Вы находитесь на странице: 1из 326

УДК 796/799

ББК 75.1
Г93
Рецензенты:
Неверкович С.Д. – академик РАО, доктор педагогических наук,
профессор, заведующий кафедрой педагогики Российского госу-
дарственного университета физической культуры, спорта, моло-
дежи и туризма (ГЦОЛИФК);
Сенькина Г.Е. – доктор педагогических наук, профессор, заслу-
женный работник высшей школы РФ, заведующий кафедрой инфор-
мационных и образовательных технологий Смоленского государст-
венного университета

Губа В.П.
Г93 Педагогические измерения в спорте: методы, анализ
и обработка результатов: монография / В.П. Губа, Г.И. Попов,
В.В. Пресняков, М.С. Леонтьева – М.: «Спорт», 2020. – 324 с.
ISBN 978-5-907225-47-3
В монографии представлены актуальные методологические,
организационно-методические и практические вопросы процесса
измерений, вычислений; рассматриваются элементы тестирования
человека, а также способы их математико-статистической обработки,
встречающиеся в ходе педагогической и научной деятельности раз-
личного рода специалистов. Интегрируются и анализируются основ-
ные методы обработки данных, включая параметрический и непара-
метрический критерии, корреляционный, регрессионный, диспер-
сионный и факторный анализы, позволяющие дать объективную
оценку всего процесса. Приведены необходимые теоретические
сведения и формулы для расчета рейтинговых оценок, наиболее
часто встречающихся в спортивно-педагогических исследованиях
как одного человека, так и коллектива.
Монография предназначена для студентов, магистрантов и аспи-
рантов высших учебных заведений, специалистов в области физи-
ческого воспитания и спорта, тренеров, а также исследователей
из смежных областей науки, применяющих в своей работе матема-
тико-статистические методы в целях эффективного решения прак-
тических задач.

© В.П. Губа, Г.И. Попов, В.В. Пресняков,


М.С. Леонтьева, 2020
ISBN 978-5-907225-47-3 © Издательство «Спорт», 2020
Предисловие
Окружающий нас мир дает примеры того, как прогрессирует
человечество и как изменяется он сам. Правда, эти изменения не
всегда положительны, особенно если вспомнить об экологических
и других проблемах, порождаемых цивилизацией.
Именно наука – главная причина столь плодотворно протекаю-
щей научно-технической революции, перехода к постиндустри-
альному обществу. Как основная форма человеческого познания
в наши дни она становится все более и более значимой и востре-
бованной частью реальности.
Особенно важна роль науки в образовании. В основу учебного
процесса заложена научная картина мира, формирующая научное,
достоверное знание о мироздании, о разных областях и сферах
действительности. В системе образования происходит встреча
каждого человека с наукой, начинается подготовка к жизни, форми-
руется мировоззрение. Научные подходы и методы пронизывают
все содержание учебного процесса. Образовательные модели
опираются на сугубо научные обоснования и достижения многих
наук – математики, физики, педагогики, психологии, физиологии,
информатики, биомеханики и т.д. Современное общество нужда-
ется в специалистах, не только обладающих определенной суммой
знаний, но и способных находить выход из нестандартных ситуа-
ций, умеющих адаптироваться к быстроменяющимся условиям
среды и потоку информации. А это возможно только тогда, когда
молодые люди, особенно обучающиеся в системе высшего обра-
зования, приобщаются к освоению научных знаний, методов
и получают навыки проведения научного исследования во всей
его логике и с его инструментарием извлечения полезной инфор-
мации из массы первичных данных, анализа и интерпретации
результатов опыта. Высшее образование – это не просто образо-
вание, которое дает больше информации, знаний и навыков, чем

3
в колледже или техникуме. Его прикладной, прагматический ком-
понент обязательно является производным, по крайней мере,
тесно связанным с компонентом чисто теоретическим, научным.
Только это и дает силу истинному образованию, не позволяя ему
стать простой констатацией бытовых наблюдений над жизнью
и освоением лишь элементарных профессиональных операций
в практической деятельности.
Система образования, включающая в себя науку, пополняет
саму науку интеллектуальными кадрами наиболее одаренных,
талантливых, неординарных личностей из числа обучающихся,
способствуя тем самым подъему общества на новый интеллекту-
альный уровень во всех сферах человеческой деятельности.
Характерной чертой современного образования является вовле-
чение заинтересованных студентов в научные исследования.
Но для этого студент должен иметь элементарные представления
о них.
В спортивно-педагогической практике необходим постоянный
педагогический контроль за состоянием здоровья, уровнем разви-
тия физических способностей, степенью освоения спортивной
техники, совершенствованием спортивной формы и тренирован-
ностью с целью постоянной коррекции применяемых методов,
средств, а также адекватных объемов нагрузки. Решение такой
сложной функции педагогом-тренером предполагает постоянное
применение качественной математической обработки значитель-
ной информации, получаемой в ходе профессиональной деятель-
ности.
Знание и умение правильно пользоваться математико-статисти-
ческим аппаратом специалистами в области физической культуры
и спорта явилось бы существенным шагом в объективизации
и положительной результативности процесса физического воспи-
тания и спортивной тренировки, что в свою очередь послужило
бы качественным толчком в эффективности изложения материала
начиная от выпускных квалификационных работ и заканчивая
серьезными диссертационными исследованиями.
Предлагаемая монография ставит своей целью ознакомить чита-
теля с многими процессами в педагогической деятельности, которые

4
можно не только оценить, но и сравнить как сиюминутно, так
и в динамике всех исследований.
Монография предназначена для студентов, магистрантов, аспи-
рантов, докторантов, сотрудников педагогических вузов, специа-
листов в области физической культуры и спорта, тренеров, а также
исследователей из смежных областей науки, применяющих стати-
стические методы при решении практических задач.
ГЛАВА 1.
НАУКА О ПЕДАГОГИЧЕСКИХ
ИЗМЕРЕНИЯХ

1.1. ОСНОВНЫЕ ПОНЯТИЯ О НАУКЕ


И ИЗМЕРЕНИЯХ

Измерением какой-либо физической величины называется опера-


ция, в результате которой определяется, во сколько раз эта вели-
чина больше (или меньше) другой величины, принятой за эталон.
Широкое распространение получило и такое определение: «Изме-
рение – познавательный процесс, заключающийся в сравнении
путем физического эксперимента данной величины с известной
величиной, принятой за единицу сравнения».
В Национальном стандарте РФ «Метрологическое обеспече-
ние» дано определение более лаконичное, но содержащее ту же
мысль: «Измерение – нахождение значения физической вели-
чины опытным путем с помощью специальных технических
средств».
Сравнение неизвестного размера с известным и выражение
первого через второй в кратном или дольном отношении человеку
приходится делать в жизни бесчисленное количество раз. Сравни-
вая мысленно высоту людей с представлением о единице длины
в Международной системе, мы измеряем их рост на глаз с точно-
стью до нескольких сантиметров. Некоторые из нас могут на глаз
определить, с какой примерно скоростью движется автомобиль.
Результаты таких измерений в значительной мере зависят от ква-
лификации тех, кто их выполняет. Штангист, например, довольно
точно может определить массу поднимаемой штанги. В этом случае
информация о размерах тех или иных физических величин,
доставляемая с помощью органов чувств, сравнивается с пред-
ставлением о соответствующих единицах, и неизвестные размеры

6
выражаются через эти единицы в кратном или дольном отно-
шении.
Измерения, основанные на использовании органов чувств чело-
века (осязания, обоняния, зрения, слуха и вкуса), называются
органолептическими. Измерение времени, например, или грави-
тации (космонавтами) основывается на ощущениях. Еще менее
совершенные измерения строятся на впечатлениях. К ним отно-
сятся конкурсы мастеров искусств (скульпторов, художников,
поэтов, композиторов), соревнования спортсменов по фигурному
катанию, художественной гимнастике и т.п. Измерения, основан-
ные на интуиции, называются эвристическими. При всех таких из-
мерениях, кроме ранжирования (расстановки измеряемых величин
в порядке возрастания или убывания их величин), широко приме-
няется способ попарного сопоставления, когда измеряемые вели-
чины сначала сравниваются между собой попарно и для каждой
пары результат сравнения выражается в форме «больше – меньше»
или «лучше – хуже». Затем ранжирование проводится на основа-
нии результатов попарного сопоставления.
Человек – высокосовершенное «средство измерения». Однако
вполне объективными могут считаться только измерения, выпол-
няемые без участия человека.
Измерения, выполняемые с помощью специальных техниче-
ских средств, называются инструментальными. Среди них могут
быть автоматизированные и автоматические.
Автоматизированные измерения не исключают участия в них
человека. Он может, например, проводить съем данных с отсчет-
ного устройства измерительного прибора (шкалы со стрелкой или
цифрового табло), вести их регистрацию в журнале и обрабатывать
вручную или с помощью вычислительных машин. На качество
этих операций влияет настроение человека, степень его сосредо-
точенности, серьезности, мера ответственности за порученное
дело, уровень профессиональной подготовки, то есть элемент
субъективизма при автоматизированных измерениях остается.
Автоматические измерения выполняются без участия чело-
века. Результат их представляется в форме документа и является
совершенно объективным.

7
В зависимости от способа получения результата измерения
делятся на следующие виды: прямые измерения, косвенные изме-
рения, совокупные измерения, совместные измерения.
Прямым измерением называется такое, при котором измеряется
непосредственно интересующая нас величина. Прямые измерения
выполняются при помощи измерительной аппаратуры, предназна-
ченной для данной величины. Примерами прямых измерений
являются измерение температуры – термометром, электрического
напряжения – вольтметром, длины предмета – линейкой и т.п.
Прямые измерения – основа более сложных видов измерений.
Косвенным измерением называется такое, результат которого
находится на основании прямых измерений величин, связанных
с измеряемой величиной известной зависимостью. В качестве
примера косвенных измерений можно указать на измерение мощ-
ности в цепях постоянного тока амперметром и вольтметром.
Значения некоторых величин легче и проще находить путем кос-
венных измерений, так как прямые измерения иногда практически
невозможно осуществить. Например, плотность твердого тела
обычно определяют по результатам измерений объема и массы.
Совокупными измерениями называются такие, в которых значе-
ния измеряемых величин находят по данным повторных измере-
ний одной или нескольких одноименных величин при различных
сочетаниях мер или этих величин. Результаты совокупных изме-
рений находят путем решения системы уравнений, составляемых
по результатам нескольких прямых измерений.
Совместные измерения – это одновременные измерения
(прямые или косвенные) двух или более неоднородных физиче-
ских величин для определения функциональной зависимости
между ними. Например, определение зависимости длины тела
от температуры.
По характеру изменения измеряемой величины в процессе
измерения различают статистические, динамические и статиче-
ские измерения.
Статистические измерения связаны с определением харак-
теристик случайных процессов, звуковых сигналов, уровня
шумов и т.д.

8
Динамические измерения связаны с такими величинами, кото-
рые в процессе измерений претерпевают те или иные изменения.
Например, усилия, развиваемые спортсменом в опорный период
при прыжках в длину с разбега.
Статические измерения имеют место тогда, когда измеряемая
величина практически постоянна (длина прыжков в длину, даль-
ность полета снаряда, вес ядра и т.д.).
По количеству измеряемой информации измерения бывают
однократные и многократные.
Однократные измерения – это одно измерение одной вели-
чины, то есть число измерений равно числу измеряемых величин.
Так как однократные измерения всегда сопряжены с погрешно-
стями, следует проводить не менее трех однократных измерений
и конечный результат находить как среднее арифметическое.
Многократные измерения характеризуются превышением числа
измерений количества измеряемых величин. Обычно минималь-
ное число измерений в данном случае больше трех. Преимущество
многократных измерений – в значительном снижении влияний
случайных факторов на погрешность измерения.
По отношению к основным единицам измерения делят на
абсолютные и относительные.
Абсолютными измерениями называют такие, при которых
используется прямое измерение одной (иногда нескольких) основ-
ной величины, и при этом в расчетах может использоваться одна
или несколько физических констант, значения которых обще-
известны. Так, в известной формуле P = m × g масса m – основная
физическая величина, которая может быть измерена прямым
путем (взвешиванием), а ускорение свободного падения (g) –
физическая константа.
Относительные измерения базируются на установлении отно-
шения измеряемой величины к однородной, применяемой в каче-
стве единицы. Понятно, что искомое числовое значение зависит
от используемой единицы измерения.
В спортивной практике очень большая часть измерений
производится с помощью электроизмерительных приборов.
Поэтому необходимо сказать о том, что в зависимости от

9
способа использования мер различают следующие методы изме-
рений:
– метод непосредственной оценки,
– методы сравнения.
Сущность метода непосредственной оценки заключается
в том, что о значении измеряемой величины судят по показанию
одного (прямые измерения) или нескольких (косвенные измере-
ния) приборов, заранее проградуированных в единицах измеряе-
мой величины или в единицах других величин, от которых зависит
измеряемая величина. Простейшим примером метода непосред-
ственной оценки может служить измерение какой-либо электри-
ческой величины – тока, напряжения, мощности, сопротивления
и т.д. – одним прибором, шкала которого соответственно програ-
дуирована в амперах, вольтах, ваттах, омах и т.д. В этих случаях
о значении измеряемой величины судят по показанию прибора.
К методам сравнения относятся все те методы электриче-
ских измерений, при которых измеряемая величина сравнивается
с мерой. Таким образом, отличительной чертой методов сравнения
является непосредственное участие мер в процессе измерения.
Методы сравнения распадаются на три группы: нулевой метод,
дифференциальный метод, метод совпадения.
Нулевой метод характеризуется применением методов урав-
нивания, посредством которых измеряемая величина сравнива-
ется или прямо с мерой, или с известной электрической вели-
чиной, значение которой определяется мерой. Эффект, произво-
димый измеряемой величиной, уравновешивается эффектом,
производимым известной величиной, таким образом, что при
достижении равновесия наблюдается исчезновение определен-
ного явления, например тока в участке цепи или напряжения на
нем. Отсутствие тока или напряжения может быть отмечено
с очень большой точностью, определяемой порогом чувстви-
тельности и стабильности служащих для этой цели приборов –
гальванометров и других устройств. Вследствие этого, а также
потому, что меры могут быть выполнены с большой точностью,
получается и большая точность измерений, присущая нулевому
методу.

10
В дифференциальном методе так же, как и в нулевом, измеряе-
мая величина сравнивается непосредственно или косвенно с мерой
либо с известной величиной, а о значении измеряемой величины
в результате сравнения судят по разности одновременно произво-
димых этими величинами эффектов. Таким образом, в дифферен-
циальном методе происходит неполное уравновешивание измеря-
емой величины, и в этом заключается отличие дифференциального
метода от нулевого. Дифференциальный метод сочетает в себе
часть признаков метода непосредственной оценки и часть призна-
ков нулевого метода. Например, если разность этих двух величин
равна 1% и измеряется с точностью до 1%, то тем самым точность
измерения искомой величины повышается до 0,01%, если не учи-
тывать погрешности меры (образцовой величины).
Метод совпадения – это такой метод, в котором о значении из-
меряемой величины судят по совпадению отметок или сигналов,
относящихся к измеряемой и известной величинам. Этот метод
широко применяется в практике неэлектрических измерений. При-
мером может служить измерение длины нониусом.
Можно осуществить измерения какой-либо величины х путем
периодических измерений ее значений в некоторые моменты вре-
мени t1, t2 и т.д. (рис. 1.1). В результате окажутся известными не
все значения измеряемой величины, а лишь значения в выбранные
моменты времени. Такие измерения называются дискретными.

0 y
t1 t2 t3

Рис. 1.1. Измерение величины x


в некоторые моменты времени

11
1.2. ПРОБЛЕМЫ ИЗМЕРЕНИЯ
В ПЕДАГОГИЧЕСКОЙ ТЕОРИИ И ПРАКТИКЕ

В педагогической теории и практике для изучения, коррек-


ции, планирования, прогнозирования образовательного процесса
используются методы количественных и качественных измерений.
Качество – это совокупность свойств, указывающих, что представ-
ляет собой предмет, чем он является. Количество определяет раз-
меры, отождествляется с мерой, числом; качество традиционно
раскрывается с помощью описания признаков.
Анализируя качество, педагог определяет, к какому классу уже
известных явлений принадлежит данное и в чем его специфика.
Затем устанавливает причинно-следственные зависимости между
явлениями. Задача количественного анализа традиционно сводит-
ся к измерению и счету выявленных свойств.
Изучение педагогических явлений, как правило, начинается
с качественного познания. Педагог постигает качественное свое-
образие педагогических явлений и процессов, используя методы
наблюдения, анализа, синтеза, обобщения, конкретизации и систе-
матизации знаний о различных свойствах изучаемых объектов.
Вместе с тем педагогическая практика требует выявления у оди-
наковых в целом педагогических объектов различных свойств
и сравнения разнокачественных величин по общему свойству.
Таким образом, возникает необходимость измерений и вычисле-
ний в педагогике.
В историческом ракурсе проблема качественного и количест-
венного изучения учащихся рассматривалась в различных аспектах.
Великий русский педагог К.Д. Ушинский писал: «Если педагогика
хочет воспитывать человека во всех отношениях, то она должна
прежде узнать его тоже во всех отношениях». Он советовал педа-
гогам «изучать сколь возможно тщательно физическую и душев-
ную природу человека вообще, изучать своих воспитанников
и окружающие обстоятельства», вести «истории воспитания» каж-
дого ученика. Его высказывания об изучении детей не утратили
своей актуальности и для современной педагогики.

12
Целостному изучению и развитию ребенка в начале XX в. были
посвящены исследования педологов. П.П. Блонский раскрывал
особенности возраста и давал рекомендации по работе в каждом
из периодов на основе детального изучения детей. С.Т. Шацкий
также утверждал, что надо работать с детьми, все время их изучая.
Большое внимание проблемам педагогических измерений
уделялось известными педагогами советского периода (А.С. Мака-
ренко, В.А. Сухомлинский).
Вместе с тем, в силу своей гуманитарной специфики, отече-
ственная педагогическая наука оставалась преимущественно на
качественном уровне исследований. В ней хорошо просматрива-
лась эмпирическая часть, отражающая богатейший материал
наблюдений и экспериментов; представлены теоретические обоб-
щения, завершающие систематизацию материала. Но практически
незначительно был представлен аппарат исследований, характе-
ризующий развитую науку, – математический.
Классические математические методы оказались не приспособ-
ленными для анализа явлений такой сложности, как педагогиче-
ские. Преодолевается это препятствие двумя способами: с одной
стороны, попытками представить явления в таком упрощенном
виде, который доступен для анализа традиционными математиче-
скими методами, с другой – разработкой и применением новых
способов формализованного описания. Появляясь, новые методы
сразу привлекают к себе пристальное внимание специалистов.
Необходимо различать два основных направления в использо-
вании количественных методов в педагогике: первое – для обра-
ботки результатов наблюдений и экспериментов, второе – для
моделирования, диагностики, прогнозирования, компьютериза-
ции учебно-воспитательного процесса. Методы первой группы
хорошо известны и достаточно широко применяются. Здесь наи-
более освоенными в педагогической науке являются статистиче-
ские методы.
Статистические методы являются базовым инструментарием
обработки данных измерений практически во всех областях
научного знания. Наиболее широкое применение они получили
в естественных науках, где возникла острая необходимость анализа

13
огромного массива эмпирических данных. В сочетании с мето-
дами планирования и моделирования эксперимента статистиче-
ские методы позволяют выявлять объективные закономерности
при проверке различных научных гипотез.
В гуманитарных науках, таких как педагогика и психология,
статистические методы прочно утвердились тогда, когда эти науки
стали активно использовать эксперимент в качестве метода науч-
ного исследования, где измерениям различных параметров, факто-
ров, признаков отводится важная роль. Дополняя качественные
представления о своем предмете формализованными обобщениями,
педагогическая теория приобретает необходимую строгость и устой-
чивость.
Вместе с тем несостоятельными оказываются попытки форма-
лизовать буквально все элементы педагогического процесса.
Например, разрабатывались методики оценки эффективности
обучающих воздействий учителя на основе подсчета количества
используемых технических средств учения, плакатов, раздаточного
материала, демонстраций, количества учащихся, отвечающих
у доски, общего числа правильных ответов учащихся, количества
выполненных упражнений, решенных задач и т.д. И в зависимости
от общего числа набранных баллов давалась оценка обучающей
деятельности педагога. Не случайно, что такие механистические
процедуры оценки работы учителей большинством из них не были
приняты в качестве рабочих средств анализа урока, поскольку
развивающий эффект урока связан прежде всего с внутренними
психическими процессами школьника, которые невозможно оце-
нить через внешние формы урока и которые далеко не всегда
коррелируют с внешними педагогическими воздействиями.
И все же статистические методы сегодня стали неотъемлемой
частью педагогических исследований, поскольку без них при
решении целого ряда исследовательских задач невозможно дать
объективную интерпретацию результатов измерений. Дело в том,
что психолого-педагогические измерения, выполненные с помо-
щью различных тестов, опросников, всегда сопровождаются не-
которой ошибкой, которую вызывают несовершенство диагности-
ческого инструментария (чаще всего он отражает некоторую

14
модель изучаемого объекта, которая никогда не бывает абсолютно
тождественной его сущности), различные обстоятельства, связан-
ные с условиями проведения измерений. Поэтому результат
психолого-педагогического исследования имеет вероятностный
характер, следовательно, необходимо доказывать статистическую
достоверность (значимость) полученных результатов. Это и обус-
ловило применение в педагогике статистических методик сравне-
ния уровней исследуемых параметров, интегральных характерис-
тик результатов измерений, мер вариации параметров и т.д.
Понимание взаимосвязи количественных и качественных
методов в педагогике выходит на новый уровень. Количественное
и качественное оказываются неразрывно связаны. Измерение, как
таковое, составляет предмет метрологии, которая позициониру-
ется как отрасль науки об измерении качества, методах и средствах
обеспечения их единства и способах достижения требуемой
точности. Математика выявляет сложные отношения между объ-
ектами, их величинами и мерами, выстраивая при этом различные
теории величин и мер, причем различие теорий отличается разли-
чием исследуемых объектов.
Применению статистических методов предшествует этап
формализации задачи (введение символьных обозначений, выбор
параметров, установление порядка предположительных процедур,
сравнений и т.д.). Например, при формализации объекта (пред-
мета) исследования его определяют как некоторую модель, обла-
дающую диагностическими признаками (параметрами, фиксируе-
мыми с помощью измерительных процедур); при этом определяют
совокупность интересующих исследователя диагностических
признаков; подбирают измерительные инструменты, определяют
границы вариаций, шкалы оценок; с позиций структурно-функ-
ционального подхода определяются связи и компоненты объекта
(предмета) исследования.
Таким образом, проблемы намерений непосредственно связаны
с проблемами диагностики, они относятся к числу наиболее слож-
ных как в теоретическом, так и в прикладном отношении. Изме-
рение – выявление количественных характеристик изучаемых явле-
ний; особая процедура, посредством которой числа (или, по край-

15
ней мере, порядковые величины) приписываются вещам по опре-
деленным правилам.
В понятие «нахождение значения величины, характеризующей
качество», включается и математическая обработка результатов
измерений. При этом в качестве результата измерения выступает
значение величины, характеризующее качество, найденное путем
ее измерения.
Диагностика – анализ состояния объектов и процессов, выявле-
ния проблем их функционирования и развития. Педагогический
диагноз – это определение характера объема образовательных
трудностей, а также способностей учащихся на основе данных об
освоении программ воспитания и обучения.
Рассмотрение сущности понятий «диагностика» и «измерение»
позволяет сделать вывод о том, что измерение шире, чем диагно-
стика. Диагностика как изучение состояния и возможностей
развития исследуемых процессов и явлений, по мнению методо-
логов педагогики, сопутствует всему процессу поиска, сопровож-
дает его, но особо выделяет исходную (в начале исследования)
и заключительную диагностику, необходимую для ориентации
поиска и определения его эффективности.
Собственно психолого-педагогическая диагностика есть опре-
деление качественных и количественных параметров изучаемых
объектов на основе принятых критериев и показателей с помо-
щью известных (в том числе стандартизированных) методик,
а также на основе конструирования и разработки новых диагно-
стических измерительных инструментариев. Выстраивается сле-
дующая иерархия ключевых понятий педагогической диагностики,
таких как «параметр», «индикатор», «критерий», «показатель»,
«измерительный инструментарий».
Параметр – величина, определяющая оценку конкретного
свойства явления, действия или деятельности; элемент формали-
зации индикатора. Индикатор – величина, обобщающая несколько
параметров и позволяющая оценивать по собственному критерию
то или иное явление, действие, деятельность. Оценка выступает
как вид суждения об определенном феномене; бывает количе-
ственной и качественной, обобщенной. Критерий – признак,

16
по которому классифицируются, оцениваются (и получаются
оценки) соответствующим индикатором те или иные явления,
действия или деятельность, в частности при их формализации.
Критерии – научно обоснованные эталоны, по которым устанав-
ливается текущее состояние в развитии, формировании, обучении,
воспитании учащихся. Критериальный (диагностически-крите-
риальный) аппарат педагогики – система приемов, средств, пока-
зателей, способов их обнаружения и установления уровней разви-
тия, сформированности, обученности, воспитанности обучающе-
гося.
Показатели – это признаки, характеризующие уровень развития,
процесс формирования личности, ее обученность, воспитанность,
наблюдаемые визуально и устанавливающие меру реализации на
практике выработанных у обучающихся навыков и умений, поведе-
ния, знаний. В качестве измерительных инструментариев разраба-
тываются проблемы использования педагогического диагностиро-
вания и количественных методов оценки качества педагогического
объекта. В свою очередь, количественные методы – совокупность
приемов, процедур и методов описания, преобразования и полу-
чения нового знания, формализованного на основе достижений
методов современной математики и вычислительной техники.
Педагогическое диагностирование – научно обоснованные дей-
ствия по установлению степени развития, сформированности,
обученности, воспитанности школьника.
К диагностике можно отнести изучение накопленного опыта,
практику решения педагогических проблем, систему диагности-
ческих процедур, осуществляемые с помощью наблюдений, опроса,
тестирования и других исследовательских методов и методик.
Теория педагогических измерений представляет отрасль педаго-
гики, имеющей право на самостоятельное функционирование
и развитие (С.И. Архангельский, В.И. Журавлев, Ю.К. Бабанский,
В.И. Загвязинский, M.JI. Фридман, В.М. Михеев и др.) и включаю-
щей в себя педагогическую диагностику.
В настоящее время в России проблемам педагогических изме-
рений уделяется особое внимание в связи с введением образова-
тельных стандартов, развитием национальной системы оценки

17
качества образования. Функционируют кафедры педагогических
измерений, исследовательские центры проблем качества подго-
товки специалистов, разрабатываются и анализируются современ-
ные подходы к оценке качества подготовки обучаемых, стратегии
в области национальных тестовых систем, качества диссертацион-
ных исследований в области педагогики. Так, проблемы оценки
качества научно-педагогических исследований разрабатываются
академиком РАО В.М. Полонским.
Возникает необходимость создания педагогических систем
оценочных показателей, определения шкал, по которым эти пока-
затели будут оценены, а также разработки критериев, с помощью
которых возможна интерпретация полученных результатов. Уче-
ные считают, что некоторые свойства и показатели могут быть
оценены с помощью формализованных методов, а другие – произ-
ведены только эвристическим путем.
Изучение и анализ проблемы теории и методики педагогиче-
ских измерений и диагностики привели к созданию отдельной
отрасли педагогики – педагогическая квалиметрия.
Квалиметрия (от лат. Quails – какой по качеству и metros) –
междисциплинарная область, изучающая номенклатуру, показа-
тели и методы количественной оценки качества продукции.
Квалиметрические методы применяются и в педагогике и психо-
логии для проверки и оценки знаний, качества контрольных вопро-
сов, построения различного рода шкал для измерения различных
психологических характеристик личности. С другой стороны, любое
педагогическое исследование в обязательном порядке сопровож-
дается определенными качественными и количественными изме-
рениями. Следовательно, каждый педагог, как практик, так и иссле-
дователь, должен владеть теорией и методикой педагогического
измерения и диагностики, позволяющих качественно и количе-
ственно описать промежуточные и итоговые результаты образова-
тельной деятельности, исследуемые педагогические феномены.
В таком ракурсе педагогическая квалиметрия и диагностика как
составная часть методологической компетентности педагога входят
ныне в образовательную программу подготовки не только магист-
ров и кандидатов наук, но и будущих учителей-практиков.

18
Будущему педагогу необходимо научиться осуществлять изме-
рение и диагностирование исходного состояния изучаемого явле-
ния и мониторинг развития определенного качества с помощью
количественных показателей. Педагогическое измерение и диаг-
ностика дают возможность внести необходимую объективность,
строгость, четкость в понимании исходных данных, интерпрета-
ции промежуточных и конечных результатов образовательной дея-
тельности.
В инновационной педагогике одним из основополагающих
является положение об ученике как субъекте собственного разви-
тия, обучения и воспитания. В связи с этим необходимо учитывать,
что дети не должны рассматриваться педагогом лишь как объект
изучения. Знания о ребенке, педагогических явлениях и процессах
должны служить практическим задачам воспитания, обучения
и развития, в ходе решения которых ученик ставится в активную
позицию субъекта деятельности.
В начале третьего тысячелетия остро встали вопросы сохране-
ния здоровья учащихся, использования здоровьесберегающих
технологий обучения и воспитания. В связи с этим все большее
значение для педагогов, исследователей и практических работни-
ков приобретают измерения физических показателей здоровья
учащихся и их взаимосвязи с различными характеристиками
образовательного процесса, как качественными, так и количест-
венными.
Огромное значение при этом приобретают методы измерений
и вычислений, которые традиционно использовались в спортив-
ной педагогике, но были недостаточно представлены в общей
педагогике и частных методиках. Именно поэтому в настоящей
монографии делается акцент на методах измерений и вычислений,
используемых в спортивно-педагогической практике, приводится
большое число примеров из спортивной педагогики.

19
1.3. ПАРАМЕТРЫ, ИЗМЕРЯЕМЫЕ
В СПОРТИВНО-ПЕДАГОГИЧЕСКИХ
ИССЛЕДОВАНИЯХ

Наличие различных приборов и технических устройств, при-


меняемых в исследованиях специалистами педагогических, био-
медицинских и психологических дисциплин спорта, позволяет
получать информацию более чем о 3000 отдельных параметров.
Все параметры, измеряемые в науке о спорте, подразделяются
на четыре уровня:
– интегральные, отражающие суммарный (кумулятивный)
эффект функционального состояния различных систем организма
(например, спортивное мастерство);
– комплексные, относящиеся к одной из функциональных
систем организма спортсмена (например, физическая подготов-
ленность);
– дифференциальные, характеризующие только одно свойство
системы (например, силовые качества);
– единичные, раскрывающие одну величину (значение) отдель-
ного свойства системы (максимальная сила мышц).
Исследования показывают, что количество изучаемых в спорте
параметров колеблется от 11 до 13 (табл. 1.1). Данные таблицы 1.1
свидетельствуют о плавно убывающем ряде соотношений частот-
ности использования измеряемых в спорте параметров – различия
между соседними цифрами незначительны. Обращает на себя
внимание соотношение энергетико-функциональных и анатомо-
морфологических параметров.
Параметры внешней формы и состава тела, используемые
в спорте для диагностики физического состояния и в других
целях, употребляются в 4,0–4,5 раза реже, чем параметры трени-
ровочной нагрузки, восстановления и физической подготовленно-
сти. Довольно слабо используются при измерениях такие важные
компоненты подготовки спортсменов, как параметры тактических
действий; сравнительно редко применяются измерения, помогаю-
щие изучать параметры влияния внешних условий на тренировоч-

20
ный процесс: атмосферы, воды, почвы, помещений, естественных
сил природы.
Основными параметрами, измеряемыми и контролируемыми
в спортивной медицине, тренировочном процессе и в научных
исследованиях, по сути, являются следующие:
– физиологические («внутренние»), физические («внешние»)
и психологические параметры тренировочной нагрузки и восста-
новления;
– параметры качеств: силы, быстроты, выносливости, гиб-
кости и ловкости;
– функциональные параметры сердечно-сосудистой и дыха-
тельной систем;
– биомеханические параметры спортивной техники;
– линейные и дуговые параметры размеров тела.

Таблица 1.1
Распределение частотности измеряемых в спорте комплексных
параметров (за единицу приняты параметры состава тела)
№ п/п Комплексные параметры Частотность
Тренировочной нагрузки и восстановления
1 (физиологические, физические, психические 4,57
величины)
Физической подготовленности (качества силы,
2 4,35
быстроты, выносливости, ловкости и гибкости)
Сердечно-сосудистой системы (движение сердца
3 и крупных сосудов, движение крови в сердце 3,09
и сосудах, биопотенциалы сердца)
Размеров тела и конечностей (линейные
4 2,92
и дуговые размеры тела)
Технической подготовленности (статика,
5 кинематика, динамика, время и ритмика 2,60
спортивных движений)
Дыхательной системы (легочные объемы,
6 2,48
механика дыхания, газообмен)
Биофизических и биохимических проб
7 2,43
(кровь и лимфа, моча и кал, мокрота, пот и слюна)

21
Окончание таблицы 1.1
№ п/п Комплексные параметры Частотность
Нервно-мышечной системы (биоэлектрическая
8 2,05
и биомеханическая деятельность мышц)
Тактической подготовленности (соревновательная
9 1,91
активность и эффективность действий)
Отделов ЦНС (параметры головного мозга
10 1,82
и отделов ЦНС)
Системы анализаторов (зрительный,
11 вестибулярный, тактильный, слуховой, 1,41
двигательный)
Внешней формы тела и пропорций
12 1,12
(телосложение, осанка, стопа)
Состав тела (содержание жира, удельный вес
13 1,00
и плотность тела)

Для изучения этих параметров и контроля за ними широко


используется объемная номенклатура разнообразных способов,
приемов и методов измерений следующих физических величин:
– силовых (это причины, вызывающие изменения в скорости
и направлении движения тела: силы отталкивания, деформации,
удары, броски и т.п.; моменты сил и моменты вращения: раскачи-
вания, размахивания, обороты и вращения при выполнении локо-
моторных и гимнастических упражнений; давление на спортив-
ные снаряды и т.п.);
– величин, относящихся к скорости (расход количества энергии
в течение заданного времени; скорость разгона, перемещения,
остановки и изменения направления в двигательных действиях;
ускорение линейное и угловое при выполнении упражнений);
– временных´ (промежутки времени и частота действий в еди-
ницу времени – момент времени, длительность действия, темп
и ритм движения);
– геометрических (положение спортсмена: координаты распо-
ложения тела или его звеньев в заданной системе; размеры
расстояния между двумя заданными точками при измерении
результатов в прыжках, метаниях и др.; контуров при измерении

22
правильности вычерчивания обязательных фигур в фигурном
катании; при измерении осанки и плоскостояния);
– характеризующих физические свойства (плотность, удель-
ный вес тела человека; измерения влажности в спортивной гигиене;
вязкость, твердость, пластичность костно-мышечной системы);
– количественных (масса и вес тела и отдельных его звеньев);
– характеризующих химический состав (этих величин очень
много);
– тепловых (температура тела и его теплопроводная способ-
ность, определяемая количеством тепла, выделяемого или погло-
щаемого телом при определенных условиях);
– радиационных (ядерная радиация – радиоизотопные методы
измерения массы отдельных звеньев тела человека и сканирова-
ние; определение костного возраста юных спортсменов; фотомет-
рические измерения скелета и т.п.);
– электрических (биопотенциалы различных органов: сердца,
мозга, мышц и т.п.).
Одним из перспективных подходов к решению проблемы
выявления наиболее информативных параметров и методов обсле-
дований спортсменов служит метод моделирования различных
сторон подготовленности. Его основная цель – определение
и обоснование конкретных количественных модельных характе-
ристик функциональной, технико-тактической, психологической
подготовленности, при достижении которых данный спортсмен
с наибольшей степенью вероятности может выиграть данные
соревнования или установить рекорд.

1.4. ОБЩИЕ ПОНЯТИЯ О СИСТЕМАХ ЕДИНИЦ

Физические величины и их единицы. В науке, технике и обы-


денной жизни мы имеем дело с разнообразными свойствами
окружающих нас тел. Эти свойства отражают процессы взаимо-
действия тел между собой и их воздействие на органы чувств.

23
Для описания свойств вводятся физические величины, каждая из
которых является качественно общей для многих объектов (физи-
ческих тел, их состояний, процессов, в которых они участвуют),
но в количественном отношении – различной для разных объ-
ектов. Для того чтобы дать меру физической величине, мы уста-
навливаем ее единицу. Единица определенной физической вели-
чины представляет собой значение данной величины, которое по
определению считается равным 1.
Операция, с помощью которой мы узнаем числовое значение
той или иной величины для определенного объекта, представляет
собой измерение этой величины. Измерить какую-либо величину –
это значит найти опытным путем отношение данной величины
к соответствующей единице измерения. Это отношение и является
мерой интересующей нас величины.
Так как само понятие «больше – меньше» применимо лишь
к однородным величинам, очевидно, что и сравнивать можно
только однородные величины. Можно сравнивать высоту здания
с расстоянием между городами, силу натяжения пружины с весом
гири, но бессмысленно ставить вопрос о том, превышает ли
скорость поезда длину карандаша или объем стакана – массу
автомобиля. Столь же нелепо, разумеется, пытаться измерить
скорость единицей массы или площадь – единицей силы.
Для того чтобы измерение имело однозначный характер, не-
обходимо, чтобы отношение двух однородных величин не зави-
село от того, какой единицей измерена эта величина. Подавляю-
щее большинство физических величин удовлетворяет этому усло-
вию, которое обычно называют условием абсолютного значения
относительного количества. Это условие может быть соблюдено
при наличии по крайней мере принципиальной возможности
такого количественного сравнения двух однородных величин,
в результате которого получается число, выражающее отношение
этих величин.
Однако подчас встречаются такие свойства, которые не удается
охарактеризовать величиной, удовлетворяющей данному требова-
нию. В этих случаях вводят некоторые условные числовые харак-
теристики, которые уже нельзя рассматривать как единицы.

24
С развитием измерительной техники иногда возникает возмож-
ность замены таких условных характеристик «настоящими»
единицами. Так, например, для определения скорости ветра
раньше служила условная шкала Бофорта, которую затем заме-
нили изменением скорости ветра в метрах в секунду. В настоящее
время каждому баллу шкалы Бофорта соответствует определен-
ный интервал скорости ветра. К числу таких условных единиц
относится и твердость материалов, для сравнения которой суще-
ствуют различные шкалы, между которыми, кстати сказать, нет
даже вполне однозначного соответствия. Хотя эти условные
числовые характеристики физических свойств, строго говоря,
и не являются единицами, они позволяют производить качест-
венное сравнение величин, что в ряде случаев достаточно удов-
летворительно для практических целей. Наиболее употреби-
тельные характеристики такого типа также рассматриваются
в этой монографии.
Вопрос о том, как определить единицу измеряемой величины,
вообще говоря, может быть решен произвольно. И действительно,
история материальной культуры знает громадное число разнооб-
разных единиц, в особенности для измерения длины, площади,
объема и массы. Это разнообразие единиц сохранилось в некото-
рой степени и до настоящего времени.
Наличие большого числа разнообразных единиц создавало,
естественно, затруднения в международных торговых отноше-
ниях, обмене результатами научных исследований и т.п. Вслед-
ствие этого ученые разных стран пытались установить единицы,
которые действовали бы во всех странах. При этом, разумеется,
не ставилось задачи для каждой величины устанавливать одну-
единственную единицу. Поскольку на практике приходилось
встречаться с большими и малыми значениями измеряемых вели-
чин, целесообразно было иметь соответственно единицы различ-
ного размера – крупные и мелкие с тем условием, что переход
от одних единиц к другим осуществляется возможно более
просто. Такими единицами стали единицы метрической системы
мер, созданной в эпоху Великой французской революции (1790), –
система, которая, по мысли ее авторов, должна была служить

25
«  ,
  ,
 » (“pour tous les
temps, pour tous les peoples, pour tous les pays”).
   XIX .   
    -
  , 
        

   
    , 

 
 

     . 

  !  -
 !, 
,      ",    !   
-
  ,      !   !  
   
  ,  
 (

 
 
)
  .
#         !
,    !     
   "
 , ,  ,   $
 , %&    
       


    !  
 
,     ,

    . $    
 ' 

 " . 
*  
 , 
  !   !  

  
  ,     
    . +    ,    


, " " 
  !  !, 

 
, "   !. /
  
 Ⱥ
  ! Į1    :
A / 11 = a1.
/
   
 Ⱥ   ! Į2,  


a2   :
A / 12 = a2, 
  A = a1 × 12 = a2 × 12.
 '  ,   :
a1 / a2 = 11 / 12. (1.1)
4  
      
, 

   ! 
      
    , .
 .  
      !

,  
   
,    ' 


26
выражается. Так, например, если рост спортсмена, измеренный
в сантиметрах, выражается числом 175, то тот же рост, измерен-
ный в дециметрах, будет выражаться числом 17,5. Это простое
положение многие забывают, когда речь идет о более сложных
или менее знакомых величинах. Поэтому, записывая числовое
значение какой-либо величины, мы обязательно рядом с числом
должны поставить символ единицы, которой эта величина
измерена. Так, например, мы пишем: «рост спортсмена равен
175 см», или же «рост спортсмена равен 17,5 дм». Выражения
17,5 дм и 175 см представляют собой равноценные обозначения
одной и той же величины – длины. Поэтому можно написать:
17,5 дм = 175 см.

Основные и производные единицы

Ранее большинство единиц устанавливалось, как правило,


совершенно независимо друг от друга. Исключения в ряде случаев
составляли лишь единицы длины, площади и объема. Наоборот,
основной особенностью современных единиц является то, что
между единицами разных величин устанавливаются зависимости
на основе законов и определений, которыми связаны между собой
измеряемые величины. Таким образом, из нескольких условно
выбираемых так называемых основных единиц строятся произ-
водные единицы.
Поскольку при косвенных измерениях значение искомой вели-
чины определяется по значениям других связанных с ней величин,
существует возможность установить соответствующую связь
и между единицами. Те соотношения и закономерности, которые
определяют условия косвенного измерения, могут, очевидно, слу-
жить и для установления связи между основными и производ-
ными единицами.
Для того чтобы показать, каким образом это осуществляется,
остановимся прежде всего на вопросе о том, какой смысл следует
придавать уравнениям, выражающим связь между различными
физическими величинами. Метрология различает два вида таких

27
уравнений; уравнение связи между величинами и уравнение связи
между числовыми значениями. Первые представляют собой соот-
ношения в общем виде независимо от единиц. Уравнения связи
между числовыми значениями могут иметь различный вид, в зави-
симости от выбранных единиц для каждой из этих величин.
В частности, в этих уравнениях могут присутствовать и некоторые
коэффициенты пропорциональности. Легко видеть, что для уста-
новления единиц должны быть использованы уравнения связи
между числовыми значениями.
Поясним сказанное примером, взяв для этой цели связь между
площадями геометрических фигур и их линейными размерами,
устанавливаемую теоремой: «отношение площадей геометриче-
ски подобных фигур равно второй степени отношения их соответ-
ственных линейных размеров». Эта связь может быть записана
в следующем виде:

S1
( 11 ) .
2

S2 = 2
(1.2)

Именно такого рода соотношения следует понимать как урав-


нение связи между величинами, поскольку они не зависят от
выбора единиц входящих в них величин.
Символы, входящие в формулу (1.2), принято считать имено-
ванными числами, выражающими значения величин при том или
ином выборе единиц этих величин, в данном случае – единиц
площади и длины. Здесь каждый символ, как и вообще любое име-
нованное число, можно трактовать как произведение отвлеченного
числа на единицу данной величины, причем это число, разумеется,
равно отношению величины к той, с ней однородной, значение
которой принято за единицу. При таком понимании символов,
входящих в выражение любой физической закономерности, к ним
можно применять любые математические операции – умножение,
деление, возведение в степень и т.п., а сами формулы могут быть
подвергнуты различным преобразованиям. При этом действия
должны производиться как над числами, так и над символами

28
соответствующих единиц. В свете сказанного формулу (1.2)
можно представить в виде:
S1 S2
2 = 2 . (1.2a)
11 12
Словами эту формулу можно выразить следующим образом:
«для геометрически подобных фигур отношение числа, выражаю-
щего площадь фигуры, ко второй степени числа, выражающего
соответствующий линейный размер, есть величина постоянная».
Обозначая эту постоянную К, можно вместо (1.2а) написать:
S = K × 12, (1.3)
где коэффициент зависит, с одной стороны, от формы измеряемой
геометрической фигуры, а с другой – от выбора единиц площади
и длины.

Наличие зависимости размера площади от линейных размеров


фигуры позволяет связать единицы площади с единицами длины,
т.е. сделать единицу площади производной от единицы длины,
а последнюю считать основной.
Рассмотренный пример наглядно показывает способ, с помощью
которого устанавливается производная единица. Для этого следует:
1. Выбрать величины, единицы которых принимаются в каче-
стве основных, т.е. единицы, размеры которых устанавливаются
произвольно и независимо друг от друга.
2. Установить размер этих единиц.
3. Выбрать определяющее уравнение, связывающее величины,
измеряемые основными единицами, с величиной, для которой уста-
навливается производная единица; при этом символы всех величин,
входящих в определяющее уравнение, должны рассматриваться не
как сами величины, а как их именованные числовые значения.
4. Приравнять единице (или другому постоянному числу) коэф-
фициент пропорциональности, входящий в определяющее урав-
нение.
Таким образом, производной является единица, размер которой
связывается с размерами основных единиц уравнения, выражаю-

29
щими физические законы, или определениями соответствующих
величин.
Определяющие уравнения, с помощью которых устанавли-
ваются производные единицы, удобно записывать в виде явной
функциональной зависимости производной величины от основ-
ных. Установленные описанным выше способом производные
единицы могут быть далее использованы для введения новых
производных единиц. Поэтому в определяющие уравнения наряду
с основными величинами могут входить производные, единицы
которых были установлены ранее.
Поясним сказанное примерами. Для установления единицы
скорости воспользуемся определением скорости, которое можно
записать в виде:
dl
V=K . (1.4)
dt
Для частного случая равномерного движения вместо (1.4)
можно написать:
l
V=K , (1.4а)
t
где, как и раньше, К – коэффициент, зависящий от выбора единиц
длины, времени и скорости.

Как и в примере с установлением единицы площади, единица


скорости может быть выбрана независимо от единиц длины
и времени. Можно, например, как это иногда делается при
изложении теории относительности, принимать за единицу ско-
рости скорость света, а единицы длины и времени брать обыч-
ными. Можно, измеряя длину в километрах, а время в минутах,
выражать скорость в принятых в мореходстве единицах скоро-
сти – узлах.
Однако на практике единица скорости определяется как
производная единиц длины и времени, принимаемых в качестве
основных. При этом коэффициент K полагается равным единице,
так что единица скорости определяется как скорость такого рав-

30
номерного движения, при котором за единицу времени проходится
путь, равный единице длины.
Единица ускорения может быть установлена с помощью фор-
мулы, определяющей ускорение,
dv ,
a=K (1.5)
dt
которую для прямолинейного и равноускоренного движения можно
переписать в виде:
v2 – v1
a=K t . (1.5a)

Здесь разность v2 – v1 обозначает приращение скорости за


время t.

Полагая, как и раньше, К=1, получили производную единицу


ускорения, определяемую как ускорение такого прямолинейного
и равноускоренного движения, при котором за единицу времени
скорость возрастает на единицу. В этом определении наряду
с основной единицей (времени) используется ранее установленная
производная единица (скорости).
Рассмотрим еще один пример – установление единицы силы.
Как и единицы любых других величин, единица силы может быть
установлена независимо от других и даже принята в качестве
основной. Однако чаще всего единица силы определяется как про-
изводная на основании второго закона Ньютона.
F = K × m × a, (1.6)
где m – масса материальной точки.

Полагая К=1, получим определение единицы силы как такой


силы, которая материальной точке массой, равной единице массы
(принимаемой в качестве основной), сообщает ускорение, равное
единице ускорения (определенной ранее в качестве производной
единицы).

31
Если, например, в качестве единицы длины принять метр (м),
единицы времени – секунду (с) и единицы массы – килограмм (кг),
то в качестве производных единиц скорости и ускорения будем
иметь метр в секунду за секунду (м/с×с). При этом за единицу
силы принимается ньютон (Н) – сила, сообщающая точке мас-
сой один килограмм ускорение один метр в секунду за секунду.
В этом случае, очевидно, коэффициент К может быть записан
в виде:
H×c×c
K = 1× ,
кг × м
а второй закон Ньютона – в виде:
H×c×c см
F[Н] = 1×
кг × м [
× m[г] × a с × с . ] (1.7а)

Если в качестве единицы длины принять сантиметр (см),


массы – грамм (г), сохранив в качестве единицы времени
секунду (с), то соответствующая единице силы – дина (дин)
определится как сила, сообщающая точке массой один грамм
ускорение один сантиметр в секунду за секунду. В этом случае
коэффициент пропорциональности будет:
дин × c × c
K = 1× ,
г × см
и второй закон Ньютона запишется в виде:
дин × c × c см
F[дин] = 1 ×
г × см
× m[г] × a
с×с
.[ ] (1.7б)

Обычно при записи формул физических уравнений опускается


подобное обозначение коэффициента, содержащее, по существу,
определение производной единицы, так что, например, второй
закон Ньютона приобретает вид:
F = ma. (1.7в)
Следует, однако, иметь в виду, что в действительности в каждой
такой формуле коэффициент пропорциональности незримо при-

32
сутствует. Забвение этого обстоятельства нередко приводит
к недоразумениям и серьезным ошибкам.
Способ установления производной единицы отражается в ее
наименовании и обозначении, которое строится путем группиро-
вания по обычным алгебраическим правилам единиц, на которых
основано ее определение. Так образуются единицы: площади –
квадратный метр (м2), ускорение – метр на секунду в квадрате, или
метр в секунду за секунду (м/с2) и т.д.
Исключение составляют единицы, которым присвоены собст-
венные наименования – ньютон, паскаль и т.д. Наименования
и обозначения этих единиц, так же как наименования и обозначения
основных единиц, могут входить в наименование и обозначение
производной единицы. В качестве примера приведем наименова-
ние и обозначение единицы момента силы: ньютон-метр (Н×м).

1.5. ТОЧНОСТЬ ИЗМЕРЕНИЙ

Погрешность измерений. Результаты измерений той или иной


величины дают лишь приближенное ее значение. Разность между
полученным при измерении значением и действительным значе-
нием измеряемой величины называется погрешностью резуль-
тата измерения. Иногда для характеристики результата измере-
ния пользуются термином «точность измерения», под которым
понимается степень приближения результата измерения к дей-
ствительному значению измеряемой величины.
Погрешность, выраженная в единицах измеряемой величины,
называется абсолютной погрешностью, а выраженная в процен-
тах (или долях) от действительного значения – относительной
погрешностью. Погрешности считаются положительными, если
результат измерения превышает действительное значение. В про-
тивном случае погрешности являются отрицательными.
Причины возникновения погрешностей и их характер весьма
различны. Погрешности возникают вследствие несовершенства

33
измерительных приборов; из-за непостоянства условий, в кото-
рых происходит измерение; в результате ошибок эксперимента-
тора и т.д.
Для получения хороших результатов измерения, естественно,
следует стремиться к уменьшению отдельных погрешностей. Все
погрешности могут быть разделены на три класса:
– систематические – постоянные или изменяющиеся по опре-
деленному закону;
– случайные, закономерность которых неизвестна;
– промахи (например, неправильный отсчет по шкале прибора,
пропуски в наблюдениях и т.п.).
Результаты измерения, содержащие промахи, должны быть
отброшены как не заслуживающие доверия.
Систематические погрешности обуславливаются допуще-
ниями, принятыми при выводе формул, связывающих измеряе-
мую величину с другими величинами, погрешностью прибора,
влиянием внешних факторов (температура, давление, магнит-
ные и электрические поля и т.д.) на показания прибора и пр.
Этого рода погрешности при тщательной постановке опыта
могут быть учтены и даже устранены на основе детального
изучения свойств измерительного устройства, а также путем
параллельных опытов, проводимых другими методами и прибо-
рами.
Для учета и исключения систематических погрешностей не-
обходимо уже в самом процессе измерения располагать возможно
более конкретными данными о наличии отдельных видов погреш-
ностей и причинах их возникновения.
Различаются следующие систематические погрешности:
– инструментальные погрешности, являющиеся следствием
конструктивных недостатков измерительной аппаратуры, ее неис-
правности или неправильной градуировки;
– погрешности установки, возникающие из-за неправильного
расположения измерительной аппаратуры, например присутствия
вблизи электроизмерительных приборов проводов, несущих силь-
ные токи, магнитное поле которых может исказить показания при-
боров, и т.п.;

34
– личные погрешности, вызываемые индивидуальными особен-
ностями наблюдателя;
– погрешности метода, или теоретические погрешности,
являющиеся следствием недостаточной теоретической обосно-
ванности метода измерения или применения приближенных
формул.
По характеру проявления систематические погрешности разде-
ляются на постоянные, т.е. погрешности, сохраняющие в процессе
измерений свой знак и величину, и переменные погрешности,
изменяющиеся по величине, а иногда и по знаку. Примером пере-
менной систематической погрешности может служить погреш-
ность, обусловленная изменением напряжения вспомогательного
источника питания, если результат измерения зависит от этого на-
пряжения.
Систематические погрешности могут быть исключены устра-
нением самих источников погрешностей, например правильным
расположением измерительной аппаратуры, стабилизацией напря-
жения вспомогательного источника питания и т.д. Систематиче-
ские погрешности можно устранить и введением поправок, устанав-
ливаемых на основании предварительного изучения погрешностей
путем поверки мер и приборов, используемых при измерении,
введением поправочных формул и кривых, выражающих зависи-
мость показаний приборов от внешних условий (например, тем-
пературы, влажности) и т.д.
Систематические погрешности могут быть также исключены
путем нескольких проведенных определенным образом измере-
ний. Одним из таких приемов является так называемый способ
замещения, который заключается в том, что сначала измеряется
искомая величина, а затем вместо нее включается регулируемая
образцовая величина того же рода. Значение последней подбира-
ется таким, чтобы получить показание (прибора, измерительной
установки), равное показанию при включенной измеряемой вели-
чине. Значение измеряемой величины принимается равным подо-
бранному значению образцовой величины. Очевидно, что при
этом исключается влияние на результат измерения всех система-
тических постоянных погрешностей.

