Wykresy w pracy dyplomowej: który wybrać, jak podpisać i jak opisać w tekście

Autor: Konrad Hryniewicz · Opublikowano: 27 października 2026 · Aktualizacja: 26 października 2026

Kiedy wykres w pracy dyplomowej pomaga, a kiedy tylko zajmuje miejsce

W rozdziale wyników wykres ma jedno zadanie: pokazać wzór, którego z liczb nie widać od razu. Może to być kształt rozkładu, związek dwóch zmiennych albo różnica między grupami razem z rozrzutem wyników. Jeśli wynik mieści się w jednym zdaniu z dwiema liczbami, wykres jest zbędny. Jeśli czytelnik ma odczytać wiele dokładnych wartości, lepsza będzie tabela (wzory znajdziesz w poradniku tabele APA – wzory i przykłady).

Ten poradnik dotyczy pracy licencjackiej i magisterskiej: jak dobrać typ wykresu do zmiennych, czego nie rysować, jak podpisać rysunek i jak opisać go w tekście. Wymogi czasopism, rozdzielczość, eksport plików i kolory czytelne dla daltonistów omawiamy w osobnym tekście o tabelach i rysunkach do artykułu naukowego. Miejsce wykresów w całym rozdziale wyników pokazuje przykładowy rozdział wyników badań własnych.

Wszystkie rysunki i liczby na tej stronie pochodzą z jednego badania przykładowego: ankiety wśród 164 studentów (dane symulowane). Zmierzono w niej stres akademicki (średnia z sześciu pozycji na skali 1–5), liczbę godzin snu, kierunek i formę studiów. Kod R jest na końcu strony.

Jaki wykres do jakich danych

Typ wykresu wynika z dwóch pytań: ile zmiennych pokazujesz i na jakiej skali są mierzone: nominalnej, porządkowej czy ilościowej. Poniższa tabela obejmuje sytuacje, które zdarzają się w większości prac z psychologii, pedagogiki i nauk o zdrowiu.

Rysunek 1 pokazuje cztery najczęstsze sytuacje na jednym zbiorze danych.

Co odczytasz z każdego panelu:

• A – histogram. Rozkład stresu jest zbliżony do symetrycznego (M = 3.07, SD = 0.72, skośność −0.26), wyniki obejmują całą skalę od 1 do 5. Szerokość przedziałów dobierz do skali: średnia z sześciu pozycji zmienia się co 1/6 punktu, więc każdy przedział powinien obejmować pełną liczbę takich kroków (tu dwa).
• B – słupki kategorii. Kategorie są posortowane od najliczniejszej, a przy słupkach stoją liczebności i odsetki. Czytelnik nie musi zgadywać wartości z osi.
• C – wykres rozrzutu. Im wyższy stres, tym krócej śpią badani: r = −.30, 95% CI [−.43, −.16]. Punkty pokazują też duży rozrzut wokół linii, więc związek jest umiarkowany, a nie „sztywny”. Anscombe (1973) pokazał cztery zbiory o niemal identycznej korelacji i zupełnie różnym obrazie na wykresie, dlatego wykres rozrzutu rysuj, zanim policzysz korelację Pearsona.
• D – porównanie grup. Studenci niestacjonarni mają nieco wyższy stres (M = 3.24 wobec 2.98), ale wyniki obu grup w dużej mierze się nakładają. Taki obraz lepiej oddaje wielkość efektu niż dwa słupki.

Dane ciągłe w wielu czasopismach wciąż pokazuje się na słupkach i wykresach liniowych, które przy bardzo różnych rozkładach mogą wyglądać tak samo (Weissgerber i in., 2015). W pracy dyplomowej masz więcej miejsca niż w artykule, więc pokaż dane. Przy dużych próbach rozważ wykres raincloud. Wiele pozycji skali Likerta najczytelniej pokażesz na skumulowanych słupkach rozbieżnych, które Heiberger i Robbins (2014) zalecają jako podstawowy sposób prezentacji takich skal.

Metryczka i typowe błędy: źle → dobrze

Najczęstszy problem w pracach dyplomowych to nie zły typ wykresu, tylko ich nadmiar. Sześć wykresów kołowych do metryczki (płeć, wiek, kierunek, rok, miejsce zamieszkania, praca) zajmuje trzy strony i nie mówi nic, czego nie zmieściłaby jedna tabela charakterystyki próby. Jak ją zbudować, pokazujemy w tekście jak opisać charakterystykę próby. Wykres zostaw dla zmiennych, o które pytają hipotezy.

