drept urmare, nu
le dau nici o importanţă. Cu atât mai mult se întâmplă acest lucru în cazul
studenţilor, cu ocazia întocmirii lucrării de licenţă.
De cele mai multe ori (mai ales dacă eşantioanele de subiecţi sunt de peste 20),
populaţiile de valori, adică rezultatele testărilor si măsuratorilor pe care le facem în
educaţie fizică şi sport, au o omogenitate acceptabilă, deci un CV de sub 20%, mai rar
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

până la 30%. În aceste cazuri, spunem că media caracterizează bine populaţia de


valori şi, ca atare, ne putem încrede în relaţiile (informaţiile) pe care ea ni le oferă.
Dacă însă CV este prea mare, atunci media nu caracterizează bine populaţia de
valori şi, drept urmare, lucrurile se complică într-o anumită măsură.
Totuşi, deşi am vorbit destul de mult despre omogenitate, şi despre CV, este
posibil să nu ne fie clar, încă, ce este cu această omogenitate. Pentru a înţelege mai
bine aceste lucruri, ar trebui să vorbim despre aşa-numita distribuţie normală a
valorilor.
Problema distribuţiei normale a valorilor nu este însă una simplă; altfel spus,
chiar a vorbi pe scurt despre ea, tot ne-ar lua câteva pagini. De aceea vom spune
doar că în educaţie fizică şi sport, valorile se distribuie normal ( prin distribuţie
normală înţelegând o distribuţie conformă curbei lui Gauss – vezi Figura nr. 1) şi că,
atunci când valorile se distribuie normal, înseamnă că media se află la jumătatea
distanţei dintre extreme.

Figura nr. 1. Curba lui Gauss

M ± 1DS – împrăştierea valorilor este mică – 68%;


M ± 2DS – împrăştierea valorilor este normală – 95%;
M ± 3DS – împrăştierea valorilor este mare – 99%.

Mai concret spus, când spunem că avem de-a face cu o distribuţie normală,
asta înseamnă că 68% dintre rezultatele populaţiei pe care o studiem, au o
valoare cuprinsă între valoarea reprezentată de M - 1DS (deci de medie minus o
deviaţie standard) şi valoarea reprezentată de M + 1 DS.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

Să luăm următorul exemplu, pentru a înţelege mai bine:


Să zicem că am testat 100 de elevi de clasa a 10-a, la alergarea pe 100 m plat. Prin
calcule am găsit că M ± DS = 22 ± 1,7s. Dacă această populaţie de valori (cei 100 de
timpi obţinuţi de elevi) are o distribuţie normală, înseamnă că 68 de timpi (deci 68%)
vor avea o valoare cuprinsă între M – 1DS (22 – 1,7 = 20,3 s) şi M + 1DS (22 + 1,7 =
23,7 s ), adică 68 de timpi din cei 100 de timpi înregistraţi, vor fi cuprinşi între 20,3 s
şi 23,7 s.
Mai departe, distribuţia normală a valorilor spune că 95% dintre valori vor fi
cuprinse între M - 2DS şi M + 2DS. În exemplul nostru asta înseamnă că 95 dintre cei
100 de timpi (desigur, în cei 95 de timpi intrând şi cei 68 de timpi de mai sus) vor fi
mai mari decât 22 – (2 x 1,7) şi mai mici decât 22 + (2 x 1,7), adică aceşti 95 de timpi
vor fi cuprinşi între 18,6 s si 25,4 s.
În sfârşit, între M – 3DS si M + 3DS vor fi cuprinşi 99 de timpi dintre cei 100 de
timpi înregistraţi.

