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” în care
sa tinem seama de incertitudine.
Biostatistica este acel domeniu particular
al stiintelor în care metodele specifice
statisticii sunt aplicate problemelor
biologice (inclusiv medicale), în 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 întrebari cum sunt
urmatoarele:
a. Care valori sunt normale pentru un
anumit proces biologic?
b. Cât de mult riscam atunci când alegem
un anumit tratament?
c. Este oare mai bun noul tratament decât
cel clasic?
Cuvântul populatie are, în limbajul de zi
cu zi, un înteles evident. De obicei, atunci
când ne referim la o populatie, consideram
implicit ca numarul indivizilor ei este
mare; aceasta nu exclude însa multe situatii,
cum este cea din exemplul formal
„populatia pacientilor dr. Ionescu ce sufera
de cardiopatie ischemica”, în care este clar
ca acest numar nu este prea mare.
Se subîntelege ca o populatie are caracter
dinamic (adica numarul indivizilor ei
variaza în timp). Totusi, se presupune ca la
un moment particular de timp – sau într-un
interval de timp bine definit – populatia este
bine definita.
Fiecare individ al unei populatii îsi are
identitatea sa proprie, iar indivizii prezinta o
anumita variabilitate. Atunci când studiem
o populatie se iau în considerare doar
II-2
anumite atribute „importante” ale
indivizilor; aceste atribute poarta numele de
caracteristici.
De obicei studiile efectuate asupra
indivizilor unei populatii sunt costisitoare si
de durata; câteodata 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 strângem suficienta informatie care sa
ne permita sa inferam la nivelul întregii
populatii asupra caracteristicilor studiate.
Numarul indivizilor din esantionul ales
este numit volumul esantionului si este
notat de obicei, atunci când 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,
înaltimea sa, sau inteligenta unui student –
sunt masurate si exprimate prin numere.
Alte caracteristici – cum ar fi sexul sau
categoria de vârsta – nu sunt masurate, ci
sunt identificate prin apartenenta la un grup.
Caracteristica „culoare” a obiectelor ar
putea fi masurata (exprimata prin lungimea
de unda), însa de obicei este identificata
prin apartenenta la grupurile „rosu”,
„portocaliu”, „galben” etc.
Atunci când încercam sa comparam sau
sa clasificam indivizi, sa stabilim legaturi
între 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 înseamna:
1. Sa definim spatiul observabil, adica
multimea tuturor valorilor posibile;
 2. Sa definim o structura pe spatiul
observabil, si
3. Sa admitem ca putem asocia fiecarui
individ câte o (singura) valoare din spatiul
observabil.
Pentru a preciza ideile, sa consideram
câteva exemple. Caracteristica „înaltime” a
pacientilor este reprezintata evident printr-o
variabila, deoarece consideram în 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 înaltimii sale. Numerele
obtinute sunt reale, prin urmare le putem
ordona între ele, de asemenea le putea
aduna, scadea, etc. O asemenea variabila
este numita variabila numerica.
Aceeasi caracteristica „înaltime” ar putea
fi reprezentata de o variabila de cu totul alt
tip. Spatiul observabil este acum format
doar din etichetele „foarte scund”, „scund”,
„mediu”, „înalt” si „foarte înalt”. Nu mai
este necesara o masurare precisa a
pacientilor, le vom putea „aprecia vizual”
înaltimea. Asemenea etichete nu pot fi
adunate sau scazute, este definita doar
ordonarea între ele. De data aceasta avem
un exemplu de variabila ordinala.
Câteodata 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 în
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 când avem de-a face cu un
esantion „mare” (adica are un numar
„mare"de indivizi), de obicei variabilele
numerice sunt înlocuite prin variabile
calitative, ordinale (care reprezinta aceeasi
II-3
caracteristica). Mai precis, datele numerice
sunt grupate într-un numar „mic” de clase.
De exemplu, se utilizeaza foarte adesea
clase de vârsta sau clase de înaltime.
Numarul K de clase este ales în strânsa
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 între
8 si 20 de clase.