35
Возможны и другие приемы исключения систематических
погрешностей. Применение того или иного способа устранения
систематических погрешностей зависит от измеряемой величины,
требуемой точности, условий проведения эксперимента, наличия
поправочных формул и других причин.
Случайными погрешностями называются неопределенные
по своей величине и природе погрешности, в появлении которых
не наблюдается какой-либо закономерности.
Случайные погрешности обнаруживаются при многократном
измерении искомой величины, т.к. результаты отдельных измере-
ний отличаются друг от друга даже в тех случаях, когда повторные
измерения проводятся одинаково тщательно и, казалось бы, при
одних и тех же условиях. Другими словами, случайные погреш-
ности неизбежны, и поэтому действительное значение измеряемой
величины находится с некоторым приближением.
Случайные погрешности нельзя исключить опытным путем,
но их влияние на результат измерения может быть теоретически
учтено путем применения при обработке результатов измерений
теории вероятностей и методов статистики.
Нормальное (классическое) распределение случайных погреш-
ностей (закон Гаусса) подчиняется уравнению:

Δ2
1 2
y= × e2 , (1.8)
σ × √ 2π

где у – вероятность получения погрешностей σ (частота появления


случайных погрешностей σ);
σ – средняя квадратическая погрешность ряда измерений;
е – основание натурального логарифма;
Δ – величина погрешности – текущая координата.

Характер кривых, описываемых уравнением (1.8) для двух


значений σ, показан на рис. 1.2.
Из уравнения (1.8) и рис. 1.2 следует, что погрешности разных
знаков встречаются одинаково часто и малые погрешности встре-

36
чаются чаще, чем большие. Однако это справедливо лишь при
большом числе измерений.
Из уравнения (1.9) следует, что средняя квадратическая
погрешность σ может вполне определенно и однозначно характе-
ризовать точность данного ряда измерений, т.е. степень прибли-
жения измеряемой величины к действительному значению. Чем
меньше σ, тем чаще в данном ряде измерений встречаются малые
погрешности, т.е. тем точнее выполнены измерения (рис. 1.2).
Средняя квадратическая погрешность определяется формулой:

∑ ni= 1 Δ 2i Δ 21 + Δ 22 +...+ Δ 2n
σ= = , (1.9)
n–1 n–1

где Δi – случайная погрешность, т.е. разность между измеренным


и действительным значениями измеряемой величины при усло-
вии, что систематические погрешности исключены;
n – число измерений.

σ1

σ1 < σ 2

σ2

–∆ +∆
Рис. 1.2. Закон Гаусса для двух значений σ

37
При практических измерениях действительное значение изме-
ряемой величины неизвестно и поэтому определить значение σ
по формуле (1.9) не представляется возможным.
Взамен действительного значения измеряемой величины при-
нимается наиболее достоверное ее значение. В теории вероятно-
стей доказывается, что наиболее достоверным значением в ряду
измерений одинакового достоинства является среднее арифмети-
ческое, определяемое как:
х1 + х2 + ...+ хn
m= , (1.10)
n
где х1, х2,..., хn – результаты отдельных измерений;
n – число измерений.

Отклонения между каждым из отдельных измерений и средним


арифметическим, т.е. их разности: р1 = х1 – т; p2 = х2 – т; рn =
хn – т, – называются остаточными погрешностями. Они могут
иметь как положительный, так и отрицательный знак.
Одним из свойств арифметического среднего является то, что
алгебраическая сумма остаточных погрешностей равна нулю, т.е.
∑ppj = 0; этим следует пользоваться для контроля правильности
подсчета m, а также остаточных погрешностей. При неограни-
ченно большом числе измерений m стремится к истинному значе-
нию измеряемой величины, а остаточные погрешности – к равен-
ству с соответствующими случайными погрешностями.
Согласно теории вероятностей средняя квадратическая погреш-
ность σ ряда измерений может быть выражена через остаточные
погрешности так:
n
∑ P 2i
P 21 + P 22
+...+ P 2n i–1
σ= = . (1.11)
n–1 n–1

Кроме средней квадратической погрешности для оценки точ-


ности ряда измерений принимается еще так называемая вероят-
ная погрешность ряда измерений (или срединная погрешность).

38
Вероятной погрешностью ряда измерений называется такая
погрешность, относительно которой при повторных измерениях
какой-либо величины имеются случайные погрешности, одна
половина которых по абсолютной величине меньше вероятной
погрешности, а другая – больше ее. Согласно теории вероятностей
вероятная погрешность ряда измерений может быть найдена из
выражения:

2 2 ∑ n P 2i
ε≈ σ≈ . (1.12)
3 3 n–1

Наряду с этими двумя погрешностями σ и ε в теории случай-


ных погрешностей рассматривается еще средняя арифметиче-
ская погрешность ряда измерений, определяемая формулой:

4 4 ∑ n P 2i ∑n |Pi |
α≈ σ≈ ≈ . (1.13)
5 5 n–1 n × (n – 1)

Формула (1.13) показывает, что средняя арифметическая


погрешность может быть вычислена по результатам измерений
без возведения в квадрат остаточных погрешностей. По этой
причине практически значительно удобнее вычислить среднюю
арифметическую погрешность и по ней найти среднюю квадрати-
ческую (σ = 1,25 α).
Формулы (1.11), (1.12), (1.13) позволяют оценить точность ряда
повторных измерений какой-либо величины.
Большой интерес представляет оценка точности результата
измерений, который обычно записывается в следующем виде:
Х = m ± φ, (1.14)
где Х – измеряемая величина; φ – погрешность результата
измерений – одна из трех величин: вероятная погрешность резуль-
тата E, средняя квадратическая погрешность результата S или
средняя арифметическая погрешность результата М.

39
Для определения этих величин теория вероятностей дает сле-
дующие формулы:

ε 2 ∑Pi2 11 ∑|Pi| , (1.15)


E= ≈ × ≈ ×
n 3 n × (n – 1) 13 n n – 1

σ ∑Pi2 3 ∑|Pi| , (1.16)


S= ≈ ≈ ×
n n × (n – 1) 5 n n –1

а для средней арифметической погрешности результата:

α 4 ∑Pi ∑|Pi|
2
M= ≈ × ≈ . (1.17)
n 5 n × (n – 1) n n – 1

Из этих выражений следует, что точность результата увеличи-


вается по мере роста числа отдельных измерений, но значительно
меньше этого роста. Например, для того чтобы в числе, указываю-
щем результаты, получить для измеряемой величины достоверный
лишний знак, надо увеличить число измерений в 100 раз.
Далее теория вероятностей показывает, что вероятность пре-
вышения всех возможных случайных погрешностей данного ряда
измерений величины 3σ и соответственно 3S, а для вероятных
погрешностей – 4,5ε и 4,5E весьма мала, а именно: из 370 случай-
ных погрешностей только одна погрешность оказывается больше
3σ. Поэтому если в главном ряду остаточных погрешностей Р
будут обнаружены отдельные погрешности, по абсолютной вели-
чине превышающие 3σ, то их не следует учитывать, так как они,
очевидно, обусловлены каким-либо промахом во время измерения.
Пример обработки результатов измерения.
В процессе десятикратного измерения бицепса одного спортс-
мена получен ряд его значений, по ним подсчитаны среднее ариф-
метическое Lср , остаточные погрешности и их квадраты. Эти
данные сведены в таблице 1.2.

40
Чтобы оценить точность измерения, подсчитаем среднюю квад-
ратическую погрешность ряда, т.е.:

σ=
∑Pi2 0,0466
= = 0,070 (см),
n –1 9
вероятную погрешность ряда:
2
ε= × σ = 0,047 (см).
3
Таблица 1.2
Результаты измерения бицепса спортсмена

L(см) Р P2
40,62 – 0,16 0,0256
40,82 0,04 0,0016
40,78 0 0,0000
40,70 – 0,08 0,0064
40,82 0,04 0,0016
40,78 0 0,0000
40,84 0,06 0,0036
40,78 0 0,0000
40,85 0,07 0,0049
40,81 0,03 0,0009
Lср = 40,78 ΣP = – 0,24+0,24 = 0 Σ p2 = 0,0446
i

и, наконец, среднюю арифметическую погрешность ряда:


4
α= × σ = 0,056 (см).
5
Для оценки точности результата воспользуемся выражением
для вероятной погрешности (Е), то есть:
ε
E= = 0,015 (см).
n

41
Отсюда искомым значением будет:
L = 40,780 ± 0,015 (см)
и в худшем случае:
L = 40,780 ± 4,5E = 40,780 ± 0,07 (см).
Полученные данные надо понимать следующим образом: если
принять за значение измеряемой величины среднее арифметиче-
ское L=40,78 (см), то мы допускаем одинаковую возможность
появления в нем погрешности как большей, так и меньшей по
абсолютному значению E=0,15 (см), но во всяком случае едва ли
превышающей 4,5E=±0,07 (см).
Если результат должен быть написан без указания погрешно-
сти, то в этом случае рекомендуется округлить числовые значения
так, чтобы в нем остались достоверные цифры, соответствующие
точности измерения величин конкретным прибором, линейкой,
секундомером и т.д. В нашем примере возможная наибольшая
погрешность результата равна 0,07 (см), поэтому можно написать
L=40,8 (см), при этом возможная наибольшая погрешность резуль-
тата не превосходит единицы последнего оставленного десятич-
ного знака.
Единство измерений. Под единством измерений понимается
такое их состояние, при котором обеспечивается достоверность
измерений, а значения измеряемых величин выражаются в узако-
ненных единицах.
В 2008 г. вступил в силу обновленный Федеральный закон
«Об обеспечении единства измерений» от 26 июня 2008 № 102
(далее – Закон). До этого правовые нормы устанавливались поста-
новлениями правительства. По сравнению с положениями этих
постановлений Закон установил ряд нововведений – от термино-
логии до лицензирования метрологической деятельности в стране.
Четко разделены функции государственного метрологического
контроля и надзора; пересмотрены правила калибровки, введена
добровольная сертификация средств измерений и др.
Метрология относится к такой сфере деятельности, в которой
основные положения обязательно должны быть закреплены именно

42
законом, принимаемым высшим законодательным органом страны.
Юридические нормы, непосредственно направленные на защиту
интересов и прав потребителей, в правовом государстве регули-
руются стабильными законодательными актами, и поэтому поло-
жения по метрологии, действовавшие до введения Закона приме-
няют лишь в части, не противоречащей ему.
Этот Закон устанавливает и законодательно закрепляет основные
понятия, принимаемые для целей Закона: единство измерений,
средство измерений, эталон единицы величины, государственный
эталон единицы величины, нормативные документы по обеспече-
нию единства измерений, метрологическая служба, метрологиче-
ский контроль и надзор, поверка и калибровка средств измерений,
сертификат об утверждении типа средств измерений, аккредита-
ция на право поверки средств измерений, сертификат о калиб-
ровке. В основу определений положена официальная терминоло-
гия Международной организации законодательной метрологии
(МОЗМ).
Основные статьи Закона устанавливают:
– организационную структуру государственного управления
обеспечением единства измерений;
– нормативные документы по обеспечению единства измере-
ний;
– единицы величин и государственные эталоны единиц вели-
чин;
– средства и методики измерений.
Закон определяет Государственную метрологическую службу
и другие службы обеспечения единства измерений, метрологиче-
ские службы государственных органов управления и юридических
лиц, а также виды и сферы распределения государственного мет-
рологического контроля и надзора. Статьи Закона содержат поло-
жение по калибровке и сертификации средств измерений и уста-
навливают виды ответственности за нарушения Закона. В Законе
определены состав и компетенция Государственной метрологиче-
ской службы и ее отношения с отраслями и ведомствами. Межот-
раслевой характер деятельности закрепляет правовое положение
Государственной метрологической службы, аналогичное другим

43
межотраслевым и контрольно-надзорным органам государствен-
ного управления (Госэнергонадзор, Госсанэпиднадзор и др.).
Современный этап развития экономики России вызывает труд-
ности в реализации некоторых положений Закона (например,
касающихся поверки и аккредитации соответствующих служб
на право поверки, а также утверждения типа средств измерений),
в связи с чем требуется дальнейшее совершенствование, актуали-
зация, конкретизация законодательных положений. По крайней
мере, три причины требовали законодательного закрепления рос-
сийской системы измерений:
– использование неверных приборов или методик выполнения
измерений ведет к нарушению технологических процессов, поте-
рям энергетических ресурсов, аварийным ситуациям, браку и др.;
– значительные затраты на получение достоверных результатов
измерений. В странах с развитой экономикой на измерения расхо-
дуется почти 6% ВНП. Трудоемкость измерительных процедур
по оценке стоимости экспериментальных измерительных дей-
ствий, выполненных вручную и выраженных во времени (напри-
мер, в часах), составляет около 25% общей трудоемкости научно-
исследовательской деятельности в спорте;
– децентрализация управления экономикой вызывает необхо-
димость структурных изменений в метрологии.
Закон дает возможность для создания в России новой системы
измерений, которая может взаимодействовать с национальными
системами измерений зарубежных стран. Это необходимо для
взаимного признания результатов и сертификации, а также для
использования мирового опыта и тенденций в современной метро-
логии.
Впервые введен институт лицензирования метрологической
деятельности. Право выдачи лицензии предоставлено исключи-
тельно органам Государственной метрологической службы. Новым
является введение обязательной сертификации продукции и услуг,
включая спортивно-оздоровительные.
Закон укрепляет правовую базу для международного сотрудни-
чества в области метрологии. Во исполнение принятого Закона
Правительство РФ утвердило ряд документов: «Положение о госу-

44
дарственных научно-метрологических центрах», «Порядок утвер-
ждения положений о метрологических службах федеральных
органов исполнительной власти и юридических лиц», «Порядок
аккредитации метрологических служб юридических лиц на право
поверки средств измерений», «Положение о метрологическом
обеспечении обороны в Российской Федерации».
Эти документы вместе с указанным Законом составляют зако-
нодательную метрологию, которая является правовой основой
обеспечения единства измерений.
Законом предусмотрена юридическая ответственность нару-
шителей метрологических правил и норм, установлены различ-
ные меры пресечения или предупреждения нарушений (запреты,
обязательные предписания и др.), предусмотрена возможность
привлечения нарушителей к административной, гражданско-
правовой или уголовной ответственности. Установлено, что рас-
сматривать дела об административных правонарушениях и нала-
гать административные взыскания от имени органов Госстан-
дарта вправе:
– главный государственный инспектор Российской Федерации
по надзору за государственными стандартами и обеспечению един-
ства измерений;
– главные государственные инспекторы республик в составе
Российской Федерации, краев, областей, автономных областей,
автономных округов, городов Москвы и Санкт-Петербурга по
надзору за государственными стандартами и обеспечению един-
ства измерений.
В организационном плане единство измерений обеспечивается
метрологической службой России, состоящей из государственной
и ведомственных метрологических служб. Ведомственная метро-
логическая служба есть и в спортивной отрасли.
Технической базой обеспечения единства измерения является
система воспроизведения определенных размеров физических
величин и передачи информации о них всем без исключения сред-
ствам измерений в стране.
Главная измерительная процедура сводится к сравнению не-
известного размера с известным, в качестве которого выступает

45
размер соответствующей единицы системы СИ. Информация
об этих единицах и их размерах содержится в нормативно-техни-
ческих документах. Чем ближе используемый для сравнения
размер единицы к ее определению, тем точнее в этих единицах
будет выражено значение измеряемой физической величины. Этим
объясняются высокие требования к точности воспроизведения
единиц, удовлетворение которых составляет одно из важнейших
направлений постоянных метрологических работ.
Размеры единиц могут воспроизводиться там же, где выпол-
няются измерения, либо информация о них должна передаваться
с места централизованного хранения или воспроизведения. В зави-
симости от этого различают децентрализованное и централизо-
ванное воспроизведение единиц.

1.6. ШКАЛЫ ИЗМЕРЕНИЙ

Шкалы измерений разнообразны. В спортивной практике


используются четыре из них.
Шкала наименований (номинальная шкала). Это самая
простая из всех шкал. Собственно измерений, отвечающих опре-
делению этого действия, в шкале наименований не производится.
Здесь речь идет о группировке объектов, идентичных по опреде-
ленному признаку, и о присвоении им обозначений.
Обозначениями, присваиваемыми объектам, являются числа,
которые играют роль ярлыков и служат для обнаружения и раз-
личения изучаемых объектов (например, нумерация игроков хок-
кейной команды).
При номинальных измерениях вводимая символика означает,
что объект 5 только отличается от объектов 10, 8 или объекта 1.
Однако насколько отличается и в чем именно, по этой шкале изме-
рить нельзя, т.е. здесь нет отношений типа «больше – меньше».
Числа, составляющие шкалу наименований, разрешается
менять местами. Смысл присвоения конкретным объектам чисел

46
состоит в том, что математическая статистика, которая использу-
ется при анализе спортивно-педагогических исследований, опе-
рирует только с ними.
В шкале наименований числа нельзя складывать или вычитать,
но можно подсчитать, сколько раз (как часто) встречается то или
иное число.
Шкала порядка. Чаще всего шкала порядка используется там,
где результат спортсмена определяется только занятым на сорев-
нованиях местом (например, единоборства). Различия между
спортсменами определяются занятыми ими в этих соревнованиях
местами – первым, вторым и т.д., которые в шкале порядка назы-
ваются рангами, а саму шкалу также ранговой, или неметричной.
В такой шкале составляющие ее числа упорядочены по рангам
(т.е. занимаемым местам), но интервалы между ними измерить
нельзя. Например, если три спортсмена заняли, соответственно,
первое, второе и третье места, то каковы различия в их спортив-
ном мастерстве, сказать невозможно: второй спортсмен по мастер-
ству может быть почти равен первому, а может быть существенно
слабее и почти равен третьему.
Шкала порядка позволяет не только установить факт равенства
или неравенства измеряемых объектов, но и определить характер
неравенства в виде суждений: «больше – меньше», «хуже –
лучше» и т.п.
Шкала порядка позволяет измерять и качественные показатели,
например соревнования в беге на 100 м – это определение уровня
развития скоростно-силовых качеств. Спортсмен, выигравший
забег, имеет уровень этих качеств в данный момент выше, чем
спортсмен, пришедший вторым, и т.д.
Шкала порядка нашла широкое применение в таких науках, как
социология, психология, педагогика, т.е. там, где измерение пока-
зателей не требует строгой количественной оценки.
Возможности аппарата математической статистики для обра-
ботки измерений, выполненных по этой шкале, значительно рас-
ширены по сравнению со шкалой наименований. Здесь можно
складывать и вычитать ранги или производить над ними какие-
либо математические действия, но следует помнить, что если

47
между первым и третьим спортсменом два ранга, то это вовсе не
означает, что его мастерство в два раза выше.
Шкала интервалов. Измерения в этой шкале не только упоря-
дочены по рангам, но и разделены определенными интервалами.
В интервальной шкале установлены единицы измерения, имею-
щие размерность (градус, секунда и т.д.). Измеряемому здесь объ-
екту присваивается число, равное количеству единиц измерения,
которое он содержит.
Особенностью шкалы интервалов является то, что нулевая
точка здесь выбирается произвольно, например календарное время
(начало летоисчисления в разных календарях устанавливается
по-разному), суставной угол (угол в локтевом суставе при полном
разгибании предплечья может приниматься либо равным нулю,
либо 180°), температура и т.д.
Результаты измерения по шкале интервалов можно обрабатывать
всеми математическими методами, кроме вычисления отношений.
Обработка результатов измерений в интервальной шкале позволяет
определить «на сколько больше», но не позволяет утверждать, что
одно значение измеренной величины во столько-то раз больше или
меньше другого. Например, если температура повысилась с 10 до
20° по Цельсию, то нельзя сказать, что стало в два раза теплее.
Шкала отношений. Эта шкала имеет строго определенную
нулевую точку, и, следовательно, в некоторый момент времени
измеряемое качество может быть равным нулю. Благодаря этому
шкала отношений не накладывает никаких ограничений на исполь-
зование математического аппарата. При оценке результатов изме-
рений по этой шкале можно определить, «во сколько раз» один
объект больше другого.
При использовании шкалы отношений (и только в этом случае)
измерение какой-либо величины сводится к экспериментальному
определению этой величины к другой подобной, принятой за
единицу (эталон). Измеряя длину, мы узнаем, во сколько раз эта
длина больше длины другого тела, принятого за единицу (метро-
вой линейки в частном случае); взвешивая штангу, определяем
отношение ее массы к массе другого тела – единичной гири,
«килограмма» и т.п. (табл. 1.3)

48
Таблица 1.3
Характеристика и примеры шкал измерений
Шкала Характеристики Математические методы Примеры
Объекты сгруппированы, а группы Число случаев. Номер спортсмена,
обозначены номерами. То, что номер Мода. амплуа и т.д.
одной группы больше или меньше Тетрахорические
Наименований
другой, еще ничего не говорит об их и полихорические
свойствах, за исключением того, что они коэффициенты корреляции
различаются
Числа, присвоенные объектам, отражают Результаты
количество свойства, принадлежащего им. ранжирования
Порядка Возможно установление соотношения спортсменов в тесте
«больше» или «меньше»
Числа, присвоенные объектам, отражают Все методы статистики, Метр, секунда, градус
Интервалов количество единиц измерения, которые кроме вычисления отношений и т.п.
он содержит
Числа, присвоенные предметам, обладают Все методы статистики Длина и масса тела,
всеми свойствами интервальной шкалы. сила движений,
На шкале существует абсолютный нуль, ускорение и т.п.
который указывает на полное отсутствие
Отношений данного свойства у объекта. Отношение
чисел, присвоенных объектам после
измерений, отражает количественные
отношения измеряемого свойства
ГЛАВА 2.
МЕТОДЫ ИЗМЕРЕНИЙ
В СПОРТИВНО-ПЕДАГОГИЧЕСКОЙ
ТЕОРИИ И ПРАКТИКЕ

2.1. СПОРТСМЕН КАК ОБЪЕКТ ИЗМЕРЕНИЯ

Спортсмен является сложным, нетривиальным объектом изме-


рения. От привычных, классических объектов измерения спортс-
мена отличает прежде всего изменчивость, многомерность, квали-
тативность, адаптивность и подвижность.
Изменчивость – непостоянство переменных величин, харак-
теризующих состояние спортсмена и его деятельность. Непре-
рывно изменяются все показатели спортсмена: физиологические,
морфоанатомические, биомеханические, динамические, психо-
физиологические и другие. Изменчивость делает необходимыми
многократные измерения и обработку их результатов методами
математической статистики.
Многомерность – большое число переменных, которые нужно
измерять одновременно для того, чтобы точно охарактеризовать
состояние и деятельность спортсмена, наряду с переменными,
характеризующими спортсмена «выходными данными», следует
контролировать и «входные данные», характеризующие влияние
внешней среды на спортсмена. Роль входных переменных могут
играть: интенсивность физических и эмоциональных нагрузок,
концентрация кислорода во вдыхаемом воздухе, температура,
влажность и т.д.
Квалитативность – качественный характер, т.е. отсутствие
точной количественной меры. Физические качества спортсмена,
свойства личности и коллектива, качества инвентаря и многие
другие факторы спортивного результата, еще не поддающиеся
точному измерению, но тем не менее должные быть оценены как

50
можно точнее. Без такой оценки затруднен дальнейший прогресс
как в спорте высших достижений, так и в массовой физкультуре,
остро нуждающейся в контроле за состоянием здоровья и нагруз-
ками занимающихся.
Адаптивность – свойства человека приспосабливаться к окру-
жающим условиям. Адаптивность лежит в основе обучаемости
и дает возможность спортсмену освоить новые элементы дви-
жений и выполнять их в обычных и усложненных условиях.
Но одновременно адаптивность усложняет задачи спортивных
измерений. При многократных исследованиях спортсмен при-
выкает к процедуре и по мере такого обучения показывает иные
результаты, хотя по функциональным показателям остается неиз-
менным.
Подвижность – особенность спортсмена, основанная на том,
что в подавляющем большинстве видов спорта деятельность
спортсмена связана с непрерывными перемещениями. По сравне-
нию с исследованиями, проводимыми с неподвижным человеком,
измерения в условиях спортивной деятельности сопровождаются
дополнительными искажениями регистрируемых кривых и ошиб-
ками в измерениях.
Неполная наблюдательность – не все показатели могут быть
измерены непосредственно.

2.2. ТЕСТИРОВАНИЕ В СПОРТЕ

Тест – слово английское, в переводе означает «проба, испыта-


ние, исследование». В самом общем виде под тестом понимается
специализированное и стандартизированное задание, результат
выполнения которого соотносится или с ранее полученным
результатом, или с определенным эталоном (критерием) для оценки
психофизиологических, личностных характеристик человека, спо-
собов его действий, меры соответствия или готовности к той или
иной деятельности.

51
Тестирование – определенная система, включающая подбор
тестов в соответствии с поставленной задачей, организацию усло-
вий для их использования, выполнение тестов исследуемыми,
оценивание и анализ результатов.
В физическом воспитании и спорте тестирование помогает
решению ряда сложных педагогических задач, например таких,
как выявление уровней развития двигательных качеств, оценку
качества тактической и технической подготовленности исследуе-
мых лиц, что и будет представлять собой основу программы комп-
лексного контроля. Таким образом, процедуру комплексного мет-
рологического контроля можно представить следующим образом:

К (контроль) = Т (тестирование) + ОР (оценка результатов


тестирования).

Выбор показателей комплексного контроля зависит от цели


тестирования, она же определяет критерии оценивания соответ-
ствующих показателей тестирования (информативность, надеж-
ность и т.д.).
Естественно, программы комплексного контроля в различных
видах спорта неодинаковы, что накладывает ограничения на число
и содержание показателей, которые должны характеризовать под-
готовленность спортсмена.
В теории и методике физического воспитания и спорта в каче-
стве тестов используются определенные физические упражнения
(двигательные действия), называемые контрольными упражне-
ниями (двигательными или моторными тестами).
Учитывая общенародную трактовку тестов, контрольными
упражнениями можно считать специализированные и стандарти-
зированные по содержанию, форме и условиям выполнения
двигательные действия (задания), результаты выполнения которых
соотносятся или с ранее полученными результатами, или с опре-
деленными эталонами (критериями) для оценки физического
состояния человека.
Следует иметь в виду, что контрольные упражнения могут при-
меняться и как обычные физические упражнения, однако далеко

52
не всякое физическое упражнение можно использовать как конт-
рольное (тест).
Впервые теоретические предпосылки тестологических иссле-
дований были разработаны английским генетиком и антрополо-
гом Ф. Гальтоном в 1888 г. Он применил серию одинаковых
испытаний большого количества лиц, произвел статистическую
обработку полученных результатов и выделил критерии (эта-
лоны) оценки. Несколько позже Д. Кеттел (1890 г.) узаконил
термин «тест». Им была предложена серия из 50 тестов
(так называемая в настоящее время «батарея тестов») для опре-
деления меры чувствительности, скорости реакции и других
психофизиологических характеристик человека. Французский
психолог А. Бине первым применил (1903 г.) тесты для оценки
высших психических функций – для измерения интеллекта чело-
века.
С момента зарождения учения о тестах последние часто
использовались для изучения взаимосвязи между важнейшими
показателями моторной деятельности и физического развития.
Одним из самых старых двигательных тестов считается разра-
ботанный Д. Сарджентом (1897 г.) «студенческий силовой тест»,
состоящий из трех испытаний: подтягивания на перекладине,
динамометрии кисти, спирометрии. Однако научное обоснова-
ние теория тестирования в физическом воспитании получила
лишь в середине 20-х годов в работе Ф. Роджерса «Тесты физи-
ческих способностей в процессе физического воспитания»
(1925 г.). Первые исследования по тестированию в физическом
воспитании были связаны с представлением о существовании
общей двигательной одаренности человека (Мак Клой «Изме-
рение общих двигательных способностей», 1934 г.). Последую-
щая разработка теории тестов, накопление экспериментального
материала привели исследователей к мысли, что существует
очень сложная структура двигательных способностей чело-
века.
Идея использования двигательных тестов для определения
уровня физической подготовленности населения впервые была
реализована в нашем комплексе ГТО (1931 г.). Этот комплекс,

53
включая все его последующие модернизации, отвечает двум основ-
ным требованиям теории тестирования:
во-первых, обладает набором разнообразных тестов, позволяю-
щим оценивать разные стороны двигательной подготовленности
человека;
во-вторых, доступен основной массе населения, всем практи-
чески здоровым людям, что достигается дифференциацией тестов
по полу и возрасту, их сравнительной простотой и наглядностью.

Двигательные тесты. Контрольное упражнение – тест,


в котором испытуемый должен показать максимальный результат
при выполнении контрольного задания (например, в беге на 30 м
с хода).
Функциональная проба – тест, в котором проверяется реакция
организма на стандартную нагрузку (например, гарвардский степ-
тест), или, к примеру, функциональная проба Штанге (измеряется
в секундах): сделать вдох, затем глубокий выдох и снова вдох,
задержать дыхание, зажав нос большим и указательным пальцами.
По секундомеру фиксируется время задержки дыхания. По мере
тренированности время задержки увеличивается. При переутом-
лении и перетренированности возможность задержать дыхание
резко снижается.
Максимальный функциональный тест – тест, в котором
регистрируются максимальные возможности организма человека
при выполнении заданной работы (например, бег до отказа на
тредбане при ступенчато возрастающей нагрузке).
Классификация двигательных тестов по преимущественным
их показаниям вытекает из систематизации физических (двига-
тельных) способностей (цит. по журналу «Физическая культура
в школе». – 2007. – № 6).
Кондиционные тесты для оценки силы: максимальной, скоро-
стной, силовой выносливости; для оценки выносливости; для
оценки скоростных способностей; для оценки гибкости: активной
и пассивной.
Координационные тесты для оценки координационных спо-
собностей, относящихся к отдельным самостоятельным группам

54
двигательных действий, которые измеряют специальные коорди-
национные способности; для оценки специфических координа-
ционных способностей – способностей к равновесию, ориентиро-
ванию в пространстве, реагированию, дифференцированию пара-
метров движений, ритму, перестроению двигательных действий,
согласованию (связи), вестибулярной устойчивости, произволь-
ному расслаблению мышц.
Критерии добротности двигательных тестов. Понятие «двига-
тельный тест» отвечает своему назначению, если тест удовлетво-
ряет соответствующим основным критериям – надежности, стабиль-
ности, эквивалентности, объективности, информативности, а также
дополнительным критериям: нормированию, сопоставимости
и экономичности. Тесты, удовлетворяющие требованиям надеж-
ности и информативности, называют добротными или аутентич-
ными (достоверными).
Под надежностью теста понимают степень точности, с кото-
рой он оценивает определенную двигательную способность неза-
висимо от требований того, кто ее оценивает. Надежность про-
является в степени совпадения результатов при повторном тести-
ровании одних и тех же людей в одинаковых условиях; это
стабильность или устойчивость результата теста индивида при
повторном выполнении контрольного упражнения. Другими
словами, школьник в группе обследуемых по результатам повтор-
ных тестирований (например, показателям прыжков, времени бега,
дальности метания) устойчиво сохраняет свое ранговое место.
Надежность теста определяется с помощью корреляционно-
статистического анализа путем расчета коэффициента надежности
и использования различных способов. Фиксированных значений
показателей надежности теста не имеется. В большинстве случаев
пользуются следующими рекомендациями: 0,95–0,99 – отличная
надежность; 0,9–0,94 – хорошая; 0,8–0,89 – приемлемая; 0,7–
0,79 – плохая; 0,6–0,69 – для индивидуальных оценок сомнитель-
ная, тест пригоден только для характеристики группы испыту-
емых. В целом надежность тестов можно повысить различными
путями: более строгой стандартизацией тестирования, увеличе-
нием числа попыток, лучшей мотивацией испытуемых, увеличением

55
числа оценщиков (судей, экспертов), повышением согласованно-
сти их мнений, увеличением числа эквивалентных тестов.
Стабильность теста основывается на зависимости между
первой и второй попытками, повторенными через определенное
время в одинаковых условиях одним и тем же экспериментатором.
Способ повторного тестирования на определение надежности
называется ретестом. Стабильность теста зависит от вида теста,
возраста и пола испытуемых, временного´ интервала между тестом
и ретестом. Например, показатели кондиционных тестов или
морфологических признаков при небольших временных интерва-
лах более стабильны, чем результаты координационных тестов;
у старших детей результаты стабильнее, чем у младших. Ретест
обычно проводят не позднее, чем через одну неделю. При более
длительных интервалах (например, через месяц) стабильность
даже таких тестов, как бег на 1000 м или прыжок в длину с места,
становится уже заметно ниже.
Эквивалентность теста заключается в корреляции результата
теста с результатами других однотипных тестов. Например, кри-
терий эквивалентности применяют, когда нужно выбрать, какой
тест более адекватно отражает скоростные способности: бег на 30,
50, 60 или 100 м. То или иное отношение к эквивалентным (гомо-
генным) тестам зависит от многих причин. Если нужно повысить
надежность оценок или выводов исследования, целесообразно
использовать два эквивалентных теста и более. А если стоит
задача создать батарею, содержащую минимум тестов, то следует
использовать только один эквивалентный тест.
Под объективностью (согласованностью) теста понимают
степень согласованности результатов, получаемых у одних и тех
же испытуемых разными экспериментаторами (тренерами, учите-
лями, судьями, экспертами). Для повышения объективности
тестирования необходимо соблюдение стандартных условий про-
ведения теста:
а) время тестирования, место, погодные условия;
б) единое материальное и аппаратурное обеспечение;
в) психофизиологические факторы (объем и интенсивность
нагрузки, мотивация);

56
г) подача информации (точная словесная постановка задачи
теста, объяснение и демонстрация).
Соблюдение данных условий создает так называемую объек-
тивность проведения теста. Говорят еще об интерпретационной
объективности, касающейся степени независимости интер-
претации результатов тестирования разными экспериментато-
рами.
Информативность теста – это степень точности, с какой
измеряется оцениваемая двигательная способность или навык.
В иностранной и отечественной литературе вместо «информатив-
ность» используют термин «валидность» (англ, validity – обосно-
ванность, действительность, законность). Фактически, примени-
тельно к информативности исследователь отвечает на два вопроса:
что измеряет данный конкретный тест (батарея тестов) и какова
при этом степень точности измерения.
Дополнительными критериями тестов, как отмечалось, явля-
ются нормирование и сопоставимость.
Суть нормирования состоит в том, что на основе результатов
тестирования можно создать нормы, имеющие особое значение
для практики.
Сопоставимость теста заключается в возможности сравни-
вать результаты, полученные по одному тесту или нескольким
формам параллельных (гомогенных) тестов. В практическом плане
применение сопоставляемых моторных тестов снижает вероят-
ность, что в результате регулярного применения одного и того же
теста оценивается не только и не столько уровень способности,
сколько степень навыка в его исполнении. Одновременно сопо-
ставляемые результаты тестов повышают достоверность выводов.
Этапы тестирования.
1. Выбор тестов и составление батареи тестов для комплекс-
ного обследования, проверка их соответствия критериям стандар-
тизации.
2. Подготовка места тестирования, необходимого оборудова-
ния, определение количества помощников и их инструктаж, под-
готовка протоколов, бланков и тестовых карточек для регистрации
результатов, а также определение формы тестирования (массовые,

57
групповые, индивидуальные) и разработка системы оценки резуль-
татов.
3. Проведение тестирования, сбор тестовых карточек, протоко-
лов и бланков тестирования.
4. Обработка результатов тестирования (первичная и статисти-
ческая).
5. Интерпретация и обсуждение полученных данных.
Рассмотрим примеры тестов, сгруппированные по их исполь-
зованию, для определения физических качеств человека.

ТЕСТЫ ДЛЯ ОПРЕДЕЛЕНИЯ ВЫНОСЛИВОСТИ

1. Тесты Купера.
12-минутный беговой тест.
С помощью бегового теста Купера оценивается состояние
физической подготовленности организма по данным о расстоянии
(в метpaх), которое человек способен преодолеть бегом (или
шагом) за 12 мин.
Предполагается, что в течение всего теста человек выполняет
бег. Если тестируемый не справляется с этим требованием, он
может перейти на шаг. Секундомер, отсчитывающий 12 мин,
при этом не останавливается. Чем более продолжительное время
при выполнении теста человек будет идти, а не бежать, тем хуже
результат теста. После 12-минутного передвижения замеряется
преодоленное расстояние в метрах и оценивается физическая под-
готовленность (табл. 2.1).

Для того чтобы можно было оценить уровень подготовленно-


сти человека в приведенных далее тестах, должны быть постро-
ены таблицы, подобные табл. 2.1. В большинстве тестов такие
оценки сделаны. Поскольку их можно найти в научной и научно-
методической литературе по физической культуре и спорту, в дан-
ном труде мы ограничились только одним примером. Можно не
только проводить сравнение для конкретного человека с извест-
ными нормативами, но и отслеживать изменения, которые про-

58
исходят у человека от одного тестирования до другого, тем более
что положительные тенденции в тестовых оценках понятны
в любом из известных тестов.
12-минутный тест плавания.
Оценивается состояние физической подготовленности орга-
низма по данным о расстоянии (в метрах), которое человек спо-
собен проплыть за 12 мин. Стиль плавания при выполнении теста
произвольный. Тест лучше всего проводить в бассейне, где проще
измерить преодоленное расстояние. В ходе тестирования можно
делать перерывы на отдых, в течение которых секундомер продол-
жает отсчитывать 12 мин. Чем больше перерывов, тем хуже резуль-
тат теста.

Таблица 2.1
Оценка физической подготовленности человека
по 12-минутному беговому тесту Купера

Физическая Преодоленное расстояние, м


подготовлен- Девушки Женщины Женщины Юноши Мужчины Мужчины
ность 13–19 лет 20–29 лет 30–39 лет 13–19 лет 20–29 лет 30–39 лет
Очень плохая <1600 <1550 <1500 <2100 <1950 <1900
Плохая 1600–1900 1550–1800 1500–1700 2100–2200 1950–2100 1900–2100
Удовлетв. 1900–2100 1800–1900 1700–1900 2200–2500 2100–2400 2100–2300
Хорошая 2300–2400 1900–2100 1900–2100 2500–2750 2400–2600 2300–2500
Отличная 2300–2400 2100–2300 2100–2200 2750–3000 2600–2800 2500–2700
Превосходная >2400 >2300 >2200 >3000 >2800 >2700

12-минутный тест езды на велосипеде.


Позволяет оценить состояние физической подготовленности
организма по данным о расстоянии (в метрах), преодоленном
человеком на велосипеде за 12 мин. Тест рекомендуется проводить
в маловетреную погоду на трассе с хорошим покрытием, исклю-
чающей крутые подъемы и спуски.

Далее рекомендуются другие тесты на выносливость:


1) шестиминутный тест;
2) бег на 600, 800, 1000 и 10 000 м (18 лет и старше);

59
3) марш-бросок на 3000–5000 м;
4) ходьба спортивная на 1000, 2000 и 5000 м;
5) для определения скоростной выносливости – бег на 200, 300
и 400 м.
Приведенные в тестах количественные показатели выполнения
двигательного задания характеризуют различные возрастные
контингенты занимающихся. Естественно, чем выше возраст
тестируемого, тем на большей дистанции можно проводить тест.
То же относится и к другим тестам. Для некоторых из них, приве-
денных далее, даются примеры методических рекомендаций по
технике проведения теста, которая обеспечивает его однознач-
ность и сравнимость с результатами других исследователей.

ТЕСТЫ ДЛЯ ОПРЕДЕЛЕНИЯ БЫСТРОТЫ

1. Время простой реакции на свет и звук.


2. Частота движений в беге на месте за 1 мин; 30 с; 10 с.
3. Быстрый бег с низкого старта на 20, 30, 60 и 100 м.
4. Быстрый бег с ходу на 20, 30 и 40 м.
5. Быстрый бег с высокого старта на 30, 40, 60, 80 и 100 м.
6. Эстафетный бег: 8×50; 4×100 м.

ТЕСТЫ ДЛЯ ОПРЕДЕЛЕНИЯ СИЛОВЫХ СПОСОБНОСТЕЙ

1. Динамометрия (определение силы кисти, туловища, спины,


разгибателей бедра, голени).
2. Подтягивание на высокой перекладине (количество раз).
Подтягивание выполняется из виса хватом сверху, каждый раз из
неподвижного положения в висе на прямых руках (пауза 1–2 с) без
рывков и маховых движений ногами и туловищем; подбородок –
выше уровня перекладины. Фиксируется количество правильно
выполненных подтягиваний. Женщины выполняют подтягивание
в висе лежа на низкой перекладине (количество раз), не отрывая ноги
от пола. Подбородок – выше уровня перекладины. Тело прямое.

60
3. Сгибание и разгибание рук в упоре лежа (количество раз).
Выполняется из исходного положения упор лежа на полу (муж-
чины) и в упоре лежа на скамейке (женщины). Ноги и туловище
составляют прямую линию, взгляд направлен вперед. Расстояние
между кистями чуть шире плеч. Сгибание рук выполняется до
касания грудью пола или скамейки, а разгибание производится
до полного выпрямления рук, при этом ноги и туловище должны
составлять прямую линию. Темп выполнения произвольный.
Упражнение не засчитывается, если живот, таз или колени
касаются пола. Фиксируется количество правильно выполненных
отжиманий.
4. Из положения в висе поднимание прямых ног.
5. Из исходного положения лежа на мате, руки за голову, ноги
согнуты в коленном суставе – поднимание и опускание туловища.
6. Лазанье по канату.
7. Подъем штанги на грудь (50–95% от максимума).
8. Рывок штанги (50–90% от максимального веса).
9. Приседание со штангой (50–90% от максимального веса на
время).

ТЕСТЫ ДЛЯ ОПРЕДЕЛЕНИЯ СКОРОСТНО-СИЛОВЫХ


СПОСОБНОСТЕЙ

1. Прыжок вверх с места.


2. Прыжок в длину с места. Выполняется на ровной поверхно-
сти. Желательно, чтобы поверхность или обувь не допускали про-
скальзывания во время отталкивания. Испытуемый встает около
прыжковой линии, от которой проводится измерение. На линию
наступать нельзя. Между стопами небольшое расстояние. Перед
прыжком нужно слегка согнуть ноги и отвести руки назад. Выпол-
няя мах руками вперед, испытуемый совершает прыжок вперед-
вверх, отталкиваясь двумя ногами. После приземления он должен
остаться на месте или пройти вперед. Длина прыжка измеряется
с точностью до 0,05 м. Измерение проводится от прыжковой
линии до ближайшего следа, оставленного прыгающим. Причем

61
проверяющему следует запомнить место первого касания стопами
пола, поскольку очень часто стопы смещаются вперед после каса-
ния пола. Засчитывается лучший результат из трех попыток. Если
перед прыжком испытуемый наступает на линию (делает заступ),
результат не засчитывается, а попытка учитывается.
3. Тройной прыжок с места.
4. Пятерной прыжок с места.
5. Десятерной прыжок с места.
6. Пятый, десятый прыжок с шести шагов разбега.
7. Прыжок в глубину (спрыгивание с возвышения и последую-
щее без паузы выпрыгивание вверх).
8. Бег на 100 м (с). Выполняется с высокого старта. Стартую-
щий располагается в 2–3-х м от стартовой линии. Ему подают
команды, а он их выполняет. По команде «На старт!» у стартовой
линии ставят сильнейшую ногу, другую отставляют назад на
1,5–2 стопы, обе ноги слегка сгибают. Корпус наклоняют вперед,
перенося тяжесть тела на впереди стоящую ногу. Руку, противо-
положную сильнейшей ноге, выносят вперед или опираются о до-
рожку у стартовой линии, другую руку отводят назад. По команде
«Марш!» быстро начинают бег частыми и энергичными шагами,
наклонив туловище вперед, с тем чтобы к концу стартового разбега
принять вертикальное положение и перейти к бегу свободным махо-
вым шагом.
9. Метание набивного мяча, ядра из различных исходных поло-
жений двумя руками:
а) из-за головы;
б) из-за спины;
в) снизу-вверх.
10. Для детей младшего школьного возраста – метание теннис-
ного мяча с разбега одной рукой на дальность.
11. Толкание ядра.
12. Метание гранаты с разбега.
13. Прыжки на двух ногах через скакалку на время (в течение
одной минуты).
14. Поднимание и опускание туловища из положения лежа,
ноги закреплены, руки за головой (число раз). Выполняется

62
в положении лежа на спине (на гимнастическом мате или на
коврике). Исходное положение (и.п.) лежа, ноги зафиксированы
носками под нижней рейкой гимнастической стенки или удержи-
ваются партнером, колени согнуты, руки за головой. По команде
«Упражнение начинай!» делается отсчет числа выполнения.
Участник поднимается до положения сидя на полу (вертикально)
и возвращается в исходное положение.

ТЕСТЫ НА ОПРЕДЕЛЕНИЕ ГИБКОСТИ

1. Наклон туловища вперед из положения сидя, ноги вместе.


2. Из исходного положения стоя ноги вместе наклон туловища
вперед.
3. Мостик. При его выполнении измеряется расстояние от пяток
до кончиков пальцев испытуемого.
4. Разведение ног в стороны (продольный, поперечный шпагат).
Измеряется расстояние от вершины угла до пола.
5. Контрольный тест для определения подвижности позвоноч-
ного столба (см). Испытуемый стоит на гимнастической скамейке,
к которой прикреплена линейка, размеченная на сантиметры,
причем у шкалы на уровне подошв деления идут вниз от уровня
скамейки. Испытуемый наклоняется вниз, стараясь коснуться паль-
цами как можно ниже, не сгибая колен и без рывков.

ТЕСТЫ ДЛЯ ОПРЕДЕЛЕНИЯ КООРДИНАЦИОННЫХ


СПОСОБНОСТЕЙ

1. Челночный бег 3×30; 5×10 м.


2. Метание теннисного мяча на точность попадания в цель.
3. Бег по зигзагу.
4. Метание теннисного мяча в цель, стоя спиной к мишени
(метание мяча над плечом или головой).
5. Отпускание палки (педагог держит гимнастическую палку
за верхний конец на вытянутой руке, тестируемый держит откры-

63
тую кисть на вытянутой руке у нижнего конца палки. Педагог
отпускает палку, тестируемый должен поймать ее).
6. Стойка на одной ноге. Тестируемый закрывает глаза и стано-
вится на одну ногу, другая согнута в коленном суставе и развер-
нута. Пятка согнутой ноги касается колена опорной ноги, руки на
поясе. Педагог включает секундомер. Фиксируется показатель
времени удержания равновесия.
7. Выполнение различных сложно-координационных упражне-
ний (прыжок в высоту с разбега, прыжок в длину с разбега, бег
с барьерами и т.д.).
8. Конечно, двигательные тесты не исчерпываются приведен-
ными примерами. Их значительно больше.
Существуют стандартизированные тесты для оценки физиче-
ской подготовленности учащихся по проявлениям основных физи-
ческих качеств – быстроты, выносливости, силовых, скоростно-
силовых и гибкости (табл. 2.2).

Таблица 2.2
Двигательные тесты для обучающихся в различных учебных
заведениях России

Возраст Тесты
исследуемых, лет Мальчики, юноши Девочки, девушки
Бег 30 м, с. Бег 30 м, с.
Бег 1000 м, мин. Бег 1000 м, мин.
Подтягивание Подъем туловища
7–27 (школа, ссуз, вуз) на перекладине, кол-во раз. в положение сидя за 30 с,
Прыжок в длину с места, кол-во раз.
см. Прыжок в длину с места, см.
Гибкость туловища, см Гибкость туловища, см

В разных странах мира вопросам тестирования уровня физи-


ческой подготовленности, стимулирования занятий физической
культурой и спортом среди различных групп населения уде-
ляется большое внимание. В США такая система тестирования
находится под патронажем президента и проводится под назва-
нием «Президентский вызов». В Канаде, Германии, Китае,
Японии и других странах созданы и реализуются свои нацио-

64
нальные системы тестирования. В странах Европы получила
широкое распространение единая система тестирования для
школьников – Еврофит.

2.3. ОЦЕНКА КАК ИЗМЕРИТЕЛЬ СПОРТИВНЫХ


РЕЗУЛЬТАТОВ

В практике комплексного контроля исключительно редкой


бывает ситуация, когда для оценки подготовленности спортсменов
применяется один тест. Для получения наибольшей информатив-
ности и достоверности результата комплексного контроля обычно
используется батарея тестов.
Например, комплекс для контроля за подготовленностью спортс-
менов может включать в себя следующие тесты: время бега на
тредбане, частоту сердечных сокращений (ЧСС), максимальное
потребление кислорода (МПК), максимальная сила и градиент
силы и т.д.
Если для контроля используется один тест, то оценивать его
результаты с помощью специальных методов нет необходимости:
и так виден результат сравнения спортсменов. Если же использу-
ется батарея тестов, то в этом случае показанные спортсменами
результаты:
во-первых, выражаются в разных единицах измерения (напри-
мер, сила – в кГ или H; время – в с; МПК – в мл/а/мин; ЧСС –
в уд/мин; расстояние – в м и т.д.);
во-вторых, сами по себе они не указывают, насколько удовле-
творительно состояние спортсмена (скажем, время бега на 100 м,
равное 12,0 с, может рассматриваться и как очень хорошее, и как
очень плохое, в зависимости от того, о ком идет речь). Таким
образом, на итоговую оценку квалификации спортсменов оказы-
вают влияние возраст, состояние здоровья, экологические и другие
особенности условия проведения контроля.

65
Из сказанного выше видно, что результаты, полученные в про-
цессе испытаний, выражаются в разных единицах измерения
и могут иметь различные размерности, и поэтому сравнение до-
стижений спортсменов по абсолютным значениям показателей
не представляется возможным.
Разрешить возникшую проблему можно лишь в том случае,
если найти единый подход в оценке успеха в разных испытаниях,
т.е. результат представить в виде оценок (очков, баллов, отметок,
разрядов и т.д.).
Оценкой (или педагогической оценкой) называется унифици-
рованная мера успеха в каком-либо задании, в частном случае –
тесте.
Различают учебные оценки, которые выставляет преподаватель
ученикам по ходу учебного процесса, и квалификационные, под
которыми понимаются все прочие виды оценок (в частности,
результаты соревнований, тестирования и др.).
Процесс определения (расчета) оценок называется оцениванием.
Примерами оценивания могут служить таблицы очков по видам
спорта, школьные и вузовские отметки, всероссийская спортивная
классификация, положения о соревнованиях, практика неофициаль-
ного подсчета очков на Олимпийских играх и других чемпионатах.
Оценка может быть выражена различными способами. Напри-
мер, в виде качественной характеристики («хорошо – удовлетво-
рительно – плохо» или «зачет – незачет»), выставляемой отметки,
как в школе (от «единицы» до «пятерки»), набранных очков
(в многоборье), факта выполнения разрядных норм. Во всех слу-
чаях она имеет общие черты.
Квалификационное оценивание состоит из следующих этапов:
1) подбирается шкала, с помощью которой возможен перевод
результатов теста в оценки;
2) в соответствии с выбранной шкалой результаты теста пре-
образовываются в очки (баллы);
3) полученные очки сравниваются с нормами, и выводится
итоговая оценка. Она и характеризует уровень подготовленности
спортсмена относительно других членов группы (команды, кол-
лектива).

66
Последовательность действий при оценивании наглядно пока-
зана на рис. 2.1. В эту схему также включены этапы тестирования
и измерения результата теста.

Тестирование

измерение шкала измерений

Результаты теста

промежуточное
шкала оценок
оценивание

Очки
(промежуточная
оценка)

итоги
нормы
оценивания

Итоговая оценка

Рис. 2.1. Последовательность действий при оценивании

Не во всех случаях оценивание происходит по такой разверну-


той схеме. Иногда промежуточное и итоговое оценивания слива-
ются.
Круг задач, решаемых в ходе оценивания, весьма многообразен.
Из него можно выделить основные:
1) по результатам оценивания необходимо сопоставить разные
достижения в соревновательных упражнениях. На базе этого
можно создать научно обоснованные разрядные нормы в видах
спорта. Следствием заниженных норм является увеличение числа
разрядников, недостойных этого звания. Завышенные же нормы
становятся для многих недостижимыми и не стимулируют даль-
нейшего занятия спортом;

67
2) сопоставление достижений в разных видах спорта позволяет
решить задачу равенства и их разрядных норм (несправедлива
ситуация, когда в одном виде спорта легко выполнить норму
мастера спорта, а в другом – трудно);
3) необходимо классифицировать множество тестов по резуль-
татам, которые показывает в них спортсмен;
4) следует установить структуру тренированности каждого из
спортсменов, подвергшихся тестированию.
Перевести результаты тестирования в баллы можно различ-
ными способами. Одним из них является довольно часто встре-
чающийся на практике метод ранжирования или упорядочения
полученных измерений. Пример такого ранжирования приведен
в табл. 2.3.

