An introduction to descriptive statistics en pt

Prévia do material em texto

Radiografia (2010) 16, e1 e e7
disponível em www. sc i encedi rec t. com
homepage da journa l: www. el sev i er. com / locate / radi
ARTIGO DE REVISÃO
Uma introdução à estatística descritiva: uma revisão e um guia prático
Gill Marshall * Leon Jonker
Faculdade de Saúde, Ciências Médicas e Assistência Social, Universidade de Cumbria, Bowerham Road, Lancaster LA1 3JD, Reino Unido
Recebido em 28 de maio de 2009; revisado em 27 de novembro de 2009; aceito em 3 de janeiro de 2010 Disponível online em 6 de 
fevereiro de 2010
PALAVRAS-CHAVE
Estatísticas descritivas;
Níveis de medição;
Medidas de central
tendência;
Dispersão;
Distribuição normal;
Desvio padrão
* Autor correspondente. Tel .: º 44 1524 384384x224
1524 384385.
Endereço de email: gill.marshall@cumbria.ac.uk (
1078-8174 / $ - ver matéria inicial ª 2010 The College o
Resumo Este artigo, o primeiro de dois, demonstra por que é necessário que os radiologistas entendam os conceitos 
estatísticos básicos tanto para assimilar o trabalho de outros quanto em seu próprio trabalho de pesquisa. À medida que 
aumenta a ênfase na prática baseada em evidências, se tornará mais urgente para os radiologistas serem capazes de 
dissecar as pesquisas de outras pessoas e contribuir para as próprias pesquisas. Os diferentes tipos de dados que podem ser 
encontrados são abordados aqui, bem como as diferentes maneiras de descrever os dados. Além disso, são explicados a 
terminologia estatística e os métodos utilizados que compõem a estatística descritiva, incluindo níveis de medição, medidas de 
tendência central (média) e dispersão (spread) e o conceito de distribuição normal.
Este documento revisa a literatura relevante, fornece uma lista de verificação de pontos a serem considerados antes de avançar com 
a aplicação de métodos estatísticos apropriados a um conjunto de dados e fornece um glossário de termos relevantes para referência.
ª 2010 The College of Radiographers. Publicado pela Elsevier Ltd. Todos os direitos reservados.
Introdução
A dificuldade em compreender as estatísticas é uma das barreiras relatadas com 
mais frequência que impede os enfermeiros de aplicar os resultados da pesquisa à 
sua prática, limitando assim a oportunidade de realizar práticas baseadas em 
evidências de pesquisa. 1 e 3 É provável que isso também se aplique a outras 
profissões da área de saúde, como a radiografia. Na verdade, os autores deste
6; fax: º 44
G. Marshall).
f Radiographers. Publicado pela Elsevier Ltd. To
a revisão começou sem um diploma formal de especialista em estatística. A 
intenção aqui é demonstrar que uma apreciação das estatísticas pode ser obtida por 
meio do autodidatismo e do acesso à literatura destinada a pesquisadores novatos 
ou corpo clínico e profissionais de saúde aliados que talvez nunca tenham sido 
expostos a aulas estatísticas aprofundadas durante seu período formal. educação, 
para assim compreender melhor as estatísticas. Para ajudar ainda mais o leitor em 
seu caminho, os autores apresentarão a terminologia estatística relevante e os 
elementos básicos da aplicação da estatística. Os autores desejam enfatizar que, 
com tarefas estatísticas mais complexas, deve-se sempre considerar entrar em 
contato com um estatístico qualificado para suporte e feedback, de preferência 
antes
dos os direitos reservados. doi: 10.1016 / j.radi.2010.01.001
mailto:gill.marshall@cumbria.ac.uk
http://www.elsevier.com/locate/radi
e2 G. Marshall, L. Jonker
lacu
i fi 
iniciar a coleta de dados para garantir que os dados a serem coletados sejam 
apropriados.
Estatísticas em radiografia
A medição de parâmetros na assistência médica é um dos primeiros pontos para 
facilitar a melhoria da qualidade. 4
Embora certamente não seja necessário que os radiologistas sejam estatísticos 
totalmente qualificados, é desejável um conhecimento prático de estatística para 
poder avaliar e compreender as implicações da pesquisa para que os radiologistas 
evoluam sua prática. Além disso, se um radiologista está realizando um projeto de 
pesquisa, ele / ela deve ser estatisticamente alfabetizado para interagir com outros 
pesquisadores e estatísticos e, a fim de garantir que um projeto tenha o melhor 
desenho metodológico, que pode incluir a seleção de metodologia estatística 
apropriada que testará uma hipótese predeterminada ; além disso, este teste deve 
ser realizado de forma adequada. 1
A qualidade da educação estatística fornecida aos alunos enquanto eles estão 
em um curso ou tirando um diploma é relatada na literatura como inadequada. Além 
disso, os alunos logo esquecem o que lhes foi ensinado, principalmente se não for 
aplicado. 5,6 Esses dois cenários constituem uma barreira para a compreensão dos 
artigos de pesquisa. Informar alguém sobre como ler e dissecar estatísticas é 
considerado mais eficaz quando os conceitos estatísticos são ensinados primeiro, 
antes de começar o ensino de "como realizar" as estatísticas. 7 À medida que a 
radiografia se esforça para se tornar uma profissão autônoma, ela deve "conquistar 
uma base de conhecimento que seja dinâmica e com visão de futuro" 8 e isso 
claramente precisa do conhecimento das estatísticas lidas por radiologistas em 
artigos ou aplicadas a seus próprios estudos. Alega-se que “a medicina de hoje é 
tão boa quanto a pesquisa de quinze anos atrás”, mostrando o tempo considerável 
gasto entre os resultados da pesquisa sendo relatada e sua filtragem na prática 
clínica. 6 Embora o objetivo da prática baseada em evidências seja estreitar a teoria e 
prática por meio de evidências de pesquisa informando a prática, parece que a 
pesquisa às vezes não é apresentada de uma forma que seja amigável e 
compreensível para os profissionais, que, consequentemente, não irão ou não 
podem aplicá-la em sua prática diária. 9 Cabe, portanto, aos pesquisadores pensar 
sobre seu público, ao publicar, para que seus resultados sejam clinicamente 
relevantes e significativos.