Sa luam de exemplu clasele de vârsta ale
pacientilor, considerând ca studiem un esantion
de indivizi diagnosticati cu o anumita maladie.
Pare natural sa grupam vârstele lor în 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!
În cazul în care fie indivizii sunt grupati
natural în clase, fie datele colectate au fost
grupate în clase, putem calcula frecvente.
Pentru o clasa de date, frecventa absoluta
este numarul indivizilor pentru care datele
apartin acelei clase. Frecventa relativa se
calculeaza prin împartirea 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 în
Excel prin intermediul functiei
FREQUENCY(). Aceasta functie are doua
argumente:
1. Domeniul în care au fost plasate
valorile variabilelor (data array);
2. Domeniul – în general pe o coloana
– în care se trec valorile de separare, în
ordine crescatoare (bins array).
Rezultatele aplicarii acestei functii sunt
plasate într -un domeniu ce are o celula în
plus fata de domeniul valorilor de separare.
În aceasta celula suplimentara va fi afisat
numarul valorilor ce depasesc cea mai mare
valoare de separare.
 2.2. Reprezentari grafice
Adeseori o reprezentare grafica, rezultate. Sa consideram, de exemplu,
interpretata vizual, poate fi extrem de cazurile de infarct înregistrate într-un oras
eficienta pentru prezentarea unor date sau mare, grupate dupa zilele saptamânii:
Ziua Frecventa absoluta a Ziua Frecventa absoluta a
saptamânii cazurilor de infarct saptamânii cazurilor de infarct
Luni 4 Vineri 6
Marti 4 Sâmbata 4
Miercuri 7 Duminica 8
Joi 3 TOTAL 36
O inspectare vizuala a numerelor din orice soft statistic sau de calcul tabelar. În
tabel nu este la fel de eficienta ca figurile de mai jos diagrama cu bare a fost
examinarea vizuala a unei diagrame cu bare obtinua cu Excel, diagrama de tip
sau a unei rozete. Iar reprezentarea datelor histograma a fost obtinuta cu Statistica, iar
într-o diagrama cu bare sau de tip rozeta diagramele de tip rozeta au fost obtinute cu
este o operatiune usoara, implementata în Excel si EpiInfo 2000 .

În tabel, în diagrama cu bare, în Se poate observa, în cele doua rozete, ca

histograma si în rozete este prezentata
aceeasi informatie. Probabil ca suntem de
acord cu totii ca informatia reprezentata
grafic este mai usor de „înteles”. (O mica
corectie: în diagrama de tip histograma este
reprezentata o curba suplimentara, care însa
este inutila în cazul nostru. Vom aborda
ulterior interpretarea acestei curbe.)
prezentarea rezultatelor depinde de softul
folosit, existând unele diferente (datorate
rotunjirilor).
Exista si deosebiri în modul în care
trebuie introduse datele. Doar în Excel
putem pleca de la tabelul de mai sus. În
general se pleaca de la datele primare „caz
dupa caz”.

II-4
 Atât tabelele de frecvente, cât 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 în grame). Evident, în
asemenea situatii se practica gruparea
valorilor în câteva intervale de valori, iar
abia apoi rezultatele gruparii sunt prezentate
în histograme.
De exemplu, sa presupunem ca am
cântarit 240 de indivizi (a caror înaltime
Sa remarcam ca într-o histograma clasele
sunt intervale de numere reale, iar într-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.
II-5
este de 1.65 m) si am obtinut rezultate care
au fost grupate în 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:
Atunci când se construieste o diagrama
de tip histograma, pe axa orizontala se
marcheaza punctele de separare între clase
si, pentru fiecare clasa, se ridica pe
verticala un dreptunghi cu înaltimea
proportionala cu frecventa (fie absoluta, fie
relativa) clasei. Dreptunghiurile sunt de
„latimi” egale. Într-o histograma veritabila
aria tuturor dreptunghiurilor este 1.)