Таблица 2.3
Использование метода упорядочения полученных результатов
Спортсмены
Тесты и оценка
1 2 3 4 5 6 7 8 9 10
Бег на 30 м, с 4,8 4,9 4,3 5,1 5,0 5,3 4,7 5,5 5,1 4,9
Подтягивание,
количество 18 11 14 26 25 13 19 12 17 16
повторений
Ранги 1-го теста 3 4,5 1 7,5 6 9 2 10 7,5 4,5
Ранги 2-го теста 4 10 7 1 2 8 3 9 5 6
Суммарный ранг 7 14,5 8 8,5 8 17 5 19 12,5 10,5
Место в группе 2 8 3–4 5 3–4 9 1 10 7 6

Из табл. 2.3 видно, что лучший результат оценивается в 1 балл,


а каждый последующий – на балл больше. При всей простоте
и удобстве такого подхода его несправедливость очевидна. Если
взять бег на 30 м, то различия между 1-м и 2-м (0,4 с) и между 2-м
и 3-м (0,1 с) местами оцениваются одинаково – в 1 балл. Точно
так же и в оценке подтягивания: разница в одно повторение
и в семь оценивается одинаково.
Оценка проводится для того, чтобы стимулировать спортсмена
на достижение максимальных результатов. Но при показанном

68
выше подходе спортсмен, подтянувшись на 6 раз больше, получит
столько же баллов, сколько и за прибавку в одно повторение.
С учетом всего сказанного выше преобразование результатов
тестирования и оценки нужно проводить не с помощью ранжи-
рования, а использовать для этого разработанные специальные
шкалы.
Закон преобразования спортивных результатов в очки называ-
ется шкалой оценок. Шкала может быть задана в виде математи-
ческого выражения (формулы), таблицы или графика.
В спорте и физическом воспитании используются четыре типа
таких шкал.
Первая – пропорциональная шкала (рис. 2.2). При ее использо-
вании равные приросты результатов в тесте поощряются равными
приростами в баллах (например, за каждые 0,1 с улучшения
результата в беге на 100 м начисляется 20 очков). Их получит
спортсмен, пробежавший 100 м за 12,8 с и пробежавший эту же
дистанцию за 12,7 с, и спортсмен, улучшивший свой результат
с 12,1 до 12,0 с. Пропорциональные шкалы приняты в современ-
ном пятиборье, конькобежном спорте, лыжных гонках, лыжном
двоеборье, биатлоне и других видах спорта.

Очки

y=a+b×x

а {
Результат

Пропорциональная шкала

69
Математическое выражение для этой шкалы:
у = а + bх,
где у – очки, х – результат, а и b – коэффициенты (параметры) урав-
нения шкалы: b = tgα.

Второй тип – прогрессирующая шкала (рис 2.3). Этот тип шкал


предполагает, что равные приросты результатов оцениваются
по-разному.
Здесь, чем выше спортивный результат, тем большей прибавкой
очков оценивается его улучшение (например, за улучшение
времени в беге от 15,0 до 14,9 с добавляют 10 очков, а от 10,0 до
9,9 с – 100 очков). Прогрессирующие шкалы применяются в пла-
вании, отдельных видах легкой атлетики, тяжелой атлетике.

Очки
y = a× x n

0
Результат

Прогрессирующая шкала

Математическое выражение для построения прогрессирующих


шкал может иметь вид:
у = a × xn,
где y – очки, x – результат, a и n – коэффициенты уравнения.

70
Третий тип – регрессирующая шкала (рис. 2.4). В этом случае
за один и тот же прирост результата начисляют по мере возраста-
ния спортивных достижений все меньшее число очков (например,
за улучшение результата в беге на 100 м c 12,8 до 12,7 с дается
20 очков, а с 12,7 до 12,6 с – 30 очков).

Очки

y = a (1 – е –х)

0
Результат

Рис. 2.4. Регрессирующая шкала

Регрессирующие шкалы кажутся несправедливыми, но приме-


нение их во многих случаях оправдано. Шкалы такого типа при-
няты в некоторых видах легкоатлетических прыжков и метаний.
Математическое выражение для построения такой шкалы может
выглядеть следующим образом:
у = а (1 – е–x),
где у – очки, х – результат, е – основание натурального логарифма,
а – постоянный коэффициент.

Четвертый тип – сигмовидная (или S-образная) шкала (рис. 2.5).


В этих шкалах улучшение результатов в зонах очень низких
и очень высоких достижений поощряется скупо; больше всего
очков приносит прирост результатов в средней зоне достижений.

71
Так, за улучшение результата с 12,8 до 12,7 с начисляется по
10 очков, а с 12,5 до 12,4 с – 30 очков. В спорте такие шкалы не
используются, но они применяются при оценке физической под-
готовленности (например, так выглядит шкала стандартов физи-
ческой подготовленности населения США).

Очки

y = a (е–bx – е –cх)

0
Результат

Рис. 2.5. Сигмовидная шкала

Математическое выражение, описывающее такую зависимость,


может выглядеть следующим образом:
у = a × (е–bx – е–cx),
где y – очки, х – результат, е – основание натурального логарифма,
а, b, с – коэффициенты уравнения.

Каждая из этих шкал имеет как достоинства, так и недо-


статки. Устранение последних и усиление первых достигается
правильным выбором в каждом конкретном случае той или иной
шкалы.
Оценка как унифицированный измеритель спортивных резуль-
татов может быть эффективной, если она справедлива и с пользой
применяется в практической деятельности. А это зависит от крите-

72
риев, на основе которых оцениваются результаты. При выборе
критериев следует иметь в виду такие вопросы: 1) какие резуль-
таты должны быть положены в нулевую точку шкалы? и 2) как
оценивать промежуточные и максимальные достижения?
Целесообразно использование следующих критериев:
´ интервалов, необходимых для дости-
– равенство временных
жения результатов, соответствующих одинаковым мерам успеха
(разрядам) в разных видах спорта. Естественно, что это воз-
можно лишь в том случае, если содержание и организация тре-
нировочного процесса в этих видах спорта не будут резко отли-
чаться;
– равенство объемов нагрузок, которые необходимо затра-
тить на достижение одинаковых мер успеха в разных видах
спорта;
– равенство мировых рекордов в разных видах спорта;
– равные соотношения между числом спортсменов, выполнив-
ших разрядные нормы в разных видах спорта.
В спортивной практике для оценок результатов тестирования
используется несколько шкал.

Стандартная шкала.
Эти шкалы названы так потому, что масштабом в них служат
стандартные (средние квадратические) отклонения. Базисом для
них служит пропорциональная шкала. Простейшей стандартной
шкалой является Z-шкала. В этой шкале начисляемые очки равны
нормированному отклонению, т.е. отклонению от среднего ариф-
метического, выраженного в единицах стандартного отклонения.
Средний результат в этой шкале оценивается в ноль очков, резуль-
таты ниже средней величины получают отрицательные очки.
Согласно правилу 3σ подавляющее большинство результатов укла-
дывается в диапазоне от –3σ до +3σ. Из-за наличия в оценке отри-
цательных значений эта шкала неудобна и поэтому не нашла
широкого применения.

73
ɒɢɪɨɤɨɟ ɪɚɫɩɪɨɫɬɪɚɧɟɧɢɟ ɩɨɥɭɱɢɥɚ -
- . ɉɪɢ ɟɟ ɢɫɩɨɥɶ-
ɡɨɜɚɧɢɢ ɫɪɟɞɧɢɣ ɪɟɡɭɥɶɬɚɬ ɩɪɢɪɚɜɧɢɜɚɟɬɫɹ ɤ 50 ɨɱɤɚɦ, ɚ ɦɚɬɟɦɚ-
ɬɢɱɟɫɤɨɟ ɜɵɪɚɠɟɧɢɟ ɢɦɟɟɬ ɫɥɟɞɭɸɳɢɣ ɜɢɞ:
xi – m
Ɍ = 50 + 10 × ı = 50 + 10Z (2.3)

ɝɞɟ:  – ɨɰɟɧɤɚ ɪɟɡɭɥɶɬɚɬɚ ɜ ɬɟɫɬɟ, m ɢ – ɫɪɟɞɧɟɟ ɚɪɢɮɦɟɬɢɱɟɫɤɨɟ


ɢ ɫɬɚɧɞɚɪɬɧɨɟ ɨɬɤɥɨɧɟɧɢɟ,
i – ɩɨɤɚɡɚɧɧɵɣ ɪɟɡɭɥɶɬɚɬ, Z – ɧɨɪɦɢ-
ɪɨɜɚɧɧɨɟ ɢɥɢ ɫɬɚɧɞɚɪɬɢɡɨɜɚɧɧɨɟ ɨɬɤɥɨɧɟɧɢɟ.

 1. ȿɫɥɢ ɫɪɟɞɧɟɟ ɚɪɢɮɦɟɬɢɱɟɫɤɨɟ ɤ ɪɟɡɭɥɶɬɚɬɨɜ ɜ ɩɪɵɠ-


ɤɚɯ ɜ ɞɥɢɧɭ ɫ ɦɟɫɬɚ ɪɚɜɧɹɥɚɫɶ 224 ɫɦ, ɚ ɫɬɚɧɞɚɪɬɧɨɟ ɨɬɤɥɨɧɟɧɢɟ –
2 ɫɦ, ɬɨ ɡɚ ɪɟɡɭɥɶɬɚɬ 222 ɫɦ ɧɚɱɢɫɥɹɟɬɫɹ 49 ɨɱɤɨɜ, ɚ ɡɚ 226 ɫɦ –
71 ɨɱɤɨ. ȼɨɫɩɨɥɶɡɨɜɚɜɲɢɫɶ ɷɬɨɣ ɲɤɚɥɨɣ, ɩɟɪɟɫɱɢɬɚɟɦ ɞɚɧɧɵɟ
ɬɚɛɥ. 2.3.

   2.4

     30    
  
 
1 2 3 4 5 6 7 8 9 10
Ɉɰɟɧɤɚ
ɡɚ ɪɟɡɭɥɶɬɚɬɵ 55,3 52,0 72,0 45,7 48,7 38,7 38,7 32,0 45,3 52,0
ɜ ɛɟɝɟ
Ɉɰɟɧɤɚ
ɡɚ ɪɟɡɭɥɶɬɚɬɵ 51,8 37,6 43,7 68,2 66,1 41,6 53,9 39,6 49,8 47,8
ɩɨɞɬɹɝɢɜɚɧɢɹ
ɋɭɦɦɚɪɧɚɹ
107,1 89,6 115,7 113,9 114,8 80,3 112,6 71,6 95,1 99,8
ɨɰɟɧɤɚ
Ɇɟɫɬɨ ɜ ɝɪɭɩɩɟ 5 8 1 3 2 9 4 10 7 6

ɋɪɚɜɧɟɧɢɟ ɫɨɞɟɪɠɚɧɢɹ ɬɚɛɥ. 2.3 ɢ 2.4 ɩɨɤɚɡɵɜɚɟɬ, ɱɬɨ ɨɰɟɧɤɚ


ɩɨ Ɍ-ɲɤɚɥɟ ɩɨ ɫɪɚɜɧɟɧɢɸ ɫ ɪɚɧɠɢɪɨɜɚɧɢɟɦ ɛɨɥɟɟ ɫɩɪɚɜɟɞɥɢɜɚ.
Ɍɨɥɶɤɨ ɩɹɬɶ ɱɟɥɨɜɟɤ (ɫɭɦɦɚɪɧɵɟ ɨɰɟɧɤɢ ɩɨɞɱɟɪɤɧɭɬɵ) ɫɨɯɪɚɧɢɥɢ
ɩɪɟɠɧɟɟ ɦɟɫɬɨ ɜ ɝɪɭɩɩɟ. ȿɫɥɢ ɪɚɧɶɲɟ ɪɚɡɪɵɜ ɦɟɠɞɭ 1-ɦ ɢ 2-ɦ
ɦɟɫɬɚɦɢ ɫɨɫɬɚɜɥɹɥ 2 ɛɚɥɥɚ, ɦɟɠɞɭ 9-ɦ ɢ 10-ɦ – ɬɨɠɟ 2 ɛɚɥɥɚ,
ɬɨ ɪɚɡɥɢɱɢɹ ɩɨ ɧɨɜɵɦ ɨɰɟɧɤɚɦ ɫɨɨɬɜɟɬɫɬɜɟɧɧɨ ɬɚɤɨɜɵ: 2,2

74
и 9,7 балла. Необходимо также отметить, что после пересчета 1-е
и 2-е места заняли другие спортсмены.
В практике оценивания спортивных достижений существуют
и другие стандартные шкалы. Некоторые из них приведены
в табл. 2.5.

Таблица 2.5
Таблица стандартных шкал
Название шкалы Основная формула Где и для чего используются
При массовых обследованиях, когда
С-шкала C=5+2×Z
не требуется большой точности
При психологических исследованиях
Шкала Бине B = 100 + 16 × Z
интеллекта
Экзаменационная В США при приеме в высшее учебное
T = 500 + 100 × Z
шкала заведение

Перцентильная шкала (рис. 2.6).


В основе этой шкалы лежит следующая операция: каждый
спортсмен из группы получает за свой результат (в соревнованиях
или тесте) столько очков, сколько процентов участников он опере-
дил. Например, в кроссе с общим стартом спортсмену нужно на-
числять столько очков, сколько участников в процентах он
опередил. Пришел первым (100%) – получает 100 очков, выиграл
у 72% – 72 очка и т.д. Шкала, построенная таким образом, назы-
вается перцентильной, а интервал этой шкалы – перцентилем.
Один перцентиль включает 1% всех оцениваемых. При 100
спортсменах в одном перцентиле – один результат. 50% перцен-
тиль, как известно, называется медианой, при 50 спортсменах
один результат укладывается в два перцентиля (т.е. если спортс-
мен опередил 30 участников, он получает 60 очков).
Перцентильная шкала наиболее пригодна для оценки результа-
тов больших групп спортсменов. В таких группах статистическое
распределение результатов испытаний подчиняется нормальному
закону распределения случайной величины. А это значит, что со-
гласно правилу 3σ очень низкие и очень высокие результаты пока-
зывают очень малое количество участников (68,27% участников

75
покажут результат, отличающийся от среднего на одну сигму).
Перцентильные шкалы относятся к сигмовидным, которые, по
существу – функции (кумуляты) нормального распределения. Они
очень наглядны. Главное достоинство этой шкалы – простота,
здесь не нужны формулы, а единственное, что нужно вычислить, –
какое количество результатов спортсменов укладывается в один
перцентиль (или сколько перцентилей приходится на одного чело-
века).

%
100

80

60

40

20

255.345 375 405 435 465 495 525 555 см

Рис. 2.6. Перцентильная шкала

На рис. 2.6 приведен пример перцентильной шкалы, построен-


ной по результатам тестирования студентов московских вузов
в прыжках в длину (объем выборки n=4000, данные Е.А. Бонда-
ревского): по оси абсцисс – результат прыжка, по оси ординат –
процент студентов, показавших результат, равный данному или
лучше его. В нашем примере 50% студентов прыгают в длину на
4,3 м и дальше.
Простота обработки результатов и наглядность обеспечили
перцентильной шкале широкое применение в практике спортив-
ных измерений.

76
Шкала выбранных точек.
При разработке таблиц по видам спорта не всегда удается по-
лучить статистическое распределение результатов теста, а описан-
ные выше шкалы можно построить, если оно известно, т.е. имеют-
ся среднее арифметическое, стандартное отклонение и другие
параметры распределения. Тогда поступают следующим образом:
берут какой-нибудь высокий спортивный результат (это, как пра-
вило, мировой рекорд) и приравнивают его, скажем, к 1000 или
2000 очкам. Затем на основе результатов массовых испытаний
определяют среднее достижение группы слабо подготовленных
в этом виде спорта лиц и приравнивают его, скажем, к 100 очкам.
После этого, если используется пропорциональная шкала, оста-
ется выполнить лишь арифметические вычисления – ведь две
точки однозначно определяют прямую линию. Шкала, построен-
ная таким образом, называется шкалой выбранных точек.
Последующие шаги для построения таблиц по видам спорта –
выбор шкалы и установление межклассовых интервалов – пока
научно не обоснованы, и здесь допускается определенный субъ-
ективизм, основанный на личном мнении специалиста. В этом,
видно, и заключается главная причина того, что многие спортс-
мены и тренеры почти во всех видах спорта, где применяются
таблицы очков, считают их не вполне справедливыми.

Параметрические шкалы.
В видах спорта циклического характера и в тяжелой атлетике
спортивные достижения зависят от таких параметров, как длина
дистанции и масса спортсмена. Эти зависимости называют пара-
метрическими.
В принципе, можно найти параметрические зависимости, кото-
рые являются геометрическим местом точек эквивалентных дости-
жений. Шкалы, построенные на основе этих зависимостей, назы-
ваются параметрическими и относятся к числу наиболее точных.

Шкала ГЦОЛИФК'а.
Во многих случаях при повторном тестировании не удается
обеспечить строго постоянных условий проведения опыта. Кроме

77
того, в практике спорта тренеры постоянно сталкиваются еще
с одной проблемой – необходимостью оценки результатов перио-
дического тестирования одного и того же спортсмена в разные
периоды цикла или этапа подготовки. Для этой цели предложена
шкала ГЦОЛИФК'а, в основе которой лежит следующее матема-
тическое выражение:

(
Оценка (в баллах) = 100 × 1 – ЛР – ОР ,
ЛР – ХР
) (2.4)

где ЛР – лучший результат, ОР – оцениваемый результат, ХР –


худший результат.

Смысл такого подхода заключается в том, что результат теста


рассматривается не как отвлеченная величина, а во взаимосвязи
с лучшим и худшим результатами, показанными в этом тесте
спортсменом. Как видно из формулы, лучший результат всегда
оценивается в 100 очков, худший – в 0 очков. Эту шкалу целесо-
образно применять для оценки вариативных показателей.

Пример 2. Лучший результат в тройном прыжке с места – 10 м


26 см, худший – 9 м 37 см. Очки, начисляемые за результат 10 м,
равны:

( )
очки = 100 × 1 – 10,26 –10 = 71 (балл).
10,26 – 9,37

Оценка комплекса тестов. Если спортсмены проходят испы-


тания в комплексе (батарее) тестов, то оценивание проводится по
двум основным вариантам оценки. Первый заключается в выве-
дении обобщенной оценки, которая информативно характеризует
подготовленность спортсмена к соревнованиям. Это позволяет
использовать ее для прогноза: рассчитывается уравнение регрес-
сии, решив которое, можно предсказать результат соревнования
по сумме баллов за тестирование.
Однако просто суммировать результаты конкретного спортс-
мена по всем тестам не совсем правильно, так как сами тесты не

78
равнозначны. Например, из двух тестов (времени реагирования на
сигнал и времени удержания максимальной скорости бега) второй
более важен для спринтера, чем первый. Эту важность (весомость)
теста можно учитывать тремя способами:
1) Дается экспертная оценка. В этом случае специалисты до-
говариваются, что одному из тестов (например, времени удержа-
ния максимальной скорости бега, Vmax) приписывается коэффи-
циент 2, и тогда очки, начисленные по этому тесту, вначале удваи-
ваются, а затем суммируются с очками за время реакции.
2) Коэффициент каждому тесту устанавливается на основе
факторного анализа. Он, как известно, позволяет выделить пока-
затели с большим или меньшим факторным весом.
3) Количественной мерой весомости теста может быть значе-
ние коэффициента корреляции, рассчитанного между его резуль-
татом и достижением в соревнованиях.
Во всех этих случаях полученные оценки называются «взве-
шенными».
Второй вариант оценки результатов комплексного контроля
заключается в построении «профиля» спортсмена – графической
формы представления результатов тестирования (рис. 2.7). Линии
графиков наглядно отражают сильные и слабые стороны подго-
товленности спортсменов.
В спортивно-педагогической практике оценки физических
качеств редкой бывает ситуация, когда применяется один тест,
поэтому приходится использовать различные шкалы перевода
результатов наблюдений и измерений в баллы (очки) и выводить
итоговые (комплексные) оценки по отдельным видам физических
качеств (скоростные, скоростно-силовые, силовые, гибкость,
выносливость и т.п.), а также – итоговую оценку подготовленно-
сти спортсмена относительно других членов группы. При учете
нескольких показателей (тестов) процедура оценки физических
качеств является кропотливой и трудоемкой работой, которую
можно облегчить с помощью компьютера.
Анализ существующих литературных источников позволил
выяснить, какие шкалы наиболее употребительны в практике
оценки физических качеств, составить перечень и методику

79
30 м 10×30
м Fmax Q ton tпол lш tgVmax tуVmax tnVmax
90
80
70
60
50
40
30
20
10

Рис. 2.7. Профили физической подготовленности


двух спортсменов: Fmax – максимальная сила, Q – градиент силы,
tоп – время опорной фазы бега, tпол – время полетной фазы бега,
lш – длина шага, tgVmax – время достижения максимальной
скорости в беге, tyVmax – время удержания максимальной скорости
в беге, tnVmax – время снижения максимальной скорости
на финишном отрезке

использования этих шкал и на основании этого разработать компь-


ютерную программу.
Проведенные исследования позволили сделать следующие
выводы:
– в спортивной практике наряду со стандартной шкалой
широко используются таблицы баллов и оценок;
– используемые в практике табличные шкалы разнообразны:
применяются 10- и 5-балльные оценки, оценки от 0,5 до 6,5;
от 0 до 100 баллов и качественные оценки – низкая, ниже средней,
средняя, выше средней, высокая;
– отмеченное разнообразие шкал необходимо учитывать при
разработке компьютерных программ оценки физических качеств
спортсменов.

80
2.4. ИЗМЕРЕНИЕ КАЧЕСТВЕННЫХ
ПОКАЗАТЕЛЕЙ

Качество – это обобщенное понятие, которое может относить-


ся к продукции, услугам, процессам, труду и любой другой дея-
тельности, включая физическую культуру и спорт.
В спортивно-педагогической практике есть много показателей,
которые необходимо оценить: артистичность, выразительность
в гимнастике, фигурном катании на коньках, прыжках в воду,
зрелищность в спортивных играх, единоборствах и т.д. Все эти
показатели не имеют размерности и не могут быть выражены
в физических единицах измерения. Их называют качественными.
Для количественной оценки таких показателей нередко исполь-
зуются методы, основанные на идеях квалиметрии.
Квалиметрия (лат. Qualitas – качество, metron – мера) – наука
об измерении и количественной оценке качественных показа-
телей. Измерение качества – это установление соответствия
между характеристиками таких показателей и требованиями
к ним. При этом требования («эталон качества») не всегда могут
быть выражены в однозначной и унифицированной для всех
форме. Специалист, который оценивает выразительность движе-
ний спортсмена, мысленно сопоставляет то, что он видит, с тем,
что он мысленно представляет как выразительность.
На практике, однако, качество оценивается не по одному, а по
нескольким признакам. При этом наивысшая обобщенная оценка
не обязательно соответствует максимальным значениям по каж-
дому признаку.
В основе квалиметрии лежит несколько положений:
– любое качество можно измерить; количественные методы
издавна применяются в спорте для оценки красоты и выразитель-
ности движений, а в настоящее время используются для оценки
всех без исключения сторон спортивного мастерства, эффектив-
ности тренировочной и соревновательной деятельности, качества
спортивного инвентаря и т.д.;
– качество зависит от ряда свойств, образующих «древо качеств».

81
Пример 3. Древо качества исполнения в фигурном катании на
коньках, состоящее из трех уровней – высшего (качество исполне-
ния композиции в целом), среднего (техника исполнения и арти-
стизм) и низшего (измеряемые показатели, характеризующие
качество исполнения отдельных элементов);
– каждое свойство определяется двумя числами: относитель-
ным показателем К и весомостью М;
– сумма весомости свойств на каждом уровне равна единице
(или 100%).
Относительный показатель характеризует выявленный уровень
измеряемого свойства (в процентах от его максимально возмож-
ного уровня), а весомость – сравнительную важность разных
показателей.
Например, фигурист получил за технику исполнения оценку
Кс = 5,6 балла, а за артистизм – оценку Кт = 5,4 балла. Весомости
техники исполнения и артистизма в фигурном катании на коньках
считаются одинаковыми (Мс = Мт = 1,0). Поэтому общая оценка
Q = Мс × Кс + Мт × Кт – составила 11,0 балла.
Методические приемы квалиметрии делятся на две группы:
эвристические (интуитивные), основанные на экспертных оцен-
ках и оценках анкетирования, и инструментальные, или аппара-
турные.
Проведение экспертизы и анкетирования – это отчасти техни-
ческая работа, предполагающая строгое соблюдение определен-
ных правил, а отчасти – искусство, требующее интуиции и опыта.
Измерение некоторых качественных признаков может прово-
диться с помощью различных технических средств. Но для боль-
шинства из них такие способы оценки неэффективны. В этом
случае целесообразно применять экспертные методы измерения
и оценки.
Метод экспертных оценок. Этот метод позволяет с помощью
специально выбранной шкалы произвести требуемые измерения
субъективными (экспертными) оценками, получаемыми путем
выяснения мнения специалистов.
Экспертиза бывает индивидуальной (когда к решению задачи
привлекается один специалист) и групповой. Эксперты (от лат.

82
Expertus – опытный) могут высказывать свое мнение или запол-
нять специальную анкету. Другими словами, экспертное оценива-
ние, или экспертиза, проводится в виде опроса или анкетирования
группы экспертов.
Анкетой называется опросный лист, содержащий вопросы,
на которые нужно ответить письменно. Техника экспертизы
и анкетирования – это сбор и обобщение мнения отдельных
людей. Девиз экспертизы – «Ум хорошо, а два лучше!». Характер-
ные примеры экспертизы: судейство в гимнастике и фигурном
катании на коньках, конкурс на звание лучшего по профессии или
лучшую научную работу и т.п.
К мнению специалистов обращаются всякий раз, когда осуще-
ствить измерения более точными методами невозможно или очень
трудно. Порой лучше получить приблизительный результат не-
медленно, нежели долго искать пути точного решения. Но субъ-
ективная оценка очень сильно зависит от индивидуальных особен-
ностей эксперта: квалификации, эрудиции, опыта, личных вкусов,
состояния здоровья и т.п. Поэтому индивидуальные мнения
рассматриваются как случайные величины и обрабатываются
методами статистического анализа. Таким образом, современная
экспертиза – это система организационных, логических и матема-
тико-статистических процедур, направленных на получение от
специалистов информации, и ее анализ с целью выработки опти-
мальных решений. И лучший тренер (педагог, руководитель и т.п.)
тот, который опирается одновременно на собственный опыт,
на данные науки, на знания других людей.
Методика групповой экспертизы включает в себя следующие
основные этапы: формулировку задач, отбор и комплектование
группы экспертов, составление плана экспертизы, проведение
опроса экспертов, анализ и обработку полученной информации.
Подбор экспертов. Этот этап экспертизы наиболее важен,
так как достоверные данные можно получить не от всякого спе-
циалиста. Экспертом может быть человек, обладающий следую-
щими качествами: компетентностью, беспристрастностью, интуи-
цией, широтой взглядов, психологической устойчивостью и неза-
висимостью суждений.

83
Есть и другие важные качества экспертов, но указанные выше
должны присутствовать у специалиста обязательно. Так, напри-
мер, профессиональная компетентность эксперта определяется:
а) степенью близости его оценки к среднегрупповой; б) показате-
лями решения тестовых задач.
Для объективной оценки компетентности экспертов могут быть
составлены специальные анкеты, отвечая на вопросы которых
в течение строго определенного времени, кандидаты в эксперты
должны продемонстрировать уровень своих знаний. Кроме того,
полезно предложить им заполнить анкету самооценки своих знаний.
Опыт показывает, что люди с высокой самооценкой ошибаются
меньше других.
Объективная оценка пригодности эксперта определяется по
формуле:

DM = |M – Mист| , (2.5)

где Мист – истинная оценка, М – оценка эксперта.

Желательно иметь однородную группу экспертов, но если это


не удается, то для каждого из них вводится ранг. Очевидно, что
эксперт представляет тем большую ценность, чем выше показа-
тели его деятельности. Для повышения качества экспертизы
стараются повысить квалификацию экспертов путем специаль-
ного обучения, тренировок и ознакомления с возможно более
обширной объективной информацией по анализируемой про-
блеме. Судей во многих видах спорта можно рассматривать как
своеобразных экспертов, оценивающих мастерство спортсмена
(например, в гимнастике) или ход поединка (например, в боксе,
борьбе).
Из сказанного выше понятно, что очень большое значение
имеет степень согласованности мнений экспертов, которую оцени-
вают по величине рангового коэффициента корреляции (в случае
двух экспертов) или по величине рангового коэффициента корре-

84
ляции Кэндела, называемого коэффициентом конкордации (в случае
нескольких экспертов):

12 S
W= , (2.6)
m (n3 – n)
2

где S – сумма квадратов отклонений сумм рангов, приписанных


каждому объекту оценки, от средней суммы рангов; т – количе-
ство экспертов; п – количество объектов оценки.

Коэффициент конкордации лежит в пределах от нуля (при отсут-


ствии согласованности) до 1 (полное единодушие экспертов).

Пример 4. Пусть т экспертов (например, судей в фигурном


катании на коньках) наблюдали выступления п спортсменов и рас-
ставили их по рангам (табл. 2.6).

Таблица 2.6
Пример вычисления коэффициента конкордации
Номер объекта экспертизы (спортсмен)
Номер эксперта (j)
1 2 3 4 5 6 7
1 4 3 2 6 1 5 7
2 6 3 2 5 1 4 7
3 4 2 1 6 3 5 7
4 4 3 2 5 1 6 7
m=5 3 4 2 6 1 5 7
Сумма рангов, полученных
21 15 9 28 7 25 35
каждым спортсменом
Отклонения от средней суммы
1 –5 11 8 –13 5 15
рангов
Квадрат отклонения 1 25 121 64 169 25 225

Среднюю сумму рангов можно вычислить двумя способами:


по формуле:
1+n 1+7
m×= =5× = 20
2 2

85
или по фактическим данным из табл. 2.6:

21 + 15 + 9 + 28 +7 + 25 + 35
= 20.
7
Совпадение обоих чисел свидетельствует о том, что при запол-
нении таблицы ошибок не допущено.
В нашем примере S=630. Тогда коэффициент конкордации:

12 × 630
W= = 0,9.
25 × (343 – 7)

Статистическая достоверность коэффициента конкордации


оценивается при помощи так называемого χ2-критерия (читается
«хи-квадрат критерий»).
Достоверность экспертизы зависит не только от качественных
особенностей экспертов, но и от их числа. Оно определяется по
формуле:

M = Z2(p) × v2/a2, (2.7)

где Z(p) – аргумент функции распределения; v – коэффициент


вариации, а2 – относительная погрешность оценок.

Уменьшение числа экспертов гипертрафирует (преувеличивает)


роль каждого из них, а при очень большом количестве экспертов
трудно добиться согласованного мнения. Оптимальную числен-
ность экспертной группы можно также установить с помощью
графика, приведенного на рис. 2.8.
Другой подход к отбору экспертов основан на определении
эффективности их деятельности.
Абсолютная эффективность деятельности эксперта опреде-
ляется отношением числа случаев, когда эксперт верно предсказал
дальнейший ход событий, к общему числу экспертиз, проведен-
ных данным специалистом.
Например, если эксперт участвовал в 10 экспертизах и 6 раз
его точка зрения подтвердилась, то эффективность деятельности

86
Погрешность оценки

1 5 9 13 17 21 25 29
Число экспертов

Рис. 2.8. Зависимость погрешности экспертной оценки от числа


экспертов

равна 0,6. Относительная эффективность деятельности экс-


перта – это отношение абсолютной эффективности его деятель-
ности к средней абсолютной эффективности деятельности группы
экспертов.
Подготовка и проведение экспертизы. Подготовка экспер-
тизы сводится в основном к составлению плана ее проведения.
Наиболее важным его разделом является подбор экспертов, орга-
низация их работы, обработка результатов.
Способы проведения экспертизы многообразны. Самый про-
стой из них называют методом предпочтения (ранжирования),
который состоит в определении относительной значимости объ-
ектов экспертизы на основе их упорядочения. Пользуясь этим
методом, эксперты расставляют оцениваемые объекты по рангам

87
в порядке ухудшения их качества. Место, занятое каждым
объектом, определяется числом набранных баллов: чем больше
(меньше) сумма балов, тем выше занятое место. Для примера
в табл. 2.7 представлены результаты ранжирования мастерства
четырех спортсменов шестью экспертами.

Таблица 2.7
Форма таблицы, составленной при проведении экспертизы
методом предпочтения
Результаты ранжирования
Номер эксперта Сумма
Занятое место
1 2 3 4 5 m=6 баллов
1 3 4 4 4 3 4 22 1
2 1 2 1 1 2 2 9 4
3 2 1 2 3 1 3 12 3
n=4 4 3 3 2 4 1 17 2

Пример 5. Группа экспертов должна оценить перспективы


совершенствования методики тренировки в своем виде спорта.
Руководители экспертизы предложили им, используя десятибалль-
ную шкалу, оценить весомость каждого из факторов совершен-
ствования методики тренировки (табл. 2.8).
Из таблицы видно, что, по мнению экспертов, развитие мето-
дики тренировки должно идти на основе повышения объема спе-
циализированных нагрузок, и прежде всего – специализированных
упражнений повышенной сложности.

Еще один метод экспертизы – последовательное сравнение


факторов.
Сравнение объектов экспертизы с помощью этого метода про-
водится так:
– вначале они ранжируются в порядке значимости;
– наиболее важному объекту приписывается оценка, равная
единице, а остальным (тоже в порядке значимости) – оценки
меньше единицы – до нуля;

88
– эксперты решают, будет ли оценка первого объекта превос-
ходить по значимости все остальные. Если да, то оценка «веса»
этого объекта увеличивается еще больше;
– если нет, то тогда принимается решение уменьшить его
оценку;
– вся процедура повторяется до тех пор, пока не будут оценены
все объекты.

Таблица 2.8
Экспертная оценка фактов совершенствования
тренировочного процесса
Фактор совершенствования Оценка экспертов, баллы Сумма
тренировочного процесса 1 2 3 4 5 баллов
Увеличение общего объема
1 3 2 5 3 14
нагрузок
Повышение частного объема
специализированных
упражнений при сохранении 7 7 6 5 8 33
на прежнем уровне общего
объема
Увеличение объема сложных
специализированных 9 8 7 8 9 41
упражнений
Увеличение объема
упражнений смешанной 3 5 7 4 4 23
направленности
Увеличение объема
упражнений избирательной 6 5 3 7 7 28
направленности

Часто используется и другой способ проведения экспертизы –


метод парного сравнения, основанный на попарном сравнении
всех факторов. При этом в каждой сравниваемой паре объектов
устанавливается наиболее весомый (он оценивается в 1 балл).
Второй объект этой пары оценивается в 0 баллов.
При использовании этого метода эксперты заполняют специ-
альную таблицу – так называемую матрицу парных сравнений,

89
сопоставляемые объекты фиксируются дважды – в строке и столбце
(табл. 2.9).

Таблица 2.9
Матрица парных сравнений
Обьект сравнения
Объект сравнения
1 2 … Р … m
1 X12 X1p X1m
2 X21 X2m

q Xq1 Xq2 Xqp Xqm
n Xn2 Xn2 Xnp

Такая матрица должна быть у каждого эксперта. На ней на


пересечении сравниваемых объектов он проставляет оценку
(1 или 0). Общее число сравнений, которое он должен провести,
определяется по формуле:

n (n – 1) , (2.8)
I=
2
где п – число объектов; I – число сравнений.

Средняя частота предпочтения каждого объекта вычисляется


по формуле:

∑f ( q ) j ,
n–1
p
fpij = (2.9)
q=1

где fp – частота предпочтения j-м экспертом фактора р всем


остальным факторам;

( )
p
f q j – частота предпочтения фактора р по отношению
к фактору q.

90
Теперь можно определить «вес» объекта:

fp ij , (2.10)
wp ij =
I
где fpi j – оценки, определяемые экспертами, I – число сравнений.

Завершается расчет определением среднего ранга объекта на


основании оценок всеми экспертами:
m
∑wpij
j=1
Wp = m n . (2.11)
∑∑ wp ij
j=1i=1

Пример 6. Для простоты предположим, что все пять экспертов


(m=5) высказались о шести (n=6) сравниваемых спортсменах (или
факторах) одинаково – так, как это показано в табл. 2.10.

Таблица 2.10
Пример таблицы, заполняемой каждым экспертом
при проведении
Номер объекта экспертизы
1 2 3 4 5 m=6
(спортсмена)
1 + 1 3 1 1
2 + 3 2 2 2
3 + 3 3 3
4 + 5 6
5 + 6
n=6 +

Вычислим прежде всего величины fij. Из 5 случаев сравнения


4 раза эксперт предпочел спортсмена под номером 1 остальным,
поэтому можно записать:

f1j = 4/5 = 0,8.

91
Аналогично f2j = 0,6; f3j = 1,0; f4j = 0; f5j = 0,2; f6j = 0,4.
Поскольку в данном примере I = 15, ранги спортсменов, по дан-
ным одного из экспертов ((М
Мij), равны:

0,8 0,6 1,0


M1j = ; M2j = ; M3j = ;
15 15 15
0,2 0,4
M4j = 0 ; M5j = ; M6j = ;
15 15

Завершая расчеты, вычислим баллы спортсменов по данным


всех пяти экспертов. При этом принимаем во внимание, что
эксперты были (по условию задачи) единодушны:
0,8
балл первого спортсмена M1 = × 5 = 0,24 ,
15

1,0
балл второго спортсмена M2 = × 5 = 0,33 и т.д.
15

На основе полученных баллов определяют ранги спортсменов,


т.е. занятые ими места.
Если экспертиза проводится в виде совместной работы специа-
листов, то на результатах некоторых из них сказывается групповое
влияние. Избежать его можно, проведя экспертизу по программе
последовательных индивидуальных опросов (так называемый метод
Дельфы).
Основные отличия этого метода от остальных заключаются
в следующем:
– исключается непосредственное взаимодействие экспертов
(анонимность);
– опрос проводится в письменном виде в несколько туров (мно-
гоэтапность);
– после очередного тура руководитель экспертизы обрабаты-
вает его результаты по схеме, представленной на рис. 2.9. Из нее

92
видно, что опрашивали 11 экспертов, их оценки ранжировали
и расположили по шкале. Определяются медиана (М) и квартили
(Q1 и Q2), которые формируют групповое мнение в диапазоне
согласованных оценок (это если использовать шкалу порядка,
а в случае шкалы отношений применяют среднее арифметическое
и стандартное отклонение).
Полученные результаты сообщают тем, чьи оценки вышли за
диапазон (это эксперты 1, 2, 3, 9, 10, 11). Им необходимо письмен-
но обосновать свое мнение и ознакомить с ним других экспертов
(управляемость).

N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11

Q1 M Q2

Рис. 2.9. Оценка результатов с помощью шкалы порядка,


где N1, N2, …, N11 – номера экспертов

На следующем этапе экспертов знакомят с материалами объ-


яснений (при этом, естественно, не называя тех, от кого они полу-
чены).
На этом первый этап экспертизы заканчивается, анализ резуль-
татов оценивая (рис. 2.9) и причин различий дает некоторым
экспертам возможность пересмотреть свои взгляды. Прежде всего
это касается тех, чьи оценки вышли за диапазон Q1 и Q2.
Процедура экспертизы по методу Дельфы продолжается до тех
пор, пока разброс отдельных мнений не снизится до заранее
выбранного значения.
Анкетирование. Широкое распространение в физической
культуре и спорте получил такой метод экспертных оценок, как
анкетирование. Анкетированием называется метод сбора мнений
посредством заполнения анкет. Анкетирование наряду с интервью
и беседой относится к методам опроса. Методы опроса позволяют
получить информацию о мнениях людей, мотивах поведения, наме-
рениях и т.д., то есть обо всем, что пока не может быть установлено

93
при помощи инструментальных методов измерения. Анкета –
здесь представлена как последовательный набор вопросов, по
ответам на которые судят об относительной важности рассматри-
ваемого свойства или вероятности свершения каких-либо собы-
тий. В отличие от интервью и беседы анкетирование предполагает
письменные ответы лица, заполняющего анкету – респондента
(англ. respondent – отвечающий), на систему стандартизированных
вопросов.
При составлении анкет наибольшее внимание уделяется четкой
и осмысленной формулировке вопросов. По своему характеру они
подразделяются на следующие типы:
– вопрос, при ответе на который необходимо выбрать одно из
заранее сформулированных мнений (в некоторых случаях каж-
дому из этих мнений эксперт должен дать количественную оценку
в шкале порядка);
– вопрос о том, какое решение принял бы эксперт в определен-
ной ситуации (и здесь возможен выбор нескольких решений
с количественной оценкой предпочтительности каждого из них);
– вопрос, требующий оценить численные значения какой-либо
величины.
Применяется несколько вариантов анкетирования: групповое
и индивидуальное, очное и заочное, персональное и анонимное.
При групповом анкетировании на вопросы анкеты отвечает кол-
лектив (например, учебная группа). При заочном анкетировании
ответы присылаются по почте. При анонимном анкетировании не
заполняется демографическая часть анкеты, т.е. не указываются
фамилия, имя, отчество, возраст, образование и другие паспорт-
ные данные респондента.
Анкета, как правило, состоит из двух частей: демографической
и основной. Вопросы демографического характера рекомендуется
помещать в конце анкеты. В основную часть анкеты включаются
следующие вопросы: открытые (свободные) и закрытые, условные
и безусловные, прямые и косвенные.
Открытыми называются вопросы, не ограничивающие ответ
респондента. Например: «В какой сфере деятельности Вы хотели
бы специализироваться?». Закрытый вопрос, напротив, предпо-

94
лагает заранее определенные варианты ответов. Например: «Кем
бы Вы хотели работать по окончании института: тренером, пре-
подавателем, научным сотрудником или оргработником?».
Прямые вопросы нацелены непосредственно на решение задач
исследования. Например, может быть задан вопрос: «Какова роль
скоростно-силовой подготовки в тренировке бегунов на 400 м?».
Косвенный вопрос в этом случае прозвучал бы так: «Каково
Ваше мнение о сравнительной важности воспитания выносливо-
сти и скоростно-силовых качеств в системе подготовки бегунов
на 400 м?».
Условные вопросы в отличие от безусловных предлагают рес-
понденту высказать свое мнение о явлениях, которые могли бы
иметь место при определенных условиях. Пример условного
вопроса: «Каким будет состав команды в следующей игре, если
сегодняшний матч будет выигран?».
Качество анкетирования повысится, если до начала опроса под-
вергнуть составленную анкету экспертной оценке и усовершен-
ствовать ее в соответствии с рекомендациями экспертов.
Современное состояние средств вычислительной техники поз-
волило автоматизировать процессы измерения качества. Суще-
ствуют компьютерные программы, позволяющие проводить необ-
ходимые вычисления, составление и заполнение таблиц и выдачу
окончательных результатов и выводов.
Программное обеспечение современных компьютеров преду-
сматривает логическое построение вопросов очередности их вос-
произведения на мониторе в зависимости от типов ответов на них.
В память компьютера могут быть заложены стандартные ситуа-
ции, позволяющие контролировать правильность ввода ответов,
соответствие численных значений диапазону реальных данных.
Компьютер контролирует возможность ошибок и в случае их
появления находит причину и указывает на нее.
В последнее время квалиметрические методы (экспертиза,
анкетирование и др.) все чаще используются для прогноза при
решении оптимизационных задач (оптимизация соревновательной
деятельности, тренировочного процесса). Современный подход
к задачам оптимизации связан с имитационным моделированием

95
соревновательной и тренировочной деятельности. В отличие от
других видов моделирования при синтезе имитационной модели
наряду с математически точными данными используется квалита-
тивная информация, собираемая методами экспертизы, анкетиро-
вания и наблюдений. Например, при моделировании соревнова-
тельной деятельности лыжников нельзя точно предсказать коэф-
фициент скольжения. Его вероятную величину можно оценить
путем опроса специалистов по смазке лыж, знакомых с климати-
ческими условиями и особенностями трассы, на которой будут
проходить соревнования.

2.5. ИНСТРУМЕНТАЛЬНЫЕ МЕТОДИКИ


ИЗМЕРЕНИЙ

Данные об изменении характеристик движения в процессе дви-


гательного действия базируются на первичной информации, полу-
чаемой от различных измерительных систем. Непосредственно
соприкасается с человеком или его предметным окружением дат-
чик. С его использованием решается основная задача преобразо-
вания некоторого изменения в движении тела или звеньев тела
человека в электрический сигнал, который после усиления должен
подаваться на входной порт компьютера. Датчики могут крепиться
на человеке, спортивном инвентаре и оборудовании, опорных
поверхностях. Такая организация исследования относится к лабо-
раторным способам измерения. Могут применяться и бесконтакт-
ные измерительные системы. В этом случае исследование прово-
дится в натурных условиях, т.е. на стадионе, в бассейне, на корте,
лыжне и др.
Сигнал от датчика передается двумя способами: через провод-
ную связь или через радиосигнал, световой сигнал, тепловое
(инфракрасное) излучение. Все это – телеметрическая (от греч.
Tele – далеко и metron – мера – измерение на расстоянии) связь
датчика и приемника.

96
Проводная связь (проводная телеметрия) наиболее проста
в использовании и устойчива при электрических или радиопо-
мехах, но ее можно использовать в довольно ограниченном про-
странстве; при передвижении человека на тредбане, в тяжело-
атлетических упражнениях, круге для метаний и т.д. Подобные
измерения относятся к лабораторным, поскольку в ограничен-
ном пространстве на человеке, спортивном инвентаре и на обо-
рудовании крепятся различные датчиковые системы и применя-
ются стационарно установленные бесконтактные средства изме-
рения.
Радиотелеметрия обеспечивает передачу первичной инфор-
мации, получаемой с датчиков, по одному или нескольким
радиоканалам. Это дает возможность контролировать отдельные
параметры движений человека в естественных условиях двига-
тельной деятельности. На теле человека крепятся датчики и мини-
атюрное многоканальное передающее устройство – радиопередат-
чик. Антенна приемного устройства, устанавливаемая в какой-то
части стадиона, зала, бассейна, улавливает сигналы, а в самом
устройстве происходит перекодирование и запоминание пере-
данного сигнала. Поскольку движения человека в случае при-
менения телеметрии существенно не ограничиваются, данный
способ регистрации и передачи данных можно отнести к натур-
ным измерениям, т.е. к таким, когда человек совершает двига-
тельные действия естественным образом, например, во время
соревнований или тренировок с достаточно большими про-
странственными перемещениями. Измерения параметров дви-
жения бесконтактными средствами можно отнести к натур-
ным измерениям, не ограничивающим свободу движений чело-
века.
Биомеханическая кинематография относится к бесконтакт-
ным средствам измерения. Это особенно важно, поскольку единой
системой технических средств (скоростные кинокамеры, тест-
объект, анализатор, компьютер) можно фиксировать двигательные
действия как во время тренировочной работы или соревнователь-
ных прикидок, так и во время соревнований.

97
В зависимости от перемещения тела человека в пространстве
проводятся разные виды съемок:
• плоскостная – движение близко к перемещению в одной пло-
скости (бег по беговой дорожке, разбег в прыжках в длину и трой-
ным, плавание кролем). Конечно, в этом случае теряется часть
биомеханической информации, но общие закономерности движе-
ния уловить можно. Камера при этом виде съемок устанавливается
стационарно;
• панорамирующая – камера поворачивается вслед за движе-
нием человека (разбега в прыжках в высоту, прохождение конько-
бежцем поворота, бег на всей дистанции), оператор старается
держать человека примерно в центре кадра;
• пространственная – съемка производится двумя камерами,
расположенными стационарно под углом 90° между оптическими
осями камер. Разработана система уравнений (R. Shapiro, 1978),
при решении которой по координатам выбранных точек в плоско-
сти кадров каждой камеры восстанавливаются три пространствен-
ные координаты любой интересующей исследователя точки на
теле спортсмена. С помощью этого вида съемок можно изучать
в лабораторных и натурных условиях виды движений, которые
выполняются в ограниченном пространстве (тяжелая атлетика,
метание диска, молота, толкание ядра, подача в игровых видах
спорта, спортивные танцы и т.д.).
Любой вид биомеханической съемки отличается от обычной
видовой тем, что требуется:
• масштабировать пространство съемки для получения
(при дальнейшей обработке) количественных данных;
• использовать кинокамеры с высокой стабилизацией движе-
ния пленки в фильмовом канале и большой скоростью съемки
(от 100 кадров в секунду и более).
Недостатком биомеханической кинематографии является не-
обходимость проявки пленки, что задерживает получение биомеха-
нических данных.
Масштабирование проводится перед съемкой, когда в поле
кадра снимается тест-объект, расположенный в месте основных
перемещений объекта съемки. Тест-объектом при плоскостной

98
съемке может служить метровый отрезок, а при пространственной
съемке – трехмерный куб с выделяющимися метками в местах
соединения его ребер. Масштабный коэффициент, на который
умножаются все координаты точек на кадре, равен отношению
длины отрезка тест-объекта к длине этого же отрезка на кадре
пленки.
Для получения координат точек на теле человека (как правило,
координат суставов тела) пленку после проявки устанавливают
в анализатор фильмов. Там происходит оптическое увеличение
кадра примерно в 30 раз. Оператор, отслеживая кадр за кадром
установленную последовательность выбранных точек, вводит
с помощью стикера в компьютер массивы данных о координатах.
Имея набор первичных данных, уже можно рассчитывать
любые интересующие исследователя биомеханические характе-
ристики. Но прежде чем рассчитывать их, необходимо сгладить
первичные массивы, поскольку в результате обработки операто-
ром могут возникнуть неточности, ошибки, случайные выбросы.
Сглаживание проводится в компьютере с помощью специальных
программ-операций: скользящее среднее, скользящий полином,
фильтр Баттерворта второго порядка и выше, сплайн-функция.
И уже после этого рассчитывают все характеристики.
Пример выходной информации после обработки первичных
данных показан на рис. 2.10, на котором палочковыми диаграм-
мами представлено тело человека, а в таблицах приведены элементы
первичной обработки данных по длине звеньев, фиксируемой при
съеме координат с суставных точек палочковой диаграммы.
Биомеханическая скоростная видеоциклография. В отличие
от биомеханической кинематографии позволяет на видеопленке
зафиксировать оптическое изображение попытки выполнения
спортивного упражнения. Здесь используются все виды съемок,
указанные ранее.
В лабораторных условиях иногда применяются активные (излу-
чающие) светодиодные системы, располагающиеся на теле испы-
туемого. Они устанавливаются не только в местах суставных
сочленений, но и вдоль звеньев тела. Все зависит от поставленной
в исследовании задачи.

99
Рис. 2.10. Пример выходной информации после обработки
первичных данных гребной локомоции на гребном эргометре
«Concept 2»

Первичные массивы данных получают при помощи видеоана-


лизатора, посредством которого в компьютер кадр за кадром вво-
дятся изображения, оцифровываются спроектированные на экран
и выбранные для анализа точки на теле человека (или суставные
сочленения, или светодиодные маркеры), сглаживаются получен-
ные массивы, а затем по ним рассчитываются любые биомехани-
ческие характеристики.
С появлением скоростных видеокамер биомеханическая видео-
циклография становится преобладающим бесконтактным методом
исследования спортивных движений, поскольку нет необходимо-
сти маркировать точки на теле человека. При обработке данных
в качестве первичного массива берутся координаты суставных
сочленений тела человека и координаты некоторой точки на его
голове. Цифровые видеокамеры еще больше расширяют возмож-
ности для исследований. С их применением упрощается про-
цедура ввода данных с изображения в компьютер.