Wykres kołowy. Psychologię, pedagogikę i socjologię wybrało 25.0%, 23.2% i 22.0% osób. Na kole trudno ocenić, który wycinek jest większy, a na słupkach widać to od razu. Cleveland i McGill (1984) uporządkowali zadania percepcyjne według dokładności odczytu: porównanie położenia na wspólnej skali wypada w nich lepiej niż porównanie kątów i powierzchni. Efekt 3D dodatkowo pogarsza odczyt. W eksperymencie Siegrista (1996) osoby badane dokładniej szacowały wielkości z płaskich wykresów kołowych niż z trójwymiarowych.

Przycięta oś. Różnica średnich między formami studiów wynosi 0.26 punktu, czyli 6.5% szerokości skali 1–5. Na słupkach z osią od 2.8 słupek studentów niestacjonarnych jest 2.46 razy wyższy niż słupek stacjonarnych. Przy osi od minimum skali (1) stosunek wysokości wynosi 1.13. Długość słupka sugeruje wielkość, więc słupek musi zaczynać się od zera lub od początku skali. Jeśli chcesz pokazać małe różnice, użyj punktów i przedziałów ufności, a nie przycinaj osi pod słupkami.

Numer, tytuł i nota rysunku

W stylu APA każdy wykres jest rysunkiem. Nad rysunkiem stoi pogrubiony numer („Rysunek 1”), pod nim tytuł kursywą, a pod samym wykresem nota zaczynająca się od słowa „Uwaga.” (American Psychological Association, 2020). Rysunki numerujesz kolejno w całej pracy, w kolejności, w jakiej przywołujesz je w tekście. Wiele polskich uczelni ma jednak własne zasady: podpis pod rysunkiem, numerację w rozdziałach („Rysunek 3.2”), osobną numerację „wykresów” albo wymóg podania źródła, np. „Źródło: opracowanie własne”. Wzór wydziału i uwagi promotora mają pierwszeństwo przed APA. Ważne, żeby zasada była jedna w całej pracy (zob. styl APA).

Nota ma sprawić, że rysunek da się zrozumieć bez czytania tekstu. Napisz w niej:

• co jest na osiach i w jakich jednostkach (skala 1–5, godziny, punkty testu);
• co oznaczają punkty, pudełka i wąsy. Cumming i in. (2007) przypominają, że odcinki mogą oznaczać przedział ufności, błąd standardowy albo odchylenie standardowe, a każde z nich mówi co innego;
• jak zbudowano wykres pudełkowy (kwartyle, zasięg wąsów), bo nie ma jednej metody liczenia kwartyli (Krzywinski i Altman, 2014);
• liczebność próby lub grup oraz skąd są dane, jeśli nie z badania własnego.

Jeśli praca ma spis rysunków, generuj go automatycznie z podpisów w edytorze tekstu. Ręcznie wpisany spis rozjedzie się przy pierwszej zmianie numeracji.

Jak opisać wykres w tekście pracy

Najczęstsze zdanie pod wykresem w pracach dyplomowych to „Na wykresie przedstawiono rozkład odpowiedzi”. Nic z niego nie wynika. Tekst ma powiedzieć, co czytelnik powinien zobaczyć, podać liczby, które to potwierdzają, i odesłać do rysunku. Trzy zasady:

1. Najpierw wniosek, potem odesłanie. „Wyższemu stresowi towarzyszył krótszy sen (Rysunek 1C)”, a nie „Rysunek 1C przedstawia zależność…”.
2. Liczby z analizy, nie z oka. Wartości odczytane z osi są przybliżone. Podaj statystyki z wydruku: M, SD, r z CI, wynik testu (zob. jak opisać wyniki w stylu APA).
3. Nie opisuj wyglądu. „Niebieski słupek jest najwyższy” opisuje grafikę, nie wynik. Napisz, która grupa i o ile.