Sa încheiem aceasta sectiune subliniind
ca reprezentarile grafice sunt folosite
pentru accelerarea transferului de
informatie de la om la om. Acest transfer
bazându-se însa 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 în ultimul rând
la adecvarea textele titlurilor, etichetelor si
legendelor de pe diagrama.
 2.3. Statistici descriptive. Centrarea unei
variabile numerice
Sa consideram ca, într-un studiu efectuat
asupra unei populatii mari, suntem
interesati în 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”
în jurul unui „centru”.
Pare evident cum putem obtine acest
centru m: vom calcula media aritmetica a
numerelor (adica însumam numerele, apoi
împartim suma la numarul total n al
indivizilor din esantion):
Functii care calculeaza „instantaneu”
media aritmetica sunt implementate în
orice soft statistic sau de calcul tabelar. De
exemplu, în Excel aceasta functie este
numita AVERAGE() si are un singur
argument, anume domeniul în care au fost
plasate datele numerice. Însa, în orice soft
statistic media aritmetica este afisata
împreuna cu alte statistici elementare, care
sunt considerate „strict necesare pentru
analiza”. De exemplu, Statistica, în
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 întâlneste comanda
Means , împreuna cu alte comenzi, grupate
în grupul Statistics .
În practica media aritmetica nu este
singura statistica utilizata pentru a indica
„centrul” datelor. În cazul în care datele
sunt ordonate, ca de exemplu astfel:
II-6
x1 + x2 + ... + x n
m=
n
Sa profitam de ocazie pentru a introduce
al doilea înteles al cuvântului „statistica”, si
anume urmatorul: un numar calcula t
folosind datele obtinute dintr-un esantion.
Formula de mai sus ofera un prin exemplu
de statistica.
În formula de mai sus toate marimile
masurate sunt tratate în mod „echitabil”
(niciuna nu este tratata altfel decât celelalte).
Mai mult, rezultatul este exprimat în 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.
x1 ≤ x 2 ≤ ... ≤ x n
poate fi folosita si mediana pentru a indica
„centrul”. Mediana (Me) este „punctul” ce
divide valorile în doua parti egale.
În situatia în 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 în
„mijloc”; atunci când n = 2m (numarul
datelor este par), mediana Me este media
aritmetica a celor doua valori, x m si x m+1 ,
situate în mijloc.
În unele situatii, pentru a indica „centrul”
mediei aritmetice si medianei îi 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 împrastierii da telor
în jurul centrului, eventual o masura a
acestei împrastieri, este la fel de importanta
ca si aflarea „centrului”. Multe dintre
statisticile care exprima împrastierea sunt
definite plecând de la notiunea de
„deviatie”, ele diferind între ele doar prin
întelesul pe care-l acordam acestui termen.
O prima statistica, evidenta, este ampli-
tudinea, notata cu A, si care este definita ca
diferenta între valorile maxima si minima
ale seriei de date:
A = xmax − xmin .
Amplitudinea ne informeaza asupra
lungimii intervalului de variatie (în cazul
unor date numerice); are dezavantajul ca
depinde doar de doua dintre valorile seriei,
si nu ne informeaza deloc asupra modului în
care datele sunt împrastiate între 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 în
valoare absoluta:
∑ | xk − m |
E= . MEDIAN(), cu folosire evidenta.
n
Din punct de vedere matematic aceasta
formula nu este potrivita (functia modul
nefiind derivabila). Acesta este motivul
principal pentru înlocuirea sa cu urmatoarea
statistica, numita varianta seriei de date:
∑ ( x k − m)
2
V= . grupate în grupul Statistics ) din modulul
n Analysis al aplicatiei EpiInfo 2000 ofera
Deviatia medie este exprimata în aceeasi
unitate de masura ca si valorile seriei de
date, însa acest lucru nu mai este valabil
II-7
pentru varianta. Daca dorim o statistica ale
carei valori sa fie expr imate în 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 asa-
numita deviatie standard (abatere
standard) a seriei de date:
∑ ( x k − m)
2
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 în
urmatoarea:
∑ ( x k − m)
2
s= .