III. Tehnici statistice de calcul al diferenţei dintre două populaţii de valori


Foarte frecvent în studiile de tip experimental, suntem nevoiţi să comparăm fie
două eşantioane de subiecţi între ele, fie rezultatele aceluiaşi eşantion de subiecţi,
luate iniţial şi apoi în final (după o perioadă de timp), sau după administrarea unui
program de antrenament, sau după administrarea unei substanţe etc. Facând
asemenea comparaţii, noi putem să punem în evidenţă fie efectul unei aşa-numite
variabile independente (deci, a unui factor ce actionează asupra subiecţilor), fie
efectul unei variabile categoriale (de exemplu, să comparăm două grupuri, în funcţie
de sexul lor, sau în funcţie de vârsta lor etc).
Efectul acestor tipuri de variabile este de aşteptat să se facă simţit asupra aşa-
numitelor variabile dependente (prin variabile dependente înţelegem parametrii pe
care noi îi înregistrăm-măsurăm în cadrul testărilor iniţiale şi, respectiv, al testărilor
finale, după ce a acţionat variabila independentă).
Desigur, atât variabila independentă, cât şi variabila sau variabilele
dependente, le stabilim noi la început, când concepem protocolul de cercetare. De
exemplu, în cadrul unei cercetări pe care am realizat-o efectiv cu studenţii, în
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

cadrul orelor de lucrări practice ale cursului de Metodologia Cercetării Ştiinţifice


(MCS), variabila independentă a fost oboseala indusă în 2 moduri : o dată prin 10
contracţii la 25 % din forţa voluntară maximă (FVM), iar altă dată prin 10
contracţii la 50% din FVM. Iar variabilele dependente au fost : FVM (măsurată
înainte şi după inducerea oboselii), indicele de forţă global (adică FVM împărţit la
greutate) şi indicele de forţă al masei slabe (FVM împărţit la masa slabă).
Revenind de unde am plecat, va trebui să se facă mai multe comparaţii:
- între rezultatele iniţiale ale lotului experimental şi martor ;
- între rezultatele iniţiale şi finale ale lotului experimental ;
- între rezultatele iniţiale şi finale ale lotului martor ;
- între rezultatele finale ale celor două loturi;
- eventual alte comparaţii.
La fel va trebui să se întâmple şi în cazul lucrărilor de licenţă, şi în general în
cazul oricărei lucrări ştiinţifice; vor trebui să se compare rezultatele din diferite
momente ale experimentului, precum şi rezultatele lotului experimental cu
rezultatele lotului martor ( dacă există lot martor, şi este foarte recomandabil să
existe). De fapt ce facem noi, atunci când efectuăm nişte
comparaţii? Nu facem altceva decât să verificăm dacă între populaţiile de valori
pe care le comparăm, există sau nu o diferenţă semnificativă din punct de vedere
statistic.
Iar dacă găsim că diferenţa este semnificativă la p<0,05, ce înseamnă asta? Ce
ne spune faptul că diferenţa este semnificativă la p<0,05 ?
Ne spune că acea diferenţă nu se datorează decât cel mult în proporţie de 5%
întâmplării, şansei. Sau, altfel spus, că dacă supunem alţi 100 de subiecţi
asemănători cu cei studiaţi de noi, la acţiunea aceleiaşi variabile independente, cel
puţin 95% dintre ei se vor comporta la fel ; deci variabila dependentă (rezultatul
analizat) se va modifica în acelaşi mod.
Dacă diferenţa este semnificativă la p<0,001, valabilitatea constatării noastre
este si mai mare, deoarece în acest caz înseamnă că dintr-o 1000 de subiecţi care ar
fi supuşi acţiunii variabilei independente respective, doar cel mult unul ar putea
să se comporte diferit, restul de 999 urmând a se comporta identic cu ceea ce am
constatat noi la subiecţii noştri.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