100
Оптоэлектронная циклография. Относится к лабораторным
средствам измерения. Применяется для анализа техники движе-
ний, если они выполняются в ограниченном объеме пространства.
Данные, необходимые для биомеханического анализа, получают
в этом случае в реальном масштабе времени. Достигается это за
счет того, что на теле человека в местах суставных сочленений
крепятся так называемые активные маркеры – миниатюрные
излучатели, работающие в инфракрасном диапазоне спектра
электромагнитных волн. Частота вспышек сигнала излучателей
задается блоком управления, который соединен со спортсменом
проводной связью.
Инфракрасный сигнал от датчиков поступает в телевизионную
камеру, где матричная пластина (приемник) улавливает поступаю-
щие сигналы от излучателей и сразу преобразует их в электрон-
ную форму, соответствующую в системе координат камеры
координатам местоположения маркеров в пространстве измере-
ний. Электронные сигналы с матричного регистратора поступают
в компьютер и в тракте электронно-цифрового преобразования
приобретают цифровой вид, с которым уже можно работать в необ-
ходимом для исследователя пакете программ.
Тест-объект для масштабирования перед съемкой представляет
собой геометрическую фигуру, у которой в местах соединения
ребер укреплены инфракрасные излучатели. Из соотношения длин
ребер тест-объекта и этих же длин, но полученных в системе коор-
динат камеры, рассчитывают коэффициенты масштабирования.
Динамометрия. Для измерения сил, возникающих в процессе
опорных взаимодействий, применяются динамометрические плат-
формы. Конструкций их довольно много, но принцип построения
един: это жесткая пластина или рама, опирающаяся на четыре
силоизмерительных элемента (датчика).
В современных динамометрических платформах в качестве
силоизмерительного элемента используется преимущественно
пьезоэлектрический датчик, то есть пьезоэлектрический преобра-
зователь механических деформаций платформы в электрический
сигнал. Принцип действия датчика основан на эффекте Холла –
на возникновении разности потенциалов в пьезоэлектрическом

101
кристалле при его деформации под действием механической на-
грузки. Величина выходного электрического сигнала в преобла-
дающем диапазоне интересующих исследователей значений сил
прямо пропорциональна приложенной силе. Вводя в расчет только
один тарировочный коэффициент, то есть в сущности коэффици-
ент пропорциональности между величиной силы, приложенной
к платформе, и соответствующей величиной электрического
сигнала, регистрируемого на выходе датчика, можно сразу же
вычислить силы опорного взаимодействия.
Один из основных качественных показателей любой динамоме-
трической платформы – ее низшая собственная частота колебаний,
которая определяет в основном возникающие при измерениях
динамические погрешности.
Когда собственная частота платформы близка к максимальной
частоте спектра входного воздействия, появляются искажения
амплитуд регистрируемого сигнала, фазовые запаздывания, изме-
няющие сигнал во временной области. Для исключения указанных
погрешностей платформы конструируют таким образом, чтобы
собственная частота колебаний была на порядок выше преимуще-

Fgв, z, кН
2,4

2,0

1,6 2
1,2
Fw
0,8
1
0,4

0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 Время, с

Рис. 2.11. Динамограмма опорной реакции


1 – горизонтальная составляющая силы, приложенной й к опоре;
2 – вертикальная составляющая силы, приложенной к опоре;
Fw – вес испытуемого

102
ственной частоты колебаний в спектре опорного взаимодействия.
Как было выявлено в ряде исследований, величины собственных
колебаний платформы порядка 300–400 Гц практически доста-
точны для большинства измерений опорных реакций в спорте.
На рис. 2.11 показана типичная динамограмма, на которой
зарегистрированы горизонтальная и вертикальная составляющие
опорной реакции.
Все большее распространение получают мозаичные динамо-
метрические платформы, у которых измерение построено на при-
менении большого числа отдельных датчиков (порядка 200–300)
в поле опорного взаимодействия. Это позволяет получать данные
о силовом взаимодействии под каждой частью опорной стопы.
В этом случае регистрируется вертикальная составляющая опор-
ной реакции.
Электромиография (ЭМГ). Метод измерения электрической
активности мышц представляет собой измерение сарколемных
потенциалов действия (Р. Энока, 1998).
Как правило, при исследованиях в спорте применяют накожные
электроды: два активных, которые устанавливаются на мышце,
а третий, заземляющий, – в 10 см от первых двух на другой мышце
или на месте соединения мышцы с сухожилием. Таким образом,
записывается ЭМГ не всей мышцы, а определенного ее участка
и, естественно, не потенциал действия отделенного мышечного
волокна, а многих других одновременно активных двигательных
единиц. При регистрации происходит наложение многих потен-
циалов действия, поскольку всплеск отдельного потенциала длит-
ся порядка 0,5 мс, а фиксация ЭМГ происходит в течение несколь-
ких секунд, поэтому такой тип этой величины называется интер-
ференционной ЭМГ.
Для получения количественных оценок записи ЭМГ обрабаты-
вают. Как правило, срезают посредством электронного фильтра
отрицательную часть. Затем выбросы ЭМГ (острые пики) могут
быть уменьшены благодаря электронной интеграции, включаю-
щей сглаживание, и фильтрацией. Получается интегрированная
ЭМГ, у которой уже более надежно можно определять амплитуду,
что необходимо для анализа силовых проявлений сокращающейся

103
мышцы при различных режимах ее работы в упражнениях и тре-
нировочной работе.
Наиболее надежно ЭМГ регистрируется при изометрическом
режиме работы мышцы. При других режимах изменение ее длины
немного сказывается на расположении электродов относительно
активных волокон, что приводит к некоторому изменению вида
ЭМГ, но это не создает критического влияния на характер времен-
ной зависимости регистрируемой электромиограммы.
При анализе интеграционной ЭМГ наибольший интерес пред-
ставляет время активности мышцы, то есть длительность ее работы
от момента активизации двигательных волокон до момента пре-
кращения их активности. В этом случае, получая интегрирован-
ную многоканальную ЭМГ от ряда мышц (рис. 2.12), участвую-
щих в выполнении двигательного действия, можно оценить как
координационно построено то или иное действие. Можно оценить
синергизм и антагонизм в работе мышц-агонистов и мышц-анта-
гонистов в ходе выполнения упражнения.
Последовательность потенциалов действия отдельной двигатель-
ной единицы можно представить как гармоническую функцию,
то есть при анализе в частотной области ее можно рассматривать
как отдельную гармонику в частотном спектре. Интерферен-
ционная ЭМГ содержит сигналы от сотен потенциалов действия,
поэтому спектр такого сигнала включает много гармоник. Если
изобразить спектр мощности интерференционной ЭМГ, то он
будет иметь выраженный пик на преобладающей частоте сигналов
потенциалов действия (рис. 2.13). Возможно, его наличие говорит
о синхронизации работы двигательных единиц в мышце при
выполнении двигательного действия. Известно, что при снижении
скорости разряда двигательной единицы увеличивается продолжи-
тельность потенциала действия, а значит, уменьшается его частота.
Это вызывает смещение частоты пика в сторону более низких
частот, то есть, если смотреть на графике спектральной функции,
влево. Такое смещение – одно из первых проявлений утомления
мышцы. Работа мышцы с преобладающим силовым проявлением
может сместить пик спектра влево, а работа скоростной направ-
ленности – вправо, в область более высоких частот.

104
Рис. 2.12. Измерение электромиограмм ряда мышц:
Примечание: сигналы от накожных электродов
электродов, установленных
на разных мышцах, через усилитель биопотенциалов поступают
на входной USB-порт компьютера.

18,5

15
Мощность, Дж/с

10

0 50 100 150 200 250 300 350 400 450 500


Частота, Гц

Рис. 2.13. Типичный спектр электромиограммы четырехглавой


мышцы бедра спортсмена, специализирующегося в прыжках
в длину

105
Ƚɨɧɢɨɦɟɬɪɢɹ. Ɇɟɬɨɞɢɤɚ ɢɡɦɟɪɟɧɢɹ ɭɝɥɨɜ ɦɟɠɞɭ ɫɨɩɪɹɠɟɧ-
ɧɵɦɢ ɜ ɫɭɫɬɚɜɟ ɡɜɟɧɶɹɦɢ ɬɟɥɚ ɜ ɩɪɨɰɟɫɫɟ ɜɵɩɨɥɧɟɧɢɹ ɭɩɪɚɠɧɟɧɢɣ
ɨɫɭɳɟɫɬɜɥɹɟɬɫɹ ɫ ɩɨɦɨɳɶɸ ɝɨɧɢɨɦɟɬɪɚ, ɩɪɟɞɫɬɚɜɥɹɸɳɟɝɨ ɫɨɛɨɣ
ɩɥɨɫɤɢɟ ɩɪɹɦɨɭɝɨɥɶɧɵɟ ɩɥɚɫɬɢɧɤɢ (ɜɪɨɞɟ ɥɢɧɟɟɤ), ɫɨɟɞɢɧɟɧɧɵɟ
ɨɞɧɢɦ ɤɨɧɰɨɦ ɧɚ ɟɞɢɧɨɣ ɨɫɢ, ɤɨɬɨɪɵɟ ɤɪɟɩɹɬɫɹ ɧɚ ɡɜɟɧɶɹ, ɫɨɩɪɹ-
ɠɟɧɧɵɟ ɜ ɨɞɧɨɦ ɫɭɫɬɚɜɟ. ɉɪɢ ɢɡɦɟɪɟɧɢɢ ɨɫɶ ɝɨɧɢɨɦɟɬɪɚ ɫɨɜɦɟ-
ɳɚɸɬ ɫ ɨɫɶɸ ɜɪɚɳɟɧɢɹ ɜ ɫɭɫɬɚɜɟ. ɇɚ ɨɞɧɨɣ ɩɥɚɫɬɢɧɤɟ ɪɚɫɩɨɥɚɝɚ-
ɟɬɫɹ ɤɪɭɝɨɜɨɣ ɪɟɨɫɬɚɬ, ɧɚ ɞɪɭɝɨɣ – ɛɟɝɭɧɨɤ ɪɟɨɫɬɚɬɚ (ɪɢɫ
( . 2.14).
Ɉɬ ɢɡɦɟɧɟɧɢɹ ɭɝɥɚ ɦɟɠɞɭ ɩɥɚɫɬɢɧɤɚɦɢ ɡɚɜɢɫɢɬ ɜɟɥɢɱɢɧɚ ɫɨɩɪɨ-
ɬɢɜɥɟɧɢɹ ɪɟɨɫɬɚɬɚ (ɚ ɡɧɚɱɢɬ, ɢ ɬɨɤɚ),
ɚ ɱɬɨ ɢ ɮɢɤɫɢɪɭɟɬɫɹ ɡɚɩɢɫɵ-
ɜɚɸɳɢɦ ɩɪɢɛɨɪɨɦ ɢɥɢ ɩɨɫɬɭɩɚɟɬ ɧɟɩɨɫɪɟɞɫɬɜɟɧɧɨ ɱɟɪɟɡ ɚɧɚɥɨɝɨ-
ɰɢɮɪɨɜɨɣ ɩɪɟɨɛɪɚɡɨɜɚɬɟɥɶ ɜ ɤɨɦɩɶɸɬɟɪ.
ɂɧɨɝɞɚ ɝɨɧɢɨɦɟɬɪ, ɦɨɞɢɮɢ-
ɰɢɪɨɜɚɧɧɵɣ ɫɨɨɬɜɟɬɫɬɜɭɸɳɢɦ
ɨɛɪɚɡɨɦ, ɢɫɩɨɥɶɡɭɟɬɫɹ ɤɚɤ ɫɪɟɞ-
ɫɬɜɨ ɛɢɨɥɨɝɢɱɟɫɤɨɣ ɨɛɪɚɬɧɨɣ
ɚ
ɫɜɹɡɢ. Ⱦɥɹ ɷɬɨɝɨ ɡɚɞɚɸɬ ɞɢɚɩɚ-
ɡɨɧɵ ɭɝɥɨɜ, ɜ ɪɚɦɤɚɯ ɤɨɬɨɪɵɯ
ɞɨɥɠɧɨ ɜɵɩɨɥɧɹɬɶɫɹ ɭɩɪɚɠɧɟ-
ɧɢɟ. ȼɵɯɨɞ ɡɚ ɷɬɨɬ ɞɢɚɩɚɡɨɧ
ɫɨɩɪɨɜɨɠɞɚɟɬɫɹ ɡɜɭɤɨɜɵɦ ɫɢɝɧɚ-
ɥɨɦ, ɩɪɢɱɟɦ ɞɥɹ ɧɢɠɧɟɝɨ ɢ ɜɟɪɯ-
ɧɟɝɨ ɩɪɟɞɟɥɨɜ ɭɝɥɨɜ ɪɚɡɥɢɱɧɵɦ.
Ɇɚɝɧɢɬɧɨ-ɪɟɡɨɧɚɧɫɧɚɹ ɬɨɦɨ-
ɝɪɚɮɢɹ (ɆɊɌ). Ɇɟɬɨɞ ɨɫɧɨɜɚɧ
ɧɚ ɹɜɥɟɧɢɢ ɹɞɟɪɧɨɝɨ ɦɚɝɧɢɬ-
ɧɨɝɨ ɪɟɡɨɧɚɧɫɚ. ɂɫɩɨɥɶɡɭɟɬɫɹ ɞɥɹ
ɩɨɫɬɪɨɟɧɢɹ ɨɛɴɟɦɧɵɯ ɚɧɚɬɨɦɢɱɟ-
ɫɤɢɯ ɢɡɨɛɪɚɠɟɧɢɣ ɬɟɥɚ ɢ ɚɧɚɥɢɡɚ
ɮɢɡɢɤɨ-ɯɢɦɢɱɟɫɤɢɯ ɫɜɨɣɫɬɜ ɛɢɨ-
ɥɨɝɢɱɟɫɤɢɯ ɬɤɚɧɟɣ. ɂɫɩɨɥɶɡɭɟɬɫɹ
ɬɚɤɠɟ ɞɥɹ ɢɫɫɥɟɞɨɜɚɧɢɹ ɦɟɯɚɧɢɡ-
ɦɨɜ ɦɵɲɟɱɧɨɣ ɮɭɧɤɰɢɢ.
Рис. 2.14. Гониометр, ɉɪɨɰɟɞɭɪɚ ɢɡɦɟɪɟɧɢɣ ɫɥɟɞɭ-
закрепленный на коленном ɸɳɚɹ. ɂɫɩɵɬɭɟɦɵɣ ɜɵɩɨɥɧɹɟɬ
суставе испытуемого ɩɪɟɞɩɢɫɚɧɧɨɟ ɮɢɡɢɱɟɫɤɨɟ ɭɩɪɚɠ-

106
нение, затем какое-то звено помещается на магнит для измерения
сигнала магнитного резонанса, длящегося несколько минут. Опре-
деляются продольная и поперечная скорости релаксации, с кото-
рыми атомы мышечных волокон, возбужденные магнитным полем,
возвращаются в исходное положение. Например, поперечная
скорость релаксации характеризует обусловленное нагрузкой
изменение содержания внутриклеточной воды в мышечных волок-
нах после мышечного сокращения. Существует положительная
линейная взаимосвязь интенсивности сигнала поперечной скоро-
сти релаксации и силы мышечного сокращения.
Метод получения изображения с помощью ядерного магнит-
ного резонанса позволяет неинвазивно определять состав мышеч-
ных волокон. Это особенно важно, когда исследуется содержание
быстро сокращающихся и медленно сокращающихся мышечных
волокон, что необходимо, в частности, для отбора начинающих
спортсменов по их генетической предрасположенности к тому или
иному виду двигательной деятельности. Ранее для этих целей
использовался инвазивный метод биопсии, связанный с извлече-
нием образца мышечной ткани из мышцы.
Метод МРТ может применяться для проверки эффективности
тренировочных заданий на формирование тех или иных физиче-
ских качеств в рамках определенного макроцикла.
Акселерометрия. Это метод измерения ускорений движения
тела или его отдельных звеньев, а также регистрации ударных
ускорений, проходящих по телу при взаимодействии спортсмена
с элементами окружающей среды или противником.
Технические средства акселерометрии включают сами акселе-
рометры, электронный тракт предварительного усиления и реги-
стрирующую систему (предпочтительно подключать компьютер
через блок аналого-цифрового преобразования). Акселерометры
должны иметь очень малую массу (порядка нескольких граммов)
и высокую собственную частоту колебаний (400 Гц и более).
Когда акселерометры крепятся на спортивном инвентаре или
оборудовании, т.е. достаточно плотно, удается сохранить паспорт-
ную частоту собственных колебаний, а если на теле человека –
посредством манжеты и стягивающих резиновых бинтов, величина

107
ɫɨɛɫɬɜɟɧɧɵɯ ɤɨɥɟɛɚɧɢɣ ɭɠɟ ɫɢɫɬɟɦɵ ɚɤɫɟɥɟɪɨɦɟɬɪ – ɤɪɟɩɟɠ
ɫɬɚɧɨɜɢɬɫɹ ɦɟɧɶɲɟ, ɢɧɨɝɞɚ ɫɭɳɟɫɬɜɟɧɧɨ.
Ɋɚɫɫɦɨɬɪɢɦ ɩɪɢɦɟɪ ɤɪɟɩɥɟɧɢɹ ɚɤɫɟɥɟɪɨɦɟɬɪɚ ɧɚ ɧɨɝɟ ɫɩɨɪɬɫ-
ɦɟɧɚ ɩɟɪɟɞ ɩɪɨɜɟɞɟɧɢɟɦ ɷɤɫɩɟɪɢɦɟɧɬɚɥɶɧɨɝɨ ɢɫɫɥɟɞɨɜɚɧɢɹ
(ɪɢɫ. 2.15). Ɂɞɟɫɶ ɧɚ ɚɤɫɟɥɟɪɨɦɟɬɪ ɟɳɟ ɧɟ ɧɚɥɨɠɟɧɵ ɪɟɡɢɧɨɜɵɟ
ɛɢɧɬɵ ɞɥɹ ɫɧɢɠɟɧɢɹ ɜɨɡɦɨɠɧɵɯ ɦɟɯɚɧɢɱɟɫɤɢɯ ɞɜɢɠɟɧɢɣ ɷɬɨɝɨ
ɞɚɬɱɢɤɚ ɜ ɩɪɨɰɟɫɫɟ ɜɵɩɨɥɧɟɧɢɹ ɞɜɢɝɚɬɟɥɶɧɨɝɨ ɞɟɣɫɬɜɢɹ. ȿɫɥɢ ɧɟ
ɫɞɟɥɚɬɶ ɬɚɤɨɣ ɤɪɟɩɟɠ, ɞɚɬɱɢɤɨɜɚɹ ɫɢɫɬɟɦɚ ɧɚɱɢɧɚɟɬ ɪɟɡɨɧɚɧɫɧɨ
ɪɟɚɝɢɪɨɜɚɬɶ ɧɚ ɢɡɦɟɧɟɧɢɹ ɜ ɞɜɢɠɟɧɢɹɯ, ɢɫɤɚɠɚɹ, ɩɪɟɠɞɟ ɜɫɟɝɨ
ɩɨ ɚɦɩɥɢɬɭɞɟ, ɢɫɯɨɞɧɵɣ ɫɢɝɧɚɥ, ɨɫɨɛɟɧɧɨ ɭɫɤɨɪɟɧɢɹ ɩɪɢ ɩɪɨɯɨɠ-
ɞɟɧɢɢ ɭɞɚɪɧɨɣ ɜɨɥɧɵ ɩɨ ɬɟɥɭ ɱɟɥɨɜɟɤɚ. ɗɬɨ ɩɟɪɜɚɹ ɫɥɨɠɧɨɫɬɶ
ɜ ɚɤɫɟɥɟɪɨɦɟɬɪɢɱɟɫɤɢɯ ɢɡɦɟɪɟɧɢɹɯ. ȼ ɛɢɨɦɟɯɚɧɢɱɟɫɤɨɣ ɥɢɬɟɪɚ-
ɬɭɪɟ ɫɨɜɟɬɫɤɨɝɨ ɩɟɪɢɨɞɚɩɪɢɜɨɞɢɥɢɫɶ ɞɚɧɧɵɟ ɨ ɬɨɦ, ɱɬɨ ɚɤɫɟɥɟɪɨ
ɦɟɬɪɵ ɤɪ
ɤ ɟɩɢɥɢɫɶ ɧɚ ɡɜɟɧɶɹɯ ɬɟɥɚ ɩɭɬɟɦ ɜɜɢɧɱɢɜɚɧɢɹ ɜɢɧɬɨɜ
ɜ ɤɨɫɬɶ, ɱɬɨɛɵ ɫɧɢɡɢɬɶ ɭɪɨɜɟɧɶ ɭɤɚɡɚɧɧɵɯ ɢɫɤɚɠɟɧɢɣ, ɧɨ ɤ ɬɚɤɢɦ
ɢɫɫɥɟɞɨɜɚɧɢɹɦ ɩɪɢɜɥɟɤɚɥɢɫɶ ɬɨɥɶɤɨ ɞɨɛɪɨɜɨɥɶɰɵ.
ȼɬɨɪɚɹ ɫɥɨɠɧɨɫɬɶ ɫɜɹɡɚɧɚ
ɫ ɬɟɦ, ɱɬɨ ɚɤɫɟɥɟɪɨɦɟɬɪ, ɡɚɤɪɟɩ-
ɥɟɧɧɵɣ ɧɚ ɡɜɟɧɟ ɬɟɥɚ, ɪɟɝɢɫɬɪɢ-
ɪɭɟɬ ɞɜɢɠɭɳɟɟɫɹ ɡɜɟɧɨ, ɤɨɬɨɪɨɟ
ɜɫɟɝɞɚ ɭɱɚɫɬɜɭɟɬ ɜ ɩɨɫɬɭɩɚɬɟɥɶ-
ɧɨɦ ɢ ɜɪɚɳɚɬɟɥɶɧɨɦ ɞɜɢɠɟɧɢɹɯ.
Ɍɨɱɧɨ ɭɫɬɚɧɨɜɢɬɶ, ɱɬɨ ɜ ɫɢɝɧɚɥɟ
ɚɤɫɟɥɟɪɨɦɟɬɪɚ ɨɬɜɟɱɚɟɬ ɨɞɧɨɦɭ
ɜɢɞɭ ɞɜɢɠɟɧɢɹ, ɚ ɱɬɨ – ɞɪɭɝɨɦɭ,ɭ
ɭ,
ɡɚɬɪɭɞɧɢɬɟɥɶɧɨ.
Ɍɪɟɬɶɹ ɫɥɨɠɧɨɫɬɶ ɫɨɫɬɨɢɬ
ɜ ɬɨɦ, ɱɬɨ ɚɤɫɟɥɟɪɨɦɟɬɪ ɪɟɝɢɫɬɪɢ-
ɪɭɟɬ ɫɢɝɧɚɥ ɜ ɫɢɫɬɟɦɟ ɤɨɨɪɞɢɧɚɬ,
ɧɟɩɨɞɜɢɠɧɨɣ ɨɬɧɨɫɢɬɟɥɶɧɨ ɡɜɟɧɚ,
ɧɨ ɩɨɞɜɢɠɧɨɣ ɨɬɧɨɫɢɬɟɥɶɧɨ ɫɢ-
ɫɬɟɦɵ ɤɨɨɪɞɢɧɚɬ, ɜ ɤɨɬɨɪɨɣ ɢɡɦɟ-
Рис. 2.15. Расположение
ɪɹɸɬɫɹ (ɧɚɩɪɢɦɟɪ, ɩɨɫɪɟɞɫɬɜɨɦ
акселерометра на ноге испы-
туемого перед проведением ɛɢɨɦɟɯɚɧɢɱɟɫɤɨɣ ɤɢɧɟɦɚɬɨɝɪɚ-
опытов по измерению удар- ɮɢɢ) ɛɢɨɦɟɯɚɧɢɱɟɫɤɢɟ ɩɚɪɚɦɟɬɪɵ
ных ускорений во время бега ɞɜɢɠɟɧɢɹ ɬɟɥɚ ɢ ɟɝɨ ɱɚɫɬɟɣ ɩɪɢ

108
выполнении двигательного действия. Это затрудняет сравнение
и интерпретацию результирующих параметров, полученных раз-
ными методами, да еще в разных системах отсчета.
Акселерометрию наиболее успешно использовали для измере-
ния частотных характеристик взаимодействия спортсмена с ин-
вентарем, опорными поверхностями, т.е. когда акселерометры
крепились на указанных предметах внешней среды, и при изме-
рении ударных нагрузок на тело человека, включая удары со
стороны противника.
Спидография. Этот метод применяется для измерения скоро-
сти пробегания фиксированных отрезков. Для этого используются
оптронные пары. Каждая пара представляет собой две стойки, на
одной из которых укреплен источник света, а на другой, стоящей
напротив первой, крепится фотоэлемент, на который попадает свет
от источника света. Другая оптронная пара ставится на некотором
фиксированном расстоянии S от первой. Принцип ее действия
также построен на системе «источник света – фотоэлемент»,
в результате в фотоэлементе возникает ток, который фиксируется.
Регистрация необходимого параметра при фотоэлектронном
хронометраже (две оптронные пары) состоит в следующем. При
движении человека (бегуна, лыжника, конькобежца) между стой-
ками первой оптронной пары происходит перекрытие его телом
светового луча, что в фотоэлектронном приемнике отражается
скачком величины тока или напряжения и служит запускающим
сигналом для устройства регистрации времени, установленного
в цепи фотоприемника (например, электронного миллисекундо-
мера). Проходя створ второй оптронной пары, человек также пере-
крывает световой луч своим телом, что сопровождается скачкооб-
разным изменением тока или напряжения в цепи фотоприемника
и служит сигналом для отключения устройства регистрации вре-
мени. Как видим, посредством оптронных пар регистрируется
время ДГ прохождения отрезка длиной S. А средняя скорость пре-
одоления фиксированного отрезка рассчитывается как
S
v= . (2.12)
∆t

109
Спидография в указанной форме применяется в тестовых
упражнениях, например, бег на 30 м с ходу или с низкого старта
(по времени и по средней скорости).
Поскольку спидография относится к бесконтактным методам,
ее можно использовать даже во время соревнований, например,
для определения скорости набегания прыгуна на планку для
отталкивания в прыжке в длину или тройным. В этом случае
оптронные пары устанавливаются на расстоянии 1 м друг отно-
сительно друга непосредственно перед планкой для отталкивания.
Измерение упруг-вязких свойств мышц. Определение био-
механических свойств мышц возможно по методу затухающих
колебаний. Прибор для возбуждения механических колебаний
в мышце имеет пружину, к которой прикреплен боек. Рядом рас-
положен акселерометр. При измерениях на мышце исследователь
спускает пружину, и боек ударяет по брюшку мышцы. Возникает
ее кратковременное механическое колебание, которое улавлива-
ется и фиксируется акселерометром. По графику затухающих
колебаний определяется период колебательного процесса, кото-
рый отражает состояние упругих элементов мышцы. Степень на-
пряжения расслабленной мышцы, которую характеризует период
колебаний, зависит от состояния кровоснабжения, степени эффе-
рентной (лат. Efferens – выносящий) импульсации в покое, а также
от длины мышцы. Диссипативные (лат. Dissipation – рассеяние)
потери механической энергии в колебательном процессе мышцы
можно оценивать по декременту (лат. Decrementum – уменьшение)
затухания колебаний, который характеризует в основном силу
сопротивления мышечной ткани при быстром ее растягивании.
Выявлено влияние биомеханических свойств мышц на физиоло-
гические характеристики их работы. Эстонские ученые Л.Л. Куузе
и М.А. Пяэсуке нашли, что увеличение демпфируемости (нем.
Dampfen – уменьшать, заглушать) мышц сопровождалось сниже-
нием вертикальной скорости выпрыгивания вверх с места. Это
объясняется тем, что при увеличении демпфируемости в напря-
женной мышце она медленнее освобождается от механического
напряжения после сокращения, что обусловливает уменьшение
частоты движений при циклических локомоциях. Возрастают

110
также энергетические расходы при больших величинах декре-
мента и большей жесткости расслабленной мышцы, так как при
каждом цикле движения они создают момент сопротивления
антагонистам.
При оценке функционального состояния мышцы необходимо
учитывать ее жесткость как при расслаблении, так и при макси-
мальном произвольном напряжении.
Работоспособность мышц зависит от разницы в жесткости
напряженной и расслабленной мышцы (Ю.М. Уфлянд, 1965;
А.А. Вайн, 1980). Оценивая жесткостные свойства по частоте
колебаний (метод затухающих колебаний), можно одну и ту же
разницу получить при разной частоте колебаний расслабленной
и напряженной мышц. Поэтому было предложено уровень сило-
вой подготовленности оценивать индексом, вычисленным по
формуле:
vнапр – vрассл
Iv = , (2.13)
vрассл
где νнапр – частота колебаний напряженной мышцы, Гц; νрассл –
частота колебаний расслабленной мышцы, Гц.

Введение описанного индекса не уменьшает информативности


отдельных характеристик νнапр и νрассл, так как каждая из них
имеет ценность при диагностике состояния нервно-мышеч-
ного аппарата человека. По аналогии был разработан индекс для
оценки силы сопротивления при растяжении мышцы по формуле
2.14 где θР и θH – декременты затухания соответственно расслаб-
ленной и напряженной мышц.
Результаты исследования годичной динамики описанных индек-
сов показали, что механические свойства мышц во многом зависят
от используемых тренировочных средств и задаваемых нагрузок.
При усиленной силовой подготовке увеличиваются индексы
жесткости и уменьшаются индексы демпферных свойств.
1 + (θp – θH2 ) . (2.14)
Iθ =
θH (1 + θP)

111
Компьютерная стабилография. Это методика точного коли-
´ анализа устойчиво-
чественного пространственного и временного
сти человека при поддержании вертикальной позы и процессов
управления ею. Реализуется с помощью стабилографической плат-
формы, состоящей из двух расположенных друг над другом на
некотором расстоянии пластин, центры которых соединены вер-
тикальным стержнем с наклеенными на него тензодатчиками.
Аналоговый сигнал от датчиков поступает на компьютер, где
и проводится необходимый анализ данных и предъявляется тести-
руемому на отдельном мониторе. Стабилографический комплекс
предназначен для регистрации абсолютного и относительного
перемещений проекции общего центра масс тела в положении
стоя и других статичных положениях (например, равновесие
в позе ласточки) от первоначального положения равновесия.
Стабилограмма – графики перемещения центра давления (ЦД),
представленные как функция от времени для фронтальной
и сагиттальной плоскостей. Ось времени при этом располагается
по оси абсцисс. С определенным допущением можно сказать, что
ЦД – это вертикальная проекция центра масс на плоскость опоры.
Для решения различных задач по управлению проекцией движе-
ния общего центра масс тела (ОЦМ) тестируемым человеком
(например, уменьшение разброса траекторий движения ЦД, про-
хождение лабиринта при совершенствовании координационного
компонента в ортоградной позе) испытуемому предъявляется
картинка траекторий ЦД. Если на опоре находится одна стопа,
то ЦД будет располагаться в пределах ее площади опоры, если
обе, то ЦД разместится в некоторой области между стопами. Его
положение будет зависеть от того, как произойдет отклонение
центра масс от первоначального положения равновесия. Сложный
характер стабилограммы отражает деятельность многоуровневой
системы регуляции вертикальной позы человека, включающей
различные отделы нервной системы.
Методика стабилографии, играющая важную роль в протезо-
строении, клинике, психологии и физиологии труда, приобрела
актуальное значение в измерении и оценке статического и дина-
мического равновесия в спорте, особенно в тех его видах, где

112
умения и навыки сохранения устойчивости при выполнении
равновесий различной координационной сложности определяют
спортивный результат (стрелковый спорт, спортивная и художе-
ственная гимнастика, фигурное катание на коньках, спортивная
акробатика, прыжки в воду, фристайл, горные лыжи и др.). Наряду
с оценкой устойчивости стабилография используется также при
изучении функционального состояния организма спортсмена,
при оценке уровня переносимости тренировочных и соревнова-
тельных нагрузок по показателям координации вертикального
положения тела, а также при спортивной ориентации и спортив-
ном отборе.
Пульсометрия. Это методика измерения частоты сердечных
сокращений. Пульсометр – прибор, предназначенный для персо-
нального мониторинга частоты сокращений сердечной мышцы,
состоит из двух частей: датчика (получает информацию и пере-
дает ее) и приемника. Существует несколько видов датчиков:
нагрудные, встроенные, датчики пульсации крови. Наиболее
популярны модели, которые крепятся на груди или на пальце
спортсмена. Современные приборы зачастую выглядят так же, как
и наручные часы, и выполняют еще множество функций кроме
измерения ритма сердцебиения. Часто в комплекте используют
преобразователь для переноса данных с прибора на персональный
компьютер в целях мониторинга состояния спортсмена на протя-
жении длительного времени. В этом случае можно оценить режим,
в котором выполнялась двигательная работа, и какая по преиму-
ществу энергетическая система была ведущей при выполнении
двигательной нагрузки.
Проба PWC170. Для определения физической работоспособно-
сти человека рекомендована проба Physical Working Capacity
(PWC). Физическая работоспособность в пробе PWC170 выража-
ется в величинах мощности физической нагрузки, при которой
частота сердечных сокращений (ЧСС) достигает 170 уд./мин.
Выбор именно этого значения ЧСС основан на следующих поло-
жениях:
а) зона адекватного функционирования кардиореспираторной
системы с физиологической точки зрения ограничивается диапа-

113
зоном изменения ЧСС от 100–110 до 170–180 уд./мин. Следова-
тельно, с помощью этой пробы можно установить интенсивность
физической нагрузки, которая «выводит» деятельность сердечно-
сосудистой системы, а вместе с ней и всей кардиореспираторной
системы, в область оптимального функционирования;
б) взаимосвязь ЧСС и мощности выполняемой физической
нагрузки имеет линейный характер у большинства здоровых
людей вплоть до ЧСС 170 уд./мин. При ее более высоких значе-
ниях линейный характер этой зависимости нарушается.
Предложено простое математическое выражение, позволяющее
определить величину PWC170 аналитически (без построения гра-
фиков): где PWC170 – мощность физической нагрузки на велоэр-
гометре, при которой достигается ЧСС 170 уд./мин; W1 и W2 –
мощность первой и второй нагрузок, кгм/мин или Вт; f1 и f2 – ЧСС
в конце первой и второй нагрузок.
Первая нагрузка обычно имеет небольшую мощность, вели-
чину которой подбирают индивидуально в зависимости от воз-
раста и массы тела испытуемого.
После ее выполнения испытуемый, сидя на велоэргометре,
отдыхает в течение 3 мин, затем ему предлагают вторую, более
интенсивную нагрузку.
Выбор мощности этой нагрузки в значительной мере влияет на
точность экстраполяционного определения PWC170. Очевидно,
что чем ближе ЧСС во время второй нагрузки будет к уровню
170 уд./мин, тем точнее можно установить величину PWC170.
Оптимальную мощность для второй нагрузки можно подобрать
по данным о ЧСС во время первой нагрузки по табл. 2.11. Продол-
жительность обеих нагрузок равна 5 мин. Процедура исследова-
ния занимает около 13 мин.

W1 + (W2 – W1) (170 – f1) . (2.14)


PWC170 =
(f2 – f1)

У здоровых молодых нетренированных мужчин величины


PWC170 колеблются в пределах 115–180, а у женщин – 75–125 Вт,
относительные величины соответственно – 2,5 и 1,7 Вт/кг.

114
У некоторых спортсменов эти показатели достигают 300–400 Вт,
относительные – 5 Вт/кг.

Таблица 2.11
Ориентировочные значения мощности второй нагрузки,
рекомендуемые при определении PWC170
(Карпман В.Л. и др., 1988)
Мощность второй нагрузки, Вт,
Мощность первой при ЧСС первой нагрузки, уд./мин
нагрузки, Вт
80–89 90–99 100–109 110–119 120–129
65 180 165 150 130 115
80 195 180 165 150 130
100 210 195 180 165 150
115 230 210 195 180 165
130 250 230 210 195 180

Гарвардский степ-тест используется для количественной


оценки восстановительных процессов после дозированной
мышечной работы.
Физическая нагрузка задается в виде восхождений и спуска
на ступеньку. Ее высота и время выполнения теста зависят от
пола, возраста и физического развития испытуемого. Ему пред-
лагается в течение 5 мин подниматься на ступеньку и спускаться
с нее с частотой 30 раз в 1 мин. Каждое восхождение и спуск
складываются из четырех двигательных компонентов. Испытуе-
мый:
– встает на ступеньку одной ногой;
– встает на ступеньку двумя ногами, принимая строго верти-
кальное положение;
– ставит назад на пол ногу, с которой начал восхождение;
– опускает на пол другую ногу.
В этом тесте сделана попытка строго дозировать физическую
нагрузку, что в определенной степени условно, так как мощность
ее выполнения нельзя установить точно. Но даже если испытуе-
мый прекращает работу раньше указанного времени, его работо-
способность, несмотря на это, можно оценить. Таким образом,

115
уменьшается влияние его субъективного отношения к процедуре
тестирования.
После окончания физической нагрузки испытуемый отдыхает
сидя. Начиная со 2-й минуты у него 3 раза по 30-секундным
отрезкам (с 60-й до 90-й, со 120-й до 150-й и со 180-й до 210-й)
подсчитывается ЧСС. Значения этих трех подсчетов суммируются
и умножаются на 2 (перевод из уд./30 с в уд./мин). Результаты
тестирования выражаются в условных единицах в виде индекса
Гарвардского степ-теста (ИГСТ), который рассчитывается из урав-
нения:

ИГСТ = T(100 / (ff2 + f3 + f4) 2, (2.15)

где Т – фактическая продолжительность выполнения физической


нагрузки, с; f2, f3, f4 – сумма ЧСС за первые 30 с каждой (начиная
со 2-й) минуты восстановительного периода. Величина 100 необ-
ходима для выражения ИГСТ в целых числах, а цифра 2 – для
перевода суммы ЧСС за 30-секундные промежутки времени
в число сердцебиений за 1 мин.

Величина ИГСТ характеризует скорость восстановительных


процессов после напряженной физической нагрузки и оценивается
по шкале. Чем быстрее восстанавливается ЧСС после степ-теста,
тем меньше величина f2 + f3 + f4 и, следовательно, выше ИГСТ.
Гарвардский степ-тест – довольно существенная нагрузочная
проба. По средним данным, ЧСС на 5-й минуте восхождения на
ступеньку достигает 175 уд./мин, полное ее восстановление
наступает не ранее чем через 20 мин отдыха. Потребление кисло-
рода во время теста составляет в среднем 3,5 л, легочная вентиля-
ция – 75 л/мин. Все это указывает на то, что использовать гарвард-
ский степ-тест можно только для лиц, имеющих достаточную
физическую подготовку.
Основной недостаток Гарвардского степ-теста – низкая точ-
ность при дозировании нагрузки и преимущественно качествен-
ный анализ показателей, зарегистрированных до физической
нагрузки и после ее окончания – в восстановительном периоде,

116
поэтому при повторном обследовании или при сопоставлении
полученных результатов наблюдаются значительные погрешности
в количественной оценке данных.

Таблица 2.12
Оценка результатов Гарвардского степ-теста
(Карпман В.Л. и др., 1988)
ИГСТ, ед Оценка физической работоспособности
Меньше 55 Плохо
55–64 Ниже среднего
65–79 Средне
80-89 Хорошо
90 и больше Отлично

2.6. МЕТОДЫ ОЦЕНКИ ФИЗИЧЕСКОГО


РАЗВИТИЯ

В процессе исследования физического развития лиц, занимаю-


щихся физическими упражнениями и спортом, производится:
– оценка воздействия систематических занятий на уровень
физического развития;
– отбор детей, подростков, юношей и девушек для занятий
различными видами спорта с учетом особенностей их физиче-
ского развития;
– контроль за формированием структуры тела в период физи-
ческого развития от новичка до квалифицированного спортсмена
с целью определения необходимой индивидуальной подготовки.
Основными методами исследования физического развития
являются наружный осмотр (соматоскопия) и измерение морфо-
логических и функциональных показателей (антропометрия).
Соматоскопия. При соматоскопии определяются тип телосло-
жения, пропорции тела и конституциональный тип.

117
Наружный осмотр следует проводить утром натощак или после
легкого завтрака в светлом и теплом помещении. Наружный
осмотр начинают с оценки осанки.
Осанка – это привычная поза человека, манера держаться стоя
и сидя. Осанка обычно оценивается в положении стоя, исследуе-
мый при этом держится совершенно непринужденно, без всякого
напряжения.
При правильной осанке голова и туловище находятся на одной
вертикали, плечи на одном уровне развернуты, слегка опущены,
лопатки прижаты, физиологические кривизны позвоночного столба
нормально выражены, грудь слегка выпуклая, живот втянут, ноги
разогнуты в коленных и тазобедренных суставах. Осанка иссле-
дуется и описывается с головы до ног.
При осмотре пояса верхних конечностей следует проверить, на-
ходятся ли плечи на одном уровне, одинакова ли ширина правого
и левого плеча, нет ли крыловидности лопаток, развернуты ли
плечи. Крыловидные лопатки чаще всего наблюдаются у лиц
со слабой мускулатурой спины. Если одно плечо выдвинуть
вперед, возникает асимметрия плеч.
Асимметрия пояса верхних конечностей нередко встречается
у спортсменов различных специализаций (метателей, гребцов-
каноистов, боксеров и т.д.). Сочетание резко поданных вперед
плеч с сильно развитой мускулатурой спины создает впечатление
сутуловатости. Однако это ложная сутуловатость (в отличие
от истинной, связанной с изменением кривизны позвоночного
столба).
Особенно информативным является осмотр позвоночного
столба. При этом определяется выраженность его физиологиче-
ских изгибов, которых в норме четыре: шейный и поясничный –
лордозы (выпуклость вперед), грудной и крестцово-копчиковый –
кифозы (выпуклость назад). Эти изгибы имеют большое значение,
выполняя рессорную функцию, т.е. уменьшая сотрясения при
ходьбе, беге и прыжках. Глубина изгибов в норме не должна
превышать 3–4 см и может быть измерена кифосколиозометром.
Грудная клетка может быть в норме цилиндрической, кониче-
ской и уплощенной формы. Цилиндрическая грудная клетка имеет

118
форму цилиндра, ребра расположены горизонтально, межреберный
угол равен 90°. Коническая грудная клетка имеет форму усеченного
конуса, ребра тоже расположены горизонтально, но межреберный
угол тупой (больше 90°). Уплощенная, или плоская, грудная клетка
характеризуется уменьшением передне-заднего диаметра, ребра
опущены вниз, межреберный угол – острый.
Форма живота зависит от состояния мышц брюшной стенки
и степени развития жирового слоя. При нормальной форме брюш-
ная стенка выпячивается незначительно, рельеф мускулатуры ясно
виден. Слабое развитие мышц брюшной стенки может привести
к формированию отвислого живота. У лиц с хорошо развитой
мускулатурой при слабом жироотложении живот немного втянут.
Различают нормальную, пониженную и повышенную упитан-
ность. Измерение жировой складки производится под углом
лопатки и на животе, на уровне пупка справа и слева. Пальцами
берется в складку участок кожи с подкожной клетчаткой в 5 см.
При пониженной упитанности большой и указательный пальцы
исследователя легко прощупывают друг друга, костный и мышеч-
ный рельефы отчетливо просматриваются. При нормальной
упитанности кожная складка берется свободно, но концы пальцев
прощупываются не отчетливо, костный и мышечный рельефы
слегка сглажены. При повышенной упитанности кожная складка
берется с трудом, костный и мышечный рельефы сглажены.
При осмотре кожи обращают внимание на влажность, окраску,
наличие сыпей, повреждений, омозолелостей, опрелостей.
Ноги считаются прямыми, если в стойке «смирно» (но без осо-
бого напряжения мышц) бедра, колени и пятки сомкнуты, и лишь
ниже коленей или над внутренними лодыжками имеется неболь-
шой просвет. Если при сомкнутых пятках колени не сходятся, ноги
имеют О-образную форму; когда колени сходятся, а пятки нет,
форма ног Х-образная. Степень X- и О-образия определяется
с помощью специального треугольника, который располагают
между внутренними лодыжками или коленями.
Различают нормальную, уплощенную и плоскую стопу. Форму
стопы можно определить путем осмотра свода стоп. Исследуе-
мому (он должен быть босиком) предлагают поставить стопы

119
параллельно. Если внутренние части стоп не касаются пола, это
свидетельствует о наличии свода стоп. Затем исследуемого просят
встать коленями на стул и рассматривают подошвенную поверх-
ность стопы. В норме пигментированная часть стопы должна
составлять не более 1/3 ее ширины. При уплощении стопы эта часть
больше 1/3 ее ширины; при полном плоскостопии она распростра-
няется на всю ширину стопы. Для более точного определения
формы стопы делается ее отпечаток на бумаге (при помощи легко
смываемой краски), по нему производится измерение и оценка.
Антропометрия. Антропометрические измерения дополняют
и уточняют данные соматоскопии, дают возможность точнее
определить уровень физического развития обследуемого. Повтор-
ные антропометрические измерения позволяют следить за динами-
кой физического развития и учитывать его изменения в процессе
систематических занятий физической культурой и спортом.
Антропометрический метод является основным методом изуче-
ния особенностей телосложения человека. Он предусматривает
определение продольных, глубинных, поперечных, обхватных раз-
меров тела, массы тела, толщину кожно-жировых складок.
Под телосложением понимают размеры, формы, пропорции
и особенности взаимного расположения частей тела, а также
особенности развития костной, жировой и мышечной тканей.
Тотальные размеры тела зависят от его длины и массы, окружно-
сти грудной клетки. Пропорции тела определяются соотношением
размеров туловища, конечностей и их сегментов.
Продольные размеры тела измеряют антропометром, попереч-
ные размеры тела – большим толстотным циркулем с согнутыми
или прямыми ножками, а также большим и малым штанговыми
и скользящими циркулями.
Обхватные размеры тела измеряют сантиметровой лентой.
Толщину кожно-жировых складок измеряют с помощью специ-
ального прибора – калипера.
Масса тела определяется на специальных медицинских весах,
которые обеспечивают высокую надежность измерения.
Для определения жизненной емкости легких (ЖЕЛ) применяют
водные и сухие спирометры.

120
Все измерения человеческого тела проводятся между опреде-
ленными пунктами, которые называются антропометрическими
точками. Антропометрические точки – определенные пункты,
между которыми проводятся измерения тела человека.
Принято определять следующие размеры:
Продольные размеры – длина туловища, корпуса, верхней, ниж-
ней конечности.
Поперечные размеры – ширина плеч, фронтальный и передне-
задний диаметр грудной клетки, ширина таза.
Обхватные размеры – окружность шеи, груди, живота, бедра,
голени, плеча, предплечья, кисти.
Удельный вес и состав тела могут быть определены на основа-
нии измерения толщины кожных складок по специально разрабо-
танным формулам. Для этого с помощью калипера измеряется
толщина складок тела.

Измерение кожно-жировых складок – у нижнего края


лопатки, у подмышечного края большой грудной мышцы, на
животе справа и сверху от пупка, на середине задней поверхно-
сти плеча, на середине передней поверхности плеча, в верхней
трети передней поверхности предплечья, в верхней трети перед-
ней поверхности бедра, в верхней трети задней поверхности
голени.
Если обычные антропометрические измерения не представ-
ляют больших трудностей, то определение удельного веса и со-
става тела – сравнительно новый раздел антропометрии. Для опре-
деления плотности тела сравнивают массу тела (в кг) в атмосфере
(Мa) с массой тела в воде (Mw). При измерении массы тела в воде
исследуемый делает полный выдох и с головой погружается
в воду. Плотность тела находят по формуле Брозека:

Ма × 0,996 ,
Плотность =
(Ма – Мw) – (Vr × 0,996)

где Vr – остаточный объем воздуха в легких, в л; 0,996 – плотность


воды при температуре 37°.

121
Вес жировой массы определяется по формуле Матейки:
D = d × S × K,
где D – вес жирового компонента и кожи, в кг; d – средняя толщина
кожно-жировой складки, в мм; S – поверхность тела, в м2, рассчи-
тываемая по специальным таблицам или формулам; К = 0,13.

Разность между весом тела и весом его жировой массы позво-


ляет получить вес «активной» массы тела.

2.7. МЕТОДЫ ОЦЕНКИ ФИЗИЧЕСКОЙ


ПОДГОТОВЛЕННОСТИ СПОРТСМЕНА

Двигательными или физическими качествами принято на-


зывать отдельные стороны двигательных возможностей человека.
В теории физического воспитания выделяют пять основных физи-
ческих качеств: быстроту, силу, выносливость, гибкость и коорди-
национные способности.
В каждом виде спорта существует множество различных реко-
мендаций по развитию тех или иных физических качеств или их
сочетаний. Для выработки критерия эффективности этих рекомен-
даций необходим объективный контроль. Средства спортивной
метрологии оказываются инструментом этого контроля и не
более.
Физические качества (структура представлена на рис. 2.16)
могут быть оценены либо с помощью измерительных систем, либо
косвенно с помощью тестов (определенных испытаний, связанных
с проявлениями конкретного физического качества).
Тесты используют в тех случаях, когда отсутствует возмож-
ность прямого измерения. В данном изложении внимание уде-
ляется конкретным аппаратурным методам измерения.

122
Физические качества

Быстрота Сила Выносливость Координация Гибкость

Рис. 2.16. Структура физических качеств

Быстрота.
Качество быстроты (ранее – скоростные качества) – это
способность выполнять движение в минимально короткий интер-
вал времени. Формы проявления быстроты подразделяются на
элементарные и комплексные (рис. 2.17).

Формы проявления быстроты

Элементарные Комплексные

Частота (темп)
( ) Время двигательного
локального движения действия

Время одиночного
движения Время реакции + Время движения

Простые реакции Сложные реакции

Реакция Реакция
выбора на движущейся объект

Рис. 2.17. Формы проявления быстроты

123
Элементарные (простые) проявления движения те, программа
которых решает всего одну двигательную задачу. Элементарные
формы проявления быстроты могут быть оценены следующими
временными´ параметрами: частотой, или темпом, локального
циклического движения и временем одиночного движения.
Частота локального циклического движения – это количество
одиночных движений в единицу времени.
Время одиночного движения – это длительность выполнения
элементарного движения. Это время складывается из времени
реакции и времени движения, причем удельный вес времени
реакции может меняться от долей процента в беге на 1000 м,
2–3% в беге на 100 м и доходить до 50% в ударных движениях
(например, ударе боксера или атаке фехтовальщика).
Время простой реакции измеряют в таких условиях, когда
заранее известен и тип сигнала, и способ ответа (выстрел стар-
тера – начало бега). Длительность простой реакции составляет
менее 0,3 с.
Сложные реакции характеризуются тем, что тип сигнала
и ответ неизвестны (спортивные игры, единоборства). Выделяют
два вида таких реакций:
– реакция на движущийся объект (РДО) определяется в случае,
когда в поле зрения имеется перемещающийся по определенному
закону объект, на который нужно реагировать определенным дви-
жением. При достаточном опыте и хорошо развитом прогности-
ческом мышлении время реакции может быть менее ОД с;
– реакция выбора – самая длительная, так как это самая слож-
ная двигательная задача, которая не может быть спрогнозирована.
(Например, имеется поле цветных лампочек с соответствующими
выключателями; в произвольный момент времени по случайному
закону зажигается лампочка, которую нужно как можно быстрее
погасить соответствующим выключателем). Время этой реакции
доходит до 0,4 с.
Длительность реакций всех типов зависит от многих факторов
(вида спорта, возраста, квалификации, состояния спортсмена
и т.д.), поэтому вариативность времени реакции достаточно
высока.

124
Комплексные формы представляют время двигательного дей-
ствия (быстроту выполнения спортивного движения) и состоят
из элементарных форм.
При оценке быстроты в области спорта используют три группы
характеристик: время движения, скорость и ускорение (рис. 2.18).

Оценка качества быстроты

Время Скорость Ускорение

механические спидографф акселерометры


системы (механич., доплер)
датчики
секундомеры спидометр

регистраторы индуктивные
датчики счетчик
вращения импульсов
электронные тензо
системы
концевые стрелочный
пьезо
датчик фаз
ф
(концев. ф./элем.)
индуктивные цифровой
ф

управляемый
ЭМС емкостные

ф ф
фотофиниш

светорегулирующие системы

кино стробо,
б цикло видео

индуктивные системы

Рис. 2.18. Схема способов оценки качества быстроты

125
Для измерения времени могут быть использованы следующие
способы:
– механические системы, реализуемые на базе стрелочных
секундомеров, регистраторов-самописцев или покадровой свето-
регистрации;
– электронные системы, предполагающие использование дат-
чиков фаз движений (концевых или фотоэлементных) и управляе-
мых ими электромиллисекундомеров (ЭМС);
– фотофиниш – устройство определения порядка и времени
финиширования в спорных случаях.
Скорость может измеряться двумя видами устройств, названия
которых произошли от слова SPEED (скорость).
Спидограф – устройство записи мгновенного значения скоро-
сти, которое основывается либо на механическом принципе,
либо на эффекте Доплера. В последнем случае скорость объекта
определяется по изменению частоты прямой и отраженной
волн.
Спидометр – это измеритель скорости, который в обязательном
порядке состоит из датчиков движения – концевого, индуктивного
или емкостного и счетчика импульсов вращения (стрелочного или
цифрового).
Измерение ускорений основано на применении датчиков-аксе-
лерометров на индуктивных, пьезо- или тензоэффектах.
Все три характеристики качества быстроты могут быть оце-
нены также светорегистрирующими и индуктивными системами,
которые позволяют рассчитать пространственно-временные
характеристики по двум параметрам: времени и перемещения.
Системы светорегистрации позволяют получить зрительную
информацию о спортсмене и используют кино-, стробо-, цикло-
или видеометоды.
Индуктивные системы, или индуктивные каналы связи, пред-
полагают использование петлевых антенн, укладываемых под
покрытием спортивного сооружения. Такие системы позволяют
в любой момент времени точно локализовать положение спортс-
мена, снабженного микропередатчиком.

126
Сила.
Силовые качества – это способность преодолевать внешнее
сопротивление или противодействовать ему посредством мышеч-
ных усилий. От развития силовых качеств зависит уровень спор-
тивных достижений практически во всех видах спорта, и поэтому
методам контроля и совершенствования силовых качеств уделя-
ется значительное внимание. Силовые качества являются слож-
ным проявлением физических способностей человека, которые
зависят от многих факторов: силы сокращения одиночных мышц,
времени сокращения, синхронности и координации работы
отдельных групп мышц, техники выполнения двигательного дей-
ствия. Далее по тексту рассматривается сила, проявляемая
одиночной группой мышц, как ведущий показатель силовых
способностей человека. Силовые показатели, развиваемые
мышцей, оценивают рядом параметров, которые делятся на основ-
ные, интегральные и дифференциальные (рис. 2.19).