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 în soft. Astfel aplicatia
Excel dispune de functia STDEV() al carui
unic argument este, la fel ca în cazul
functiei AVERAGE(), domeniul în care a
fost plasata seria de date.
În Excel avem la dispozitie multe alte
functii statistice, ca de exemplu
Statistica ne ofera, în 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 (împreuna cu altele,
multe rezultate, incluzând media aritmetica,
mediana, varianta, deviatia standard (a se
vedea figura de mai jos).

— Cuartilele q1 (prima, de 25%) si q 3
(a treia, de 75%). Acestea sunt numerele
care, împreuna cu mediana Me = q2
(considerata ca a doua cuartila) divid datele
seriei în patru parti egale;
— Asimetria (skewness), care exprima
evident lipsa de simetrie a seriei de date în
jurul „centrului”.
Sa încheiem aceasta trecere în revista
prin prezentarea unui tip special de
diagrama, cunoscuta ca box-and-whisker
plot, des folosita în reprezentarea grafica a
datelor medicale. Întro astfel de diagrama:
— o linie transversala sau un asterisc
indica „centrul”;
— un dreptunghi indica variabilitatea în
jurul centrului; acest dreptunghi (box)
a) fie contine 50% din datele seriei,
anume cele aflate între cuartilele
q1 si q3 ;
II-8
Sa rezumam cele de mai sus: daca
dispunem de o serie de date numerice,
pentru a le evalua centrul si împrastierea în
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 în limba româna
este cauzata de adoptarea recenta a
termenilor din engleza.)
Lista anterioara nu este deloc exhaustiva;
în practica sunt des utilizate si alte statistici:
b) fie contine datele seriei aflate între
m − 2s si m + 2s .
— linii (whiskers) extind dreptunghiul în
ambele directii; aceste linii indica domeniul
de variatie (excluzându-se eventualele
valori aberante, care sunt marcate special).
Un exemplu de trei box-and-whisker
plots realiza te cu Statistica este prezentat în
figura de mai sus. Ele arata distributii destul
de dezechilibrate pentru valorile tuturor
celor trei variabile GLIC_08, GLIC_14,
GLIC_20.
 2.5. Statistici descriptive pentru variabile
calitative
În cazul variabilelor cantitative datele
sunt numerice, prin urmare putem calcula
media lor – prin operatii aritmetice de
adunare si împartire – sau abaterea standard
(pentru care calculele sunt ceva mai
complexe). În cazul variabilelor calitative
însa, valorile sunt etichete, iar operatiile
aritmetice nu sunt definite!
Am putea înlocui 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 în 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 caz, modul, care nu este altceva decât
f = .
n eticheta/etichetele având frecventa maxima.
II-9
Pentru valoarea aleasa, acest raport joaca
acelasi rol pe care-l joaca media aritmetica
în cazul variabilelor cantitative. (De fapt,
este media unor valori ce pot fi doar 1 sau
0.) Prin urmare este o statistica de
„centrare”.
Împrastierea este evaluata, în 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 în paragraful anterior, adaptate
pentru valorile x k = 0 sau 1.)
Adevarata statistica „de centrare” pentru
întreaga serie de date (asadar pentru
ansamblul valorilor etichete) este, în acest
 2.6. Covarianta si corelatia
Rare sunt studiile efectuate asupra unei
populatii în care suntem interesati în a
studia doar o anumita caracteristica
(reprezentata printr-o variabila).