Iată deci, de ce trebuie să facem calcule statistice si de ce nu avem dreptul să


spunem că un program de antrenament a produs imbunătăţiri, decât dacă
diferenţa dintre rezultatele iniţiale si rezultatele finale, este semnificativă la cel
puţin p<0,05. Altfel, dacă nu este semnificativă la cel puţin p<0,05, înseamnă că în
îmbunătăţirea pe care noi am constatat-o, întâmplarea a avut un efect ( a jucat un
rol) prea mare, iar dacă noi repetăm experimentul, există sanse mici ca el sa se
confirme.
Tehnici statistice prin care aflăm dacă între doi parametri diferiţi măsuraţi (sau
între mai mulţi), există sau nu o legatură, o relaţie
Revenim la problema corelaţiei, corelaţie care, am spus-o deja, poate fi
pozitivă sau negativă.
Atenţie însă !!! Ca şi în cazul celorlalte tehnici statistice, şi în acest caz, al corelaţiei,
există mai multe tipuri de corelaţii. Noi vom prezenta cel mai simplu tip de corelaţie :
corelaţia dintre doi parametri diferiţi, de exemplu corelaţia dintre timpul obţinut în
alergarea pe distanţa de 10 000 m şi rezultatul la testul Åstrand, sau - cum am mai spus
– între numărul de lectii/antrenamente la care iau parte subiecţii şi, respectiv, progresul
înregistrat la o probă de control.
1. Coeficientul de corelaţie Pearson (r)
Pentru a întelege mai bine cum trebuie să procedăm, vom lua iar un exemplu
din lucrarea pe care am efectuat-o la MCS. Lucrare care se referă la influenţa ce o
are asupra FVM a flexorilor palmari, execuţia a 10 contracţii la 25 % şi, respectiv,
la 50 % din FVM. Datele pe care le-am colectat în cursul efectuării cercetării, ne
permit să calculăm coeficienţii de corelaţie dintre mai multe perechi de parametri
diferiţi, dar noi ne vom opri doar la una dintre posibilele corelaţii.
Spre exemplu, vrem să vedem dacă la eşantionul experimental de fete, există o
corelaţie (o legatură, o relaţie) între masa slabă şi indicele de forţă înregistrat
după 10 contracţii la 25 % din FVM.
Calculul lui “r” presupune să alcătuim un tabel (vezi Tabelul nr. 4), în cadrul

căruia calculăm x2, y2 şi produsul dintre x si y, pentru fiecare subiect în parte,


iar în continuare, pentru fiecare rubrică a tabelului calculăm suma, adică Σ.
Tabelul nr. 4
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

y
2
x indicele de x
Subiecţi
masa slabă forţă după 10 2 xy
y
(Kg) contracţii (în
procente)
1 47,1 30,2 2218,4 912,0 1422,4
2 51,2 39,6 2621,4 1568,1 2027,5
3 49,9 29,1 2490,0 846,8 1452,0
4 56,4 42,9 3180,9 1840,4 2149,5
5 53,7 43,0 2883,6 1849,0 2309,1
6 56,6 45,1 3203,5 2034,0 2552,6

 x =314,9  y =229,9 x 2
=16597,8 y 2
 xy
=9050,3 =12183,1

Formula dupa care se calculează “r” este:


N  xy   x  y 
r= ,
N  x 2   x  N  y 2   y 
2 2

unde N este numărulu de subiecţi, în cazul nostru 6.


În formula de mai sus înlocuim datele, pe care le luăm din tabel:
6  12183,1  314,9  229,9 73098,6  72395,5
r  
6  16598,8  314,9  6  9050,3  229,9 99592,8  99162,0  54301,8  52854,0
2 2

703,1 703,1 703,1


   0,89
430,8  1447,8 20,7  38,0 786,6

În acest moment, deci după ce am aflat valoarea lui „r”, trebuie să apelăm la un
tabel special (Tabelul nr. 5), pentru a compara valoarea lui „r” găsită de noi
(adică + 0,89) cu valorile lui „r” din tabel. Este la fel ca şi în cazul lui „t”.
Atenţie !!! Coeficientul de corelaţie nu poate fi mai mare de 1, dar nici mai mic decât
minus 1 ( - 1). Dacă avem alt rezultat, înseamnă că am greşit calculele.
Deci având (cunoscând) acum valoarea lui „r” pentru corelaţia dintre masa slabă
şi indicele de forţă, constatat după 10 contracţii la 25% din FVM, vrem să vedem dacă
această corelaţie este reală, adică semnificativă statistic. Pentru aceasta, în Tabelul nr.
5 ne uităm pe coloana lui p<0,05. dar mai întâi trebuie să vedem la ce grad de
libertate luăm „r” –ul din tabel.
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