Силовые показатели

Основные Интегральные Дифференциальные

мгновенное импульс силы градиент силы


дискретное
значение

среднее значение

Рис. 2.19. Параметры силовых показателей

К основным относятся два параметра: мгновенное дискретное


значение силы и ее среднее значение; к интегральным – импульс
силы, а к дифференциальным – градиент силы.
Мгновенное дискретное значение – это такое значение силы,
которое она принимает в каждый момент времени. В частности,

127
этот показатель в определенный момент времени покажет макси-
мальное значение силы (Fmax).
Величина Fmax весьма наглядна и измеряется достаточно про-
сто, например, обычным механическим динамометром, но в боль-
шинстве спортивных и особенно в быстрых движениях плохо
характеризует конечный результат. Например, коэффициент кор-
реляции Fmax отталкивания и высоты (h) при выполнении прыжка
с места близок к нулю. Это связано с тем, что эффективность боль-
шинства спортивных движений определяется не максимальным
значением силы, а интегральным показателем – импульсом силы
(интеграл от силы по времени ее действия).
Импульс силы определяется изменением количества движения
тела и зависит от силы и времени ее действия:

tкон
∆mV = mVкон – mVнач = ∫t F(t)dt ,
нач

2
V 1
h= = ( F(t)dt)2 ,

2g 2gm2
1
= const, то h ~ ( F(t)dt) .
2
2gm2 ∫

Графический интеграл ∫ F(t)dt представляется площадью под


кривой F(t).
На рисунке 2.20 представлены два варианта развития силы
отталкивания, причем импульс силы в обоих случаях одинаковый,
то есть площади S под кривыми F1(t) и F2(t) равны. В случае иде-
альной механической системы из равенства площадей, то есть
импульсов силы, следует, что высота обоих прыжков должна быть
одинакова.
Для реальной, живой системы этот закон нарушается, и эффек-
тивность, а соответственно и высота прыжка, для первого случая –
короткого по времени t1 «взрывного» отталкивания – много выше,
чем при медленном «давящем» усилии во втором случае с боль-
шим временем t2 . В последнем варианте энергия будет очень

128
F
F1(t) F1 max > F2 max
t1 < t2
F1 max
F2(t)

F2 max

t1 t
t2

Рис. 2.20. Кривые мгновенных значений силы отталкивания

быстро рассеиваться (диссипировать), что приведет к резкому


снижению высоты прыжка.
Таким образом, для оценки эффективности живой системы,
где работают мышцы, необходим специальный подход, отличный
от классической механической системы. Наука, которая изучает
движение живых систем, называется биомеханикой.
Понятие «импульс силы» особенно часто используют при
контроле за ударными движениями.
Среднее значение силы – это условный показатель, равный
частному от деления импульса силы на время ее действия t (это
высота условного прямоугольника с площадью S и основанием,
равным t):
S .
Fcp =
t
Дифференциальные показатели силы получаются в результате
дифференцирования:
dF(t)
G= .
dt

129
Градиент силы G показывает быстроту изменения мгновенного
значения силы. Эти показатели, так же как и интегральные, поз-
воляют объяснить различную эффективность и результативность
выступлений спортсменов с одинаковым уровнем развития мак-
симальной силы Fmax .
Оценка силовых показателей может быть осуществлена различ-
ными способами (рис. 2.21). Простейший из них – способ «без
измерительных систем». В этом случае оценка делается по
наибольшему весу, который спортсмен может поднять или удер-
жать рекомендуемым способом.
Прямой метод позволяет определить мгновенное значение
силы в любой момент времени в стационарных, заранее установ-
ленных условиях либо механическими, либо электронными систе-
мами.

Оценка силовых показателей

Без измерительных Прямой метод Косвеннный метод


систем

подъем механические измерение ускорений


или удержание веса динамометры

электронные
динамометры

тензодатчики

Рис. 2.21. Способы оценки силовых показателей

Измерение силы в этом методе может производиться механи-


ческими динамометрами (кистевым, становым и тому подоб-
ными), основной силовоспринимающей деталью которых является

130
пружина, либо электронной системой с использованием тензо-
или пьезодатчиков.
Косвенный или расчетный метод определения результирующей
силы базируется на втором законе Ньютона:
F = ma.
Важное замечание. Все физические качества, и в частности
быстрота и сила, теснейшим образом взаимосвязаны, поэтому
вводят понятие скоростно-силовых способностей. Для оценки их
используются разнообразные тесты, такие как прыжок в высоту
или длину, метание набивных мячей, толкание ядер и так далее.
В этих случаях результат теста зависит от двух названных качеств,
а самое главное – от степени координированности их проявления,
чем и определяется уровень спортивного мастерства. В тестах
с метаниями, очевидно, что при значительном весе снаряда
результат характеризует в основном силовые качества, при сред-
них отягощениях – скоростно-силовые, при малом весе – быстроту.
Очевидно, что сила и скорость будут находиться в обратно-
пропорциональной зависимости: чем выше скорость, тем меньше
проявленная сила, и наоборот. Более точно связь «сила – скорость»
описывается уравнением Хилла.
Выносливость.
Выносливость – это способность совершать работу заданной
интенсивности в течение максимального времени или способ-
ность противостоять утомлению. Упражнений для развития
выносливости, используемых в практике спорта, множество, и они
разнохарактерны. Поэтому вводят понятия различных видов
выносливости: общей, специальной, скоростной, силовой, коор-
динационной и тому подобной.
Выносливость измеряют с помощью двух групп тестов: специ-
фических и неспецифических. Специфическими считаются тесты,
структура выполнения которых близка к соревновательной.
При оценке выносливости необходимо учитывать ряд моментов:
За критерий выносливости следует принимать запас энерго-
обеспечения или его емкость. Выносливость определяется не
только емкостью или запасом энергообеспечения, но и технико-

131
тактическим мастерством спортсмена. Поэтому для сравнения
выносливости спортсменов разной квалификации необходимы
достаточно простые тесты, не требующие высокого уровня
мастерства и навыков.
Выносливость теснейшим образом связана с волевыми каче-
ствами спортсмена, поэтому в ней наиболее ярко проявляется
индивидуальный субъективный фактор.
Гибкость.
Гибкость – это способность выполнять суставные движения
с большой амплитудой, которая зависит от совокупной подвиж-
ности основных суставов тела. Оценка уровня развития гибкости
основана на измерении амплитуды движений. Любые движения
человека являются производными от простых вращательных
движений в суставах тела, поэтому гибкость часто измеряют
в угловых единицах – градусах или радианах.
Различают активную и пассивную гибкость. Активная гибкость
характеризуется способностью выполнять движение с большой
амплитудой за счет активности собственных мышц.
Пассивная – определяется по наибольшей амплитуде, которая
может быть достигнута за счет внешней силы. Величину пассив-
ной гибкости определяют в момент появления болевых ощущений,
что связано с чисто субъективным восприятием и мотивационными
процессами. Разница между активной и пассивной гибкостью
называется дефицитом активной гибкости – ДАГ. Он является
достаточно информативным показателем состояния мышечного
аппарата спортсмена.
На рисунке 2.22 представлена схема способов оценки качества
гибкости.
Оптические или бесконтактные способы оценки гибкости
предполагают традиционное измерение углов с помощью транс-
портира по фото-, кино-, видео- или рентгенографическим мате-
риалам съемки.
Гониометрические, или контактные, методы предполагают
использование либо механических гониометров с измерением
углов транспортиром, либо электрических, оснащенных угломер-
ными датчиками различной конструкции. В электронных системах

132
Оценка гибкости

Безконтактные – оптические Контактные – гониометры

фото механические электрические

кино транспортиры датчики

видео резистивные

рентгенографические
ф емкостные

Рис. 2.22. Схема способов оценки гибкости

чаще всего непрерывно регистрируется мгновенное значение угла,


что позволяет оценивать угловые пространственно-временные ´
характеристики.
Координация.
Координация – это сложное двигательное качество, заключаю-
щееся в быстром освоении новых движений, а также в перестройке
двигательной деятельности в соответствии с обстановкой. Ранее
это двигательное качество называлось ловкостью.
Высокий уровень развития координационных способностей
предполагает умение:
– выполнять сложнокоординированные движения;
– выполнять сложнокоординационные движения биомеханиче-
ски точно, приближаясь к эталонному исполнению с высокой
повторяемостью;
– быстро обучаться высокоточным движениям;
– быстро адаптироваться и перестраивать двигательную
деятельность в соответствии с меняющимися внешними факто-
рами.

133
Координационные способности основаны на двигательных
качествах, проявления которых многообразны, поэтому измери-
телей последних много; некоторые из них дублируют оценку
других физических качеств человека. Наиболее тесно тесты на
проявление координации совпадают с показателями координа-
ционных и точностных механизмов, связанных с быстротой про-
явления сложной двигательной реакции и тактического мышле-
ния.
Примерами тестов на координацию может служить стабилогра-
фическая методика, позволяющая оценить и тренировать функцию
равновесия, а также методика треморометрии, оценивающая
микроколебания верхних конечностей.
Координационные способности можно трактовать как времен-
ную точность, целевую точность (координацию), а также ситуа-
ционную адаптируемость.
ГЛАВА 3.
АНАЛИЗ И ОБРАБОТКА
РЕЗУЛЬТАТОВ ПЕДАГОГИЧЕСКИХ
ИЗМЕРЕНИЙ

3.1. ПОГРЕШНОСТИ ИЗМЕРЕНИЙ

В экспериментальных исследованиях абсолютно точное коли-


чественное значение измеряемой величины невозможно получить
без погрешностей. По способу определения они подразделяются
на абсолютные и относительные, а по происхождению – на систе-
матические и случайные, а также грубые погрешности (выбросы).
Абсолютная погрешность – это разность результата измере-
ния Xi и истинного значения измеряемой величины Xист:
∆X = Xi – Xист.
Абсолютная погрешность выражается в тех же единицах, что
и измеряемая величина. За истинное значение обычно принимают
результат, полученный с помощью более точного метода.
Относительная погрешность важна сама по себе при изме-
рениях, но особенно часто используется в комплексных исследо-
ваниях методами различных наук (например, в комплексном
контроле подготовленности спортсменов, когда измеряются пока-
затели разной размерности: εотн = (∆X /Xi) × 100%).
∆ /X
Определение относительной погрешности необходимо для
оценки возможности использования данной методики в исследо-
вании конкретного движения (например, ошибка не должна
превышать ±5% измеряемой величины).
Систематические погрешности – это погрешности, значение
которых остается неизменным (или меняется известным образом,
например, по определенному тренду) от измерения к измерению.
Следовательно, они могут быть исключены из окончательного

135
результата, если их величина рассчитана путем предварительной
тарировки аппаратуры перед каждым экспериментом. Различают
четыре группы систематических ошибок:
1) причина возникновения известна, и величина может быть
определена достаточно точно (температурная или метрическая
погрешность);
2) причина возникновения известна, а величина – нет. Эти
ошибки зависят от класса измерительной аппаратуры и колеб-
лются внутри предельной допустимой величины. Класс точности
прибора (1,0; 2,0 и т.д.) означает относительную погрешность
измерений в процентах;
3) происхождение и величина ошибки неизвестны. Такие
ошибки проявляются в сложных измерениях, когда не удается
учесть все источники возможных погрешностей;
4) ошибки, связанные со свойствами объекта измерения. Систе-
матический контроль за спортсменами позволяет определить меру
их стабильности и учитывать возможную индивидуальную вариа-
тивность, влияющую на диапазон погрешности измерений. Это
необходимо для выделения значимых сдвигов (например, связан-
ных с прогрессированием спортсмена в упражнении его специа-
лизации) из общей погрешности измерения и расчета значимых
показателей его двигательных действий.
Для устранения систематических погрешностей используют
два способа:
а) тарировку аппаратуры – проверку показаний приборов
с использованием эталонов во всем диапазоне возможных значе-
ний измеряемой величины;
б) калибровку – определение погрешностей и величины по-
правок.
Случайные погрешности вызываются не контролируемыми,
изменяющимися от опыта к опыту причинами. Проявляются при
одновременном действии очень большого числа не зависимых
друг от друга причин, каждая из которых оказывает малое влияние
на результат измерения, но в совокупности эти причины дают
заметный эффект. Случайная погрешность по своей природе не
может быть учтена и скомпенсирована в процессе эксперимента.

136
Грубые погрешности (выбросы) по характеру существенно отли-
чаются от случайных, которые возникают при исправной аппара-
туре и правильных действиях экспериментатора. Причиной же воз-
никновения выбросов становятся неисправности и (или) ошибки
в работе. Грубые погрешности обнаруживаются по резкому выпаде-
нию результата из общего ряда полученных чисел, что, как правило,
находится в резком противоречии с физической картиной явления.
В общую погрешность получения первичных данных вносят
свои погрешности и расчеты тех или иных характеристик. Под-
ставляя первичные данные, уже имеющие погрешности измере-
ний в какие-либо формулы, мы тем самым увеличиваем общую
погрешность, так как ошибки данных при формульных расчетах,
как правило, суммируются.

3.2. ПЕРВИЧНАЯ ОБРАБОТКА


ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

Под первичной обработкой экспериментальных данных пони-


маются все мероприятия, которые уменьшают влияние погрешно-
стей измерений и расчетов, накопленных в ходе получения данных,
на последующий расчет необходимых характеристик. Если по ним
сразу численными методами вычислять производные (например,
находить значения скоростей и ускорений), то это приведет к боль-
шим погрешностям в расчетных характеристиках. Поэтому первич-
ные массивы данных необходимо подвергнуть предварительной
обработке. Для этого могут применяться следующие методы
и комбинации: фильтрация высокочастотного шума; фильтрация
длиннопериодных трендов (систематических погрешностей);
аппроксимация аналитическим выражением; коррекция парамет-
ров посредством визуальной оценки (Н.Г. Сучилин, В.С. Савельев,
Г.И. Попов, 2000).
Поскольку обработка аналогового сигнала зачастую произво-
дится в цифровой форме, необходимо провести дискретизацию

137
исходного сигнала. Сделать это можно, опираясь на теорему
Котельникова.
Теорема Котельникова. Любой непрерывный (аналоговый)
сигнал, ограниченный по спектру верхней частотой F, полностью
определяется последовательностью своих дискретных отсчетов,
взятых через промежуток времени Тд < 1/(2F), где F – верхняя
частота спектра сигнала.
Такая дискретизация исходного аналогового сигнала называ-
ется аналого-цифровым преобразованием.
Даже если вы не имеете никакого отношения к обработке сигна-
лов, то, может быть, вам знакома фраза «CD quality 44100 Hz»,
часто приводимая на компакт-дисках. Имеется в виду, что звук
хранится на них в виде дискретных отсчетов, по 44 100 шт./с.
А это, согласно названной теореме, означает, что «на CD можно
идеально записать звук с частотой до 22 050 Гц, поскольку слы-
шимый человеком диапазон укладывается в эти рамки.
Фильтрация высокочастотного шума. Высокочастотный
шум связан в основном со случайными погрешностями измере-
ния. Для фильтрации подобного шума применяются различные
операции сглаживания: сплайн-функция, скользящее среднее,
скользящий полином, фильтр Баттерворта-4 и более высоких
порядков.
Операция сглаживания, как и любая цифровая фильтрация,
отсеивает только определенную долю погрешностей временного
ряда, поэтому выбор операции сглаживания в каждом конкретном
случае – это удачное решение, зависящее от априорных знаний
об исследуемом процессе и фильтрующих свойствах операций
сглаживания.
В настоящее время не существует универсальной процедуры
сглаживания, проблематичен и резкий прогресс в этой области,
поскольку для оптимального выбора этой операции априорная
информация об изучаемом процессе, как правило, мала. Реальный
путь состоит в установлении частотного диапазона исследуемого
временного ряда (спектральной оценкой данных), оценке спек-
тральных характеристик сглаживающих процедур и подборе уста-
новленной на основе совмещения этих данных подходящей

138
по спектральным показателям операции сглаживания. К недостат-
кам таких процедур относится возрастание ошибки сглаживания
´ ряда.
на концах временного
Фильтрация длиннопериодных трендов (систематических
погрешностей). Применяется для устранения как систематиче-
ских погрешностей, так и длиннопериодных статистических
составляющих временного ´ ряда. Трудность здесь состоит в том,
чтобы найти систематическую погрешность в форме аналитиче-
ского выражения, что требует тщательного анализа возникновения
и регистрации изучаемого сигнала. Возможным решением указан-
ной проблемы может быть применение при сглаживании, напри-
мер, полиномов более высоких степеней, которые считаются по
большему количеству точек временного´ ряда. Например, сглажи-
вание исходных координат кубическим полиномом из четырех
членов по семи точкам.
Аппроксимация аналитическим выражением. Ее целесооб-
разно применять для повышения точности вычисления дифферен-
циалов любого порядка по первичным данным, т.е. для получения
производных изучаемого процесса. Такие производные зачастую
лучше характеризуют при кинематическом анализе скорость
и ускорение данной точки в пространстве, чем полученные чис-
ленными методами, так как в этом случае учитывается вся инфор-
мация о ходе процесса и уменьшается влияние локальных
(во времени) случайных погрешностей. Еще одно преимущество
способа аппроксимации состоит в том, что возможно вычисление
значения координат скорости и ускорения для любых значений
времени (интерполяция), а трудность – в нахождении аналитиче-
ского выражения. Здесь должна учитываться вся информация
о природе изучаемого процесса (законы механики, физиологиче-
ские данные, биологические закономерности и тенденции).
В качестве аналитического выражения часто берется определен-
ный тип функции с несколькими свободными параметрами, кото-
рые затем определяют по исходным данным методом наименьших
квадратов. Для повышения точности вычислений параметров
аналитического выражения рекомендуется предварительно про-
´ ряда исходных данных.
вести сглаживание временного

139
Коррекция параметров посредством визуальных оценок.
Применяется в практике, но предполагает достаточную опытность
и хорошее знание процесса, характера влияющих систематических
и случайных погрешностей. Рассматриваемая процедура носит
название анализ выпадающих данных. Выпадающие значения
(«выбросы») – крайние значения признаков, не характерные для
данной выборки, слишком большие или слишком малые по вели-
чине. Они могут искажать распределение исходных данных и ока-
зывать непропорционально большой эффект на результаты всех
типов статистического анализа.
Возможные причины возникновения выпадающих значений:
а) ошибка при получении данных (артефакт);
б) ошибка при подготовке данных (опечатка);
в) аномальное значение признака.
Первые две ошибки могут быть обнаружены на этапе получе-
ния описательных статистик (например, при вычислении мини-
мальных и максимальных значений признака). В последнем же
случае от исследователя требуется особое внимание.
Известно, что при нормальном распределении признака 99,7%
наблюдений (объектов исследования) располагаются внутри интер-
вала с границами М±3σ (М ( – среднее арифметическое анализиру-
емой выборки, σ – среднее квадратическое отклонение, оцененное
по этой же выборке). Считается, что на основании правила трех
сигм из анализа можно исключать элемент выборки объекта иссле-
дования, если значение признака не укладывается в интервал М±3σ
(причем М и σ рассчитываются без учета резко отклоняющегося
значения признака), и в дальнейшем анализировать данные без него.
Таким образом, на этапе численных операций с исходными дан-
ными решаются задачи повышения достоверности расчета, необхо-
димые для дальнейшего обобщения и теоретического осмысления
характеристик изучаемого процесса за счет специальных алгорит-
мов обработки, что требует некоторых априорных сведений о нем.
Отсюда следует, что уже на уровне постановки задачи должен быть
проведен предварительный анализ по крайней мере на экстремумы
характеристик и частотные диапазоны (анализ литературы, анало-
гии, предварительные пробные измерения).

140
3.3. ЭТАПЫ ПЕДАГОГИЧЕСКОГО
ЭКСПЕРИМЕНТА И СТАТИСТИЧЕСКАЯ
ОБРАБОТКА ЕГО РЕЗУЛЬТАТОВ

Различают два этапа педагогического эксперимента: констати-


рующий и обучающий (формирующий). Обучающий этап чаше
встречается в дидактических исследованиях. В исследованиях,
связанных с формированием определенных личностных качеств,
как правило, используют термин «формирующий».
Констатирующий этап имеет целью выявление состояния
изучаемого свойства в момент проведения эксперимента.
Планирование констатирующего этапа педагогического экспе-
римента включает:
а) составление генеральной совокупности;
б) составление выборки при выборочном исследовании.
Состав генеральной совокупности определяют цели экспери-
мента. Это может быть класс, множество классов одной параллели
в школе, в районе, в городе и т.д. Если генеральная совокупность
небольшая, обычно выборка не составляется, обследуются все
члены генеральной совокупности и результаты эксперимента
носят абсолютный характер. Если же объем генеральной совокуп-
ности большой, то проводят обычно выборочное исследование,
в связи с чем возникает проблема составления выборки. Основ-
ным требованием к выборке является ее репрезентативность,
то есть адекватное количественное и качественное представитель-
ство генеральной совокупности. Требование репрезентативности
приводит к решению проблемы объема и состава выборки. Объем
выборки n зависит от объема генеральной совокупности, веро-
ятности изучаемого события р, принятого уровня значимости α.
При достаточно большом объеме генеральной совокупности
(порядка тысяч), объем выборки определяется исходя из допуще-
ния бесконечности объема. Если до начала эксперимента неиз-
вестна вероятность изучаемого события р, то предполагают,
что р=0,5, что соответствует максимальному объему выборки.
Составлены специальные таблицы n (р, α) для различных значений

141
р и α (и бесконечного объема). Приводим некоторые из них:
n (0,5; 0,05) = 384; n (0,5; 0,01) = 9600; n (0,9; 0,05) = 138;
n (0,9; 0,01) = 3456.
В большинстве педагогических исследований достаточным
считается уровень значимости α=0,05, кроме того, значение веро-
ятности p до эксперимента обычно неизвестно. Поэтому объем
выборки должен быть n=384. Решение вопроса составления
выборки связано с проблемой обеспечения качественного пред-
ставительства генеральной совокупности существующих спосо-
бов составления выборки. Рассмотрим отбор методом случайных
чисел. После определения объема генеральной совокупности члену
совокупности присваивается в произвольном порядке натуральное
число, начиная с нуля (можно с любого другого). Затем берется
таблица случайных чисел, представляющая собой последователь-
ность случайных цифр и мысленно эта последовательность раз-
бивается на группы по m цифр в каждой, где m – значимость
последнего номера генеральной совокупности. Из таблицы выпи-
сываем необходимое число m-ок. При этом следует иметь в виду,
что если рассматриваемая m-ка как число превосходит последний
номер генеральной совокупности, то ее не выписывают. Объекты
с выбранными номерами составляют выборку.

Пример 3.1. Пусть генеральную совокупность составляет множе-


ство всех учащихся всех седьмых классов всех школ города (в дан-
ном учебном году). Составление выборки из 400 учащихся практиче-
ски можно осуществить так. Составляем список всех седьмых клас-
сов с указанием количества учащихся в них по форме таблицы 3.1.
Учащимся из класса, стоящего в таблице первым, присваиваем
номера с 1 по 35 согласно их списку в журнале, следующий класс
продолжает эту нумерацию и т.д. В таблице 3.1 последний номер
есть 3041. Обращаемся теперь к таблице 3.2 случайных чисел
и, просматривая ее группами по 4 цифры в каждой (т.к. последний
номер учащегося – четырехзначный), выписываем нужные номера.
Первая четверка 5427 не подходит, так как 5427>3041. Не под-
ходят и следующие: 3903; 9423; 5125; 5197; 5750; 5146. Четверка
0651 подходит и ее выписываем в соответствующем месте пред-

142
последнего столбца таблицы 3.1. Выписывание проводим до тех
пор, пока не получим требуемое количество четверок. Теперь по
выбранной четверке определяем номер учащегося по журналу: для
этого из данной четверки вычитаем последний номер предшест-
вующего класса. Например, для четверки 0051 (в таблице записано
только 51) получим: 51 – 37 = 14; для 651 имеем: 651 – 638 = 13;
для 3026: 3026 – 3004 = 22. Учащиеся с полученными номерами
по журналу и составляют выборку.

Таблица 3.1
Составление списка выборки
Номера Номера
Номера
Кол-во учащихся учащихся,
Школа № Класс учащихся
учащихся данного попавших
по журналу
класса в выборку
1
2
… … … … … …

… … … … … …
35 А 39 2933–2971 2963 31
Б 33 2972–3004 2972, 2981 1, 10
В 36 3005–3041 3032, 3026 28, 22

Таблица 3.2
Равномерно распределенные случайные числа
5427390394 2351255197 5750514606 5106469042 9900418255 96136622132
3814804469 2151117350 1775825004 2170227568 2815624942 2193317021
2911699970 0790460925 4770616737 4333467496 8960312870 8132453126
4018076690 9569285746 6034889749 2896188511 9634482089 5731070405
8433934641 9787591903 6868644099 9158390994 6138132681 7289169191

3727501022 1723234799 3082163196 7285586422 7459273974 2745379322


2784603939 1070785775 7533162379 1653033748 2394049667 9742648171
1331188150 8037818001 7733642760 9899962378 4538596535 2079398270
0667253799 3924331778 4983604541 3326372203 5192179759 1055629541
2092800545 0030326608 0583047696 3232263416 5655444250 ….

143
На этом этапе планирование эксперимента не заканчивается,
нужно еще разработать экспериментальные материалы. Содержа-
ние экспериментальных материалов зависит от целей исследова-
ния. Форма определяется, в основном, методами обработки. Чаще
всего используется тестовая форма. Например, задания теста
состоят из отдельных пунктов, на каждый из которых предпола-
гается ответ альтернативного типа «да – нет». Оценкой задания q
является число правильно указанных пунктов, причем пункт
считается указанным правильно, если он присутствует в ответе
испытуемого тогда и только тогда, когда присутствует в ответе-
эталоне.

Пример 3.2. Пусть имеется некоторое тестовое задание, в кото-


ром необходимо указать номера верных ответов из пяти вариантов:
1. а;
2. б;
3. в;
4. г;
5. д.
Получен ответ: 124. Ответ-эталон: 45. Оценка q определяется
так: пункты 1 и 2 указаны неправильно, так как присутствуют
в ответе и отсутствуют в ответе-эталоне; пункт 3 указан правиль-
но, так как отсутствует и в ответе, и в ответе-эталоне; пункт 4
указан правильно, так как присутствует и в ответе, и в ответе-
эталоне; пункт 5 указан неправильно, так как отсутствует в ответе,
но присутствует в ответе-эталоне. Таким образом, ответ 124 на
данное задание при данном эталоне получает оценку q = 2. Суще-
ствуют и другие формы проверочных работ, но в любом случае
необходимо предусматривать важность объективной количествен-
ной оценки результатов.
Проведение констатирующего этапа эксперимента заключается
в организации самостоятельного выполнения учащимися прове-
рочной работы.
Обучающий (формирующий) этап педагогического экспери-
мента имеет целью выяснение влияния определенного фактора на
некоторый процесс, явление, свойство; например, целью может

144
быть сравнение методов обучения либо двух систем (методик)
формирования того или иного личностного качества.
При планировании обучающего (формирующего) этапа педа-
гогического эксперимента необходимо решить комплекс задач:
сделать выбор параллельных групп испытуемых – контрольной
и экспериментальной; обе группы должны быть, по возможности,
сходными между собой; эта сходность определяется констатирую-
щим этапом эксперимента; необходимо компенсировать факторы,
связанные с особенностями того или иного учителя, школы;
разработать критерии объективной оценки результатов и некото-
рые другие.
Проведение обучающего (формирующего) этапа эксперимента
состоит в реализации воздействия изучаемого фактора и в измере-
нии полученных изменений.

Статистикой называется раздел прикладной математики, в кото-


ром изучаются методы сбора, обработки и анализа эксперимен-
тальных данных для получения научных и практических выводов.
Первая задача математической статистики – указать способы
сбора и группировки статистических сведений, полученных
в результате наблюдений или специально поставленных опытов.
Вторая задача математической статистики – предложить
методы анализа статистических данных в зависимости от целей
исследования. Сюда относятся: оценка вероятности события;
оценка неизвестной функции распределения, оценка параметров
распределения; проверка статистических гипотез о виде распре-
деления или значениях неизвестных параметров.
Современную математическую статистику определяют как
науку о принятии решений в условиях неопределенности.
Предметом исследования в математической статистике явля-
ется совокупность объектов, объединенных некоторыми призна-
ками. Признаки объектов, которые мы используем для их объеди-
нения в различные классы и группы, называются классифици-
рующими. Например, совокупность объектов «мальчики 10 лет»
сформирована на основании трех классифицирующих признаков:
пол, возраст, место проживания.

145
Целью статистического исследования является изучение варь-
ирующих признаков объектов, то есть таких, которые меняются
от объекта к объекту. Например, если проводится изучение физи-
ческой подготовленности мальчиков 10 лет г. Смоленска, то варь-
ирующими признаками будут результаты контрольных упражне-
ний, показанные испытуемыми.
Одни и те же признаки, в зависимости от решаемой задачи,
могут играть роль классифицирующих или варьирующих; их
можно использовать либо для формирования совокупности объ-
ектов, либо для анализа свойств уже сформированной совокупно-
сти. Например, спортивная квалификация может быть классифи-
цирующим признаком при формировании совокупностей спортс-
менов; а может быть варьирующим при изучении спортивной
квалификации студентов института физической культуры.
Признаки объектов и их совокупностей могут быть каче-
ственными (спортивная квалификация, пол) или количествен-
ными (результат в контрольном упражнении, занятое место на
соревнованиях). По типу измеряемой величины признаки могут
быть дискретными (количество тренировок, количество забитых
мячей) и непрерывными (результат в беге, прыжке). На практике
признакам придают дискретный вид, выбрав для этого наимень-
шую единицу измерения. Например, 0,01 с – для бега на 30 м;
0,1 с – для бега на 100 м, 1 см – для прыжка в длину. В статисти-
ческих вычислениях мы используем только дискретные вели-
чины.

Выборочный метод статистических исследований

Совокупность из всех объектов, объединенных классифици-


рующими признаками, называется генеральной совокупностью
объектов.
Задачей исследования является изучение варьирующих призна-
ков объектов генеральной совокупности. Для решения этой задачи
проводят эксперимент (измерение, тестирование, анкетирование),
в результате которого получают характеристику интересующего

146
признака, то есть значение случайной величины (антропометри-
ческие показатели, результаты тестирования). Если в ходе экспе-
римента была обследована вся генеральная совокупность
объектов, то такое обследование называют сплошным.
В результате сплошного обследования получают ряд значений
признака, который образует генеральную статистическую сово-
купность или просто генеральную совокупность.
Совокупность объектов состоит из изучаемых элементов,
а статистическая совокупность состоит из чисел – значений при-
знаков совокупности объектов. Так, совокупность всех спортсме-
нов, принявших участие в чемпионате Европы по фигурному ката-
нию – генеральная совокупность объектов; совокупность чисел,
состоящая из полученных оценок, – статистическая генеральная
совокупность.
Сплошное обследование дает объективную характеристику
генеральной совокупности объектов. Однако обследование всей
генеральной совокупности объектов – процесс трудоемкий, а ино-
гда – невозможный, поэтому на практике применяют выборочный
метод исследований.
Выборочный метод заключается в том, что из генеральной
совокупности объектов извлекается некоторая часть объектов для
непосредственного изучения. Эти объекты образуют выборочную
совокупность объектов. Числовые значения, характеризующие
изучаемый признак выборочной совокупности объектов, состав-
ляют выборочную статистическую совокупность или просто вы-
борочную совокупность.
Количество объектов генеральной и выборочной совокупно-
стей называется их объемом. Допустим, из 1000 студентов инсти-
тута физической культуры отобрано для обследования 50 студен-
тов. Тогда объем генеральной совокупности объектов N = 1000;
объем выборочной совокупности объектов n = 50.
Понятие генеральной совокупности в определенном смысле
аналогично понятию случайной величины, так как полностью
обусловлено определенным комплексом условий. Выборочную
совокупность можно рассматривать как эмпирический аналог
генеральной совокупности.

147
Исследователь изучает и анализирует выборочную совокуп-
ность и на основании полученных показателей делает выводы
о параметрах генеральной совокупности. Таким образом, сущ-
ность выборочного метода состоит в том, чтобы по некоторой
части генеральной совокупности выносить суждение о ее свой-
ствах в целом. При этом желательно, чтобы выделенная часть
генеральной совокупности обладала достаточно большим объе-
мом.
Формирование и изучение выборочной совокупности имеет
смысл только в том случае, если она объективно отражает свой-
ства генеральной совокупности с точки зрения структуры и вели-
чины интересующего нас варьирующего признака. В этом случае
говорят, что выборка является репрезентативной.
В силу закона больших чисел можно утверждать, что выборка
будет репрезентативной, если ее осуществлять случайно. Счита-
ется, что каждый объект выборки отобран случайно из генераль-
ной совокупности, если все объекты имеют одинаковую вероят-
ность попасть в выборку.
Вторым важным параметром, обеспечивающим репрезентатив-
ность выборки объектов, является ее объем. Чем меньше объем
выборки объектов, тем в меньшей степени она представляет гене-
ральную совокупность объектов. Это всегда нужно иметь в виду
и стараться объем выборки объектов оптимизировать по двум пара-
метрам: трудоемкости обследования и обработки данных, а также
достоверности интересующих нас свойств генеральной совокуп-
ности объектов.
Таким образом, сформировав из генеральной совокупности
объектов соответствующую ей по структуре рассматриваемых
признаков выборочную совокупность объектов, мы делаем очень
важное, принципиальное допущение: считаем, что структура
полученной выборочной совокупности соответствует структуре
той совокупности, которую мы могли бы получить, если бы про-
вели сплошное обследование.

Статистическое распределение выборки. Допустим, из гене-


ральной совокупности объектов извлечена выборочная совокуп-

148
ность объектов объемом n, измерена некоторая величина x,
в результате чего получен ряд значений – х1, х2, . . . хn.
Этот ряд называется простым статистическим рядом. Отдель-
ные значения статистического ряда называются вариантами.
Если варианта x появилась m раз, то число т называют частотой,
а ее отношение к объему выборки m/n – относительной часто-
той.
Статистическим распределением выборки называют пере-
чень вариант и соответствующих им частот или относительных
частот.
Подчеркнем, что в теории вероятностей под распределением
понимают соответствие между значениями случайной величины
и их вероятностями, а в статистике – соответствие между наблю-
даемыми вариантами и их частотами или относительными
частотами. Статистическое распределение выборки обычно пред-
ставляют в виде вариационных рядов и их графических изобра-
жений.
Группировка данных при помощи безинтервального вариа-
ционного ряда. В том случае, если анализируется выборка не-
большого объема и в ней встречается большое количество одина-
ковых значений, статистическое распределение выборки записы-
вают в виде безинтервального вариационного ряда.
Безинтервальным вариационным рядом называется таблица,
в первой строке (столбце) которой записаны упорядоченные значе-
ния вариант, встречающиеся в выборке, а во второй – соответ-
ствующие им частоты или относительные частоты.

Пример 3.3. Рассмотрим экспериментальные данные, получен-


ные при взвешивании десяти девочек 6 лет: 24 22 23 28 24 23 25
27 25 25.
Указанные значения, записанные по мере их поступления,
образуют простой статистический ряд.
Последовательность вариант, записанная в возрастающем
(убывающем) порядке, называется ранжированным рядом.

Ранжированный ряд: 22 23 23 24 24 25 25 25 27 28

149
Безынтервальный вариационный ряд:
x 22 23 24 25 27 28
m 1 2 2 3 1 1

x 22 23 24 25 27 28
x/n 0,1 0,2 0,2 0,3 0,1 0,1

Графическим изображением интервального вариационного


ряда является полигон. Для его построения на оси Ох откладывают
значения вариант, на оси Оу – соответствующие им частоты. Точки
с координатами ((xi ; mi) соединяют отрезками; полученная ломаная
линия называется полигоном частот (рис. 3.1).

m
4

0
22 23 24 25 27 28 х, кг
Рис. 3.1. Полигон частот

Эмпирическим аналогом графика интегральной функции рас-


пределения является полигон накопленных частот или кумулята.
Для ее построения на оси Ох откладывают значения вариант, на
оси Оу – накопленные частоты или накопленные относительные
частоты. Полученная плавная кривая называется полигоном на-
копленных частот или кумулятой.
Накопленной частотой называется число, полученное последо-
вательным суммированием частот в направлении от первого ин-

150
тервала к последнему до того интервала включительно, для кото-
рого определяется накопленная частота.

Пример 3.4. Построить кумуляту для распределения массы


тела девочек 6 лет из примера 3.3.
Для построения кумуляты введем третью строку в безынтер-
вальный вариационный ряд. Внесем в эту строку значения накоп-
ленных частот, отметим на координатной плоскости точки с коор-
динатами (x ( i; miн), соединим их отрезками. Полученная ломаная
называется кумулятой или полигоном накопленных частот
(рис. 3.2).

x 22 23 24 25 27 28
m 1 2 2 3 1 1
mн 1 3 5 8 9 10

mH
12

10

0
22 23 24 25 27 28 х, кг
Рис 3 2 Кумулята

Группировка данных при помощи интервального вариа-


ционного ряда.
Группировку данных проводят в виде интервального вариа-
ционного ряда, если выборка представлена большим количеством

151
значений, располагающихся в широком диапазоне, или в выборке
мало одинаковых вариант.
Интервальным вариационным рядом называется таблица,
в первой строке (столбце) которой записаны интервалы возмож-
ных значений величины, встречающихся в выборке, а во второй –
соответствующие им частоты или относительные частоты.
Для построения интервального вариационного ряда необхо-
димо диапазон варьирования признака разбить на несколько
равных интервалов и указать количество вариант, попавших в каж-
дый интервал.
В первую очередь нужно решить вопрос об оптимальном коли-
честве интервалов. При увеличении количества интервалов
и, следовательно, сужении каждого из них, уменьшается количе-
ство экспериментальных данных, попавших в каждый интервал.
Поскольку выборочные значения случайны, они случайным обра-
зом распределяются по интервалам группировки. Тогда картина
эмпирического распределения будет содержать много случайных
деталей, что мешает установить общие закономерности распреде-
ления. И наоборот, при чрезмерно широких интервалах нельзя
получить детальной картины распределения, и возникает опас-
ность упустить важные закономерности.
Поэтому вопрос о выборе числа и ширины интервалов необхо-
димо решать в каждом конкретном случае, исходя из целей иссле-
дования, объема выборки и степени вариативности признака.
Однако приближенно количество интервалов можно выбрать,
исходя только из объема выборки n. Делается это одним из следу-
ющих способов:
• по формуле Стерджеса:
k = 1 + 3,32 lg n
на основании следующей таблицы:
n 25–40 40–60 60–100 100–200 >200
k 5–6 6–8 7–10 8–12 10–15

152
После того, как выбрано количество интервалов, вычисляют
ширину каждого из них:
xmax – xmin ,
h=
k
где h – …, хmах – …, хmin – …, k – …

Полученный результат округляют в сторону увеличения, чтобы


не уменьшать общий диапазон варьирования признака.
Начало первого интервала выбирают таким образом, чтобы
минимальная варианта выборки попадала примерно в его сере-
дину.
xmin – h .
x0 =
2
Прибавив к этому значению ширину интервала, получают верх-
нюю границу первого и нижнюю границу второго интервалов.
Аналогично находят границы остальных интервалов и подсчиты-
вают количество вариант, попадающих в каждый интервал.
Если какая-либо варианта попадает точно на границу интер-
вала, то ее относят к интервалу с меньшим порядковым номером.
Графическим изображением интервального вариационного
ряда является гистограмма частот или гистограмма относитель-
ных частот.
Гистограммой частот называют ступенчатую фигуру, состоя-
щую из прямоугольников, основаниями которых служат частич-
ные интервалы шириной h, а высоты равны отношению частоты
к ширине интервала m/h. Величина m/h называется плотностью
частоты.
Для построения гистограммы на оси Ох откладывают интер-
валы шириной h, а над ними проводят отрезки, параллельные оси
Ох на расстоянии m/h. Площадь i-го частичного прямоугольника
равна сумме частот i-го интервала; следовательно, площадь гисто-
граммы частот равна сумме всех частот, то есть объему выборки.
Гистограммой относительных частот называют ступенчатую
фигуру, состоящую из прямоугольников, основаниями которых

153
служат частичные интервалы шириной h, а высоты равны отно-
шению относительной частоты к ширине интервала w/h. Величина
w/h называется плотностью относительной частоты.
Гистограмма относительных частот является эмпирическим
аналогом графика дифференциальной функции распределения.

Пример 3.5. Даны результаты, полученные при исследовании


массы тела женщин 40 лет. Сгруппировать данные в виде интер-
вального вариационного ряда, построить гистограмму частот.

62 73 87 77 63 73 74 78 82 90 65 71 72 70 81
80 84 60 69 80 79 75 70 75 66 78 83 74 69 68

В исследовании принимали участие тридцать женщин, в резуль-


тате измерения получены значения от 60 до 90 кг.
Можно заметить, что в выборочной совокупности мало одина-
ковых значений. Кроме того, масса тела у женщин среднего воз-
раста имеет широкий диапазон варьирования. Следовательно,
составление безинтервального вариационного ряда не позволит
выявить характерных особенностей распределения изучаемого
признака. Группировку экспериментальных данных целесооб-
разно провести в виде интервального вариационного ряда.
Для построения интервального вариационного ряда восполь-
зуемся следующим алгоритмом.
1. Исходя из объема выборки, определим количество интерва-
лов k. Как следует из таблицы, при объеме выборки n = 30 рекомен-
дуется выбрать 5–6 интервалов.
Пусть k = 5.
Определим ширину каждого интервала:
xmax – xmin 90 – 60
h= = = 6.
k 5
3. Найдем начало первого интервала:

x0 = xmin – = 60 – 3 = 57.
2

154
3.   
 
        
   6  ,  

     

.
 
 
  
 
     .
   


    
 
 
 . 
   
 
      
,
 
 !!    
  !!     

 : 57+6=63. "    
     

 : 69+6=75 75+6=81 81+6= 87. # 
  


 
      .

ɋɟɪɟɞɢɧɚ
ʋ ɂɧɬɟɪɜɚɥ ɢɧɬɟɪɜɚɥɚ ɉɨɞɫɱɟɬ

1 57–63 60 3 0,5
2 63–69 66 5 0,8
3 69–75 72 10 1,7
4 75–81 78 7 1,2
5 81–87 84 4 0,7
6 87–93 90 1 0,2


      
   87, 
 
  
 

, 
!$

  
, – 90, 

 
 
  

 

 
 


      . %    ,  
,
 
 
      
 
.
&  
 
  

   
$


: 87+6=93.
 
  


 

 
 
 
 , 
            
 
-
    .
'

 
 
  
 
    -
 

. % 



,    

 -

   
    
 
  !-
$     .  


     


155
нужно, имея перед собой первичные данные, по порядку для каж-
дого числа каким-либо значком отмечать, в какой интервал по-
падает это число. Например, число 62 попадает в первый интер-
вал, число 73 – в третий, число 87 – совпадает с верхней границей
пятого и нижней границей шестого интервалов, поэтому относим
это значение в пятый интервал.
После того как все данные исчерпаны, нужно подсчитать коли-
чество условных значков в каждом интервале и записать получив-
шиеся значения в пятый столбец. Числа, показывающие, сколько
раз варианты, относящиеся к каждому интервалу, встречаются
в выборке, называются частотами интервалов.
Для построения гистограммы нам необходимы значения плот-
ности частот. Разместим значения частот на ширину интервала
(в нашем примере на 6) и запишем их в шестой столбец.
Для построения гистограммы отложим на оси Ох интервалы
шириной h=6 и построим на них столбцы высотой m/h (рис. 3.3).

1,5

0,5

0
57 63 69 75 81 87 93 99
Рис. 3.3. Гистограмма

156
3.4. ОБРАБОТКА ДАННЫХ С ПОМОЩЬЮ
КОМПЬЮТЕРНЫХ СТАТИСТИЧЕСКИХ
ПРОГРАММ

Одним из обязательных этапов любого научного исследования


является статистический анализ данных. Продолжительное время
анализ медицинских данных был уделом специалистов, так как
это требовало серьезной предварительной подготовки. С появле-
нием и совершенствованием современных программ обработки
данных статистическая обработка поднялась на новый уровень.
Теперь исследователь может и не иметь математической подго-
товки. Достаточно оперировать статистическими понятиями
и, самое главное, правильно выбрать метод анализа. Все осуще-
ствимо благодаря компьютеру и новейшим программам.
Все программы статистической обработки данных можно раз-
делить на профессиональные, полупрофессиональные (популяр-
ные) и специализированные. Статистические программы отно-
сятся к наукоемкому программному обеспечению, цена их часто
недоступна индивидуальному пользователю. Профессиональные
пакеты имеют большое количество методов анализа, популяр-
ные пакеты – количество функций, достаточное для универсаль-
ного применения. Специализированные же пакеты ориентиро-
ваны на какую-либо узкую область анализа данных. Создатели
программных статистических пакетов заявляют, что их продукт
превосходит аналоги. Отсутствие у большинства исследовате-
лей времени для освоения нескольких программ делает непро-
стым ее выбор.
Самым часто упоминаемым (и используемым) в отечественных
статьях является приложение MS Excel из пакета офисных про-
грамм компании Microsoft – MS Office. Причины этого кроются
в широком распространении этого программного обеспечения,
наличии русскоязычной версии, тесной интеграцией с MS Word
и PowerPoint. Однако, MS Excel – это электронная таблица с доста-
точно мощными математическими возможностями, где некоторые
статистические функции являются просто дополнительными встро-

157
енными формулами. Расчеты, сделанные при ее помощи, не
признаются авторитетными научными журналами. Также в MS
Excel невозможно построить качественные научные графики.
Безусловно, MS Excel хорошо подходит для накопления данных,
промежуточного преобразования, предварительных статистиче-
ских прикидок, для построения некоторых видов диаграмм. Однако
окончательный статистический анализ необходимо делать в про-
граммах, которые специально созданы для этих целей. Существует
макрос-дополнение XLSTAT-Pro (http://www.xlstat.com/) для MS
Excel, которое содержит более 50 статистических функций, вклю-
чая анализ выживаемости, которых в основных случаях доста-
точно для обычного применения. Пробную версию макроса можно
взять на сайте производителя.
В настоящее время распространение получили статистические
пакеты, которые могут быть легко подключены к существующей
информационной системе обработки информации на предприя-
тии. В нашей стране наибольшее распространение получили сле-
дующие статистические пакеты:
− STATISTICA;
− SPSS.
Пакет прикладных программ STATISTICA – универсальная
система анализа данных, разработанная компанией StatSoft,
построенная по модульному принципу, каждый модуль выполняет
определенный набор функций и может быть использован и авто-
номно. Основные возможности пакета:
– реализует широкий набор математических методов (табл. 3.3);
– дает возможность представить графическую интерпретацию
результатов (в графиках типа 2D, 3D, пиктограммах или в разра-
ботанных в собственном дизайне графиках);
– осуществляет поддержку всех стандартов современных офис-
ных приложений (импорт данных из электронных таблиц, в том
числе и их MS Excel, экспорт диаграмм в приложения MS Office
и др.);
– позволяет расширять возможности пакета за счет встроенного
языка программирования Statistica Visual Basic.

158
Пакет STATISTICA может применяться в разнообразных сфе-
рах деятельности:
– в банковской деятельности (для анализа кредитных рисков
и прогнозирования финансовых показателей);
– торговой деятельности (для сравнительного анализа постав-
щиков и прогнозирования потребления товаров и ресурсов);
– маркетинговых исследованиях (для изучения сезонности
спроса, классификации товара по потребительским свойствам);
– производственной деятельности (для прогнозирования
потребности материальных ресурсов, выявления причинно-след-
ственных связей между технологическими параметрами, анализа
надежности и долговечности продукции);
– медицинском обслуживании (для анализа результатов обсле-
дования, диагностики);
– социологических исследованиях (для анализа опроса обще-
ственного мнения).
Кроме этого, пакет STATISTICA является базовым статистиче-
ским пакетом в большинстве вузов России, служит для обучения
методам статистического анализа.
Пакет прикладных программ SPSS (Statistical Package for
Social Science) – статистический пакет, разработанный компанией
SPSS Inc, предназначенный для работы в операционной системе
MS Windows. Является пакетом обработки и анализа социологи-
ческих данных. Основные возможности пакета:
– реализует набор математических методов статистической
обработки данных (табл. 3.3);
– осуществляет доступ к территориально распределенным дан-
ным и позволяет объединять несколько баз данных;
– формирует нестандартные отчеты, позволяющие оценить
данные с разных точек зрения;
– осуществляет настройку интерфейса и процедур работы
с данными с помощью встроенного языка сценариев;
– поддерживает связь с большинством форматов данных
и обмен данными с другими приложениями MS Windows.

159
Таблица 3.3
Сопоставление возможностей статистических пакетов
Пакеты прикладных программ
Функции и методы
MS Exel STATISTICA SPSS
Вычисление матема- Встроенные Модуль Команда
тических ожиданий, функции Exel Описательной Descriptives
дисперсий, изучае- статистики
мых величин и т.д.
Проверка гипотез Функции Модуль Широкий спектр
о равенстве пакета Описательной команд
математических Анализа статистики One sample
ожиданий данных T-test,
Independent
sample T-test
и др.
Непараметриче-
ские методы

Построение Функции Модуль Команды


гистограмм пакета Описательной FREQUENCIES
Анализа статистики STATISTICS,
данных HISTOGRAM

Построение Встроенная Модуль Линейная


многомерной функция Множествен- регрессия
линейной ЛИНЕЙН ная регрессия в процедуре
регрессионной и функция REGRESSION
модели пакета Анализ
данных
РЕГРЕССИЯ

Корреляционный Встроенные Модули Процедуры связи


анализ функции Excel Описательной количественных
КОРРЕЛ, статистики, переменных
КОВАР, Непараметри- CORRELA-
функции ческий анализ TIONS и неколи-
пакета чественных
Анализа переменных
данных CROSSTABS

160
Окончание таблицы 3.3
Пакеты прикладных программ
Функции и методы
MS Exel STATISTICA SPSS
Одномерный и двух- Функции Модуль Процедура
мерный дисперсион- пакета Анализ Дисперсион- ANOVA
ный анализ данных ный анализ

Кластерный анализ – Модуль Процедуры


Кластерный CLUSTER,
анализ QUICK
CLUSTER
или команда
k-means.

Факторный анализ – Модуль Процедура


Факторный FACTOR
анализ

Многомерное – Модуль Процедура


шкалирование Многомерное Multidimentional
шкалирование scaling,
графики,
Возможности Встроенные Графики типа дендрограммы
графического функции 2М, 3М. в процедуре
отображения Мастер Пиктограммы PLOTDEND-
результатов диаграмм ROGRAM

Анализ возможностей различных пакетов (табл. 3.3) позволил


сформулировать их преимущества и недостатки и дать рекомен-
дации по их применению:
1. Хотя пакет MS Excel не является статистическим пакетом,
но он входит в MS Office, включает много статистических функ-
ций и дает возможность подключить встроенный пакет Анализа
данных. Поэтому следует рассмотреть его возможности для
статистического анализа. Для небольших исследований, когда
не требуется проводить кластеризации данных, а лишь необходимо
установить некоторые зависимости, дать статистическое описание
исследуемым переменным, данный пакет будет выгодным.

161
2. Пакет STATISTICA является мощным средством статистиче-
ского анализа, нашедший применение во многих сферах деятель-
ности. Он включает большое количество методов, реализуемых
в отдельных модулях, которые могут запускаться автономно.
Но для реализации каждого метода не хватает методики их выпол-
нения и толкований полученных результатов. Этот недостаток
может затруднить внедрение пакета.
3. Пакет ППП SPSS включает широкий спектр команд и про-
цедур, связанных с описательными методами статистики: описа-
ние распределения, анализ связи количественных и качественных
переменных, наряду с параметрическими методами сравнения
средних, большой набор непараметрических тестов. Такая обра-
ботка актуальна в научных исследованиях. Имеется возможность
работать с данными, подготовленными в MS Excel.
ГЛАВА 4.
ПРОВЕРКА СТАТИСТИЧЕСКИХ
ГИПОТЕЗ

В педагогических экспериментах часто приходится проверять


ту или иную гипотезу, например:
1) класс 1 усвоил проверяемый материал лучше класса 2;
2) учащиеся понятие «вектор» усвоили хуже, чем понятие
«координаты»;
3) уровень развития логической рефлексии учащихся класса
1 примерно совпадает с уровнем развития логической рефлексии
класса 2;
4) уровень профессиональной компетентности будущих спе-
циалистов академической студенческой группы 1 выше уровня
профессиональной компетентности академической студенческой
группы 2.
Подлежащая проверке гипотеза называется нулевой гипотезой
и обозначается H0. Проверка гипотезы Н0 осуществляется в резуль-
тате ее сравнения с другой гипотезой Н1, называемой альтерна-
тивной. Возможными альтернативами для гипотезы 3, например,
могут быть: «уровень ... класса 1 не совпадает с уровнем ...
класса 2», «уровень ... класса 1 выше уровня ... класса 2», «уро-
вень ... класса 1 ниже уровня ... класса 2». Проверка основана на
так называемом принципе практической невозможности. Выбира-
ется (исследователем) некоторая малая вероятность, например,
α = 0,05 – уровень значимости. Случайное событие, вероятность
которого меньше α, считается практически невозможным.
Следовательно, если событие вероятности α все-таки произошло,
но оно вызвано не случайными причинами, это событие значимо.
Всякое правило, на основе которого Н0 принимается или откло-
няется, называется критерием проверки Н0.
Схема построения критерия такова: пусть имеются две выборки
произвольных объемов. В определенной математической форме

163
определяется величина Т, отражающая различие результатов этих
выборок. В предположении справедливости Н0 устанавливается
теоретический закон распределения (законом распределения
случайной величины Т называется соответствие между возмож-
ными значениями Т и их вероятностями) величины Т, зависящий
от объемов, но не зависящий от результатов выборок. Т называют
статистикой критерия. После того, как удается установить закон
распределения Т, можно выбрать такую часть множества всех
значений Т, что вероятность попадания конкретного значения Т
в эту область не превосходит принятого уровня значимости. Эту
часть значений Т называют критической областью. Различают
правостороннюю (рис. 4.1), левостороннюю (рис. 4.2) и двусто-
роннюю критические области (рис. 4.3). Ткр на рисунках обозна-
чает критические точки, под которыми понимаются точки, отделя-
ющие критическую область от области принятия гипотезы.