Sa consideram, printr-un exemplu, cazul
cel mai simplu, cel în care studiem doua
caracteristici: se înregistreaza, pentru
fiecare nou nascut, vârsta mamei (în ani) si
greutatea noului nascut (în grame). Oare
exista vreo legatura între aceste doua
variabile? Si daca da, oare putem exprima Sa notam cu m X respectiv mY mediile
aceasta legatura printr-o formula liniara? La celor doua serii de date. Covarianta între
prima vedere se pare ca raspunsurile la cele doua serii de date se calculeaza cu
aceste întrebari sunt fie „da”, fie „nu”. Însa formula
modul binar de a raspunde la întrebari nu

∑ (x
este specific statisticii! În cadrul statisticii 1
C= k − m X )( y k − mY ) .
se dau raspunsuri diversificate, de exemplu n
exprimate printr-un numar ce exprima
(Se observa ca atunci când seria de date
intensitatea legaturii între cele doua
Y coincide cu seria de date X, expresia
variabile (?). Iar fiecare persoana ar putea
covariantei C devine expresia variantei V.)
sa-l interpreteze, dupa cum doreste, ca un
„da” sau un „nu”! Corelatia (liniara) între cele doua serii de
Una dintre posibilitatile de a da date este definita prin asa-numitul
asemenea raspunsuri consta în folosirea coeficient de corelatie Pearson:
coeficientului de corelatie (Pearson), al
∑ ( xi − m X )( yi − mY )
carui calcul se bazeaza pe calculul rX ,Y = .
∑ ( xi − m X ) ⋅ ∑ ( yi − mY )
2 2
covariantei.
În practica, atunci când studiem legatura
între doua variabile numerice, începem prin Acest numar este între –1 si 1. În
a alege un esantion, apoi înregistram datele cazurile extreme (adica atunci când numarul
provenite din masuratorile efectuate asupra rX ,Y este apropiat fie de –1, fie de 1) avem
indivizilor; datele rezultate sunt prezentate de-a face cu o puternica legatura liniara
fie într-un tabel: între seriile de date, pe care o putem
extrapola (asumându-ne riscuri!) la o
Indivi- Valorile Valorile
legatura liniara:
dul variabilei X variabilei Y
1 x1 y1 Y = αX + β
2 x2 y2 între variabile.
... ... ... Sa facem observatia ca formula de calcul
k xk yk a coeficientului de corelatie Pearson poate fi
... ... rescrisa în felul urmator:
...
C
n xn yn rX ,Y =
s X sY
fie ca un „nor” de n puncte în plan (a se
vedea figura de mai sus). În cazul în care unde s X respectiv sY sunt abaterile
(avem impresia ca) punctele sunt aliniate, standard ale celor doua serii de date.
ne exprimam spunând ca exista o corelatie Calculul destul de dificil al numarului rX ,Y
liniara între variabilele X si Y. este efectuat în Excel prin intermediul

II-10
functiei CORREL(). Aceasta functie are Prin calcul (cu functia CORREL() din
doua argumente care sunt, evident, Excel) obtinem (vezi figura de mai jos):
domeniile în care am depus cele doua serii
de date. rX ,Y = 0.911885 ≈ 0.912
Ca un caz concret, sa pre supunem ca care ne indica o legatura liniara puternica
pentru 10 indivizi – alesi în esantion – au între puls si temperatura axilara.
fost masurate temperatura axilara (în °C) si
Coeficientul de corelatie Pearson poate fi
pulsul (în numar de oscilatii/minut), calculat doar daca dispunem de date
obtinându-se rezultatele din tabelul
numerice. Sa consideram acum ca valorile
urmator:
variabilelor X si Y nu pot fi obtinute prin
i Temperatura masuratori; dimpotriva, ele sunt numere de
Pulsul x k
axilara y k ordine, asa cum ar fi, de exemplu, rangurile
1 75 38.2 acordate concurentilor de catre doi arbitri.
Coeficientul de corelatie Pearson, chiar
2 80 37.5
daca este calculabil, nu ofera o interpretare
3 70 36.5 adecvata a „concordantei” între evaluarile
4 90 38.3 arbitrilor. În situatii de acest fel se va
5 75 37.1 calcula, cu formula
6 85 38.0 2
∑ dk
7 80 37.6 ro = 1 −
N ( N 2 − 1)
8 90 38.5
în care d k este diferenta rangurilor obtinute
9 100 39.4
de concurentul k , asa-numitul coeficient de
10 95 38.9 corelatie Spearman.

II-11