În cazul „r” –urilor, gradele de libertate se calculează prin formula N – 2; noi,


având 6 subiecţi, vom verifica „r”-ul pentru 6 – 2 = 4 grade de libertate.
Tabelul nr. 5
Valorile critice ale lui “r” (coeficienţii de corelaţie)
Pragul de semnificaţie în cazul unei corelaţii ce nu poate fi atât negativă cât şi pozitivă,
ci numai pozitiva sau numai negativă* (vezi explicaţiile sub tabel)
Grad de p < 0,05 p < 0,025 p < 0,01 p < 0,005 p < 0,0005
libertate Pragul de semnificaţie în cazul unei corelaţii ce poate fi atât pozitivă cât şi negativă
N–2 p < 0,10 p < 0,05 p < 0,02 p < 0,01 p < 0,001
1 0,9877 0,9969 0,9995 0,9999 1,0000
2 0,9000 0,9500 0,9800 0,9900 0,9990
3 0,8054 0.8783 0,9343 0,9587 0,9912
4 0,7293 0,8114 0,8822 0,9172 0,9741
5 0,6694 0,7545 0,8329 0,8745 0,9507
6 0,6215 0,7067 0,7887 0,8343 0,9248
7 0,5822 0,6664 0,7498 0,7977 0,8982
8 0,5494 0,6319 0,7155 0,7646 0,8721
9 0,5214 0,6021 0,6851 0,7348 0,8471
10 0,4973 0,5760 0,6581 0,7079 0,8233
11 0,4762 0,5529 0,6339 0,6835 0,8010
12 0,4575 0,5324 0,6120 0,6614 0,7800
13 0,4409 0,5139 0,5923 0,6411 0,7603
14 0,4259 0,4973 0,5742 0,6226 0,7420
15 0,4124 0,4821 0,5577 0,6055 0,7246
16 0,4000 0,4683 0,5425 0,5897 0,7084
17 0,3887 0,4555 0,5285 0,5751 0,6932
18 0,3783 0,4438 0,5155 0,5614 0,6787
19 0,3687 0,4329 0,5034 0,5487 0,6652
20 0,3598 0,4227 0,4921 0,5368 0,6524
25 0,3233 0,3809 0,4451 0,4869 0,5974
30 0,2960 0,3494 0,4093 0,4487 0,5541
35 0,2746 0,3246 0,3810 0,4182 0,5189
40 0,2573 0,3044 0,3578 0,3932 0,4896
45 0,2428 0,2875 0,3384 0,3721 0,4648
50 0,2306 0,2732 0,3218 0,3541 0,4433
60 0,2108 0,2500 0,2948 0,3248 0,4078
70 0,1954 0,2319 0,2737 0,3017 0,3799
80 0,1829 0,2172 0,2565 0,2830 0,3568
90 0,1726 0,2050 0,2422 0,2673 0,3375
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