Т Т Т
Ткр Ткр Т1кр Т2кр

Рис. 4.1. Рис. 4.2. Рис. 4.3.


3 Правосторонняя,
р р , левосторонняя
р
и двусторонняя критические области

Если найденное по результатам выборок значение Т (наблю-


даемое значение Тнабл) попало в критическую область, то это
означает, что осуществилось событие, вероятность которого не
превосходит принятого уровня значимости, то есть это событие
мы должны считать неслучайным, значимым событием. Поэтому
гипотеза Н0 о том, что наблюдаемое различие выборок, выражен-
ное через Т, вызвано случайными причинами, противоречит дан-
ным наблюдений и должна быть отклонена на принятом уровне
значимости. Тем самым должна быть принята альтернативная
гипотеза H1, означающая, что наблюдаемое различие результатов
выборок статистически значимо. Если же значение статистики Т
не попало в критическую область, то нет оснований для отклоне-
ния Н0: нулевая гипотеза не противоречит данным наблюдений;
Н0 принимается на принятом уровне значимости (Строева И.В.,
2010).

164
4.1. ПРИМЕНЕНИЕ НЕПАРАМЕТРИЧЕСКИХ
(РАНГОВЫХ) КРИТЕРИЕВ

Различают параметрические и непараметрические критерии.


Параметрический критерий – это такой критерий, который исполь-
зует определенный тип распределения исходных данных (как
правило, нормальное распределение) генеральных совокупностей.
При использовании непараметрических критериев не требуется
знание функций распределения. Из-за характера измерительных
шкал, используемых в педагогических исследованиях, для про-
верки педагогических гипотез, и малости экспериментальных
выборок в настоящее время применяются, в основном, непарамет-
рические критерии. Опишем наиболее распространенные из этих
критериев.
Использование того или иного критерия зависит, в частности,
от типа выборок. Различают выборки зависимые и независимые.
Выборки зависимы, если результаты измерения некоторого свой-
ства у объектов одной выборки оказывают влияние на результаты
измерения в другой выборке. Примером зависимых измерений
в педагогическом исследовании может служить двукратное изме-
рение одного и того же свойства или измерение различных свойств
у одних и тех же учащихся. Если результаты измерения некоторого
свойства у объектов одной выборки не оказывают влияние на
результаты измерения этого свойства у объектов другой выборки,
то такие выборки независимы.
Применение параметрических критериев, к которым относятся
критерии Стьюдента, Фишера, связано с предположением о нор-
мальности распределения генеральной совокупности. На практике
это предположение не всегда выполняется, поэтому применение
параметрических критериев часто связано с вероятностью оши-
бочных выводов. В математической статистике разработаны непа-
раметрические методы, использование которых не требует нормаль-
ности распределения. Такие методы применяются в тех случаях,
когда результаты эксперимента представлены в виде порядковой
шкалы или шкалы наименований.

165
Если выборки получены из нормально распределенных гене-
ральных совокупностей, непараметрические критерии уступают
параметрическим, так как при их применении теряется часть
информации об измеренных признаках.
Важную группу непараметрических критериев составляют
ранговые критерии, которые имеют высокую эффективность и не
требуют сложных математических вычислений. Для изучения
непараметрических критериев необходимо познакомиться с поня-
тием «ранг».
Для определения рангов объектов совокупности составляют
ранжированный ряд. Ранг определяется порядковым номером
объекта, если в ряду нет повторяющихся значений. Если есть
совпадающие значения, то их ранги равны среднему арифметиче-
скому порядковых номеров.

Пример 4.1. Определить ранги значений, представленных


в таблице 4.1.

Таблица 4.1
Ранги случайных значений
X 25 26 28 28 28 32 33 33 35 36
№ 1 2 3 4 5 6 7 8 9 10
R 1 2 4 4 4 6 7,5 7,5 9 10

Примечание: x – значение величины; № – номер варианты в ран-


жированном ряду; R – ранг варианты.

В первой строке таблицы записан ранжированный ряд, во


второй строке – номера элементов в ранжированном ряду.
Значения 25; 26; 32; 35; 36 встречаются по одному разу, следо-
вательно, их ранги равны порядковым номерам. Значение 28
повторяется три раза, его ранг равен среднему арифметическому
порядковых номеров, которые равны 3; 4; 5 (в среднем – четыре).
Значение 33 повторяется 2 раза, его ранг равен среднему арифме-
тическому номеров 7 и 8 (7,5).

166
4.2. СРАВНЕНИЕ ДВУХ НЕЗАВИСИМЫХ
СОВОКУПНОСТЕЙ ПО КРИТЕРИЮ
СТЬЮДЕНТА

В исследовательской практике по физической культуре и спорту


часто необходимо сравнить средние значения двух генеральных
совокупностей на основании сравнения соответствующих выбо-
рочных средних. Такая задача возникает, когда требуется подтвер-
дить эффективность новых методов тренировки, сравнить резуль-
таты исследования в контрольных и экспериментальных группах,
сопоставить показатели физического развития или физической
подготовленности испытуемых различных групп. В этих и подоб-
ных им случаях провести сплошное обследование невозможно;
необходимо сделать заключение на основании выборочных пока-
зателей.
Если из одной генеральной совокупности сформировать не-
сколько выборочных совокупностей, по которым определить
выборочные средние x1, x2 … xn , то, как правило, эти средние
не будут равны между собой, однако различия в их значениях
будут невелики, или недостоверны. Несущественные различия
в значениях выборочных средних могут быть обусловлены влия-
нием случайных факторов, а также малым числом наблюде-
ний.
Если же выборочные средние различаются существенно,
то можно сделать вывод о том, что эти различия – следствие раз-
личий генеральных средних. Поэтому для установления досто-
верности различий выборочных средних необходимо проверить
статистическую гипотезу о равенстве двух генеральных сред-
них.
Если есть основания предположить, что исследуемые совокуп-
ности имеют нормальное распределение, но объемы выборочных
совокупностей невелики, то для решения задачи о достоверности
различий используют t-критерий Стьюдента.

167
Ⱥɥɝɨɪɢɬɦ ɩɪɨɜɟɪɤɢ ɝɢɩɨɬɟɡɵ

1. Ɏɨɪɦɭɥɢɪɭɟɬɫɹ ɧɭɥɟɜɚɹ ɝɢɩɨɬɟɡɚ ɤɚɤ ɩɪɟɞɩɨɥɨɠɟɧɢɟ ɨ ɪɚɜɟɧ-


ɫɬɜɟ ɝɟɧɟɪɚɥɶɧɵɯ ɫɪɟɞɧɢɯ: ɇ ɯ .
2. Ɏɨɪɦɭɥɢɪɭɟɬɫɹ ɚɥɶɬɟɪɧɚɬɢɜɧɚɹ ɝɢɩɨɬɟɡɚ ɤɚɤ ɩɪɟɞɩɨɥɨɠɟɧɢɟ
ɨ ɧɟɪɚɜɟɧɫɬɜɟ ɝɟɧɟɪɚɥɶɧɵɯ ɫɪɟɞɧɢɯ: ɇ  .
3. ȼɵɛɢɪɚɟɬɫɹ ɭɪɨɜɟɧɶ ɡɧɚɱɢɦɨɫɬɢ (ɨɛɵɱɧɨ 0,05).
4. ɉɨ ɜɵɛɨɪɨɱɧɵɦ ɞɚɧɧɵɦ ɜɵɱɢɫɥɹɸɬɫɹ ɜɵɛɨɪɨɱɧɵɟ ɫɪɟɞɧɢɟ
ɜɵɛɨɪɨɱɧɵɟ ɢɫɩɪɚɜɥɟɧɧɵɟ ɞɢɫɩɟɪɫɢɢ 2ɯ, 2, ɤɨɥɢɱɟɫɬɜɨ ɫɬɟ-
ɩɟɧɟɣ ɫɜɨɛɨɞɵ ɯ 2.
5. ȼɵɱɢɫɥɹɟɬɫɹ ɷɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɋɬɶɸɞɟɧɬɚ.

x–
= 2
x
2 . (4.1)

x

6. ɇɚ ɨɫɧɨɜɚɧɢɢ ɤɨɥɢɱɟɫɬɜɚ ɫɬɟɩɟɧɟɣ ɫɜɨɛɨɞɵ ɢ ɜɵɛɪɚɧɧɨɝɨ


ɭɪɨɜɧɹ ɡɧɚɱɢɦɨɫɬɢ Į ɩɨ ɬɚɛɥɢɰɟ (ɉɪɢɥɨɠɟɧɢɟ 1) ɨɩɪɟɞɟɥɹɟɬɫɹ
ɤɪɢɬɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɋɬɶɸɞɟɧɬɚ.
7. ɋɪɚɜɧɢɜɚɸɬɫɹ ɷɦɩɢɪɢɱɟɫɤɨɟ ɢ ɤɪɢɬɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɹ -ɤɪɢ - -
ɬɟɪɢɹ ɋɬɶɸɞɟɧɬɚ. ȿɫɥɢ ɷɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɨɤɚɡɚ-
ɥɨɫɶ ɦɟɧɶɲɟ ɤɪɢɬɢɱɟɫɤɨɝɨ, ɬɨ ɩɪɢɧɢɦɚɟɬɫɹ ɧɭɥɟɜɚɹ ɝɢɩɨɬɟɡɚ. ɗɬɨ
ɡɧɚɱɢɬ, ɱɬɨ ɢɦɟɸɳɢɟɫɹ ɪɚɡɥɢɱɢɹ ɜɵɛɨɪɨɱɧɵɯ ɫɪɟɞɧɢɯ ɧɟɥɶɡɹ
ɫɱɢɬɚɬɶ ɫɬɚɬɢɫɬɢɱɟɫɤɢ ɞɨɫɬɨɜɟɪɧɵɦɢ, ɨɧɢ ɦɨɝɭɬ ɛɵɬɶ ɨɛɭɫɥɨɜ-
ɥɟɧɵ ɫɥɭɱɚɣɧɵɦɢ ɩɪɢɱɢɧɚɦɢ ɢ ɧɟ ɨɬɪɚɠɚɸɬ ɪɚɡɥɢɱɢɣ ɝɟɧɟɪɚɥɶ-
ɧɵɯ ɫɪɟɞɧɢɯ. ȿɫɥɢ ɷɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɨɤɚɡɚɥɨɫɶ
ɛɨɥɶɲɟ ɬɚɛɥɢɱɧɨɝɨ, ɬɨ ɧɭɥɟɜɚɹ ɝɢɩɨɬɟɡɚ ɨɬɜɟɪɝɚɟɬɫɹ, ɢ ɧɚ ɜɵɛɪɚɧ-
ɧɨɦ ɭɪɨɜɧɟ ɡɧɚɱɢɦɨɫɬɢ ɩɪɢɧɢɦɚɟɬɫɹ ɚɥɶɬɟɪɧɚɬɢɜɧɚɹ, ɬɨ ɟɫɬɶ
ɪɚɡɥɢɱɢɹ ɦɟɠɞɭ ɜɵɛɨɪɨɱɧɵɦɢ ɫɪɟɞɧɢɦɢ ɹɜɥɹɸɬɫɹ ɫɬɚɬɢɫɬɢɱɟɫɤɢ
ɞɨɫɬɨɜɟɪɧɵɦɢ.

ɉɪɢɦɟɪ . . Ⱦɥɹ ɫɪɚɜɧɟɧɢɹ ɭɪɨɜɧɹ ɪɚɡɜɢɬɢɹ ɫɤɨɪɨɫɬɧɨ-ɫɢɥɨ-


ɜɵɯ ɫɩɨɫɨɛɧɨɫɬɟɣ ɥɟɝɤɨɚɬɥɟɬɨɜ, ɡɚɧɢɦɚɸɳɢɯɫɹ ɛɟɝɨɦ ɧɚ ɪɚɡɥɢɱ-
ɧɵɟ ɞɢɫɬɚɧɰɢɢ, ɩɪɨɜɟɞɟɧɨ ɬɟɫɬɢɪɨɜɚɧɢɟ, ɜ ɤɨɬɨɪɨɦ ɭɱɚɫɬɜɨɜɚɥɨ
8 ɫɩɪɢɧɬɟɪɨɜ ɢ 10 ɫɬɚɣɟɪɨɜ. Ɉɩɪɟɞɟɥɹɥɢɫɶ ɪɟɡɭɥɶɬɚɬɵ, ɩɨɤɚɡɚɧɧɵɟ
ɫɩɨɪɬɫɦɟɧɚɦɢ ɜ ɩɪɵɠɤɟ ɜ ɞɥɢɧɭ. ɋɬɚɬɢɫɬɢɱɟɫɤɚɹ ɨɛɪɚɛɨɬɤɚ

168
данных показала, что выборочные средние в исследуемых группах
равны – x = 248 см; y = 242 см; выборочные исправленные диспер-
сии – sx2 = 16 см2; sy2 = 20 см2.
При помощи t-критерия Стьюдента установить, достоверны ли
различия показателей скоростно-силовой подготовленности лег-
коатлетов.
Решение.
1. Сформулируем нулевую гипотезу как предположение о том,
что результаты, показанные спринтерами и стайерами в прыжке
в длину с места, не имеют достоверных различий.
Н0: μx = μy.
2. Сформулируем альтернативную гипотезу как предположение
о том, что результаты, показанные спринтерами и стайерами
в прыжке в длину с места, различны.
Н1: μx ≠ μy.
3. Пусть уровень значимости составляет: α = 0,05.
4. Выборочные средние, выборочные дисперсии даны в усло-
вии задачи. Найдем количество степеней свободы: v = 10+8–2.
5. Вычислим эмпирическое значение t-критерия Стьюдента:

|x – y| , |248 – 242|
t= t= = 3.
s2x s2y 16 – 20

nx ny 8 10
6. По таблице критических значений t-критерия Стьюдента
определяем t0,05:

v = 16
 t 0,05 = 2,120.
α = 0,05

7. Сравниваем эмпирическое и критическое значения t-крите-


рия:
t > t 0,05 (3 > 2,120).

169
Так как эмпирическое значение t-критерия оказалось больше
критического значения, то нулевая гипотеза отвергается и прини-
мается альтернативная, то различия между выборочными сред-
ними считаются статистически достоверными. Результаты прове-
денного исследования свидетельствуют, что у бегунов на короткие
дистанции уровень развития скоростно-силовых способностей
выше, чем у бегунов на длинные дистанции. Вероятность ошибоч-
ности данного утверждения составляет α = 0,05.
В алгоритмах проверки гипотез указано, что уровень значимо-
сти должен выбираться исследователем до проведения расчетов.
Однако иногда степень различий бывает настолько высока, что
заданный уровень значимости оказывается заниженным.
В предыдущем примере по выборочным данным получено
эмпирическое значение критерия: t = 3.0. На уровне значимости
α = 0,05 при количестве степеней свободы v =16 критическое значе-
ние t0,05 = 2,120. Так как эмпирическое значение критерия оказа-
лось больше критического, была принята альтернативная гипотеза
с вероятностью ошибки 0,05. Однако по таблице видно, что при
уровне значимости 0,01 и 0,001 критические значения критерия
составляют 2,921 и 4,015 соответственно, то есть если бы был
задан уровень значимости α = 0,15, то различия можно было бы
считать достоверными с вероятностью ошибки 0,01. При уровне
значимости 0,001 была бы принята нулевая гипотеза.
Поэтому на практике часто поступают следующим образом:
уровень значимости до эксперимента не выбирается, а проводятся
расчеты и вычисляется эмпирическое значение критерия. После
этого сравнивают эмпирическое значение критерия с критическим
при уровнях значимости 0,05; 0,01; 0,001. Если эмпирическое
значение критерия меньше критического при уровне значимости
0,05, считается, что различия статистически незначимы. Если вы-
численное значение критерия оказывается больше, чем критиче-
ское при α = 0,05, но меньше, чем критическое при α = 0,01, говорят,
что различия достоверны на уровне значимости 0,05 (записывают
р<0,05); если вычисленное значение критерия превосходит крити-
ческое при α = 0,01, считается, что различия достоверны на уровне
значимости 0,01 (записывают р<0,01); если вычисленное значение

170
критерия больше критического при α = 0,001, говорят, что различия
достоверны на уровне значимости 0,001 (записывают р<0,001).
В этом случае р является экспериментальным значением уровня
значимости.

Пример 4.3. В таблице 4.2 представлены результаты тестиро-


вания двух групп юных спортсменов. Определить, достоверны ли
различия в уровне развития физических качеств у участников
исследования, если группа А состоит из 8 человек, группа В –
из 7 человек.

Таблица 4.2
Результаты тестирования двух групп юных спортсменов
Контрольные A B
t p
упражнения x±mx y±m
my
Бег 30 м, с 5,3±0,2 5,0±0,1 1,342 >0,05
Бросок
набивного 10,3±0,3 11,4±0,4 2,200 <0,05
мяча, м
Глубина
3,1±0,2 5,4±0,3 6,379 <0,001
наклона, см
Подъем
туловища 18,7±1,9 26,7±1,4 3,390 <0,01
из положения
лежа, кол-во раз

Результаты тестирования представляются в виде:


x ± mx,
где x – выборочное среднее, mx – статистическая ошибка выбороч-
ной средней.

mx = s , тогда m2x = sn .
2

171
Следовательно, формулу для расчета t-критерия Стьюдента
можно переписать в следующем виде:

|x – y| |x – y| .
t= =
sx2 sy2 m2x – m2y

nx2 ny2
Вычислим эмпирические значения t-критерия Стьюдента для
каждого теста и внесем полученные значения в четвертый столбец
таблицы.

|x – y| |5,3 – 5,0| |10,3 – 11,4|


t1 = = = 1,324 , t2 = = 2,200,
m2x – m2y 0,04 + 0,01 0,09 + 0,16

|3,1 – 5,4| |18,7 – 26,7|


t3 = = 6,379, t4 = = 3,390 .
0,04 + 0,09 3,61 + 1,96

Так как количество участников эксперимента составляет 15


человек, то количество степеней свободы v = 8+7–2 = 13.
В этом случае критические значения t-критерия Стьюдента на
уровне значимости 0,05; 0,01; 0,001 составляют 2,160; 3,012; 4,221
соответственно.
Эмпирическое значение t-критерия для бега на 30 м составляет
1,342, это меньше чем t0,05 = 2,160. Следовательно, в показателях
быстроты между участниками исследуемых групп нет достовер-
ных различий, в четвертый столбец запишем р>0,05.
Эмпирическое значение t-критерия для результатов броска на-
бивного мяча составляет 2,200; это больше, чем t0,05 = 2,160, но
меньше, чем t0,05 = 3,012. Следовательно, можно сделать вывод, что
в уровне развития скоростно-силовых качеств мышц плечевого
пояса между участниками исследуемых групп есть достоверные
различия; вероятность ошибочности такого утверждения – 0,05,
в четвертый столбец запишем: р<0,05.
Эмпирическое значение t-критерия для показателей гибкости
составляет 6,379. Это значение превосходит критические значения

172
при всех уровнях значимости. Значит, можно сказать, что у юных
спортсменов группы В отмечен достоверно более высокий уро-
вень развития гибкости, причем вероятность ошибочности вывода
составляет 0,001, в четвертый столбец запишем: р<0,001.
Экспериментальное значение t-критерия для результатов
последнего теста составляет 3,390; это больше, чем t0,05 = 2,160,
больше, чем t0,01 = 3,012, но меньше, чем t0,001 = 4,221. Следова-
тельно, по уровню развития силовой выносливости участники
группы В достоверно превосходят своих сверстников из группы А
на уровне значимости 0,01; в четвертый столбец запишем: р<0,01.
По результатам расчетов можно сделать вывод, что методика
тренировки, применяемая с юными спортсменами группы В
способствует достоверно более интенсивному развитию ско-
ростно-силовых качеств мышц плечевого пояса (р<0,05), гибкости
(р<0,001), силовой выносливости (р<0,01), причем вероятность
ошибочности таких утверждений составляет 0,05; 0,001; 0,01
соответственно. В уровне развития быстроты у исследуемых групп
юных спортсменов достоверных различий не обнаружено.

4.3. СРАВНЕНИЕ ДВУХ ВЫБОРОЧНЫХ


СРЕДНИХ ДЛЯ СВЯЗАННЫХ ВЫБОРОК

В практике спорта существует множество задач, в которых


требуется оценить значимость прироста некоторого показателя
за определенный промежуток времени. Например, формируют
экспериментальную группу спортсменов, которая тренируется
по новой методике. Для оценки эффективности данной методики
проводят двукратное тестирование – до начала педагогического
эксперимента и по его окончании, затем оценивают прирост
результатов тестирования.
Результаты измерений в таком случае представлены связан-
ными парами значений: показателями первого и второго тестиро-
вания. Эти пары называются сопряженными парами. Каждая пара

173
относится к одному объекту выборки, и разбивать их в процессе
вычисления статистических показателей нельзя.
Для того чтобы ответить на вопрос, достоверно ли измене-
ние исследуемых показателей, используют модифицированный
t-критерий Стьюдента для связанных выборок. Применение дан-
ного критерия допустимо при предположении нормальности
распределения прироста результатов.

Алгоритм проверки гипотезы

1. Формулируется нулевая гипотеза как предположение о том,


что средний прирост результатов равен нулю: Н0: μd = 0.
2. Формулируется альтернативная гипотеза как предположение
о том, что среднее значение прироста отлично от нуля: Н1: μd ≠ 0.
3. Выбирается уровень значимости α (обычно 0,05).
4. Составляют выборку, представленную парами значений
х и у (х
( – значение до эксперимента, у – после эксперимента), опре-
деляют прирост результата у каждого испытуемого: di = уi – хi .
5. Вычисляют среднее значение прироста d (учитываются
положительные и отрицательные значения), среднее квадратиче-
ское отклонение Sd , количество степеней свободы: v = n –1.
6. Вычисляется значение модифицированного t-критерия Стью-
дента:
d× n
t= .
Sd
7. В зависимости от выбранного уровня значимости и количе-
ства степеней свободы определяется критическое значение t-кри-
терия Стьюдента.
8. Если эмпирическое значение t-критерия оказалось меньше
критического, принимается нулевая гипотеза. Это значит, что
прирост результата нельзя считать статистически достоверным,
он может быть обусловлен воздействием случайных факторов.
Если вычисленное значение t-критерия оказалось больше крити-
ческого, то принимается альтернативная, то есть прирост резуль-

174
ɬɚɬɚ ɫɱɢɬɚɟɬɫɹ ɫɬɚɬɢɫɬɢɱɟɫɤɢ ɞɨɫɬɨɜɟɪɧɵɦɢ ɫ ɜɟɪɨɹɬɧɨɫɬɶɸ
ɨɲɢɛɤɢ Į.

ɉɪɢɦɟɪ . . ȼ ɝɪɭɩɩɟ ɜɨɥɟɣɛɨɥɢɫɬɨɜ, ɫɨɫɬɨɹɳɟɣ ɢɡ 9 ɱɟɥɨɜɟɤ,


ɩɪɨɜɟɞɟɧɨ ɞɜɭɤɪɚɬɧɨɟ ɬɟɫɬɢɪɨɜɚɧɢɟ: ɞɨ ɧɚɱɚɥɚ ɷɤɫɩɟɪɢɦɟɧɬɚ
ɢ ɩɨɫɥɟ ɬɪɟɯ ɦɟɫɹɰɟɜ ɬɪɟɧɢɪɨɜɨɤ . Ɉɩɪɟɞɟɥɹɥɢɫɶ ɪɟɡɭɥɶɬɚɬɵ,
ɩɨɤɚɡɚɧɧɵɟ ɜ ɩɪɵɠɤɟ ɜ ɜɵɫɨɬɭ. Ɇɨɠɧɨ ɥɢ ɭɬɜɟɪɠɞɚɬɶ, ɱɬɨ ɡɚ
ɞɚɧɧɵɣ ɩɟɪɢɨɞ ɫɤɨɪɨɫɬɧɨ-ɫɢɥɨɜɚɹ ɩɨɞɝɨɬɨɜɥɟɧɧɨɫɬɶ ɫɩɨɪɬɫɦɟɧɨɜ
ɞɨɫɬɨɜɟɪɧɨ ɩɨɜɵɫɢɥɚɫɶ Ɋɟɡɭɥɶɬɚɬɵ ɬɟɫɬɢɪɨɜɚɧɢɹ ɭɤɚɡɚɧɵ ɜɨ
ɜɬɨɪɨɦ ɢ ɬɪɟɬɶɟɦ ɫɬɨɥɛɰɚɯ ɪɚɫɱɟɬɧɨɣ ɬɚɛɥɢɰɵ (ɬɚɛɥ. 4.3).
Ɋɟɲɟɧɢɟ.
1. ɋɮɨɪɦɭɥɢɪɭɟɦ ɧɭɥɟɜɭɸ ɝɢɩɨɬɟɡɭ ɤɚɤ ɩɪɟɞɩɨɥɨɠɟɧɢɟ ɨ ɬɨɦ,
ɱɬɨ ɫɪɟɞɧɟɟ ɡɧɚɱɟɧɢɟ ɩɪɢɪɨɫɬɚ ɪɚɜɧɨ ɧɭɥɸ: ɇ .
2. ɋɮɨɪɦɭɥɢɪɭɟɦ ɚɥɶɬɟɪɧɚɬɢɜɧɭɸ ɝɢɩɨɬɟɡɭ ɤɚɤ ɩɪɟɞɩɨɥɨɠɟɧɢɟ
ɨ ɬɨɦ, ɱɬɨ ɫɪɟɞɧɟɟ ɡɧɚɱɟɧɢɟ ɩɪɢɪɨɫɬɚ ɨɬɥɢɱɧɨ ɨɬ ɧɭɥɹ: ɇ  .
3. ȼɵɛɟɪɟɦ ɭɪɨɜɟɧɶ ɡɧɚɱɢɦɨɫɬɢ Į .
4. ȼɵɱɢɫɥɢɦ ɩɪɢɪɨɫɬ ɢɫɫɥɟɞɭɟɦɵɯ ɩɨɤɚɡɚɬɟɥɟɣ, ɟɝɨ ɫɪɟɞɧɟɟ
ɡɧɚɱɟɧɢɟ ɢ ɫɪɟɞɧɟɟ ɤɜɚɞɪɚɬɢɱɟɫɤɨɟ ɨɬɤɥɨɧɟɧɢɟ . Ⱦɥɹ ɷɬɨɝɨ
ɫɨɫɬɚɜɢɦ ɪɚɫɱɟɬɧɭɸ ɬɚɛɥɢɰɭ, ɭ ɜ ɩɟɪɜɨɦ ɫɬɨɥɛɰɟ ɤɨɬɨɪɨɣ ɭɤɚɡɚɧɵ
ɭ,
ɧɨɦɟɪɚ ɢɫɩɵɬɭɟɦɵɯ, ɜɨ ɜɬɨɪɨɦ – ɪɟɡɭɥɶɬɚɬɵ ɢɫɯɨɞɧɨɝɨ ɬɟɫɬɢɪɨ-
ɜɚɧɢɹ, ɜ ɬɪɟɬɶɟɦ – ɪɟɡɭɥɶɬɚɬɵ ɩɨɜɬɨɪɧɨɝɨ ɬɟɫɬɢɪɨɜɚɧɢɹ, ɜ ɱɟɬɜɟɪ-
ɬɨɦ – ɩɪɢɪɨɫɬ ɪɟɡɭɥɶɬɚɬɨɜ, ɬɨ ɟɫɬɶ ɪɚɡɧɨɫɬɶ ɤɨɧɟɱɧɨɝɨ ɢ ɧɚɱɚɥɶ-
ɧɨɝɨ ɡɧɚɱɟɧɢɣ.

Ɍɚɛɥɢɰɚ 4.
Ɋɚɫɱɟɬɧɚɹ ɬɚɛɥɢɰɚ ɞɥɹ ɪɟɲɟɧɢɹ ɡɚɞɚɱɢ

ʋ ɢɫɩɵɬɭɟɦɨɝɨ
ɭ ( )

1 55 58 3 2 4
2 56 61 5 4 16
3 52 54 2 1 1
4 53 50 –3 –4 16
5 58 58 0 –1 1
6 56 57 1 0 0
7 63 65 2 1 1

175
Ɉɤɨɧɱɚɧɢɟ ɬɚɛɥɢɰɵ 4.
ʋ ɢɫɩɵɬɭɟɦɨɝɨ ( )
8 62 60 –2 –3 9
9 57 58 1 0 0
Ȉ 9 48

Ⱦɥɹ ɜɵɱɢɫɥɟɧɢɹ ɫɪɟɞɧɟɝɨ ɡɧɚɱɟɧɢɹ ɩɪɢɪɨɫɬɚ ɪɟɡɭɥɶɬɚɬɨɜ ɫɥɨ-


ɠɢɦ ɢɧɞɢɜɢɞɭɚɥɶɧɵɟ ɪɚɡɧɨɫɬɢ ɢ ɪɚɡɞɟɥɢɦ ɧɚ ɤɨɥɢɱɟɫɬɜɨ ɢɫɩɵ-
ɬɭɟɦɵɯ:
9
= = 1 ɫɦ.
9
ɇɚɣɞɟɦ ɜɵɛɨɪɨɱɧɨɟ ɫɪɟɞɧɟɟ ɤɜɚɞɪɚɬɢɱɟɫɤɨɟ ɨɬɤɥɨɧɟɧɢɟ ɩɪɢ-
ɪɨɫɬɚ:

6G  ɫɦ

5. ȼɵɱɢɫɥɢɦ ɤɨɥɢɱɟɫɬɜɨ ɫɬɟɩɟɧɟɣ ɫɜɨɛɨɞɵ: .
6. ȼɵɱɢɫɥɢɦ ɷɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɋɬɶɸɞɟɧɬɚ:
1
= × = × 3 = 1,25.
2,4
7. ɉɨ ɬɚɛɥɢɰɟ ɤɪɢɬɢɱɟɫɤɢɯ ɡɧɚɱɟɧɢɣ ɞɜɭɫɬɨɪɨɧɧɟɝɨ -ɤɪɢɬɟɪɢɹ
-
ɋɬɶɸɞɟɧɬɚ ɧɚɣɞɟɦ ɤɪɢɬɢɱɟɫɤɭɸ ɬɨɱɤɭ

=8
Į= 2,306.
Į = 0,95

8. ɋɪɚɜɧɢɦ ɷɦɩɢɪɢɱɟɫɤɨɟ ɢ ɤɪɢɬɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɹ -ɤɪɢɬɟɪɢɹ


-
ɋɬɶɸɞɟɧɬɚ:

0,05 (1,25 2,306).

ɉɨɫɤɨɥɶɤɭ ɷɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ ɋɬɶɸɞɟɧɬɚ


ɨɤɚɡɚɥɨɫɶ ɦɟɧɶɲɟ ɤɪɢɬɢɱɟɫɤɨɝɨ, ɩɪɢɧɢɦɚɟɬɫɹ ɧɭɥɟɜɚɹ ɝɢɩɨɬɟɡɚ,

176
то есть имеющиеся в нашем распоряжении выборочные данные
не позволяют утверждать, что скоростно-силовая подготовлен-
ность спортсменов повысилась достоверно.

4.4. СРАВНЕНИЕ ДВУХ НЕЗАВИСИМЫХ


ВЫБОРОК ПРИ ПОМОЩИ
НЕПАРАМЕТРИЧЕСКОГО КРИТЕРИЯ
ВИЛКОКСОНА

Критерий Вилкоксона является непараметрическим аналогом


t-критерия Стьюдента и позволяет сравнить две независимые
выборки. Применение t-критерия Стьюдента основано на сравне-
нии выборочных средних. Если распределение генеральной сово-
купности нельзя считать нормальным, то более информативной
характеристикой положения является не выборочное среднее,
а медиана. Критерий Вилкоксона позволяет сравнить положение
медиан в двух выборках и на основании этого заключить, извле-
чены ли эти выборки из одной генеральной совокупности.
Поэтому в качестве гипотезы выдвигается предположение о равен-
стве соответствующих медиан.

Алгоритм проверки гипотезы

1. Формулируется нулевая гипотеза как предположение о равен-


стве медиан генеральных совокупностей: Н0: Meex = Meey.
2. Формулируется альтернативная гипотеза как предположение
о неравенстве генеральных медиан: Н1: Meex ≠ Meey .
3. Выбирается уровень значимости (обычно 0,05).
4. Объединяются две выборки в одну, определяются ранги эле-
ментов объединенной выборки, отмечаются ранги первой выборки.
5. Находится сумма рангов элементов первой и второй выборок,
то есть находятся суммы ΣRRx и ΣR
Ry. Для проверки правильности

177
проведенных операций находят общую сумму рангов, которая
должна равняться величине n (n+1)/2, где n – объем объединенной
выборки.
Rx + Ry = n (n+1) / 2.
6. Меньшая из сумм рангов является эмпирическим значением
W-критерия Вилкоксона.
7. Исходя из объемов выборочных совокупностей nx и ny ,
а также выбранного уровня значимости α, определяется критиче-
ское значение W-критерия Вилкоксона.

}
nx
ny  Wα .
α

8. Если эмпирическое значение W-критерия оказалось больше


критического, то принимается нулевая гипотеза. Это значит, что
имеющиеся выборки извлечены из одной генеральной совокупно-
сти, достоверных различий между ними нет. Если эмпирическое
значение W-критерия оказалось меньше критического, то нулевая
гипотеза отвергается, и на выбранном уровне значимости прини-
мается альтернативная, то есть различия между медианами счита-
ются статистически достоверными с вероятностью ошибки α.

Пример 4.5. Определить при помощи W-критерия Вилкоксона,


различаются ли по уровню силы спортсмены двух групп, если x –
количество подтягиваний на перекладине, выполненных спортс-
менами первой группы, y – количество подтягиваний на перекла-
дине, выполненных спортсменами второй группы. Результаты
тестирования записаны в первом и втором столбцах расчетной
таблицы (табл. 4.4).
Решение.
1. Сформулируем нулевую гипотезу как предположение о равен-
стве медиан генеральных совокупностей: Н0: Meex = Meey .
2. Сформулируем альтернативную гипотезу как предположение
о неравенстве генеральных медиан: Н1: Meex ≠ Meey .

178
Ɍɚɛɥɢɰɚ 4.4
Ɋɚɫɱɟɬɧɚɹ ɬɚɛɥɢɰɚ ɫ ɪɟɡɭɥɶɬɚɬɚɦɢ ɬɟɫɬɢɪɨɜɚɧɢɹ

15 18 9,5 5,5
16 19 8 3
18 14 5,5 12
15 14 9,5 12
13 20 14,5 1
12 19 16 3
14 19 12 3
17 7
13 14,5
Ȉ x = 96,5 Ȉ = 39,5

3. ȼɵɛɟɪɟɦ ɭɪɨɜɟɧɶ ɡɧɚɱɢɦɨɫɬɢ: Į .


4. Ɉɩɪɟɞɟɥɢɦ ɪɚɧɝɢ ɷɥɟɦɟɧɬɨɜ ɨɛɴɟɞɢɧɟɧɧɨɣ ɜɵɛɨɪɤɢ, ɩɪɢɱɟɦ
ɪɚɧɝɢ ɷɥɟɦɟɧɬɨɜ ɩɟɪɜɨɣ ɜɵɛɨɪɤɢ ɡɚɩɢɲɟɦ ɜ ɬɪɟɬɢɣ ɫɬɨɥɛɟɰ, ɪɚɧɝɢ
ɷɥɟɦɟɧɬɨɜ ɜɬɨɪɨɣ ɜɵɛɨɪɤɢ – ɜ ɱɟɬɜɟɪɬɵɣ. ɇɚɣɞɟɦ ɫɭɦɦɵ ɪɚɧɝɨɜ
ɤɚɠɞɨɣ ɜɵɛɨɪɤɢ ɨɬɞɟɥɶɧɨ, ɡɚɩɢɲɟɦ ɩɨɥɭɱɢɜɲɢɟɫɹ ɫɭɦɦɵ ɜ ɩɨɫɥɟɞ-
ɧɸɸ ɫɬɪɨɤɭ ɬɚɛɥɢɰɵ. ɉɪɨɜɟɪɢɦ ɩɪɚɜɢɥɶɧɨɫɬɶ ɨɩɪɟɞɟɥɟɧɢɹ ɪɚɧɝɨɜ:

2 .

5. ɗɦɩɢɪɢɱɟɫɤɢɦ ɡɧɚɱɟɧɢɟɦ -ɤɪɢɬɟɪɢɹ


- ȼɢɥɤɨɤɫɨɧɚ ɫɱɢɬɚɟɬɫɹ
ɦɟɧɶɲɚɹ ɢɡ ɩɨɥɭɱɟɧɧɵɯ ɫɭɦɦ, ɬɨ ɟɫɬɶ ɡɧɚɱɟɧɢɟ 39,5.
6. ɉɨ ɬɚɛɥɢɰɟ ɜ ɩɪɢɥɨɠɟɧɢɢ 8 ɧɚɣɞɟɦ ɤɪɢɬɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ
-ɤɪɢɬɟɪɢɹ: 40.
7. ɗɦɩɢɪɢɱɟɫɤɨɟ ɡɧɚɱɟɧɢɟ -ɤɪɢɬɟɪɢɹ
- ɦɟɧɶɲɟ, ɱɟɦ ɫɥɟ-
ɞɨɜɚɬɟɥɶɧɨ ɪɚɡɥɢɱɢɹ ɦɟɠɞɭ ɜɵɛɨɪɨɱɧɵɦɢ ɫɨɜɨɤɭɩɧɨɫɬɹɦɢ ɞɨɫɬɨ-
ɜɟɪɧɵ ɧɚ ɭɪɨɜɧɟ ɡɧɚɱɢɦɨɫɬɢ 0,05.

179
4.5. КРИТЕРИЙ χ2 ДЛЯ НЕЗАВИСИМЫХ
ВЫБОРОК

Критерий χ2 применим, если выполнены следующие условия:


1) выборки случайные;
2) выборки независимые;
3) результаты измерений состояния изучаемого свойства
у членов выборки взаимно независимы (члены выборки не имеют
возможности влиять друг на друга);
4) измерительная шкала – шкала наименований с двумя кате-
гориями (да – нет, лучше – хуже, решил – не решил и т.п.).
Кроме того, это приближенный критерий и приближение ста-
новится достаточно точным, если сумма объемов двух выборок
N = n1+n2 больше 20. Для малых N следует применять критерий
точной вероятности Фишера, описать который невозможно
из-за громоздкости вычислительных процедур, связанных с ним.
Следует еще иметь в виду, что применение критерия χ2 не оправ-
дано, если хотя бы одна из ожидаемых частот (см. ниже) окажется
меньше 5.
Пусть для первой и второй выборок получены такие результаты
измерений (табл. 4.5).

Таблица 4.5
Результаты измерений первой и второй выборок
Число объектов со значением переменной x,
Выборка равным Всего
0 1
Первая A B A+B
Вторая C D C+D
Всего A+C B+D N = n1 +n2

Пусть Р1 обозначает вероятность получения случайно выбран-


ным объектом первой выборки оценки 0, а Р2 – вероятность полу-
чения случайно выбранным объектом второй выборки оценки 0.

180
Предположив, что переменная х в обеих выборках имеет одно
и то же распределение, необходимо признать справедливость нуле-
вой гипотезы:
H0 : P1 = P2
Для проверки гипотезы Н0 не требуется знание значений веро-
ятностей P1 и Р2 , так как нас интересуют только отношения между
Р1, и Р2 (равно, больше, меньше).
Статистика Т критерия χ2 задается предписанием

(|O – E| – 0,5)2 , (4.2)


T= ∑
E
где значениями переменной О являются наблюдаемые частоты –
числа А, В, С, D в таблице 4.4; значениями переменной Е являются
ожидаемые частоты, которые вычисляются следующим образом:
(A + C) × (A + B) ,
EA =
N
(B + D) × (A + B) ,
EB =
N (4.3)
(A + C) × (C + D) ,
EC =
N
(B + D) × (C + D) ,
ED =
N
где, например, ЕВ означает ожидаемую частоту, отвечающую
наблюдаемой частоте В; знак Σ означает сумму четырех слагаемых
для каждой из пар соответствующих значений переменных О и Е.

При использовании критерия χ2 описываемой ситуации целе-


сообразно руководствоваться таким правилом:
1. Свести данные эксперимента в таблицу 4.4.
2. Выбрать уровень значимости α.
3. По формулам (4.3) найти ожидаемые частоты ЕА, ЕВ , ЕС , ED.
Проверить результаты вычислений: сумма ЕA+Е ЕВ+ЕC+E ED должна
быть равна N (с точностью до ошибок округления).

181
4. По формуле (4.2) найти Tнабл .
5. По таблице 4.10 для уровня значимости α и одной степени
свободы найти Ткр .
6. Если Тнабл ≥ Ткр , то Н0 отклоняется, а Н1 выбирается согласно
пунктам 7 или 8.
7. Если отношение A/(A+B) больше отношения C/(C+D), то
выбирается Н1: Р1 >Р Р2 .
8. Если отношение A/(A+B) меньше отношения C/(C+D), то
выбирается Н1: Р1 < Р2 .
9. Если Тнабл <ТТкр , то нет основания для отклонения Н0.

Рассмотрим примеры использования критерия χ2.


Пример 4.6. Составлялись выборки для проведения экспери-
мента с целью сравнения эффективностей двух методик обуче-
ния – контрольная и экспериментальная. Одним из требований,
которые предъявляются к выборкам, является требование о том,
чтобы, в частности, выборки были примерно одинаковыми по
уровню знаний. В описываемом эксперименте этот уровень опре-
делялся специальной контрольной работой, которая оценивалась
с помощью четырехбалльной шкалы по строго описанному
критерию. Результаты выполнения контрольной работы показаны
в таблице 4.6.

Таблица 4.6
Результаты выполнения контрольной работы
Количество оценок
Выборка Всего
«5» «4» «3» «2»
Контрольная 6 17 25 3 51
Экспериментальная 3 18 27 5 53
Всего 9 35 52 8 104

182
Данные для оценок «5» и «2» имеют малые значения. Можно
предположить, что ожидаемые частоты для этих оценок окажутся
меньше 5. Расчет показывает, что это так. Например, для оценки
«5» получим:
9 9
E6 = × 51 = 4,41 < 5 и E3 = × 53 = 4,59 < 5.
104 104
Поэтому объединим столбцы «5» и «4», а также «3» и «2».
Получим таблицу 4.7.

Таблица 4.7
Результаты выполнения контрольной работы
Количество оценок
Выборка Всего
«5»–«4» «3»–«2»
Контрольная 23 28 51
Экспериментальная 21 32 53
Всего 44 60 104

Находим ожидаемые частоты:


44 44
E23 = × 51 = 21,58, E21 = × 53 = 22,42,
104 104

60 60
E28 = × 51 = 29,42, E32 = × 53 = 30,58.
104 104

Контроль: 21,58 + 22,42 + 29,42 + 30,58 = 104.

Находим Тнабл по формуле (4.2):

(|23 – 21,58| – 0,5)2 (|21 – 22,42| – 0,5)2 (|28 – 29,42| – 0,5)2


T= + + +
21,58 22,42 22,42
(|32 – 30,58| – 0,5)2
+ = 0,1336 .
30,58

183
По таблице 4.11 для уровня значимости α = 0,05 и для числа сте-
пеней свободы, равного 1, находим: Ткр = 3,84. Так как Тнабл <Т
Ткр ,
то нет оснований для отклонения Н0 , т.е. контрольная и экспери-
ментальная выборки по результатам контрольной работы имеют
примерно одинаковый уровень знаний.

Пример 4.7. В одном из экспериментов сравнивались две мето-


дики обучения одному и тому же разделу программы. Для этого
в выборке 1 реализовывалась одна методика, а в выборке 2 –
другая. Эффективность применяемой методики оценивалась
по усвоению изучаемых в разделе основных понятий и алгорит-
мов с использованием специально разработанного критерия.
Результаты эксперимента представлены в таблице 4.8.

Таблица 4.8
Результаты эксперимента используемых методик
Количество оценок
Выборка Всего
усвоил 1 не усвоил 0
№1 101 38 139
№2 110 86 196
Всего 211 124 335

Находим ожидаемые частоты:

211 × 139 211 × 196


E101 = = 87,55, E110 = = 123,45,
104335 335

124 × 139 124 × 196


E38 = = 51,4, E86 = = 72,55.
335 335

Контроль: 87,55 + 51,45 + 123,45 + 72,55 = 335.

184
Находим Тнабл по формуле (4.2):

(|101 – 87,55| – 0,5)2 (|110 – 123,45| – 0,5)2


T= + +
87,55 123,45
(|38 – 51,45| – 0,5)2 (|86 – 72,55| – 0,5)2
+ = 8,85 .
51,45 72,55

Находим Ткр по таблице 4.11 для α = 0,05 и числа степеней


свободы, равного l : Ткр = 3,84. Так как Тнабл > Ткр , то Н0 отклоняем
и принимаем Н1 , для формулировки которой определяем соотно-
шения A/(A+B) и C/(C+D):

А 38 C 86
= = 0,27; = = 0,44.
А+В 38 + 101 C+D 86 + 110

Так как A/(A+B)<C/(C+D), то H1 такова: P1<P P2 , то есть уча-


щиеся выборки № 2 лучше усвоили проверяемый материал, чем
учащиеся выборки № 1, и методика, реализованная в выборке
№ 2, оказалась, по данным эксперимента, более эффективной по
сравнению с методикой, реализованной в выборке № 1.
Критерий χ2 можно применять и в том случае, когда измерение
изучаемого свойства в обеих выборках произведено по порядковой
шкале с l категориями: 1, 2, ..., l (см. табл. 4.9).

Таблица 4.9
Количество учащихся, получивших оценку
Выборка Всего
1 2 … i … l
№1 A1 A2 … Ai … A1 n1
№2 B1 B2 … Bi … B1 n2
Всего A1+ B1 A2+ B2 … Ai+ Bi … A1+ B1 N

В таблице 4.8 n1=A1+A2 +…+Ai+…+Al – объем выборки № 1,


а n2 =B1+B2 +…+Bi+…+Bl – объем выборки № 2. Пусть Р1i озна-
чает вероятность того, что случайно выбранный из выборки № 1

185
объект получает оценку i, a P2i – вероятность того, что случайно
выбранный из выборки № 2 объект получит оценку i (i =1, 2, ..., l).
Тогда нулевая гипотеза будет такой:

H0 : P11 = P21 ∩ P12 = P22∩…∩ P1i = P2i∩…∩ P11 = P21.

Альтернативная гипотеза имеет вид:


∩ ∩ ∩ ∩ ∩
H0 : P11 ≠ P21 P12 ≠ P22 … P1i ≠ P2i … P11 ≠ P21.

Для проверки Н0 не требуется знание значений вероятностей


Р1i и P2i (i = 1, 2, ..., l).
Статистика критерия в рассматриваемом случае определяется
формулой:
(|O – E|)2
T= ∑ , (4.4)
E
где О – переменная, значениями которой являются наблюдаемые
частоты: А1, А2 , ..., Аl , В1, В2 ,..., Вl , а Е – переменная, значениями
которой являются ожидаемые частоты, определяемые формулами:
Ai + Bi Ai + Bi
E1i = × n1; E2i = × n2; (i = 1, 2, ... , l). (4.5)
N N
При достаточно больших n величина (4.5) хорошо аппроксими-
руется распределением χ2 с l-1 степенями свободы.
Применяя критерий χ2 в описываемом случае, руководствуемся
таким правилом:
1. Поместить данные в таблицу 4.8.
2. Выбрать уровень значимости α.
3. Вычислить по формулам (4.5) ожидаемые частоты.
4. По формуле (4.4) найти Тнабл .
5. По таблице 4.10, по уровню значимости α и числу степеней
свободы, равному l-1, найти Ткр .
6. Если Тнабл >Т
Ткр , то Н0 отклонить и принять Н1: Р1<Р
Р2 .
7. Если Тнабл <Т
Ткр , то принять Н0 .

186
Примечание:
1. Условия применимости критерия χ2 в случае порядковой
шкалы с l категориями те же, что и для случая с двумя катего-
риями. Поэтому, если для какой-то оценки 1, 2, ..., l ожидаемая
частота окажется малой (меньше 5), то эту категорию целесо-
образно объединить с какой-нибудь соседней категорией.
2. Правило сформулировано для двустороннего критерия.

Приведем пример использования критерия χ2 для порядковой


шкалы.
Пример 4.8. Пусть в результате эксперимента по сравнению
двух методик обучения учащиеся двух выборок распределились
по оценкам «5», «4», «3», «2» так, как показано в таблице 4.10.

Таблица 4.10
Распределение учащихся в ходе эксперимента
Количество оценок
Выборка Всего
«5» «4» «3» «2»
Контрольная 7 41 38 23 109
Экспериментальная 17 52 22 9 100
Всего 24 93 60 32 209

Находим ожидаемые частоты по формулам (4.5):

E11 = 24 × 109 = 12,52; E21 = 24 × 100 = 11,48;


209 209

93 93
E12 = × 109 = 48,50; E22 = × 100 = 44,50;
209 209

60 60
E13 = × 109 = 31,29; E23 = × 100 = 28,71;
209 209

32 32
E14 = × 109 = 16,69; E24 = × 100 = 15,31.
209 209

187
Контроль:12,52 + 11,48 + 48,50 + 44,50 + 31,29 + 28,71 + 16,69 +
15,31 = 209.
Теперь находим Тнабл по формуле (4.4):

(7 – 12,52)2 (17 – 11,48)2 (41 – 48,50)2 (52 – 44,50)2


T= + + + +
12,52 11,48 48,50 44,50
(38 – 31,29)2 (22 – 28,71)2 (23 – 16,69)2 (9 – 15,31)2
+ + + + = 15,50.
31,29 28,71 16,69 15,31

В таблице 4.11 приводятся критические значения статистики,


имеющей χ2 распределение с числом степеней свободы m от 1 до
10 и для уровней значимости α  {0,01; 0,025; 0,05; 0,95; 0,975;
0,99}.
По таблице 4.11 для уровня значимости α = 0,01 и числа степе-
ней свободы, равного 3 (l – 1 = 4 –1 = 3), находим Ткр = 11,3. Так как
Тнабл >Т
Ткр , то Н0 отклоняется и принимается H1 , то есть сравни-
ваемые методики обучения дают различные результаты.

Таблица 4.11
Критические точки статистики, имеющей χ2 распределение
с числом степеней свободы m и для уровней значимости α

α m 1 2 3 4 5 6 7 8 9 10
0,01 6,63 9,21 11,3 11,3 15,1 16,8 18,5 20,1 21,7 23,2
0,025 5,02 7,38 9,35 11,1 12,8 14,4 16,0 17,5 19,0 20,5
0,05 3,84 5,99 7,81 9,49 11,1 12,6 14,1 15,5 16,9 18,3
0,95 0,00393 0,103 0,352 0,711 1,15 1,64 2,17 2,73 3,33 3,94
0,975 0,000982 0,0506 0,216 0,484 0,831 1,24 1,69 2,18 2,70 3,25
0,99 0,000157 0,0201 0,115 0,297 0,554 0,872 1,24 1,65 2,09 2,56
ГЛАВА 5.
СТАТИСТИЧЕСКАЯ ОБРАБОТКА
ДАННЫХ

5.1. КОРРЕЛЯЦИОННЫЙ АНАЛИЗ

В природе все взаимосвязано, все процессы – следствие со-


вместного влияния различных факторов, определяющих развитие
этих процессов. Действие отдельного фактора нельзя полностью
определить, тем более предсказать, так как кроме контролируемых
факторов действует множество других, сила воздействия которых
нам неизвестна.
Влияние большого количества факторов приводит к неопреде-
ленности и непредсказуемости результатов. Поэтому эти резуль-
таты всегда в той или иной мере случайны. Однако в любой
случайности существует некоторая доля закономерности. Часто
желательно эту закономерность обнаружить и оценить, чтобы по-
нять взаимозависимость хотя бы основных факторов, влияющих
на ход и результаты рассматриваемого процесса. При этом встре-
чаются зависимости двух видов: функциональные и статистиче-
ские.
Функциональная зависимость между двумя переменными
величинами характеризуется тем, что каждому значению одной
переменной соответствует определенное (конкретное) значение
другой. Например, между радиусом круга и его площадью
существует функциональная зависимость S = πR2, которая поз-
воляет, зная радиус, найти соответствующую ему площадь
круга.
Статистической зависимостью называют зависимость, при
которой изменение одной величины влечет изменение распреде-
ления другой. Например, статистически взаимосвязанными явля-
ются такие величины, как рост и вес человека; сила мышц и коли-

189
чество подтягиваний; результаты в спринтерском беге и прыжках
в длину; количество удобрений и урожай зерна.
Для изучения статистических зависимостей используются
корреляционный и регрессионный анализ.