Gotowe zdania do przykładowego badania (liczby z kodu R poniżej):

Kierunek różnicy podaj słowami, a statystykę t możesz zapisać jako wartość dodatnią. Wybór testu Welcha zamiast klasycznego testu t opisujemy w haśle test t dla prób niezależnych, a interpretację d – w haśle d Cohena. Gdy wykres pokazuje wynik testu, w tekście nie powtarzaj wszystkich średnich, które są już w tabeli. Wystarczy wniosek i statystyka testu.

W czym zrobić wykres: Excel, SPSS, jamovi czy R

Program ma mniejsze znaczenie niż decyzje opisane wyżej. Każdym z nich zrobisz poprawny wykres słupkowy i rozrzutu. Różnice dotyczą wykresów pokazujących dane. W R (ggplot2) i w jamovi punkty, pudełka i przedziały ufności dodasz bez kombinowania. W Excelu wymaga to więcej pracy (zob. analiza statystyczna w Excelu – możliwości i granice). Pierwsze kroki w jamovi opisujemy w poradniku jamovi krok po kroku. Niezależnie od programu:

• usuń domyślne ozdobniki (tło, ramki, cienie, legendę przy jednej serii);
• ustaw polskie opisy osi z jednostkami i kropką lub przecinkiem dziesiętnym zgodnie z resztą pracy;
• wstaw do Worda plik w wysokiej rozdzielczości albo wektorowy, a nie zrzut ekranu;
• sprawdź wydruk w skali szarości, jeśli praca będzie drukowana.

Jeśli nie wiesz, czy wybrane wykresy i opisy pasują do Twoich hipotez, możemy je sprawdzić w ramach konsultacji analiz dla studentów. Wykresy i ich interpretacja pozostają Twoje – na obronie musisz umieć je wyjaśnić.

# B113 – przepis 1: dane przykładowe i liczby do opisów wykresów
# Wpis: /blog/wykresy-w-pracy-dyplomowej/ (rysunki 1–2, wzory zdań)
# Uruchomienie z folderu kod/: LANG=en_US.UTF-8 LC_ALL=en_US.UTF-8 Rscript uruchom.R
# Badanie przykładowe (dane symulowane): ankieta wśród 164 studentów –
# kierunek studiów, forma studiów, stres akademicki (średnia z pozycji 1–5),
# liczba godzin snu w dobie roboczej.
set.seed(11302)
n <- 164
kierunek <- sample(c("Psychologia", "Pedagogika", "Socjologia", "Zarządzanie", "Ekonomia"),
                   n, replace = TRUE, prob = c(.26, .22, .19, .18, .15))
forma <- sample(c("stacjonarne", "niestacjonarne"), n, replace = TRUE, prob = c(.6, .4))
stres <- 3.0 + 0.25 * (forma == "niestacjonarne") + rnorm(n, 0, 0.62)
stres <- round(pmin(pmax(stres, 1), 5) * 6) / 6          # średnia z 6 pozycji 1–5
sen <- 7.9 - 0.55 * stres + rnorm(n, 0, 0.75)
sen <- round(pmin(pmax(sen, 3.5), 10) * 2) / 2            # deklaracja co pół godziny
dane <- data.frame(kierunek = factor(kierunek), forma = factor(forma, levels = c("stacjonarne", "niestacjonarne")),
                   stres, sen)

# 1. Jedna zmienna ilościowa – histogram: opis rozkładu
cat("N =", nrow(dane), "\n")
opis <- function(x) c(M = mean(x), SD = sd(x), Me = median(x), Min = min(x), Max = max(x),
                      skosnosc = psych::skew(x), kurtoza = psych::kurtosi(x))
print(round(rbind(stres = opis(dane$stres), sen = opis(dane$sen)), 2))

# 2. Jedna zmienna nominalna – liczebności i odsetki, posortowane
tab <- sort(table(dane$kierunek), decreasing = TRUE)
proc <- round(100 * prop.table(tab), 1)
print(data.frame(n = as.vector(tab), procent = as.vector(proc), row.names = names(tab)))
cat("Różnica między największą a najmniejszą grupą (pkt proc.):", max(proc) - min(proc), "\n")

# 3. Dwie zmienne ilościowe – wykres rozrzutu: korelacja Pearsona z 95% CI
kor <- cor.test(dane$stres, dane$sen)
print(kor)
model <- lm(sen ~ stres, data = dane)
print(round(coef(model), 2))