100 0,1638 0,1946 0,2301 0,2540 0,3211

Tabelul nr. 5. După Fisher & Yates, Statistical Tables for Biological,
Agricultural and Medical Research, editata de Oliver & Boyd Ltd., Edinburgh.
Si in acest caz, după ce am obţinut valoarea lui r, trebuie să ştim foarte bine cum
să interpretăm valoarea respectivă, altfel spus cum să ne raportăm la elementele
acestui tabel al r-urilor.
Citind bine/atent capul prezentului tabel vedem că avem şi în acest caz două
situaţii:
a). Putem avea de-a face cu o corelaţie ce nu poate fi atât negativă cât şi
pozitivă, ci numai pozitiva sau numai negativă, situaţie în care trebuie să ne uităm
la /să invocăm p-urile de pe primul rând, adică: : p < 0,05, p <0,025, p < 0,01, p <
0,005, p< 0,0005.
Să luam următorul exemplu: După 6 luni de antrenament sistematic, testăm
cei 10 subiecţi pe care ii avem la sala de aerobic, pentru a vedea ce capacitate aerobă
de efort au, adică ce VO2 max au. Iar pentru a ne dovedi ( şi a le dovedi şi lor) eficienţa
şedinţelor noastre de aerobic, verificăm dacă există o corelaţie între numărul de
şedinţe efectuate şi VO2 max.. Facem calculele respective ţi obţinem un r = + 0,7710.
Ne uităm în tabelul de mai sus, în dreptul gradului de libertate 8 (deoarece, în
acest caz, gradul de libertate se calculează după formula N – 2, deci 10 – 2) şi
constatăm că r-ul nostru (0,7710) este mai mare decât 0,7646, înscris pe penultima
coloană a tabelului, dar mai mic decât 0,8721, adică decât valoarea de pe ultima
coloană, din dreptul gradului de libertate 8.
Mergem la capul tabelului şi constatăm că în dreptul penultimei coloane
avem, sus p < 0,005, iar jos avem , p < 0,01. Pe care dintre cele două p-uri îl luăm
în consideraţie, în cazul de faţă ?
Ei bine, luăm în consideraţie p < 0,005, deoarece în acest exemplu corelaţia
dintre numărul de şedinţe efectuate şi VO2 max, nu poate fi decît pozitivă. Adică
logica exclude posibilitatea ca cu cât numărul de şedinţe de aerobic este mai mare,
VO2 –ul maxim al subiecţilor să fie mai mic.
La fel ar trebui să procedăm spre exemplu şi în cazul calculării coeficientului
de corelaţie dintre înălţimea subiecţilor şi lungimea paşilor (corelaţie ce nu poate fi
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

decât tot pozitivă), sau al corelaţiei dintre numărul aruncărilor la coş efectuate în
antrenamente pe parcursul unei perioade de 3 luni şi numărul ratărilor, într-un joc
oficial, disputat imediat la terminarea perioadei respective (corelaţie ce nu poate fi
decât negativă)- Să ne înţelegem bine însă: în toate exemplele de mai sus corelaţiile
respective pot sa nu fie semnificative, dar dacă sunt semnificative, ele nu pot fi
decât de tipul specificat – ori numai pozitive ori numai negative - motiv pentru care
trebuie să ne raportăm la primul şir de p-uri.
b). Există însă şi corelaţii (majoritatea, de fapt), despre care nu avem
argumente logice/indiscutabile, să spunem că nu pot fi decât pozitive sau decât
negative. In asemenea situaţii va trebui să ne uităm la al doilea şir de p-uri, ale
tabelului de mai sus.
În tabelul lui „r”, vedem că în dreptul lui 4 (de pe coloana gradelor de libertate), pe
coloana lui p<0,05 găsim un „r” de 0,7293. Iar „r”-ul nostru este de +0,89 [Atentie !!!
Când ne vom uita in Tabelul nr. 5 nu vom ţine cont de semnul ( dacă este + sau - )
lui “r” ], deci mai mare decât cel din tabel. Asta ne dă dreptul să spunem că, în acest
caz, corelaţia este semnificativă statistic cel puţin la p<0,05.
Ne uităm însă şi pe coloana lui p<0,01 şi vedem că r-ul corespunzător (din tabel)
este de 0,8822. Prin urmare r-ul calculat de noi (0,89) este mai mare şi decât acesta. De
aceea spunem : corelaţia este semnificativă statistic la p<0,01, şi nu mai amintim de
p<0,05, deoarece este mai bine ca ea, corelaţia, să fie semnificativă la p<0,01 decât la
p<0,05.
Mai departe, pe coloana lui p<0,005, r-ul este de 0,9172; deci r-ul acesta din tabel,
este mai mare decât cel calculat de noi. Ceea ce înseamnă că legătura
(relaţia/corelaţia) respectivă nu mai este semnificativă statistic şi la p<0,005.
Aşadar, în urma tuturor demersurilor de comparare a « r » -ului calculat, cu r-
urile din tabel, concluzia este: corelaţia dintre cei doi parametri este semnificativă la
p<0,01. Ea (corelaţia) este pozitivă, adică ne arată că cei doi parametri dovediţi a fi
corelaţi ( să ne reamintim care sunt aceşti parametri : masa slabă şi, respectiv,
indicele de forţă) evoluează în acelaşi sens. Adică, atunci când masa slabă creşte, şi
indicele creşte, iar când masa slabă scade, scade şi indicele respectiv.
Reamintim faptul că semnificaţia statistică ne arată probabilitatea ca, dacă
studiul se repetă, să găsim acelasi lucru. În cazul nostru, putem spune că, dacă
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