Корреляционное поле

Корреляцией называется статистическая зависимость между


двумя случайными величинами х и y, при которой каждому значе-
нию переменой x соответствует ряд распределения переменной y
и с изменением х этот ряд закономерно изменяется.
Корреляция проявляется в том, что при изменении одной
величины изменяется среднее значение другой. Корреляционному
анализу обычно подвергается двумерная случайная величина,
то есть сопряженные пары значений х; у, относящиеся к одному
объекту.
Рассмотрим в качестве примера связь между двумя показате-
лями: ростом и весом мужчин. Очевидно, что рост человека влияет
на значение его веса, то есть в среднем люди с ростом 170 см
имеют меньшую массу, чем люди с ростом 180 см. Однако одно-
значной взаимосвязи между этими величинами не наблюдается.
Мы не можем, зная рост отдельного человека, предсказать его вес,
так как на вес влияет множество различных факторов (питание,
двигательный режим, наследственные особенности). В результате
получается, что людям с определенным ростом соответствует ряд
распределения их веса.

Пример 5.1.1. Измерены рост и вес 25 мужчин, результаты


измерения записаны в таблице 5.1.1. Необходимо проверить,
существует ли взаимосвязь между ростом и весом у данной кате-
гории испытуемых.
Для качественной оценки взаимосвязи построим корреляцион-
ное поле. Для этого на координатной плоскости отметим точки
с координатами хi; уi. Такие точки называются репрезентатив-
ными. Каждая репрезентативная точка представляет один объект

190
выборки. Количество точек в корреляционном поле равно количе-
ству обследованных объектов, то есть количеству сопряженных
пар значений.
По построенному корреляционному полю можно заключить,
что с увеличением роста мужчин распределение их веса смеща-
ется в сторону увеличения (рис. 5.1.1).

Таблица 5.1.1
Взаимосвязь роста и веса исследуемой выборки
№ 1 2 3 4 5 6 7 8 9 10 11 12 13
X (рост, см) 170 171 170 178 176 183 172 188 184 176 174 182 180
Y (вес, кг) 66 72 68 76 74 81 67 85 78 73 70 78 75

№ 14 15 16 17 18 19 20 21 22 23 24 25
X (рост, см) 186 166 168 182 186 188 174 180 177 168 173 184
Y (вес, кг) 84 62 63 77 77 82 72 79 73 66 69 80

Вес, кг
90

85

80

75

70

65

60
160 165 170 175 180 185 190
Рост, см

Рис. 5.1.1. Корреляционное поле

191
Корреляционное поле на рисунке отображает зависимость
между ростом и весом мужчин в конкретной группе из 25 человек.
Однако статистический анализ мы проводим для того, чтобы сде-
лать выводы о свойствах генеральной совокупности, из которой
извлечена выборка. Для этого мы и оцениваем взаимосвязь пока-
зателей. Мы говорим о связи факторов (признаков, величин), а не
о связи конкретных выборок, хотя помним, что выводы получены
на материале выборок и поэтому полученные характеристики
корреляции называем выборочными.
Рассматривая форму и расположение корреляционного поля,
то есть характер расположения репрезентативных точек, можно
сделать несколько важных заключений об анализируемой зависи-
мости.
Если репрезентативные точки заключены в некотором эллипсе,
то предполагают наличие линейной зависимости (рис. 5.1.2 (а)).
На рисунке 5.1.2 (б) показано корреляционное поле, искривлен-
ная форма которого свидетельствует о нелинейной зависимости
величин.
В том случае, если репрезентативные точки заключены внутри
круга, квадрата, прямоугольника, то взаимосвязь между величи-
нами отсутствует (рис. 5.1.2(в)).

Y Y Y

а б в

X X X
Рис. 5.1.2. Корреляционное поле двух случайных величин X и Y
(a – между величинами линейная положительная взаимосвязь,
б – нелинейная взаимосвязь, в – отсутствие взаимосвязи)

Корреляционное поле показывает направленность связи. По на-


правленности различают прямую (положительную) и обратную
(отрицательную) корреляцию.

192
Если с увеличением одного фактора наблюдается тенденция
к увеличению другого фактора, то корреляция называется прямой
или положительной, если же увеличение одного фактора приводит
к уменьшению другого, то корреляция называется обратной или
отрицательной. Например, между результатами в беге на 30 и 60 м
обычно существует положительная корреляционная связь, а между
результатами в беге и прыжке в длину – отрицательная; между
урожаем и количеством удобрений – положительная, а между
урожаем и количеством сорняков – отрицательная.
На рисунке 5.1.3 изображены корреляционные поля двух вели-
чин X и Y, между которыми существует линейная положительная
(а, б) и линейная отрицательная (в) связь.
По виду корреляционного поля можно сделать предположение
о тесноте (силе) взаимосвязи между величинами. Если репрезен-
тативные точки сгруппированы вблизи некоторой прямой, то можно
предположить, что взаимосвязь между величинами сильная. Чем
шире корреляционное поле, тем слабее взаимосвязь между вели-
чинами.
Можно сказать, что корреляционное поле на рисунке 5.1.3 (б)
отражает более тесную взаимосвязь, чем поле на рисунке 5.1.3 (а),
если эти поля изображены в одном масштабе.

Y Y Y

а б в

X X X
Рис. 5.1.3. Корреляционное поле двух случайных величин X и Y
(a, б – между величинами линейная положительная взаимосвязь,
в – нелинейная взаимосвязь)

Если же все репрезентативные точки лежат на одной прямой,


то это значит, что имеет место не корреляционная, а функциональ-
ная зависимость.

193
Таким образом, по корреляционному полю можно опреде-
лить, существует ли взаимосвязь между величинами, какова ее
форма (линейная или нелинейная), какова ее направленность
(положительная или отрицательная), какова приблизительно
теснота связи.
Поэтому корреляционный анализ целесообразно начинать с по-
строения корреляционного поля, чтобы составить представление
о зависимости между величинами.

Коэффициент корреляции

Числовой характеристикой тесноты корреляционной связи


является коэффициент корреляции. Это безразмерная величина,
которая может принимать значения от –1 до 1. Если коэффициент
корреляции положителен (r>0), то корреляционная связь является
положительной, то есть увеличение одной величины приводит
к увеличению среднего значения другой. Если коэффициент кор-
реляции отрицателен (r <0), то взаимосвязь между величинами
также является отрицательной, то есть при увеличении одной
величины происходит уменьшение среднего значения другой.
Абсолютная величина коэффициента корреляции характеризует
тесноту взаимосвязи.
Если абсолютная величина коэффициента корреляции равна
единице (|r|=1), это значит, что между величинами существует не
статистическая, а функциональная взаимосвязь. Если же коэффи-
циент корреляции равен нулю (|r|=0) это значит, что взаимосвязь
между величинами отсутствует.
На практике коэффициент корреляции обычно не принимает
граничных значений, то есть редко удается выявить функцио-
нальную зависимость или полное отсутствие связи между случай-
ными величинами. Поэтому принято считать (в достаточной мере
условно), что при значениях r <0,3 корреляция очень слабая,
практически величины не связаны между собой; при 0,3 ≤r <0,5
корреляция слабая, при 0,5≤r<0,7 – средняя, при 0,7≤r<0,9 – силь-
ная, при r ≥0,9 – очень сильная.

194
Однако эти соотношения справедливы лишь в том случае, если
проведено обследование всей генеральной совокупности объектов
или объем выборки достаточно велик: по меньшей мере, выбороч-
ная совокупность объектов представлена не менее, чем 30 испы-
туемыми.
В случае небольшого объема выборки вывод о наличии взаимо-
связи можно сделать только путем проверки статистической гипо-
тезы о достоверности выборочного коэффициента корреляции.
Коэффициент корреляции вычисляется при условии, что между
величинами имеется линейная взаимосвязь. Если корреляция
нелинейная, то коэффициент корреляции вычислять нельзя, а тес-
ноту взаимосвязи можно оценить при помощи корреляционного
отношения.

Коэффициент корреляции Пирсона

В том случае, когда случайные величины x и y распределены


по нормальному закону и между ними предполагается наличие
линейной взаимосвязи, то ее тесноту и направленность оценивают
при помощи коэффициента корреляции Пирсона.

Алгоритм вычисления коэффициента корреляции Пирсона


1. По выборочным данным вычислить средние значения вели-
чин x и y, их выборочные средние квадратические отклонения
s x и sy .
2. Найти отклонения значений xi и у, (i =1, 2…, п) от своих
выборочных средних, перемножить соответствующие отклонения,
найти сумму полученных произведений.
3. Вычислить коэффициент корреляции:
n
∑ (x – x ) × (yi – y)
r = i=1 i . (5.1.1)
n × sx × s y

4. Проверить гипотезу о достоверности выборочного коэффи-


циента корреляции.

195
Коэффициент корреляции между двумя признаками генераль-
ной совокупности оценивается по выборочным данным. Однако
на основе значения выборочного коэффициента корреляции нельзя
делать вывод о наличии связи между рассматриваемыми факто-
рами генеральной совокупности. Для того чтобы сделать вывод
о тесноте взаимосвязи с той или иной вероятностью ошибки,
необходимо проверить гипотезу о достоверности полученного
выборочного коэффициента корреляции.

Алгоритм проверки гипотезы о достоверности выборочного


коэффициента корреляции Пирсона
1. Формулируется нулевая гипотеза как предположение о том,
что значение генерального коэффициента корреляции равно нулю,
то есть взаимосвязь между величинами отсутствует: Н0 : ρ = 0.
2. Формулируется альтернативная гипотеза как предположение
о том, что истинное значение генерального коэффициента корре-
ляции отлично от нуля: H1 : ρ ≠ 0.
3. Выбирается уровень значимости α (обычно 0,05).
4. По выборочным данным вычисляется коэффициент корреля-
ции r и количество степеней свободы ν = п –2.
5. Вычисляется эмпирическое значение t-критерия Стьюдента.

t = r n –22 . (5.1.2)
1–r
6. Исходя из количества степеней свободы ν и выбранного
уровня значимости α по таблице (Приложение 1) определяется
критическое значение t-критерия Стьюдента.
7. Если эмпирическое значение t-критерия оказалось меньше
критического, то принимается нулевая гипотеза. Говорят, что
выборочный коэффициент корреляции недостоверен, то есть
результаты исследования не позволяют утверждать, что величины
x и y взаимосвязаны. Если эмпирическое значение t-критерия
оказалось больше критического, то на уровне значимости α при-
нимается альтернативная гипотеза. Это значит, что взаимосвязь
между исследуемыми факторами существует, причем вероятность
ошибочности данного утверждения составляет α.

196
Определение достоверности коэффициента корреляции явля-
ется важным моментом при проведении статистического анализа,
поэтому для упрощения расчетов составлены таблицы критиче-
ских значений выборочного коэффициента корреляции. При нали-
чии таких таблиц можно не вычислять эмпирическое значение
t-критерия Стьюдента, а непосредственно сравнить полученное
выборочное значение коэффициента корреляции r с критическим
rα при выбранном уровне значимости α и объеме выборки п
(Приложение 2).
Если выборочное значение коэффициента корреляции оказа-
лось меньше критического, то выборочный коэффициент корре-
ляции не является достоверным, то есть имеющиеся данные не
позволяют сделать вывод о том, что исследуемые величины свя-
заны между собой.
Если выборочное значение коэффициента корреляции больше
табличного, то коэффициент корреляции достоверен, то есть
с вероятностью ошибки α можно утверждать, что между иссле-
дуемыми величинами существует взаимосвязь.

Пример 5.1.2. Определить тесноту взаимосвязи между резуль-


татами, показанными тяжелоатлетами в рывке (X, кг) и в прыжке
в высоту (Y, см), если в тестировании участвовало 5 человек.
Решение. Для вычисления выборочного коэффициента корре-
ляции составим расчетную таблицу из восьми столбцов (табл.
5.1.2). В первом столбце записаны номера испытуемых, каждому
из которых соответствует пара значений х; у – результаты, пока-
занные в контрольных упражнениях.
Во втором и третьем столбцах таблицы указаны результаты
тестирования, в последней строке – суммы соответствующих
значений.
Вычислим выборочные средние значения результатов тестиро-
вания:
680 355
x= = 136 кг; y = = 71 см.
5 5

197
Таблица 5.1.2
Расчетная таблица для вычисления выборочного
коэффициента корреляции
№ x y x–x (x–x)2 y–y (y–y)2 (x–x) (y–y)
1 2 3 4 5 6 7 8
1 140 64 4 16 –7 49 –28
2 120 63 –16 256 –8 64 128
3 130 72 –6 36 1 1 –6
4 140 76 4 16 5 25 20
5 150 80 14 196 9 81 126
Σ 680 355 520 220 240

В четвертый столбец внесем отклонения каждого значения


величины х от выборочного среднего х, возведем полученные
отклонения в квадрат, в пятый столбец запишем квадраты откло-
нений. В шестой столбец запишем отклонения каждого значения
величины у от выборочного среднего у, в седьмой – квадраты
отклонений.
Найдем суммы квадратов отклонений значений xi и yi; запишем
их в последнюю строку пятого и седьмого столбцов.
Найдем выборочные средние квадратические отклонения sx
и sy . Выборочное среднее квадратическое отклонение равно квад-
ратному корню из исправленной дисперсии. Для вычисления
выборочной исправленной дисперсии разделим суммы квадратов
отклонений на п – 1 (объем выборки, уменьшенный на единицу).

520 220
sx = = 11,4 кг , sy = = 7,4 кг .
4 4

Найдем выборочный коэффициент корреляции:

n
∑ (x – x ) × (yi – y) 240
r = i=1 i = = 0,569.
n × sx × s y 5 × 11,4 × 7,4

198
Выборочный коэффициент корреляции между результатами,
показанными тяжелоатлетами в рывке и в прыжке в высоту, со-
ставляет 0,569. Однако для того чтобы сделать вывод о том, что
между этими величинами действительно существует взаимосвязь,
необходимо проверить гипотезу о достоверности выборочного
коэффициента корреляции.
Воспользуемся приведенным выше алгоритмом проверки гипо-
тезы.
1. Сформулируем нулевую гипотезу: Н0 : ρ = 0.
2. Сформулируем альтернативную гипотезу: Н1 : ρ ≠ 0.
3. Выберем уровень значимости α = 0,05.
4. Выборочный коэффициент корреляции r = 0,569, количество
степеней свободы: v = п –2 = 5 –2 = 3.
5. Вычислим эмпирическое значение t-критерия Стьюдента:

r n–2 0,569 × 3
t= = = 1,177 .
1 – r2 1 – 0,5692

6. По таблице (Приложение 1) определим критическое значение


t-критерия Стьюдента. Критическое значение t-критерия для уров-
ня значимости α = 0,05 и количества степеней свободы v = 3 состав-
ляет 3,182.
7. Так как эмпирическое значение t-критерия Стьюдента меньше
критического, то выборочные данные не позволяют считать коэф-
фициент корреляции достоверным, то есть между величинами
x и y не выявлено взаимосвязи.
Если воспользоваться таблицей критических значений коэффи-
циента корреляции, то увидим, что для выборки из пяти человек
критическое значение составляет r0,05 = 0,878; полученное нами
выборочное значение r = 0,569. Поскольку эмпирическое значение
меньше критического, то выборочный коэффициент корреляции
недостоверен, то есть такой объем выборки не позволяет считать,
что величины x и y связаны между собой.

199
Коэффициент ранговой корреляции Спирмена

В том случае, когда распределение генеральной совокупности,


из которой извлечена выборка, нельзя считать нормальным, для
установления тесноты взаимосвязи используют непараметриче-
ские (ранговые) коэффициенты корреляции, наиболее распростра-
ненным из которых является коэффициент корреляции Спир-
мена – rs .
Коэффициент корреляции Спирмена обладает меньшей мощ-
ностью, то есть дает менее точные результаты по сравнению
с коэффициентом корреляции Пирсона, в то же время он имеет
свои преимущества. Его применение требует меньшей вычис-
лительной работы. Ранговый коэффициент корреляции приме-
няют в тех случаях, когда нужно выявить взаимосвязь между
величинами, представленными в порядковой шкале (места,
занятые командами в турнире) или между качественными призна-
ками, которые не могут быть точно измерены, но могут быть рас-
ставлены в определенном порядке.

Алгоритм вычисления коэффициента корреляции Спирмена


1. Составить выборку, представленную парами значений х; у.
2. Найти ранги величин X и Y, вычислить разность рангов Rx, Ry .
3. Вычислить коэффициент корреляции по следующей фор-
муле:
n
∑ (Rx – Ry)2
rs = 1 – 6 i = 1 2 ,
n(n – 1)

где Rx ; Ry – ранги значений х и у; п – объем выборки.

4. Проверить гипотезу о достоверности выборочного коэффи-


циента корреляции Спирмена или сравнить его с критическим
значением (Приложение 3).

200
Алгоритм проверки гипотезы о достоверности коэффици-
ента корреляции Спирмена
1. Формулируется нулевая гипотеза как предположение об отсут-
ствии связи между величинами X и Y: Н0 : ρs= 0.
2. Формулируется альтернативная гипотеза как предположение
о том, что связь между исследуемыми величинами существует:
Н1 : ρs ≠0.
3. Выбирается уровень значимости α (обычно α = 0,05).
4. По выборочным данным вычисляется коэффициент корреля-
ции Спирмена rs , и количество степеней свободы ν = п–2.
5. Вычисляется эмпирическое значение Т-критерия по следую-
щей формуле:
1 – r2s
T = tкр × , (5.1.3)
n– 2
где tкр – критическое значение t-критерия Стьюдента, определен-
ное по таблице (Приложение 1), на основании выбранного уровня
значимости и количества степеней свободы; rs – выборочное
значение коэффициента корреляции Спирмена; п – объем
выборки.

7. Если выборочное значение коэффициента корреляции Спир-


мена rs оказалось меньше вычисленного Т-критерия, то принима-
ется нулевая гипотеза, то есть взаимосвязь между величинами X
и Y отсутствует. Если выборочное значение коэффициента корре-
ляции rs оказалось больше вычисленного Т-критерия, то говорят,
что взаимосвязь между исследуемыми показателями достоверна
с вероятностью ошибки α.

Пример 5.1.3. Определить наличие взаимосвязи между резуль-


татами, показанными школьниками в сгибании рук в упоре лежа
(X, количество раз) и броске набивного мяча (Y, см), если в тести-
ровании участвовало 10 человек.
Решение. Для вычисления коэффициента корреляции Спирмена
составим расчетную таблицу (табл. 5.1.3).

201
Таблица 5.1.3
Расчетная таблица для вычисления коэффициента корреляции
Спирмена
№ x y Rx Ry Rx – Ry (Rx – Ry)2
1 2 3 4 5 6 7
1 8 590 5,5 5 0,5 0,25
2 6 570 8,5 7,5 1 1
3 7 570 7 7,5 –0,5 0,25
4 8 560 5,5 9 –3,5 12,25
5 9 610 4 2 2 4
6 10 600 2,5 3,5 –1 1
7 5 550 10 10 0 0
8 11 620 1 1 0 0
9 6 580 8,5 6 2,5 6,25
10 10 600 2,5 3,5 –1 1
Σ 26

В первом столбце расчетной таблицы указаны номера испытуе-


мых, во втором и третьем – результаты, показанные испытуемыми
при тестировании.
В четвертый столбец запишем ранги значений первого теста Rx ,
в пятый – ранги значений второго теста Ry . В шестой столбец
запишем разности рангов Rx – Ry , в седьмой – квадраты разностей
рангов. Сумму квадратов разностей рангов внесем в последнюю
строку седьмого столбца таблицы.
Сумма квадратов разностей рангов составляет 26.
Найдем выборочное значение коэффициента корреляции Спир-
мена.

n 2
∑ (Rx – Ry) 6 × 26
rs = 1 – 6 i = 1 2 =1– = 0,843.
n(n – 1) 10 × (100 – 1)

202
Проверим гипотезу о достоверности выборочного коэффици-
ента корреляции.
1. Н0 : ρs= 0.
2. Н1 : ρs ≠ 0.
3. α = 0,05.
4. v = n –2 = 10 –2 = 8.
5. По таблице критических значений t-критерия Стьюдента
найдем критическую точку t0,05 = 2,306.
6. Вычислим эмпирическое значение t-критерия Стьюдента.

1 – 0,8432
t = 2,306 × = 0,438.
10 – 2

7. Сравним выборочное значение коэффициента корреляции


с полученным значением t-критерия: rs > T (0,843>0,438).
8. Выборочный коэффициент корреляции оказался больше
t-критерия, значит, следует принять альтернативную гипотезу,
то есть взаимосвязь между величинами является достоверной
с вероятностью ошибки 0,05.

Оценка взаимосвязи качественных признаков

Нередко требуется количественно оценить зависимость между


качественными признаками, то есть такими, которые нельзя пред-
ставить в виде числовых значений. Например, нужно выяснить,
существует ли зависимость между занятиями спортом и заболе-
ваемостью детей.
Определить наличие взаимосвязи между качественными при-
знаками можно при помощи тетрахорического коэффициента
сопряженности.
Для вычисления коэффициента сопряженности строят таблицу,
в которой указывают количество испытуемых, обладающих опре-
деленной парой признаков:

203
Признак 2
Признак 1
Наличие Отсутствие
Наличие a b
Отсутствие c d

Затем вычисляют коэффициент сопряженности и проверяют


его достоверность.

r= ad – bc
.
(a + b)(c + d)(a + c)(b + d)

Алгоритм проверки гипотезы о достоверности коэффици-


ента сопряженности
1. Формулируется нулевая гипотеза как предположение о том,
что между исследуемыми качественными характеристиками отсут-
ствует взаимосвязь: H0 : rА = 0.
2. Формулируется альтернативная гипотеза как предположение
о том, что между исследуемыми характеристиками есть взаимо-
связь: H1 : rА ≠ 0.
3. Выбирается уровень значимости (обычно α = 0,05).
4. Вычисляется эмпирическое значение критерия χ2 : χ2 = nrr2А .
Определяют критическое значение χ2 при количестве степеней
свободы.
6. Если эмпирическое значение χ2-критерия оказалось меньше
критического, то коэффициент сопряженности считается недосто-
верным, то есть взаимосвязь между величинами X и Y отсутствует.
Если эмпирическое значение χ2-критерия оказалось больше крити-
ческого, то говорят, что взаимосвязь между исследуемыми пока-
зателями достоверна с вероятностью ошибки α.

Пример 5.1.4. Установить взаимосвязь между занятиями спор-


том и заболеваемостью школьников при помощи коэффициента
сопряженности.
Решение:
Составим расчетную таблицу (табл. 5.1.4), в которую запишем
количество объектов, обладающих парами признаков: дети, зани-

204
мающиеся спортом, редко болеющие (n1 = 10); дети, занимаю-
щиеся спортом, часто болеющие (n2 = 4); дети, не занимающиеся
спортом, редко болеющие (n3= 5); дети, не занимающиеся спортом,
часто болеющие (n4= 12).

Таблица 5.1.4
Расчетная таблица для решения задачи
Заболеваемость
Занятия спортом Σ
Редко Часто
Занимающиеся 10 4 14
Не занимающиеся 5 12 17
Σ 15 16 31

Вычислим коэффициент сопряженности:

r= 10 × 12 – 4 × 5 .
(10 + 4)(5 + 12)(10 + 5)(4 + 12)

Найдем эмпирическое значения χ2-критерия:

χ2 = nr2А = 31 × 0,562 = 9,72.

Критическое значение χ20,05=3,84; χ20,01= 6,63; χ20,001=10,83.


Эмпирическое значение критерия оказалось больше табличных
на уровне значимости 0,05 и 0,01. Следовательно, выборочный
коэффициент сопряженности дает основание предполагать, что
дети, занимающиеся спортом, болеют реже, чем не занимаю-
щиеся. Вероятность ошибочности такого вывода составляет 0,01.

Применение Excel в корреляционном анализе

Пример 5.1.5. Параметрическая корреляция (коэффициент


корреляции Пирсона).
Исследовалась группа спортсменок 1-го разряда, специализи-
рующихся в беге на 400 м. Цель исследования состояла в том,

205
чтобы выявить следующие переменные: время стартовой реакции,
время пробегания первой половины дистанции и время пробегания
последних 200 м. На соревнованиях для 20 спортсменок получены
экспериментальные данные – 20 наблюдений для этих величин.
Нам необходимо определить степень зависимости между ними,
используя коэффициент корреляции.

Таблица 5.1.5
Результаты в беге на 400 м
A B C A B C
№ T №
реакции, с T0–200, с T300–400, с Tреакции, с T0–200, с T300–400, с

1 0,254 25,2 30,8 11 0,256 25,7 30,3


2 0,262 25,5 30,7 12 0,239 26,1 29,9
3 0,252 26,4 29,4 13 0,248 26,0 29,8
4 0,244 26,0 30,2 14 0,264 25,8 30,4
5 0,285 25,2 30,6 15 0,234 25,9 30,3
6 0,249 25,8 30,5 16 0,228 26,2 30,5
7 0,233 25,8 30,2 17 0,265 25,7 30,5
8 0,247 24,9 31,4 18 0,236 25,3 31,0
9 0,261 25,7 30,4 19 0,238 25,6 30,6
10 0,253 26,4 30,1 20 0,265 25,9 30,4

Шаг 1. Набрать исходные данные в электронной таблице


(столбцы А, В, С табл. 5.1.5).
Шаг 2. В меню выбрать вкладку Данные, а затем Анализ
данных*. Появится окно выбора метода обработки (рис. 5.1.4).

* Надстройку Анализ данных предварительно в Excel необходимо вклю-


чить. Перейдите в меню Файл, затем Параметры, выберете Надстройки.
Нажмите на кнопку Перейти, затем выберете Пакет анализа и нажмите
ОК.

206
Рис. 5.1.4. Окно выбора обработки данных

ɒɚɝ .   


 Ʉɨɪɪɟɥɹɰɢɹ – 
 
       .      
       .

Рис. 5.1.5. Окно установки параметров корреляционного анализа

ȼɯɨɞɧɨɣ ɢɧɬɟɪɜɚɥ –      ,


 
 !    

   
 "
# $.
Ƚɪɭɩɩɢɪɨɜɚɧɢɟ –    %
    
 , !   $   $ 
$ %
  .

207
ȼɵɯɨɞɧɨɣ ɢɧɬɟɪɜɚɥ –

    # $%,% " -


%,
%&


  %%
  ( , %

   %). '
$   %%
# 
# .
ɇɨɜɵɣ ɪɚɛɨɱɢɣ ɥɢɫɬ –
  
%# , 

  %     %$    

-

%&!  * %
    !  %

#   %! % %%. %


%.
ɇɨɜɚɹ ɪɚɛɨɱɚɹ ɤɧɢɝɚ –
  
%# , 

  %

%& % %  
    %%  !  
  
$ ,
#  # $ ,1.
ɒɚɝ . - %
    
 " ɈɄ  %-
#   % .. 
 $    /

Рис. 5.1.6. Результаты


у расчета
р коэффициента
фф ц корреляции
рр ц

3..    " %#   %  .


6   %   

.%$ =37''89 (,2 : ,21

208
В2 : В21); =КОРРЕЛ (А2 : А21; С2 : СВ21); =КОРРЕЛ (В2 : В21;
С2 : С21), то в ячейках, где они набраны, получите значения коэф-
фициентов корреляции столбца А с В, А с С и В с С соответ-
ственно.

5.2. РЕГРЕССИОННЫЙ АНАЛИЗ

Описанный выше корреляционный анализ позволяет опреде-


лить уровень взаимосвязи между признаками, направление и форму
существующей между ними связи. Однако он не позволяет пред-
сказать изменения одного из связанных признаков при изменении
другого. В то же время регрессионный анализ дает возможность
по величине одного признака (X) находить ожидаемое значение
другого признака (Y),
Y связанного с ним корреляционной связью,
т.е. позволяет предсказать поведение одного из параметров при
целенаправленном изменении другого.
Например, каков станет результат в прыжках в высоту с полного
разбега у спортсменов, если они увеличат свой результат в прыжке
с укороченного разбега на определенную величину. В данном слу-
чае, проведя регрессионный анализ, мы сможем говорить о раз-
мере изменения величины одного признака (результата в прыжке
с полного разбега) в связи с изменением, на единицу измерения,
величины другого (результата в прыжке с укороченного разбега)
и наоборот.
В этой связи регрессионный анализ дает возможность опреде-
лять модельные характеристики спортсменов конкретного уровня
подготовленности или квалификации, прогнозировать спортивные
результаты по уровню подготовленности или уровень подготов-
ленности для конкретного спортивного результата.

209
Коэффициент регрессии

Коэффициент регрессии дает возможность, при существующей


линейной зависимости между признаками, определить размер
изменения величины признака одного явления (X) в связи с изме-
нением на единицу измерения величины другого признака (Y).
Расчет коэффициента регрессии производится по формулам:
a) Если коэффициент корреляции между признаками неизве-
стен, то применима формула:

∑ (Y – Y) × (X – X) ∑ (Y – Y) × (X – X) (5.2.1)
byx = 2 или bxy = ,
∑ (X – X) ∑ (Y – Y)2

где byx – коэффициент регрессии Y по X; bxy – коэффициент регрес-


сии X по Y.

б) Если известен коэффициент корреляции между признаками,


то применима следующая формула:

∑ (Y – Y)2 ∑ (X – X)2 , (5.2.2)


byx = r × или bxy = r ×
∑ (X – X)2 ∑ (Y – Y)2

где r – коэффициент корреляции между признаками X и Y.

Пример 5.2.1. Исследовалось влияние темпа последнего шага


в разбеге прыгунов в длину на спортивный результат в прыжках
в длину с разбега. С этой целью фиксировались спортивные
результаты (X) и соответствующие им значения темпа последнего
шага разбега (Y).
Y Полученные данные представлены в таблице
5.2.1, где наряду с зафиксированными показателями рассчитыва-
лись вспомогательные, производные от них, величины, необходи-
мые для дальнейших расчетов.

210
Таблица 5.2.1
Влияние темпа последнего шага в разбеге прыгунов в длину
на спортивный результат в прыжках в длину с разбега
n X Y X2 Y2 X×Y (X – X)2 (Y – Y)2
1 8,18 5,21 66,912 27,144 42,618 0,224 0,119
2 7,98 5,01 63,68 25,1 39,98 0,275 0,021
3 7,72 4,98 59,598 24,8 38,446 0,0002 0,013
4 7,71 4,91 59,444 24,108 37,856 0,00001 0,002
5 7,70 4,85 59,29 23,523 37,345 0,00005 0,0002
6 7,68 4,82 58,982 23,232 37,018 0,0007 0,002
7 7,62 4,76 58,064 22,658 36,271 0,0076 0,011
8 7,60 4,74 57,76 22,468 36,024 0,0114 0,0156
9 7,56 4,68 57,154 21,902 35,381 0,0216 0,034
10 7,32 4,69 53,582 21,996 34,331 0,1498 0,031
Σ 77,07 48,65 594,466 236,931 375,270 0,49 0,249

Рассчитаем коэффициент корреляции:

(77,07 × 48,65)
375,27 –
rxy =
10
=
( ) ( )
2
77,07 48,652
594,446 – × 236,931 –
10 10

375,27 – 374,945
= =
(594,466 – 593,978) × (236,931 – 236,682)

0,325
= = 0,939.
0,488 × 0,24

211
По формулам 5.2.2 рассчитаем коэффициент регрессии:

0,49
bxy = 0,939 × = 0,939 × 1,403 = 1,32 ,
0,249

0,249
byx = 0,939 × = 0,939 × 0,713 = 0,669 .
0,49

Полученный коэффициент регрессии bxy позволяет сделать


вывод: увеличение спортивного результата на 1 м связано с уве-
личением темпа последнего шага на 1,32 шаг/с. Преобразовав
единицы измерения в сантиметры, получим, что увеличение
спортивного результата на 10 см связано с увеличением темпа
последнего шага на 0,123 шаг/с. В то же время (на основании bxy)
увеличение темпа последнего шага на 1 шаг/с приводит к росту
спортивного результата на 67 см.
Связь между коэффициентами регрессии и корреляции.
Существует взаимосвязь между коэффициентами регрессии
и коэффициентом корреляции, которая выражается через равен-
ство:

r2 = byx × bxy, откуда r = byx × bxy . (5.2.3)

Этой формулой можно воспользоваться для нахождения не-


известной величины коэффициента корреляции по известным
значениям коэффициентов регрессии. Кроме этого, с ее комоды
можно контролировать правильность расчета коэффициента
корреляции.

Уравнение линейной регрессии

Как отмечалось выше, связь между признаками изучаемого


явления может быть различной. Если зависимость линейная

212
(скорость – время пробегания, длина бегового шага – скорость
бега и т.п.), то ее можно выразить через уравнение:

Y = a + bx,

где Y – ожидаемое значение переменной величины, соответствую-


щее определенному значению переменной X; а – свободный член
уравнения; b – коэффициент регрессии.

Определив а и b, задавая различные значения переменной X,


мы можем определить соответствующее ей значение Y. Например,
по данному результату в прыжках в высоту (X) возможно опреде-
лить величину двигательного потенциала прыгуна» что даст нам
возможность прогнозировать должное значение двигательного
потенциала для достижения планируемого спортивного резуль-
тата.
Для определения параметров уравнения линейной регрессии
(а и b) используют следующие формулы:

n ∑ XY – ∑ X × ∑Y ∑Y – b × ∑X . (5.2.4)
b= 2 2 ; a=
n∑X – (∑X) n

Воспользуемся данными из таблицы 5.2.1 для определения


коэффициентов регрессии и решим уравнение:

(10 × 375,27) – (77,07 × 48,65) 3752,7 – 3749,45


rxy = 2 = = 0,666 ,
(10 × 594,466) – 77,07 5944,66 – 5939,78

48,65 – 0,666 ×77,07 48,65 – 51,33


a= = = – 0,268.
10 10

Уравнение регрессии принимает вид:

Y = –0,268 + 0,666 × X .

213
Воспользуемся этим уравнением и определим, какой величины
должен быть темп последнего шага разбега (Y)
Y при прыжке в длину
на 8 м 50 см (X):

Y = –0,268 + 0,666 × 8,50 = –0,268 + 5,661 = 5,393.

Следовательно, чтобы показать результат 8 м 50 см в прыжке


в длину с разбега, необходимо иметь темп последнего шага, рав-
ный 5,393 шаг/с. Аналогичным образом можно рассчитать долж-
ный показатель темпа для любого спортивного результата в прыжке
в длину.
Кроме уравнения линейной регрессии, существуют и другие –
гиперболическая, степенная, показательная, параболическая и ряд
других, описывающих линии регрессии различной формы. Расчет
их показателей довольно громоздкий и требует больших затрат
времени. В этой связи мы рекомендуем, при необходимости, про-
изводить расчеты на ПЭВМ со специализированным програм-
мным обеспечением. Современные вычислительные средства значи-
тельно облегчают процесс математико-статистической обработки
материалов исследований, существенно сокращают время и делают
его более творческим.

Применение Excel в регрессионном анализе

Пример 5.2.2. Линейная регрессия.


В табл. 5.2.2 представлены лучшие результаты в беге на 100 м
и по прыжкам в длину спортсменов различной квалификации
(пример условный). Выявим эту зависимость с помощью линей-
ной регрессии.
Excel предоставляет пользователю соответствующие функции
для построения линий регрессии. Для этого можно использовать
так называемые линии тренда для диаграмм.

214
Таблица 5.2.2
Результаты бега на 100 м и прыжка в длину спортсменов
различной квалификации
Бег на
10,00 10,20 10,30 10,40 10,60 10,70 10,80 11,00 11,30 11,50 11,90 12,00 12,20 12,30
100 м, с
Прыжки
в длину, 8,80 8,65 8,70 8,00 7,70 7,20 6,95 6,90 6,70 6,60 6,55 6,40 6,10 6,20
м

Шаг 1. Ввести данные в электронную таблицу и построить


XY-диаграмму.
Шаг 2. В меню выбрать вкладку Вставить, далее – Диаграм-
мы, а затем выбрать вкладку Все диаграммы, тип диаграмм –
Точечная (рис. 5.2.1).

Рис. 5.2.1. Выбор варианта диаграммы в диалоге Мастера


диаграмм

215
ɇɚ ɪɢɫ. 5.2.2 ɩɨɤɚɡɚɧɨ, ɤɚɤ Ɇɚɫɬɟɪ ɞɢɚɝɪɚɦɦ ɩɨɫɬɪɨɢɥ ɝɪɚɮɢɤ
ɩɨ ɬɟɦ ɞɚɧɧɵɦ, ɤɨɬɨɪɵɟ ɦɵ ɡɚɞɚɥɢ.

Рис. 5.2.2. XY-диаграмма, созданная с помощью Мастера


диаграмм

ɒɚɝ . ɇɟɫɤɨɥɶɤɨ ɢɡɦɟɧɢɦ ɞɢɚɝɪɚɦɦɭ: ɩɨɦɟɧɹɟɦ ɝɪɚɞɭɢɪɨɜɤɭ


ɨɫɟɣ. ɂɫɩɨɥɶɡɭɟɦ ɞɢɚɩɚɡɨɧ ɡɧɚɱɟɧɢɣ ɩɨ ɨɫɢ ɨɬ 10.00 ɞɨ 12.50 ɫ.
ɋɨɨɬɜɟɬɫɬɜɭɸɳɢɦ ɨɛɪɚɡɨɦ ɢɡɦɟɧɢɦ ɢ ɨɫɶ (ɪɢɫ
( . 5.2.3).

9
Прыжок в длину, м

8,5
8
7,5
7
6,5
6
10 10,5 11 11,5 12 12,5
Бег на 100 м, с

Рис. 5.2.3. Данные на диаграмме с измененными осями

216
Шаг 4. Выделим диаграмму, в меню Конструктор диаграмм
нажимаем Добавить элемент диаграммы, выберем пункт Линия
тренда (рис. 5.2.4).

Рис. 5.2.4. Пункт Линия тренда

Excel дает возможность использовать один из шести типов


линий тренда. В нашем случае выбран линейный тип. Линия
регрессии строится по диаграмме так, как показано на рис. 5.2.5.
Вверху диаграммы показано уравнение регрессии.

y = –1,1173x + 19,633
9
Прыжок в длину, м

8,5
8
7,5
7
6,5
6
10 10,5 11 11,5 12 12,5
Бег на 100 м, с

Рис. 5.2.5. Готовая диаграмма с линией регрессии

217
Пример 5.2.3. Прогноз. Имеется количество школьных спортив-
ных площадок, построенных за 10 последних лет в одной из обла-
стей России (табл. 5.2.3).

Таблица 5.2.3
Количество школьных площадок
Период времени, годы
Показа-
тель 1-й 2-й 3-й 4-й 5-й 6-й 7-й 8-й 9-й 10-й
Кол-во 19 33 54 61 96 115 122 144 153 172
площадок

Шаг 1. Построить по данным табл. 5.2.3 график (рис. 5.2.6).

180

150
Область построения диаграммы
120

90

60

30

0
1 2 3 4 5 6 7 8 9 10

Рис. 5.2.6. Изменение во времени наличия школьных спортивных


площадок

Шаг 2. Выделим диаграмму, в меню Конструктор диаграмм


нажимаем Добавить элемент диаграммы, выберем пункт Линия
тренда и далее – Дополнительные параметры линии тренда
(рис. 5.2.7).

218
Рис. 5.2.7. Параметры линии тренда

Шаг 3. Для выполнения прогноза в окне Прогноз вперед на:


введите число периодов, на которое необходимо сделать прогноз.

На рис. 5.2.8 представлен вид кривой, включающей точки


значений спрогнозированного количества площадок.

180
150
120
90
60
30
0
1 2 3 4 5 6 7 8 9 10

Рис. 5.2.8. Вид кривой с линией тренда и прогнозом на 3 периода


вперед
д

219
5.3. ДИСПЕРСИОННЫЙ АНАЛИЗ

Дисперсионный анализ, предложенный Р. Фишером, является


статистическим методом, предназначенным для выявления влия-
ния ряда отдельных факторов на результаты экспериментов. Этот
метод базируется на предположении о том, что если на объект
(группу испытуемых) влияет несколько независимых факторов
и их влияние складывается, то общую дисперсию значений при-
знака, характеризующую объект (группу испытуемых), можно раз-
ложить на сумму дисперсий, возникающих в результате воздей-
ствия каждого отдельного фактора, а также обусловленных случай-
ными влияниями (остаточная дисперсия). Сравнение дисперсий,
обусловленных влиянием различных факторов, со случайной
(остаточной) дисперсией позволяет оценить значимость вклада
каждого из факторов, т.е. оценить достоверность этих влияний.
В основе дисперсионного анализа лежит предположение, что
одни переменные могут рассматриваться как причины, а другие
как следствия. При этом в педагогических исследованиях именно
переменные, рассматриваемые как причины, считаются факто-
рами (независимыми переменными), а вторые переменные, рас-
сматриваемые как следствия, – результативными признаками
(зависимыми переменными). Независимые переменные называют
иногда регулируемыми факторами именно потому, что в экспери-
менте психолог имеет возможность варьировать ими и анализи-
ровать получающийся результат. Таким образом, дисперсионный
анализ может выступать как метод, направленный на изучение
изменчивости признака под влиянием каких-либо контролируе-
мых факторов. Он позволяет выявить взаимодействие двух или
большего числа факторов в их влиянии на один и тот же результа-
тивный признак (зависимую переменную).
Сущность дисперсионного анализа заключается в расчленении
общей дисперсии изучаемого признака на отдельные компоненты,
обусловленные влиянием конкретных факторов, и проверке гипо-
тез о значимости влияния этих факторов на исследуемый признак.
Сравнивая компоненты дисперсии друг с другом посредством

220
F-критерия Фишера, можно определить, какая доля общей вариа-
тивности результативного признака обусловлена действием регу-
лируемых факторов.
Исходным материалом для дисперсионного анализа служат
данные исследования трех и более выборок, которые могут быть
как равными, так и неравными по численности, как связными, так
и несвязными. По количеству выявляемых регулируемых факто-
ров дисперсионный анализ может быть однофакторным (при этом
изучается влияние одного фактора на результаты эксперимента),
двухфакторным (при изучении влияния двух факторов) и много-
факторным.

Однофакторный дисперсионный анализ

Нами будет рассмотрен только однофакторный дисперсионный


анализ, используемый для несвязных выборок. Оперируя как
основным понятием дисперсии, этот анализ базируется на расчете
дисперсий трех типов:
– общая дисперсия, вычисленная по всей совокупности экспе-
риментальных данных;
– внутригрупповая дисперсия, характеризующая вариативность
признака в каждой выборке;
– межгрупповая дисперсия, характеризующая вариативность
групповых средних.
Основное положение дисперсионного анализа гласит: общая
дисперсия равна сумме внутригрупповой и межгрупповой дис-
персий.
Это положение перепишем в виде уравнения 5.3.1:

∑∑ (xij – x)2 ∑∑ (xij – xj)2 ∑nj (xj – x)2


= + , (5.3.1)
N–1 N–p p–1

где хij – значения всех переменных, полученных в эксперименте;


при этом индекс j меняется от 1 до р, где р – число сравниваемых

221
выборок, их может быть три и больше; индекс i соответствует
числу элементов в выборке (их может быть два и больше);
х – общая средняя всей анализируемой совокупности данных;
xj – средняя у выборки;
N – общее число всех элементов в анализируемой совокупности
экспериментальных данных;
р – число экспериментальных выборок.

Проанализируем уравнение 5.3.1 более подробно.


Пусть у нас имеется р групп (выборок). В дисперсионном
анализе каждую выборку представляют в виде одного столбца
(или строки) чисел. Тогда, для того чтобы можно было указать на
конкретную группу (выборку), вводится индекс у, который меня-
ется соответственно от j = 1 до j = р. Например, если у нас 5 групп
(выборок), то р = 5, а индекс у меняется соответственно от j =1 до
j = 5.
Пусть перед нами стоит задача – указать конкретный элемент
(значение измерения) какой-либо выборки. Для этого мы должны
знать номер этой выборки, например 4, и расположение элемента
(измеренного значения) в этой выборке. Этот элемент может рас-
полагаться в выборке начиная с первого значения (первая строчка)
до последнего (последняя строчка). Пусть наш искомый элемент
расположен на пятой строчке. Тогда его обозначение будет таково:
х54 . Это значит, что выбран пятый элемент в строчке из четвертой
выборки.
В общем случае в каждой группе (выборке) число составляю-
щих ее элементов может быть различным – поэтому обозначим
число элементов в j группе (выборке) через пj. Полученные в экс-
перименте значения признака в j группе обозначим через хij где
i = 1, 2, …, пp – порядковый номер наблюдения в у-группе.
Дальнейшие рассуждения целесообразно проводить с опорой
на таблицу 5.3.1. Подчеркнем, однако, что для удобства дальней-
ших рассуждений выборки в этой таблице представлены не как
столбцы, а как строчки (что, однако, не принципиально).

222
Таблица 5.3.1
Расчетная таблица для решения задачи
Число
Полученные Сумма всех
Номер элементов Средняя
значения элементов
выборки каждой по выборке
признака выборки
выборки

1 x11, x21…xn1, 1 n1 ∑xi1 = T1 X1 = ( ) × ∑x


1
i1

… … … … …

J xij, x2j…xnj, j nj ∑xij = Tj Xj = ( ) × ∑x


j
ij

… … … … …

P x1p, x2p…xnp, p np ∑xip = Tp Xp = ( 1 ) × ∑x


p
ip

Итого N = ∑ni ∑∑xip = G X= ( 1 ) × ∑∑ ij

В итоговой, последней строке таблицы даны: общий объем всей


выборки – N, сумма всех полученных значений G и общая средняя
всей выборки – X. Эта общая средняя получена как сумма всех
элементов анализируемой совокупности экспериментальных
данных, обозначенная выше, как G, деленная на число всех эле-
ментов N.
В крайнем правом столбце таблицы представлены величины
средних по всем выборкам. Например, в j выборке (строчка таб-
лицы 5.3.1, обозначенная символом J ) величина средней (по всей
j выборке) такова:

Xj = ( n1 ) × ∑x .
j
ij

Для расчета по методу однофакторного дисперсионного


анализа, согласно уравнению 5.3.1, необходимо определить две
дисперсии: межгрупповую (дисперсию групповых средних)

223
и внутригрупповую, поскольку общая дисперсия всей выборки
является суммой этих дисперсий. Считается, что межгрупповая
дисперсия обусловлена влиянием изучаемого фактора, а величина
внутригрупповой дисперсии рассматривается как случайная.
Подчеркнем, однако, что при расчетах по методу однофактор-
ного дисперсионного анализа вначале подсчитываются не диспер-
сии, а квадраты отклонений (которые представлены в числителях
всех трех членов формулы 5.3.1), и лишь в заключительной части
расчетов они делятся на соответствующие величины для полу-
чения дисперсий и их дальнейшего сравнения. Таким образом,
в терминах квадратов отклонений основное уравнение однофак-
торного дисперсионного анализа можно переписать так:

общая сумма квадратов отклонений = сумма квадратов


отклонений от групповых средних + сумма квадратов
отклонений групповых средних от общей средней.

Перепишем это положение в виде уравнения 5.3.2:

Q 0 = Q 1 + Q2 , (5.3.2)

где: Q0 – общая сумма квадратов отклонений; Q1 – сумма квадра-


тов отклонений от групповых средних; Q2 – сумма квадратов
отклонений групповых средних от общей средней.

Теперь эти же обозначения представим в виде расчетных фор-


мул:

Q0 = ∑∑(xij – X)2, (5.3.3)


Q1 = ∑∑(xij – Xj)2, (5.3.4)
Xj – X)2.
Q2 = ∑∑(X (5.3.5)

Для получения дисперсии необходимо поделить каждую из


этих величин на соответствующую величину степеней свободы.
Пусть ν0 – число степеней свободы, учитываемое при расчете

224
обшей дисперсии, ν1 – число степеней свободы, учитываемое при
расчете внутригрупповой дисперсии (согласно 5.3.1 оно равно
(N – р)), v2 – число степеней свободы, учитываемое при расчете
межгрупповой дисперсии (согласно 5.3.1 оно равно (р – 1)).
Тогда v0 = vi +v2 = N–p+p–l = N–l, и вычисление оценок дис-
персий будет осуществляться таким образом:

Q1 2 Q2
2
S1 = (5.3.6) и S2 = . (5.3.7)
N–p p–1

Дисперсия S12 – характеризует рассеяние внутри групп (случай-


ная вариация признака), эту величину называют также остаточной
дисперсией.
Дисперсия S22 – характеризует рассеяние групповых средних
(систематическая вариация).
Заключительным этапом дисперсионного анализа является
вычисление отношения дисперсий по формуле (5.3.8), причем
межгрупповая дисперсия S22 всегда находится в числителе, а внут-
ригрупповая S12 (случайная) – в знаменателе. Оценка уровня значи-
мости статистической гипотезы в дисперсионном анализе осуще-
ствляется с помощью F критерия Фишера (Приложение 5). При
этом, если влияние фактора отсутствует, то отношение:

S22
Fэмп = (5.3.8)
S21

не превзойдет критический предел (F Fэмп ≤ Fкрр ), тогда следует


принять нулевую гипотезу Н0. Об отсутствии влияний фактора на
экспериментальные данные и, напротив, если влияние фактора
велико, то (F
Fэмп > Fкрр ), необходимо принять альтернативную гипо-
тезу Н1 о наличии влияния фактора на экспериментальные дан-
ные.
В дисперсионном анализе нулевую гипотезу Н0 можно сфор-
мулировать так: средние величины анализируемого результатив-
ного фактора одинаковы для всех его градаций. Соответственно

225
альтернативная гипотеза Н1 будет утверждать, что средние вели-
чины результативного фактора различны для всех его градаций.
Поскольку для дисперсионного анализа необходимо получить
общую сумму квадратов отклонений (обозначаемую как Q0),
то согласно определению дисперсии необходимо из каждого
элемента экспериментальной совокупности данных вычесть
общее среднее, полученные величины возвести в квадрат и сло-
жить. Поскольку подобную вычислительную процедуру проделать
достаточно сложно, то для вычислений по методу однофакторного
дисперсионного анализа используются более простые уравнения.
При этом расчет оценок дисперсий удобно проводить по спе-
циальной таблице, получившей название таблицы дисперсионного
анализа.

Таблица 5.3.2
Таблица дисперсионного анализа
Характер Сумма Число степеней
Оценка дисперсии
вариации квадратов свободы

2 Q2
Межгрупповая Q2 = ∑n Xj – X)2
nj × (X p–1 S1 =
(p – 1)

Q1
Внутригрупповая Q1 = ∑∑(xij – Xj)2 N–p 2
S2 =
(N – p)

Итого Q0 = ∑∑(xij – X)2 N–1

При этом величины Q0 , Q1 и Q2 можно вычислить по следую-


щим упрощенным формулам (обозначения даны в таблицах 5.3.1
и 5.3.2):
G2
Q0 = ∑∑x2ij – , (5.3.9)
N

T2j G2
Q2 = ∑ – . (5.3.10)
nj N

226
Поскольку Q1 = Q0 – Q2,

T2j
Q1 = ∑∑x2ij – ∑ n . (5.3.11)
j

В качестве примеров использования однофакторного диспер-


сионного анализа для несвязных выборок решим несколько
задач.

Пример 5.3.1. В четырех группах испытуемых, по 17 человек


в каждой, проводилось изучение времени реакции на звуковой
стимул. Интенсивность стимула составила 40, 60, 80 и 100 дБ,
причем в каждой группе предъявлялись стимулы только одной
интенсивности. Проверялась гипотеза о том, что среднее время
реакции уменьшается по мере увеличения громкости звука.
Теперь переформулируем условия задачи в терминах одно-
факторного дисперсионного анализа. В этой задаче регулируе-
мым фактором (т.е. тем фактором, который меняет педагог)
является сила звука, а ее уровни рассматриваются как градации
фактора. Таким образом, фактор «сила звука» выступает как
независимая переменная, а время реакции как результативный
признак, или как зависимая переменная. Проверяется гипотеза
H0 , согласно которой средние и дисперсии в группах обуслов-
лены случайными влияниями и не зависят от действия регули-
руемого фактора.
Решение.
Представим исходные данные для работы с однофакторным
дисперсионным анализом в виде таблицы 5.3.3, в которую вне-
сены некоторые дополнительные расчетные данные.
Вычисления по методу однофакторного дисперсионного анализа
достаточно трудоемки и требуют пристального внимания, во избе-
жание возможных ошибок.