# 4. Zmienna ilościowa w dwóch grupach – punkty, pudełka, średnia z 95% CI
gr <- do.call(rbind, lapply(split(dane$stres, dane$forma), function(x)
  c(n = length(x), M = mean(x), SD = sd(x), CI_dolna = t.test(x)$conf.int[1], CI_gorna = t.test(x)$conf.int[2],
    Me = median(x))))
print(round(gr, 2))
tw <- t.test(stres ~ forma, data = dane)          # test Welcha
print(tw)
print(effectsize::cohens_d(stres ~ forma, data = dane, pooled_sd = TRUE))
cat("\n")

# 5. Oś przycięta: o ile „rośnie” różnica na rysunku z osią od 2.8 zamiast od 1?
roznica <- diff(gr[, "M"])
dol <- 2.8
wys_przyc <- gr[, "M"] - dol                       # wysokości słupków przy osi od 2.8
wys_pelna <- gr[, "M"] - 1                         # przy osi od 1 (minimum skali)
cat("Różnica średnich:", round(roznica, 2), "\n")
cat("Stosunek wysokości słupków, oś od 1:", round(wys_pelna[2] / wys_pelna[1], 2), "\n")
cat("Stosunek wysokości słupków, oś od 2.8:", round(wys_przyc[2] / wys_przyc[1], 2), "\n")
cat("Różnica jako % szerokości skali 1–5:", round(100 * roznica / 4, 1), "\n")

N = 164 
         M   SD   Me Min Max skosnosc kurtoza
stres 3.07 0.72 3.17   1 5.0    -0.26    0.12
sen   6.23 0.83 6.00   4 8.5     0.14   -0.15
             n procent
Psychologia 41    25.0
Pedagogika  38    23.2
Socjologia  36    22.0
Zarządzanie 29    17.7
Ekonomia    20    12.2
Różnica między największą a najmniejszą grupą (pkt proc.): 12.8 

	Pearson's product-moment correlation

data:  dane$stres and dane$sen
t = -4.0243, df = 162, p-value = 8.754e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.4346356 -0.1553950
sample estimates:
       cor 
-0.3014657 

(Intercept)       stres 
       7.29       -0.34 
                 n    M   SD CI_dolna CI_gorna   Me
stacjonarne    108 2.98 0.71     2.84     3.11 3.00
niestacjonarne  56 3.24 0.73     3.04     3.43 3.33

	Welch Two Sample t-test

data:  stres by forma
t = -2.1885, df = 109.27, p-value = 0.03076
alternative hypothesis: true difference in means between group stacjonarne and group niestacjonarne is not equal to 0
95 percent confidence interval:
 -0.49488518 -0.02451517
sample estimates:
   mean in group stacjonarne mean in group niestacjonarne 
                    2.978395                     3.238095 

Cohen's d |         95% CI
--------------------------
-0.36     | [-0.69, -0.04]

- Estimated using pooled SD.
Różnica średnich: 0.26 
Stosunek wysokości słupków, oś od 1: 1.13 
Stosunek wysokości słupków, oś od 2.8: 2.46 
Różnica jako % szerokości skali 1–5: 6.5

Lista kontrolna przed oddaniem pracy

1. Każdy wykres odpowiada na pytanie z hipotez lub problemu badawczego, a metryczka jest w tabeli.
2. Typ wykresu pasuje do zmiennych: histogram do rozkładu, słupki do kategorii, rozrzut do związku, punkty z pudełkami do porównań.
3. Słupki zaczynają się od zera lub od początku skali; przy średnich pokazane są dane i 95% CI.
4. Bez efektu 3D, wykresów kołowych z wieloma kategoriami i kolorów, które giną w druku.
5. Każdy rysunek ma numer, tytuł i notę z liczebnością oraz opisem punktów i wąsów.
6. Numeracja i układ podpisów są zgodne ze wzorem wydziału w całej pracy.
7. Każdy rysunek jest przywołany w tekście przed miejscem, w którym się pojawia.
8. Tekst podaje wniosek i statystyki, a nie opisuje kolory i kształty.
9. Liczby na wykresie, w tabeli i w tekście pochodzą z tej samej analizy.

Szerszą listę dla całego rozdziału wyników znajdziesz w przewodniku po statystyce w pracy dyplomowej, a typowe uwagi do rozdziału wyników – w tekście o poprawkach promotora.