studiul s-ar repeta, există probabilitatea de 99% (p<0,01) ca să găsim tot o corelaţie
pozitivă. Sau, mai explicit spus, dacă am mai executa 100 de studii similare (deci cu
subiecti identici si cu acelasi protocol), în 99 dintre cele 100 de studii vom găsi că
între masa slabă şi indicele de forţă, există o corelaţie pozitivă.
2. Utilizarea corelaţiei pentru realizarea unei predicţii
Estimarea corelaiei dintre doi parametri, ne poate ajuta să prezicem valoarea
unuia din valoarea celuilalt, prin aplicarea unei formule, adică a unei ecuaţii de
regresie, ce se calculează pentru cazul dat. Spre exemplu, după ce calculăm ecuaţia
de regresie respectivă, este posibil ca, cunoscând valoarea consumului maxim de
oxigen (VO2 max), să aflăm (ştim) ce timp va obţine un subiect, în cursa de 10 000 m.
Sigur, pentru aceasta ar trebui să calculăm ecuaţia de regresie ce stabileşte relaţia
dintre VO2 max. şi, respectiv, timpul pe 10 000 m. Adică, după ce la aceiaşi subiecţi
pe care-i studiem, le măsuram VO2 max. şi timpul în cursa de 10 000 m, calculăm
ecuaţia de regresie. Iar dacă eşantionul respectiv de subiecţi este suficient de
reprezentativ (reprezentativitate ce se evaluează, de asemenea, printr-o tehnică de
calcul statistic), putem ca şi pentru alţi subiecţi să calculăm timpul ce va fi obţinut în
proba de 10 000 m. Altfel spus, să prezicem timpul respectiv – de aceea se spune
predictţe - fără să-i punem să alerge, efectiv, cursa de 10 000 m.
Aflarea ecuaţiei de regresie constituie un procedeu statistic ceva mai
complicat, iar noi nu-l vom prezenta în această lucrare. Trebuie însă să ştim că
predicţia este posibilă, iar dacă în lucrarea ştiinţifică pe care o executăm, va fi cazul
să aplicăm această tehnică statistică, va trebui să ne documentăm foarte bine asupra
ei, înainte de a o aplica efectiv pe populaţiile noastre de valori.
Pe lângă ecuaţia de regresie, mai există şi aşa-numita, regresie multiplă, prin
care se estimează modul cum o singură variabilă dependentă, este influenţată de
mai multe variabile independente (numite predictori, deoarece, pornind de la ei, şi
aplicând ecuaţia de regresie multiplă calculată, putem să prezicem variabila
dependentă).
În sfârşit, mai există şi aşa-numita corelaţie parţială, precum şi corelaţia
semiparţială. Sunt metode statistice care se aplică în cazuri foarte bine definite , dar
despre care de asemenea nu ne ocupăm aici. Totuşi, ar fi ideal ca, atunci când se
impune utilizarea lor, să se apeleze la respectivele tehnici de calcul statistic, deoarece
GHID DE INTOCMIRE A LUCRARII DE LICENTA/DISERTATIE

numai în acest fel putem spune că datele (rezultatele) culese, sunt exploatate corect şi
maximal, din punct de vedere statistic.
Iată prin urmare, cam ce probleme trebuie să ne punem de fiecare dată, când
vrem să interpretăm rezultatele înregistrate în cadrul unei cercetări ştiinţifice. A
calcula doar media (M) şi abaterea standard (DS) şi, eventual, coeficientul de
variabilitate (CV), înseamnă foarte puţin, iar acest tratament statistic al datelor nu ne
dă dreptul să tragem concluzii pertinente. Din păcate, marea majoritate a lucrărilor
din Romania (atat cele de licenţă cât şi cele comunicate la diverse sesiuni, sau
publicate în reviste) sunt, încă, destul de slabe la acest capitol al tratamentului
statistic.