227
Таблица 5.3.3
Расчетная таблица для работы с однофакторным
дисперсионным анализом

Испытуемые Группа 1 Группа 2 Группа 3 Группа 4


п/п 40 дБ. 60 дБ. 80 дБ. 100 дБ.
1 304 272 202 180
2 268 264 178 160
3 272 256 181 157
4 262 269 183 167
5 283 285 187 180
6 265 247 186 167
7 286 250 190 187
8 257 245 167 156
9 279 251 156 159
10 275 261 183 171
11 268 250 167 155
12 254 228 176 158
13 245 257 186 163
14 253 214 192 161
15 235 242 168 157
16 260 222 176 150
17 246 234 192 158
∑x – сумма
4512 4247 3070 2786
по столбцам
X – среднее
265 250 181 164
по столбцам
∑x2 – сумма
по столбцам 1 202 208 1 066 391 556 506 458 246

Алгоритм вычислений по методу однофакторного дисперсион-


ного анализа для несвязанных выборок таков:
1. Рассчитываем суммы элементов по каждому столбцу и зано-
сим их в соответствующие ячейки таблицы 5.3.3.
2. Рассчитываем средние по каждому столбцу, разделив соот-
ветствующие суммы по столбцам на общее число испытуемых
в каждой группе, – 17. Полученные данные заносим в соответ-
ствующие ячейки таблицы 5.3.3.

228
3. Для получения величины, обозначенной выше как G, вычис-
ляем общую сумму всех экспериментальных данных:

G = 4512 + 4247 + 3070 + 2786 = 14 615.

4. Вычисляем квадрат суммы всех экспериментальных данных


(∑∑xijj )2:

G2 = 14 615 × 14 615 = 213 598 225.

Делим полученную величину на общее число эксперименталь-


ных данных:
213 598 225
= 3 141 150,4.
(17 × 4)
Получилась величина, обозначенная выше, как G2/N. Эта вели-
чина используется в формулах (5.3.9) и (5.3.10).
5. Рассчитываем сумму квадратов суммарных значений по каж-
дому столбцу:

45122 + 42472 + 30702 + 27862 =


= 20 358 144 + 18 037 009 + 9 424 900 + 7 761 796 = 55 581 849.

6. Делим эту величину на число испытуемых в группе (столбце):


55 581 849
= 3 269 520,5.
17
Получилась величина, обозначенная выше как:
T2j
∑ .
nj

7. У нас все готово для вычисления величины Q2 по формуле


(5.3.10). Она равна:

Q2 = 3 269 520,5 – 3 141 150,4 = 128 370,1.

229
8. По таблице 5.3.2 определяем число степеней свободы для Q2,
оно равно: p–1= 4 –1 =3.
9. Вычисляем величину S22, равную Q2 /3:

128 370,1
S22 = = 42 790,0.
3

10. Вычисляем сумму квадратов значений всех эксперимен-


тальных данных, т.е. ∑∑2xij :

304 × 304 + 268 × 268 + 272 × 272 +……+ 150 × 150 + 158 × 158 =
= 1 202 208 + 1 066 391 + 556 506 + 458 246 = 3 283 351.

11. Вычисляем величину Q0 по формуле (5.3.9):

3 283 351 – 3 141 150,4 = 142 200,6.

12. Вычисляем величину Q1 = Q0 – Q2

142 200,6 – 128 370,1 = 13 830,5.

13. По таблице 5.3.2 определяем число степеней свободы для


Q1, оно равно: N –p = 68 – 4 = 64.

14. Вычисляем величину

Q1
S21 = = 42 790,0.
(N – p)

15. Осталось применить к полученным величинам критерий


F Фишера.

S22 42 790,0
Fэмп = 2 = = 197.
S1 216,1

230
16. Находим критические точки Fкр . По таблице (Приложе-
ние 5) для F критерия; при степенях свободы, равных 64 и 3,
находим Fкр :

Fкр = { 2,76 для P ≤ 0,05,


4,13 для P ≤ 0,01.

Таким образом, полученная величина Fэмп попала в зону значи-


мости. В терминах статистических гипотез можно утверждать, что
Н0 гипотеза об отсутствии различий отвергается, а принимается
Н1. Педагог может быть уверенным, что при увеличении силы
звука скорость реакции значительно увеличивается. Или регули-
руемый фактор – сила звука оказывает существенное влияние на
независимую переменную – скорость реакции.

Дополнение к расчетам по методу однофакторного


дисперсионного анализа

Величину Q2 и, соответственно, S22 можно подсчитать и по-друго-


му, согласно ее определению по следующей формуле:

nj × (X
Q2 = ∑n Xj – X)2.

Иными словами, вычисляются общее среднее всей выборки


и групповые средние. Из групповых средних вычитается общее
среднее, полученная разность возводится в квадрат и умножается
на число членов в группе. Полученные произведения сумми-
руются. Итак:

265 + 250 + 181 + 164


X= = 215.
4

231
1. Вычисляем общее среднее по всем экспериментальным дан-
ным:
2. Находим разность между каждым средним по группам
(столбцам) и общим средним:

d1 = 265 – 215 = +50


d2 = 250 – 215 = +35
d3 = 181 – 215 = –34
d4 = 164 – 215 = –51

3. Находим межгрупповую сумму квадратов (обозначение Q2)


следующим образом:

Q2 = 17 × (502 + 352 + 342 + 512) = 17 × (2500 + 1225 + 1156 +


+ 2601) = 17 × 7482 = 127 194.

4. Зная число степеней свободы 3, находим теперь S22:

Q2 127 194
S22 = = = 42 398.
3 3

Полученное значение S22 оказалось несколько меньше предыду-


щего, что связано с погрешностями вычислений, поскольку в дан-
ном способе расчета групповые средние округлялись до целого
числа и дробные значения отбрасывались. Однако общий вывод
дисперсионного анализа не изменился.
Закрепим полученные знания решением еще двух задач. Отли-
чие последующих задач от предыдущей будет состоять в том, что
число испытуемых в группах не будет равным и, кроме того, будут
сразу вычисляться величины Q1 и Q2.

Пример 5.3.2. Педагог сравнивает эффективность четырех


разных методик обучения производственным навыкам. Для этой
цели из всех выпускников училища выбраны четыре группы уча-
щихся, обучавшиеся, соответственно, четырьмя разными мето-

232
дами. Эффективность методик оценивалась по сумме обработан-
ных учащимися деталей в течение одного дня.
В категории анализа задача переформулируется так: регули-
руемый фактор (независимая переменная) – тип обучающей про-
граммы, результирующий признак – продуктивность деятельности
ученика, оцениваемая по количеству сделанных деталей. Прове-
ряется гипотеза об отсутствии различий в средних и дисперсиях
между группами учащихся и, соответственно, об отсутствии влия-
ния регулируемого фактора, т.е. типа программы обучения, на
продуктивность деятельности ученика.
Решение.
Результаты обследования представим в виде таблицы 5.3.5.

Таблица 5.3.5
Результаты обследования 4 групп учащихся
№ учащихся 1 группа 2 группа 3 группа 4 группа
1 60 75 60 95
2 80 66 80 85
3 75 85 65 100
4 80 80 60 80
5 85 70 86
6 70 80 75
7 90
Число
участников n1 = 6 n2 = 7 n3 = 6 n4 = 4
в группах
Суммарная
выработка
450 546 426 360
всей группы
в шт.

233
Поскольку сумма значений по каждой группе уже приведена
в таблице, то подсчитаем общую сумму и сумму квадратов каж-
дого значения:

G = 450 + 546 + 426 +360 = 1782.


∑∑xij = 140 481

Произведем дальнейший расчет. Величину Q2 рассчитаем по


формуле (5.3.10):

2 2 2 2 2
Q2 = 450 + 546 + 426 + 360 – 1782 = 917,7,
6 7 6 4 23

а величину Q1 по формуле (5.3.11):

[ ]
2
5462 4262 3602
Q1 = 140 481 – + + + = 27 414.
7 6 4

Q1 Q2
И, поскольку S12 = и S22 = ,
N–p p–1

2414,7 917,7
то S12 = = 78,8 и S22 = = 305,9.
19 3

305,9
Тогда Fэмп = = 3,88.
78,8

По таблице (Приложение 5) находим Fкр для dff2 = 3 и dff1 = 19:

Fкр = { 3,13 для P ≤ 0,05,


5,01 для P ≤ 0,01).

234
Fэмп находится в зоне неопределенности. Однако на уровне 5%
можно принять гипотезу H1 о наличии различий в эффективности
методик обучения. Иными словами, методики обучения в данном
случае оказывают влияние на эффективность производственных
навыков.

Критерии дисперсионного анализа

Как мы только что убедились, дисперсионный анализ доста-


точно трудоемок. Иногда можно воспользоваться так называемыми
«быстрыми» методами – критериями дисперсионного анализа.
Общими для этих методов являются следующие особенности.
Объектом анализа служит здесь изменчивость признака, обуслов-
ленная влиянием одного или нескольких факторов. Однако, как
таковые, дисперсии при расчетах с помощью этих методов не
вычисляются, а вариативность оценивается другими способами:
с помощью величины размаха между максимальными и мини-
мальными значениями признака (критерий Линка и Уоллеса) или
посредством оценки диапазона разности рангов (критерий
Немени). Использование этих статистических характеристик
ускоряет и упрощает процедуру расчетов. Следует иметь в виду,
однако, что эти критерии дают приблизительную оценку влияния
фактора, и если они не подтверждают влияния, то дисперсионный
анализ, возможно, их обнаружит.

Критерий Линка и Уоллеса

Пример 5.3.3.
Педагог-психолог провел в обычной школе (1 группа), в школе-
интернате (2 группа) и в специализированном колледже (3 группа)
тестирование мышления с помощью серии задач. Всего было
предъявлено 10 задач. В каждой группе было по 8 испытуемых.
Фиксировалось количество решенных задач. Психолог выясняет

235
вопрос: влияет ли специфика школьного обучения на эффектив-
ность решения задач?
В категории анализа задача переформулируется так: регулируе-
мый фактор (независимая переменная) – тип школы (или специ-
фика обучения), результирующий признак – количество решенных
задач. Проверяется гипотеза об отсутствии различий в средних
и дисперсиях между группами учащихся и, соответственно, об
отсутствии влияния регулируемого фактора, т.е. специфики обуче-
ния, на продуктивность мыслительной деятельности ученика.
Решение.
Результаты тестирования представлены в таблице 5.3.6.

Таблица 5.3.6
Результаты тестирования 3 групп учащихся
№ испытуемых 1 группа 2 группа 3 группа
1 3 4 6
2 5 4 7
3 2 3 8
4 4 8 6
5 8 7 7
6 4 4 9
7 3 2 10
8 9 5 9

Вычисляем среднее каждого столбца:

∑X1 = 4,750; ∑X2 = 4,625; ∑X3 = 7,750.

Вычисляем размах (max – min) в каждом столбце; это разность


между наибольшим и наименьшим значением:

1 гр. 9 – 2 = 7
2 гр. 8 – 2 = 6
3 гр. 10 – 6 = 4

236
Вычисляем разность между максимальным и минимальным
средним:

(maxX – min X2) = 7,750 – 4,625.

Формула для подсчета эмпирического значения критерия очень


проста:

n × (maxXi – maxXj)
Kэмп = = 78,8 . (5.3.12)
сумма размахов

В нашем случае п = 8 и сумма размахов равна 7+ 6 + 4 =17.


Подставляем эти величины в формулу (5.3.12), получаем:

8 × (7,750 – 4,625) (8 × 3,125)


Kэмп = = = 1,47.
(7 + 6 + 4) 17

По таблице (Приложение 6) находим Ккр при п = 8 и к = 3:

Fкр = { 1,18 для P ≤ 0,05,


1,53 для P ≤ 0,01.
Таким образом, на уровне 5% можно принять гипотезу Н1
о том, что различия между выборками не случайны и обусловлены
действием регулируемого фактора. Важно подчеркнуть, что
и однофакторный дисперсионный анализ привел бы к тому же
выводу (величина F=6,05 при уровне значимости Р= 0,008).
С помощью этого критерия можно также статистически обос-
нованно высказать утверждение о равенстве или неравенстве
полученных средних. Проверка осуществляется по формуле:

Kкр × (сумма размахов)


| Разница средних | > . (5.3.13)
n

237
В том случае, если неравенство выполняется, то различия
между средними статистически значимы. Разница средних берется
по модулю.
С помощью формулы (5.3.12) сравним средние примера 5.3.2:

X1 – X2 = 4,750 – 4,625 = 0,125,


(7 + 6 + 4)
0,125 > 1,18 × = 2,507.
8
Неравенство не выполняется, следовательно статистически
значимых различий между значениями первого и второго среднего
нет.
Проверим различия между первым и третьим значениями сред-
него:

X3 – X1 = 7,750 – 4,750 = 3,
(7 + 6 + 4)
3 > 1,18 × = 2,507.
8
В данном случае неравенство выполняется.
Проверим различия между вторым и третьим значениями сред-
него:

X3 – X1 = 7,750 – 4,625 = 3,125,


(7 + 6 + 4)
3,125 > 1,18 × = 2,507.
8
И здесь неравенство выполняется. Таким образом, мы можем
окончательно сказать, что в нашем случае справедливо:
X1 = X2 ≠ X3. Из этого следует, что средний показатель количе-
ства решенных задач достоверно выше у учащихся интерната
и колледжа.

238
Критерий Немени

Этот критерий основан на ранжировании всей выборки. Если


в выборке k групп по n элементов в каждой, то наименьшему на-
блюдению приписывается ранг 1, наибольшему – ранг n k. Затем
суммируются ранги каждой из групп и вычисляются абсолютные
значения их разностей. По таблице (Приложение 7) делается
вывод об уровне сходства или различия в группах.
Критерий Немени позволяет, так же как и предыдущий крите-
рий, оценить различия средних между группами. Для применения
этого критерия необходимо, чтобы группы испытуемых были
равными по величине. Количество групп должно быть не меньше
трех и не больше 10.

Пример 5.3.4.
В четырех группах спортсменов высокой квалификации (фут-
болисты, гимнасты, теннисисты и пловцы – по 5 человек в каж-
дой) сравнивалось время реакции выбора в мс. Педагог выясняет
вопрос: будут ли различия по времени реакции у спортсменов
разного профиля?
В этой задаче регулируемый фактор (условие) – спортивная
специализация; результирующий признак – длительность времени
реакции. Гипотеза H0 констатирует отсутствие различий между
группами, а также отсутствие влияния регулируемого фактора,
то есть типа спортивной специализации.
Решение.
Результаты эксперимента приведены в таблице 5.3.7, в которой
проведено необходимое ранжирование экспериментальных дан-
ных одновременно по всей выборке в целом.
Проверим правильность ранжирования: 55,5 + 70,5 + 51 + 33 =
210.
И по формуле
((k × c + 1) × k × c) 20 × 21
I= = = 210,
2 2
где I – сумма рангов, k – число строк, а с – число столбцов.

239
Таблица 5.3.7
Результаты эксперимента 4 групп спортсменов
1 группа 2 группа 3 группа 4 группа
Баллы Ранги Баллы Ранги Баллы Ранги Баллы Ранги
203 12 213 16 171 5 207 13
184 7,5 246 18 208 14 152 2
169 4 185 7,5 260 19 176 6
216 17 282 20 193 10 200 11
209 15 190 9 160 3 145 1
Сумма
рангов по 55,5 70,5 51 33
столбцам

Абсолютные разности между суммами рангов представим


также в виде таблицы 5.3.8:

Таблица 5.3.8
Абсолютные разности между суммами рангов 4 групп
Разности рангов
между группами 1–2 1–3 1–4

2–3 |55,5–70,5|=15 |55,5–51|=4,5 |55,5–33|=22,5


2–4 |70,5–51|=19,5 |70,5–33|=37,5
3–4 |51–33|=18

По таблице (Приложение 7) находим DKp для k = 4 и п = 5:

Dкp = { 48,1 для P ≤ 0,05,


52,8 для P ≤ 0,01.

Как видим из таблицы 5.3.8, для абсолютных разностей рангов


ни одна из этих величин не достигает даже 5% уровня значимости.
Следовательно, можно с уверенность утверждать, что различия во
времени реакции между группами спортсменов высокой квалифи-
кации носят случайных характер и тип спортивной специализации
не влияет на эти показатели. Подчеркнем, что расчет этих же
данных по методу однофакторного дисперсионного анализа также

240
не выявил статистически значимых различий, величина F=1,7 при
уровне значимости Р = 0,206.
Для применения «быстрых» методов – критериев диспер-
сионного анализа необходимо соблюдать следующие условия:
1. Измерение может быть проведено в шкале интервалов и отно-
шений.
2. Результативный признак должен быть распределен нор-
мально в исследуемой выборке.
3. Группы испытуемых должны быть равными по численности.
4. Количество групп должно быть не меньше трех, и в послед-
нем методе – не больше 10.

Применение Excel в дисперсионном анализе

Пример 5.3.5. Параметрический дисперсионный анализ.


Рассматривается влияние выполнения силовых упражнений на
результаты в беге на 100 м студентов педагогического вуза (пример
условный) (табл. 5.3.9).

Таблица 5.3.9
Исходные данные примера однофакторного
дисперсионного анализа
Испытуемые
Условия
1 2 3 4
До силовой тренировки 13,9 11,1 13,8 12,2
После силовой
16,1 12,3 15,9 14,4
тренировки

Шаг 1. Набрать данные в электронной таблице (строки 1–3


и столбцы А–Е на рис. 5.3.2).
Шаг 2. Войти в меню, выбирая последовательно Данные,
а затем Анализ данных, в результате чего появится окно (рис.
5.3.1).

241
Рис. 5.3.1. Окно выбора метода обработки

Шаг 3. В этом окне необходимо выбрать Однофакторный дис-


персионный анализ, после чего откроется новое окно (рис. 5.3.2).

Рис. 5.3.2. Окно установки параметров обработки


для однофакторного дисперсионного анализа

Шаг 4. В этом окне необходимо задать исходные данные для


дисперсионного анализа.
Входной интервал – необходимо отметить таблицу, в которой раз-
мещены исходные данные (левая верхняя и правая нижняя ячейки).
Группирование – необходимо указать, в строках или в столбцах
находятся данные, относящиеся к одному уровню фактора (в дан-
ной ситуации – в строках).

242
Ⱥɥɶɮɚ –    .
ȼɵɯɨɞɧɨɣ ɢɧɬɟɪɜɚɥ –   !"  ", #!$-
,
%  ! & '! &' # ( , " 
&   #   !  ). * & !  
    ".
ɇɨɜɵɣ ɪɚɛɨɱɢɣ ɥɢɫɬ –     !, "'  &  
#   !      ' ! # -     -
 %. "/" "  # . !  
!' #. #" . 
.
ɇɨɜɚɹ ɪɚɛɨɱɚɹ ɤɧɢɝɚ –  , !  &   #  
!    % "' !   #' !
# -   .   # !   "', 
 " 91.
:&   !   ! /' # #
 . 5.3.3.

Рис. 5.3.3. Результаты обработки данных методом


однофакторного дисперсионного анализа

243
Здесь: SS – сумма квадратов; между группами – межгрупповая
сумма квадратов; внутри групп – внутригрупповая сумма квадра-
тов; итого – общая (полная) сумма квадратов; df – число степеней
свободы; MS – средний квадрат (фактически дисперсия); F –
расчетное значение критерия Фишера; Р-значение – расчетное
значение минимальной значимости; F-критическое – критическое
значение распределения Фишера.
В нашем примере расчетное значение критерия Фишера (2,46)
меньше критического (6,59). Из этого следует, что мы принимаем
гипотезу об отсутствии силовой нагрузки на результат в беге на
100 м при принятом уровне значимости 0,05.
P-значение в нашем примере равно 0,202. Поскольку оно доста-
точно велико, нет оснований отвергать гипотезу о равенстве дис-
персий.

Пример 5.3.6. Двухфакторный дисперсионный анализ без


повторений.
Допустим, что необходимо выяснить, не оказывает ли значимое
влияние на изучаемую характеристику точности выполнения
передач мяча во время игры характер спортсмена и его спортивная
специализация. Apriori предполагается, что не оказывает (пример
условный) (табл. 5.3.10).

Таблица 5.3.10
Исходные данные для двухфакторного дисперсионного анализа
без повторений
Тип спортсмена Футбол Хоккей Волейбол
Холерик 75 67 78
Сангвиник 68 65 59
Меланхолик 56 69 65

Шаг 1. Поместить данные в таблицу Excel.


Шаг 2. Выбрать в меню Данные, Анализ данных.
Шаг 3. В появившемся окне (рис. 5.3.1) выбрать Двухфактор-
ный дисперсионный анализ без повторений. После этого
появляется окно установки параметров (рис. 5.3.4).

244
Рис. 5.3.4. Окно установки параметров

Здесь: Входной интервал – ссылка на левую верхнюю и правую


нижнюю ячейки таблицы, в которых находятся данные, могут
быть отмечены мышкой.
Альфа – требуемый уровень значимости.
Выходной интервал – вводится ссылка на ячейку, расположен-
ную в левом верхнем углу выходного диапазона. Размеры выход-
ной области будут рассчитаны автоматически.
Новый рабочий лист – выбирается в том случае, если вы хотите
поместить результаты работы на другой лист (при этом в соответ-
ствующем окошке указывается диапазон размещения результатов,
аналогичный указанному в предыдущем пункте).
Новая рабочая книга – выбирается в том случае, когда вы
хотите поместить результаты в новую книгу (результаты диспер-
сионного анализа при этом будут размещаться на первом листе
новой книги, начиная с ячейки А1).
Шаг 4. После установки всех необходимых параметров нажать
ОК. Результаты работы представлены на рис. 5.3.5.
Здесь: SS – сумма квадратов; строки – сумма квадратов,
обусловленная первым фактором (изменением по строкам);
столбцы – сумма квадратов, обусловленная вторым фактором
(изменением по столбцам); погрешность – остаточная сумма квад-
ратов, обусловленная случайной ошибкой; df – число степеней

245
Рис. 5.3.5. Результаты двухфакторного дисперсионного анализа
без повторений

ɫɜɨɛɨɞɵ ɫɪɟɞɧɢɣ ɤɜɚɞɪɚɬ (ɮɚɤɬɢɱɟɫɤɢ ɞɢɫɩɟɪɫɢɹ) ɪɚɫ-


ɱɟɬɧɨɟ ɡɧɚɱɟɧɢɟ ɤɪɢɬɟɪɢɹ Ɏɢɲɟɪɚ Ɋ-ɡɧɚɱɟɧɢɟ
- – ɪɚɫɱɟɬɧɨɟ
ɡɧɚɱɟɧɢɟ ɦɢɧɢɦɚɥɶɧɨɣ ɡɧɚɱɢɦɨɫɬɢ -ɤɪɢɬɢɱɟɫɤɨɟ
- ɤɪɢɬɢɱɟɫɤɨɟ
ɡɧɚɱɟɧɢɟ ɪɚɫɩɪɟɞɟɥɟɧɢɹ Ɏɢɲɟɪɚ.
Ⱦɥɹ ɩɟɪɜɨɝɨ ɮɚɤɬɨɪɚ (ɫɬɪɨɤɢ) -ɪɚɫɱɟɬɧɨɟ
- (1,93578) ɦɟɧɶɲɟ
ɤɪɢɬɢɱɟɫɤɨɝɨ 6,944276. ɗɬɨ ɡɚɫɬɚɜɥɹɟɬ ɩɪɢɧɹɬɶ ɧɭɥɟɜɭɸ ɝɢɩɨɬɟɡɭ
ɨ ɪɚɜɟɧɫɬɜɟ ɞɢɫɩɟɪɫɢɣ, ɫɥɟɞɨɜɚɬɟɥɶɧɨ, ɩɟɪɜɵɣ ɮɚɤɬɨɪ ɧɟ ɜɥɢɹɟɬ
ɧɚ ɢɡɭɱɚɟɦɵɣ ɩɨɤɚɡɚɬɟɥɶ. ɑɬɨ ɤɚɫɚɟɬɫɹ ɜɬɨɪɨɝɨ ɮɚɤɬɨɪɚɚ (ɫɬɨɥɛɰɵ),
ɬɨ ɡɞɟɫɶ ɪɚɫɱɟɬɧɨɟ ɡɧɚɱɟɧɢɟ ɤɪɢɬɟɪɢɹ Ɏɢɲɟɪɚ ɦɟɧɶɲɟ 1 (0,016055),
ɢ ɩɪɨɜɟɪɤɚ ɜ ɬɨɦ ɜɢɞɟ, ɤɨɬɨɪɵɣ ɩɪɢɜɟɞɟɧ ɜ x , ɧɟɤɨɪɪɟɤɬɧɚ.
ɉɪɨɜɟɪɤɚ ɦɨɠɟɬ ɛɵɬɶ ɨɫɭɳɟɫɬɜɥɟɧɚ ɞɜɭɦɹ ɫɩɨɫɨɛɚɦɢ (Ʌɚɩɚɱ
ɢ ɞɪ., 2000).
ɉɟɪɜɵɣ ɫɩɨɫɨɛ. ɉɪɨɜɟɪɹɟɬɫɹ ɨɞɧɨɫɬɨɪɨɧɧɢɣ ɤɪɢɬɟɪɢɣ: ɨɞɧɚ
ɞɢɫɩɟɪɫɢɹ ɛɨɥɶɲɟ ɞɪɭɝɨɣ. Ⱦɥɹ ɷɬɨɝɨ ɧɚɯɨɞɢɦ ɨɛɪɚɬɧɨɟ ɡɧɚɱɟɧɢɟ

246
к имеющемуся расчетному значению =1/Е21 (получим 62,28571),
а затем – новое критическое значение =РРАСПОБР (0,05; С22;
С21), в котором степени свободы поменялись местами (получили
19,24673). Поскольку расчетное больше критического, то прини-
мается гипотеза, что дисперсия погрешности больше дисперсии
столбцов.
Второй способ. Не изменяя расчетное значение критерия
Фишера, рассчитываем новые критические значения для проверки
двухсторонней альтернативной гипотезы (дисперсии неравны).
Нижнее критическое при этом вычисляется по формуле;
= РРАСПОБР (0,975; С21; С22) (результат равен 0,025475),
а верхнее – по формуле =РРАСПОБР (0,025; С21; С22) (резуль-
тат равен 10,64905). Поскольку 0,016055 меньше 0,025475, то гипо-
теза о неравенстве дисперсии принимается. При этом дисперсия,
вызванная случайными факторами, больше.

5.4. ФАКТОРНЫЙ АНАЛИЗ

Основные понятия

Факторный анализ – статистический метод, который использу-


ется при обработке больших массивов экспериментальных дан-
ных. Задачами факторного анализа являются: сокращение числа
переменных (редукция данных) и определение структуры взаимо-
связей между переменными, то есть классификация переменных,
поэтому факторный анализ используется как метод сокращения
данных или как метод структурной классификации.
Важное отличие факторного анализа от всех описанных выше
методов заключается в том, что его нельзя применять для обра-
ботки первичных или, как говорят, «сырых» экспериментальных
данных, то есть полученных непосредственно при обследовании
испытуемых. Материалом для факторного анализа служат корре-
ляционные связи, а точнее – коэффициенты корреляции Пирсона,

247
которые вычисляются между переменными (то есть психологиче-
скими признаками), включенными в обследование. Иными сло-
вами, факторному анализу подвергают корреляционные матрицы
или, как их иначе называют, матрицы интеркорреляций. Наимено-
вания столбцов и строк в этих матрицах одинаковы, так как они
представляют собой перечень переменных, включенных в анализ.
По этой причине матрицы интеркорреляций всегда квадратные,
то есть число строк в них равно числу столбцов, и симметрич-
ные, то есть на симметричных местах относительно главной диа-
гонали стоят одни и те же коэффициенты корреляции.
Главное понятие факторного анализа – фактор. Это искус-
ственный статистический показатель, возникающий в результате
специальных преобразований таблицы коэффициентов корреля-
ции между изучаемыми психологическими признаками, или
матрицы интеркорреляций. Процедура извлечения факторов из
матрицы интеркорреляций называется факторизацией матрицы.
В результате факторизации из корреляционной матрицы может
быть извлечено разное количество факторов вплоть до числа,
равного количеству исходных переменных. Однако факторы, вы-
деляемые в результате факторизации, как правило, неравноценны
по своему значению.
Элементы факторной матрицы называются «факторными
нагрузками» или «весами»; и они представляют собой коэффици-
енты корреляции данного фактора со всеми показателями, исполь-
зованными в исследовании. Факторная матрица очень важна,
поскольку она показывает, как изучаемые показатели связаны
с каждым выделенным фактором. При этом факторный вес демон-
стрирует меру, или тесноту, этой связи.
Поскольку каждый столбец факторной матрицы (фактор)
является своего рода переменной величиной, то сами факторы
также могут коррелировать между собой. Здесь возможны два
случая: корреляция между факторами равна нулю; в таком
случае факторы являются независимыми (ортогональными).
Если корреляция между факторами больше нуля, то в таком
случае факторы считаются зависимыми (облическими). Подчерк-
нем, что ортогональные факторы в отличие от облических дают

248
более простые варианты взаимодействий внутри факторной
матрицы.
В качестве иллюстрации ортогональных факторов часто при-
водят задачу Л. Терстоуна, который, взяв ряд коробок разных раз-
меров и формы, измерил в каждой из них больше 20 различных
показателей и вычислил корреляции между ними. Профактори-
зовав полученную матрицу интеркорреляций, он получил три
фактора, корреляция между которыми была равна нулю. Этими
факторами были «длина», «ширина» и «высота».
Для того чтобы лучше уловить сущность факторного анализа,
разберем более подробно следующий пример.
Предположим, что психолог у случайной выборки студентов
получает следующие данные:
V1 – вес тела (в кг);
V2 – количество посещений лекций и семинарских занятий по
предмету;
V3 – длина ноги (в см);
V4 – количество прочитанных книг по предмету;
V5 – длина руки (в см);
V6 – экзаменационная оценка по предмету
(V – от англ. variable – переменная).
При анализе этих признаков не лишено оснований предполо-
жение о том, что переменные V1 , V3 и V5 – будут связаны между
собой, поскольку чем больше человек, тем больше он весит и тем
длиннее его конечности. Сказанное означает, что между этими
переменными должны получиться статистически значимые коэф-
фициенты корреляции, поскольку эти три переменные измеряют
некоторое фундаментальное свойство индивидуумов в выборке,
а именно: их размеры. Точно так же вероятно, что при вычислении
корреляций между V2 , V4 и V6 тоже будут получены достаточно
высокие коэффициенты корреляции, поскольку посещение лекций
и самостоятельные занятия будут способствовать получению
более высоких оценок по изучаемому предмету.
Таким образом, из всего возможного массива коэффициентов,
который получается путем перебора пар коррелируемых призна-
ков V1 и V2 , V1 и V3 и т.д., предположительно выделятся два блока

249
статистически значимых корреляций. Остальная часть корреля-
ций – между признаками, входящими в разные блоки, вряд ли
будет иметь статистически значимые коэффициенты, поскольку
связи между такими признаками, как размер конечности и успева-
емость по предмету, имеют скорее всего случайный характер. Итак,
содержательный анализ 6 наших переменных показывает, что они,
по сути дела, измеряют только две обобщенные характеристики,
а именно: размеры тела и степень подготовленности по предмету.
К полученной матрице интеркорреляций, то есть вычисленным
попарно коэффициентам корреляций между всеми шестью пере-
менными V1 –V V6 , допустимо применить факторный анализ. Его
можно проводить и вручную, с помощью калькулятора, однако
процедура подобной статистической обработки очень трудоемка.
По этой причине в настоящее время факторный анализ проводится
на компьютерах, как правило, с помощью стандартных статисти-
ческих пакетов. Во всех современных статистических пакетах есть
программы для корреляционного и факторного анализов. Компью-
терная программа по факторному анализу по существу пытается
«объяснить» корреляции между переменными в терминах неболь-
шого числа факторов (в нашем примере – двух).
Предположим, что, используя компьютерную программу,
мы получили матрицу интеркорреляций всех шести переменных
и подвергли ее факторному анализу. В результате факторного
анализа получилась таблица 5.4.1, которую называют «факторной
матрицей», или «факторной структурной матрицей».

Таблица 5.4.1
Матрица шести переменных, подвергнутая факторному анализу
Переменная Фактор 1 Фактор 2
V1 0,91 0,01
V2 0,20 0,96
V3 0,94 –0,15
V4 0,11 0,85
V5 0,89 0,07
V6 –0,13 0,93

250
По традиции факторы представляются в таблице в виде столб-
цов, а переменные в виде строк. Заголовки столбцов таблицы 5.4.1
соответствуют номерам выделенных факторов, но более точно
было бы их называть «факторные нагрузки», или «веса», по
фактору 1, то же самое – по фактору 2. Как указывалось выше,
факторные нагрузки, или веса, представляют собой корреляции
между соответствующей переменной и данным фактором. Напри-
мер, первое число 0,91 в первом факторе означает, что корреляция
между первым фактором и переменной V1 равна 0,91. Чем выше
факторная нагрузка по абсолютной величине, тем больше ее связь
с фактором.
Из таблицы 5.4.1 видно, что переменные V1 , V3 и V5 имеют боль-
шие корреляции с фактором 1 (фактически переменная 3 имеет
корреляцию, близкую к 1 с фактором 1). В то же время перемен-
ные V1 , V3 и V5 имеют корреляции, близкие к 0, с фактором 2. По-
добно этому фактор 2 высоко коррелирует с переменными V2 , V4
и V6 и фактически не коррелирует с переменными V1 , V3 и V5 .
В данном примере очевидно, что существуют две структуры
корреляций, и следовательно вся информация таблицы 5.4.1 опре-
деляется двумя факторами. Теперь начинается заключительный
этап работы – интерпретация полученных данных. Анализируя
факторную матрицу, очень важно учитывать знаки факторных
нагрузок в каждом факторе. Если в одном и том же факторе встре-
чаются нагрузки с противоположными знаками, это означает, что
между переменными, имеющими противоположные знаки, суще-
ствует обратно пропорциональная зависимость.
Отметим, что при интерпретации фактора для удобства можно
изменить знаки всех нагрузок по данному фактору на противопо-
ложные.
Факторная матрица показывает также, какие переменные обра-
зуют каждый фактор. Это связано прежде всего с уровнем значи-
мости факторного веса. По традиции минимальный уровень
значимости коэффициентов корреляции в факторном анализе
берется равным 0,4 или даже 0,3 (по абсолютной величине),
поскольку нет специальных таблиц, по которым можно было бы
определить критические значения для уровня значимости

251
в факторной матрице. Следовательно, самый простой способ
увидеть, какие переменные «принадлежат» фактору, – отметить
те из них, которые имеют нагрузки выше, чем 0,4 (или меньше
чем – 0,4). Укажем, что в компьютерных пакетах иногда уровень
значимости факторного веса определяется самой программой
и устанавливается на более высоком уровне, например 0,7.
Так, из таблицы 5.4.1 следует вывод, что фактор 1 – это сочетание
переменных V1 , V3 и V5 (но не V1 , V4 и V6 , поскольку их факторные
нагрузки по модулю меньше, чем 0,4). Подобно этому, фактор 2
представляет собой сочетание переменных V2 , V4 и V6 .
Выделенный в результате факторизации фактор представляет
собой совокупность тех переменных из числа включенных
в анализ, которые имеют значимые нагрузки. Нередко случается,
однако, что в фактор входит только одна переменная со значимым
факторным весом, а остальные имеют незначимую факторную
нагрузку. В этом случае фактор будет определяться по названию
единственной значимой переменной.
В сущности, фактор можно рассматривать как искусственную
«единицу» группировки переменных (признаков) на основе имею-
щихся между ними связей. Эта единица является условной,
потому что, изменив определенные условия процедуры фактори-
зации матрицы интеркорреляций, можно получить иную фактор-
ную матрицу (структуру). В новой матрице может оказаться иным
распределение переменных по факторам и их факторные нагрузки.
В связи с этим в факторном анализе существует понятие
«простая структура». Простой называют структуру факторной
матрицы, в которой каждая переменная имеет значимые нагрузки
только по одному из факторов, а сами факторы ортогональны,
т.е. не зависят друг от друга. В нашем примере два общих фактора
независимы. Факторная матрица с простой структурой позволяет
провести интерпретацию полученного результата и дать наимено-
вание каждому фактору. В нашем случае фактор первый – «раз-
меры тела», фактор второй – «уровень подготовленности».
Сказанное выше не исчерпывает содержательных возможно-
стей факторной матрицы. Из нее можно извлечь дополнительные
характеристики, позволяющие более детально исследовать связи

252
переменных и факторов. Эти характеристики называются «общ-
ность» и «собственное значение» фактора.
Однако, прежде чем представить их описание, укажем на одно
принципиально важное свойство коэффициента корреляции, бла-
годаря которому получают эти характеристики. Коэффициент
корреляции, возведенный в квадрат (т.е. помноженный сам на
себя), показывает, какая часть дисперсии (вариативности) при-
знака является общей для двух переменных, или, говоря проще,
насколько сильно эти переменные перекрываются. Так, например,
две переменные с корреляцией 0,9 перекрываются со степенью
0,9 × 0,9 = 0,81. Это означает, что 81% дисперсии той и другой
переменной являются общими, то есть совпадают. Напомним, что
факторные нагрузки в факторной матрице – это коэффициенты
корреляции между факторами и переменными, поэтому возведенная
в квадрат факторная нагрузка характеризует степень общности
(или перекрытия) дисперсий данной переменной и данного фактора.
Если полученные факторы не зависят друг от друга («ортого-
нальное» решение), по весам факторной матрицы можно опреде-
лить, какая часть дисперсии является общей для переменной
и фактора. Вычислить, какая часть вариативности каждой пере-
менной совпадает с вариативностью факторов, можно простым
суммированием квадратов факторных нагрузок по всем факторам.
Из таблицы 5.4.1, например, следует, что 0,9 × 0,9 + 0,01× 0,01 =
0,8282, то есть около 82% вариативности первой переменной «объ-
ясняется» двумя первыми факторами. Полученная величина назы-
вается общностью переменной, в данном случае переменной V1 .
Переменные могут иметь разную степень общности с факто-
рами. Переменная с большей общностью имеет значительную
степень перекрытия (большую долю дисперсии) с одним или
несколькими факторами. Низкая общность подразумевает, что все
корреляции между переменными и факторами невелики. Это озна-
чает, что ни один из факторов не имеет совпадающей доли вариа-
тивности с данной переменной. Низкая общность может свиде-
тельствовать о том, что переменная измеряет нечто качественно
отличающееся от других переменных, включенных в анализ.
Например, одна переменная, связанная с оценкой мотивации среди

253
заданий, оценивающих способности, будет иметь общность
с факторами способностей, близкую к нулю.
Малая общность может также означать, что определенное
задание испытывает на себе сильное влияние ошибки измерения
или крайне сложно для испытуемого. Возможно, напротив, также,
что задание настолько просто, что каждый испытуемый дает на
него правильный ответ, или задание настолько нечетко по содер-
жанию, что испытуемый не понимает суть вопроса. Таким обра-
зом, низкая общность подразумевает, что данная переменная не
совмещается с факторами по одной из причин: либо переменная
измеряет другое понятие, либо переменная имеет большую ошибку
измерения, либо существуют искажающие дисперсию признака
различия между испытуемыми в вариантах ответа на это задание.
Наконец, с помощью такой характеристики, как собственное
значение фактора, можно определить относительную значимость
каждого из выделенных факторов. Для этого надо вычислить,
какую часть дисперсии (вариативности) объясняет каждый
фактор. Тот фактор, который объясняет 45% дисперсии (перекры-
тия) между переменными в исходной корреляционной матрице,
очевидно, является более значимым, чем другой, который объяс-
няет только 25% дисперсии. Эти рассуждения, однако, допустимы,
если факторы ортогональны, иначе говоря, не зависят друг от друга.
Для того чтобы вычислить собственное значение фактора,
нужно возвести в квадрат факторные нагрузки и сложить их по
столбцу. Используя данные таблицы 5.4.1, можно убедиться что
собственное значение фактора 1 составляет:

(0,91× 0,91 + 0,20 × 0,20 + 0,94 × 0,94 + 0,11 × 0,11 + 0,84 × 0,84 +
(–0,13) × (–0,13) = 2,4863.

Если собственное значение фактора разделить на число пере-


менных (6 в нашем примере), то полученное число покажет, какая
доля дисперсии объясняется данным фактором. В нашем случае
2,4863
6 × 100% = 41,4%.

254
Иными словами, фактор 1 объясняет около 41,4% информации
(дисперсии) в исходной корреляционной матрице. Аналогичный
подсчет для второго фактора даст 41,5%. В сумме это будет со-
ставлять 82,9%.
Таким образом, два общих фактора, будучи объединены, объ-
ясняют только 82,9% дисперсии показателей исходной корреля-
ционной матрицы. Что случилось с «оставшимися» 17,1%? Дело
в следующем: рассматривая корреляции между 6 переменными,
мы отмечали, что они распадаются на два отдельных блока, и по-
этому решили, что логично анализировать материал в понятиях
двух факторов, а не 6, как и количество исходных переменных.
Другими словами, число конструктов, необходимых, чтобы опи-
сать данные, уменьшилось с 6 (число переменных) до 2 (число
общих факторов). В результате факторизации часть информации
в исходной корреляционной матрице была принесена в жертву
построению двухфакторной модели. Единственным условием,
при котором информация не утрачивается, было бы рассмотрение
шестифакторной модели.

Условия применения факторного анализа

Факторный анализ может быть уместен, если выполняются сле-


дующие критерии:
● Нельзя факторизовать качественные данные, полученные
по шкале наименований, например такие, как цвет волос (черный /
каштановый / рыжий) и т.п.
● Все переменные должны быть независимыми, а их распреде-
ление должно приближаться к нормальному.
● Связи между переменными должны быть приблизительно линей-
ны или, по крайней мере, не иметь явно криволинейного характера.
● В исходной корреляционной матрице должно быть несколько
корреляций по модулю выше 0,3. В противном случае достаточно
трудно извлечь из матрицы какие-либо факторы.
● Выборка испытуемых должна быть достаточно большой. Реко-
мендации экспертов варьируют. Наиболее жесткая точка зрения

255
рекомендует не применять факторный анализ, если число испы-
туемых меньше 100, поскольку стандартные ошибки корреляции
в этом случае окажутся слишком велики.
Однако, если факторы хорошо определены (например, с нагруз-
ками 0,7, а не 0,3), экспериментатору нужна меньшая выборка,
чтобы выделить их. Кроме того, если известно, что полученные
данные отличаются высокой надежностью (например, исполь-
зуются валидные тесты), то можно анализировать данные и по
меньшему числу испытуемых.

Приемы для определения числа факторов

Разработано несколько приемов для выбора «правильного»


числа факторов из корреляционной матрицы. Определение числа
выделяемых факторов, вероятно, наиболее важное решение, кото-
рое необходимо принять при проведении факторного анализа.
Неверное решение может привести к бессмысленным результатам
при обработке самого четкого набора данных. Нет ничего страш-
ного в том, чтобы попытаться выполнить несколько вариантов
анализа, базирующегося на разном числе факторов, и использо-
вать несколько различных приемов, определяющих выбор
факторов.
Первые руководящие принципы – это теория, здравый смысл,
а также прошлый опыт. При этом педагог должен установить:
– не способствует ли увеличение числа факторов уменьшению
доли нагрузок в диапазоне от –0,4 до +0,4? Если это так, то это
увеличение, скорее всего, не имеет смысла;
– не появляются ли какие-либо большие корреляции между
факторами при осуществлении облических вращений. Последнее
может указывать, что было извлечено слишком много факторов,
и два фактора проходят через один и тот же кластер переменных.
Корреляции между факторами больше, чем приблизительно 0,5,
могут косвенно свидетельствовать об этом;
– не разделились ли какие-либо хорошо известные факторы на
две или большее количество частей. Например, если во множестве

256
предшествующих исследований было показано, что набор заданий
формирует только один фактор, а вам кажется, что в вашем
анализе они все же формируют два фактора, вероятно, что было
извлечено слишком много факторов.
Существует ряд способов определения числа факторов, с кото-
рыми связаны исследуемые переменные величины. Наиболее
надежны из них – определение числа вкладов ряда первых т
факторов в общую дисперсию. Обычно, если сумма вкладов пер-
вых т факторов составляет 90 или 95%, этой величиной ограничи-
вают число анализируемых факторов.
Иллюстрирует это приведенный ниже пример в таблице 5.4.2.

Таблица 5.4.2
Метод главных компонент
Собственные значения 10 факторов
Факторы Собственные
% общей Кумулят.
значения Кумулят. %
дисперсии соб. знач.
факторов
1 6,118369 61,18369 6,11837 61,1837
2 1,800682 18,00682 7,91905 79,1905
3 ,472888 4,72888 8,39194 83,9194
4 ,407996 4,07996 8,79993 87,9993
5 ,317222 3,17222 9,11716 91,1716
6 ,293300 2,93300 9,41046 94,1046
7 ,195808 1,95808 9,60626 96,0626
8 ,170431 1,70431 9,77670 97,7670
9 ,137970 1,37970 9,91467 99,1467
10 ,085334 ,85334 10,00000 100,0000

Как можно видеть из таблицы, первый фактор (значение 1) объ-


ясняет 61% процент общей дисперсии, фактор 2 (значение 2) –
18% процентов и т.д. Четвертый столбец содержит накопленную
или кумулятивную дисперсию. Напомним, что дисперсии, выде-
ляемые факторами, называются собственными значениями.
Таким образом, из 10 факторов первые 5 объясняют 91% всей
дисперсии, их анализом можно ограничиться. Фактически, однако,

257
только первые два фактора несут на себе основную нагрузку,
и реально исследователи в такой ситуации нередко пренебрегают
оставшимися тремя, которые все вместе объясняют не более 12%.
В заключение отметим, что проблема определения числа
факторов имеет ряд дискуссионных аспектов. Существуют не-
сколько методов определения количества факторов, но они доста-
точно сложны и их реализация возможна только на ЭВМ с помощью
специализированных программ.
ГЛАВА 6.
РЕЙТИНГИ И ИХ ОЦЕНКИ

6.1. ОБЩЕЕ ПОНЯТИЕ О РЕЙТИНГАХ

Создание системы оценки качества профессиональной деятель-


ности преподавателей, кафедр, факультетов вуза представляет
собой сложную научно-практическую задачу, трудность решения
которой обусловлена влиянием комплекса факторов. Среди них
следующие:
1) сложность определения вклада отдельных преподавателей,
выполняющих множество функциональных обязанностей, в общий
конечный результат, поскольку подготовка специалистов в вузе –
это коллективный труд;
2) недостаток, а порой и отсутствие достоверной информации
о результатах деятельности вуза в целом, отдельных факультетов,
кафедр и преподавателей в частности;
3) сопротивление ряда руководителей и преподавателей введе-
нию системы объективной оценки качества деятельности (это каса-
ется не только «слабых» преподавателей, но и тех, кто просто не
любит контроль, кому удобнее личностная оценка коллег и руко-
водства, а не объективная оценка по конкретным результатам дея-
тельности).
Несмотря на сложность проблемы рейтинга профессорско-
преподавательского состава (ППС), многие вузы России разрабо-
тали и внедрили собственные системы оценки труда преподава-
телей. В настоящее время в практике современной высшей школы
представлено более 40 методик измерения и оценки качества дея-
тельности преподавателей. Однако опыт свидетельствует о том,
что они пока не могут быть признаны совершенными и требуют
качественной доработки. Проведенный в работе анализ данных
методик показал, что им присущи типичные недостатки, не позво-
ляющие превратить процесс оценки качества деятельности

259
преподавателя в инструмент его профессионального и личност-
ного развития и совершенствования образовательного процесса:
• преобладание качественного характера предлагаемых показа-
телей рейтинговой оценки;
• излишняя формализация методик, основанная на допущении
того, что общая оценка деятельности преподавателя определяется
только количественными характеристиками ее составляющих;
• включение в итоговый рейтинг только тех показателей, кото-
рые можно измерять количественно и которые, как правило, не
охватывают весь спектр деятельности педагога;
• отсутствие при определении рейтинга аксиологического аспек-
та оценки. Все виды деятельности педагога и отдельные показа-
тели внутри видов полагаются равнозначными;
• отсутствие ясного представления о направлении интерпрета-
ции полученных в ходе оценивания результатов и возможностей
их практического использования.
Вместе с тем критические замечания в отношении тех или
иных методик нисколько не умаляют заслуг их авторов, сделавших
значительный шаг вперед в такой сложной области, каковой явля-
ется оценка качества творческой деятельности. Эти замечания не
отрицают также, что уже самые начальные попытки системной
оценки деятельности преподавателей дают большой практический
эффект.
Весьма важным условием объективной оценки качества про-
фессиональной деятельности ППС, факультетов и кафедр вуза
является выбор оптимальных средств и методов, которые должны
отвечать требованиям соответствия ведущим принципам оценки,
а именно:
• надежности;
• применимости для обеспечения комплексного достижения
образовательных целей и задач управления;
• технологичности оценки.
Выделение показателей качества оценочных технологий
и средств (в виде коэффициентов соответствия тем или иным
характеристикам) позволяет построить таблицу по используемым
оценочным технологиям и определить перспективы их примене-

260
ния в процессе оценки качества профессиональной деятельности
преподавателей (табл. 6.1).
Как следует из таблицы, наиболее высокими возможностями
обладают технологии экспертной и рейтинговой оценок. Это делает
в настоящее время данные технологии наиболее перспективными
и позволяет рекомендовать их для оценки качества профессио-
нальной деятельности преподавательского состава в вузе.

Таблица 6.1
Таблица для сравнения технологий оценки качества
профессиональной деятельности ППС
Показатели
Показатели Сводные
обеспечения
соответствия Показатели технологией качественные
Наименование технологии надежности
технологии решения показатели
оценки ее технологии задач технологии
принципам оценки
Рейтинговая
0,9 0,7 0,43 0,67
оценка
Экспертная
1 0,8 1 0,93
оценка
Самооценка 0,6 0,5 0,5 0,53
Оценка
0,6 0,6 0,05 0,4
студентов

Рейтинговая оценка позволяет:


1) совместить в себе практически все достоинства известных
способов оценки качества профессиональной деятельности ППС,
поскольку не отрицает традиционных принципов оценки (систе-
матичность, объективность и др.);
2) приблизиться к преодолению основных недостатков оценки
качества деятельности преподавателей – субъективности и факти-
ческого отсутствия количественных измерителей эффективности
педагогической деятельности;
3) обеспечить интегративность оценки, поскольку вышеуказан-
ная система основывается на накоплении условных единиц за

261
каждый выполненный преподавателями вид научной, учебной
и методической работы. В зависимости от количества баллов, по-
лученных за каждый вид деятельности, преподаватель получает
достаточно адекватную совокупную оценку.
Методологической основой построения рейтинговой оценки
качества профессиональной деятельности ППС является учение
о квалиметрии человека и образования.
Теоретическую основу методики рейтинговой оценки деятель-
ности ППС составляют:
– обоснование рейтинга преподавателей как категории педаго-
гической квалиметрии;
– принципы проектирования рейтинговой оценки;
– сущность и структура рейтинговой оценки.
Рейтинг (от англ. rating) — это индивидуальный числовой
показатель оценки достижений некоторого субъекта в классифи-
кационном списке, который составляется экспертами соответст-
вующих отраслей. Фактически «рейтинг» – это система упоря-
дочения в виде списка качества любых объектов на основе коли-
чественных показателей, или рейтинговых оценок.
Рейтинг ППС – понятие, которое, на наш взгляд, должно рас-
сматриваться как категория педагогической квалиметрии. Это
уровневый результирующий показатель качества научной, учеб-
ной и методической деятельности преподавателя, позволяющий
судить о его классе, месте, категории, принадлежности к опреде-
ленной страте профессионально-педагогического сообщества.
Рейтинг является одним из видов оценки качества деятельности
преподавателя, который может органично сочетаться с другими
видами оценки, принятыми в вузе.
Преимущества рейтинговой оценки заключаются в следую-
щем:
• возможность осуществления текущей (по окончании учебного
года) и кумулятивной (один раз в 5 лет) оценки качества профес-
сиональной деятельности ППС;
• развернутая процедура оценки качества работы преподавателя
обеспечивает ее надежность;

262
• оценка удовлетворяет требованиям содержательной и кон-
структивной валидности (соответствие форм и целей);
• процедура оценки дает возможность развивать у преподава-
телей навыки самооценки и анализа профессиональной деятель-
ности.
Цель введения рейтинга преподавателей, кафедр и факультетов
в вузе – улучшение качества деятельности ППС и совершенство-
вание качества образовательного процесса. Главными задачами
рейтинга являются:
• повышение обоснованности принимаемых управленческих
решений (в первую очередь в области кадровой политики);
• повышение уровня объективности информации о процессе
и результатах деятельности вуза;
• повышение уровня мотивации ППС, стимулирование их про-
фессионального и личностного роста;
• дифференциация результатов труда для обеспечения под-
держки наиболее эффективной части преподавательского состава.
Принципы проектирования, внедрения, поддержания устойчи-
вого функционирования и совершенствования рейтинга препода-
вателей определяются как:
– единая методологическая основа, включающая комплексный
подход к организации и практике рейтинговой оценки;
– централизация создания и управления единой системой
оценки качества профессиональной деятельности ППС в вузе;
комплексность, обеспечивающая оценку всех видов деятельности
ППС;
– открытость, включающая в себя полную информированность
преподавателей о целях, содержании и средствах рейтинговой
оценки;
– модульность, обеспечивающая создание и совершенствова-
ние комплексной, гибкой оценки деятельности преподаватель-
ского состава в зависимости от специфики кафедры и вуза, а также
от целей оценки;
– пропаганда, подразумевающая вовлеченность преподавателей
в процесс как на стадии разработки концепции, так и внедрения