Najczęstsze pytania

Czy w pracy magisterskiej pisze się „wykres” czy „rysunek”?

W stylu APA każdy wykres, schemat czy zdjęcie to rysunek, numerowany kolejno: Rysunek 1, Rysunek 2. Część polskich uczelni wymaga jednak osobnej numeracji wykresów albo numeracji w rozdziałach. Sprawdź wzór wydziału i trzymaj się jednej zasady w całej pracy.

Czy wykres kołowy nadaje się do pracy dyplomowej?

Rzadko. Przy dwóch–trzech kategoriach o wyraźnie różnych odsetkach jest czytelny, ale przy większej liczbie podobnych kategorii trudno porównać wycinki. Posortowany wykres słupkowy z liczebnościami i odsetkami, a dla metryczki – tabela, przekazują to samo dokładniej i zajmują mniej miejsca.

Ile wykresów powinno być w pracy licencjackiej?

Nie ma limitu, ale każdy wykres powinien odpowiadać na pytanie z hipotez lub problemu badawczego. Zwykle wystarczy kilka rysunków dla głównych wyników; dane z metryczki i wyniki dokładne lepiej pokazać w tabelach, a nie na osobnym wykresie dla każdego pytania ankiety.

Gdzie umieścić podpis i źródło pod wykresem w pracy?

W APA numer i tytuł stoją nad rysunkiem, a pod nim nota zaczynająca się od „Uwaga.”, z opisem osi, symboli i liczebności. Wiele uczelni każe dodać pod rysunkiem „Źródło: opracowanie własne” albo umieszczać cały podpis pod spodem – w takim przypadku wzór wydziału ma pierwszeństwo.

Czy oś Y na wykresie słupkowym musi zaczynać się od zera?

Tak, jeśli długość słupka ma oznaczać wartość; przy skalach z minimum 1 – od początku skali. Przycięta oś wyolbrzymia różnice: w przykładzie na tej stronie różnica 0.26 punktu na skali 1–5 daje słupek 2.46 razy wyższy. Do pokazania małych różnic użyj punktów z przedziałami ufności.

Powiązane hasła

Przeczytaj też

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}

@article{anscombe1973graphs, author={Anscombe, Francis J.}, title={{Graphs in statistical analysis}}, journal={The American Statistician}, year={1973}, volume={27}, number={1}, pages={17--21}, doi={10.1080/00031305.1973.10478966}}

@article{cleveland1984graphical, author={Cleveland, William S. and McGill, Robert}, title={{Graphical perception: Theory, experimentation, and application to the development of graphical methods}}, journal={Journal of the American Statistical Association}, year={1984}, volume={79}, number={387}, pages={531--554}, doi={10.1080/01621459.1984.10478080}}

@article{cumming2007error, author={Cumming, Geoff and Fidler, Fiona and Vaux, David L.}, title={{Error bars in experimental biology}}, journal={Journal of Cell Biology}, year={2007}, volume={177}, number={1}, pages={7--11}, doi={10.1083/jcb.200611141}}

@article{heiberger2014design, author={Heiberger, Richard M. and Robbins, Naomi B.}, title={{Design of diverging stacked bar charts for Likert scales and other applications}}, journal={Journal of Statistical Software}, year={2014}, volume={57}, number={5}, pages={1--32}, doi={10.18637/jss.v057.i05}}

@article{krzywinski2014visualizing, author={Krzywinski, Martin and Altman, Naomi}, title={{Visualizing samples with box plots}}, journal={Nature Methods}, year={2014}, volume={11}, number={2}, pages={119--120}, doi={10.1038/nmeth.2813}}

@article{siegrist1996use, author={Siegrist, Michael}, title={{The use or misuse of three-dimensional graphs to represent lower-dimensional data}}, journal={Behaviour \& Information Technology}, year={1996}, volume={15}, number={2}, pages={96--100}, doi={10.1080/014492996120300}}

@article{weissgerber2015beyond, author={Weissgerber, Tracey L. and Milic, Natasa M. and Winham, Stacey J. and Garovic, Vesna D.}, title={{Beyond bar and line graphs: Time for a new data presentation paradigm}}, journal={PLOS Biology}, year={2015}, volume={13}, number={4}, eid={e1002128}, doi={10.1371/journal.pbio.1002128}}