Em um estudo de Welch e Gabbe em 1996, 32% dos artigos eram desprovidos 
de estatísticas ou afirmavam ter significância nos resultados sem o uso de 
estatísticas. 9 Um leitor com apenas um conhecimento de estatística descritiva 
compreenderá normalmente apenas 44,5% dos dados em artigos, enquanto aqueles 
com conhecimento de testes estatísticos comuns irão aumentar a taxa de acesso de 
compreensão de dados produzidos em artigos para 80,5%. 9
Tipos de dados
As estatísticas são usadas para demonstrar o significado dos dados e são baseadas em 
números, por exemplo, a freqüência cardíaca do paciente ou números atribuídos a 
atributos qualitativos, como a cor dos olhos. As estatísticas podem ser usadas 
descritivamente para ilustrar as características de um grupo de observações, ou seja, 
os dados brutos; isso é chamado de estatística descritiva. 10 Em termos estatísticos,
existem diferentes níveis de medição para variáveis de pontuação. Existem duas 
categorias principais:
- Dados categóricos
- Dados contínuos
na 
Os dados categóricos podem ser divididos em quatro subcategorias:
- Dados binários
Em tais casos, apenas dois resultados ou medições são possíveis. Por 
exemplo, se a sobrevivência dos pacientes for registrada, pode haver apenas dois 
resultados e sobrevivência ou morte. Outro exemplo é se o laudo radiológico foi 
preenchido corretamente. Esses dados geralmente são resumidos em proporções 
ou probabilidades.
- Dados nominais
Embora este seja o tipo de dados menos robusto para categorizar dados em 
categorias mutuamente exclusivas, sem classificação hierárquica, este é, no 
entanto, um tipo de dados muito usado e valioso. Um exemplo poderia ser grupos 
sanguíneos,
ou seja, O, A, B, AB ou grupos distintos de profissões, por exemplo, radiologistas, 
radiologistas e enfermeiras. Ambos os dados binários e nominais podem ser 
representados ou armazenados pela atribuição de números às categorias 
(radiologistas Z 1, radiologistas Z 2 e enfermeiras Z 3, onde os númerosnão têm sign
cância numérica). 11 Com esses dados, a medida de tendência central é a categoria 
com mais casos, conhecida como moda.
- dados ordinais
Aqui, os dados têm uma ordem ou hierarquia clara, mas não em uma escala 
calibrada, por exemplo, concordo totalmente, concordo etc., de uma escala chamada 
Likert com uma afirmação fornecida. 12 A
exemplo é o nível de dor causado pela mamografia, por exemplo, sem dor, leve 
desconforto, dor moderada, dor intensa. As categorias são mutuamente exclusivas 
e, como acima, os valores numéricos atribuídos às categorias não são medidas 
absolutas, mas ordenam os dados. Em dados ordinais, a medida de tendência 
central é chamada de mediana e a categoria que está no meio da descrição 
ordenada por classificação é, portanto, chamada de mediana.
Escalas binárias, nominais e ordinais são consideradas
variáveis discretas porque os dados são classificados em variáveis discretas não 
sobrepostas. 13
- Dados de intervalo / proporção
Este é o tipo mais forte de dados, com os dados de proporção sendo dados mais 
fortes do que os dados de intervalo, já que os dados de proporção têm um valor zero 
verdadeiro, enquanto os dados de intervalo não. 14 Esses dados são obtidos pelo uso de 
uma escala calibrada para fornecer medições quantitativas, por exemplo, leituras de 
densidade de um densitômetro, peso em quilogramas ou pressão arterial. Esses dados 
podem ser plotados em um histograma. Os dados de proporção ou intervalo podem ser 
resumidos pela média ou mediana (como uma medida de tendência central) 
dependendo da distribuição. Para
Uma introdução à estatística descritiva e3
figura 1 Exemplo de dados com distribuição normal.
igura 
igura 
Para ilustrar o ponto, um exemplo de dados de intervalo seria uma pontuação de teste de QI. Razões dessas 
medidas não podem ser aplicadas e um QI de 140 no sujeito 1 versus 70 no sujeito 2 não significa que o sujeito 
1 é duas vezes mais inteligente do que o sujeito 2. Por outro lado, exemplos de dados de razão mostram que 
todos eles têm uma escala constante que inclui um zero, por exemplo, duzentos metros tem o dobro do 
comprimento de cem metros. Esses dados podem ser plotados em um histograma e o ponto médio da curva 
será novamente a medida da tendência central. Se uma variável é normalmente distribuída (ou seja, ela produz 
uma curva em sino simétrica), a média, a mediana e o valor da moda serão aproximadamente iguais. Se o 
pesquisador vai realizar estatísticas inferenciais, isto é, testes que permitem ao pesquisador tirar inferências dos 
dados (cobertos em um artigo subsequente), deve-se decidir se os dados são normalmente distribuídos. Se for, 
então a média e o desvio padrão serão suficientes como estatísticas de resumo. Se os dados não forem 
distribuídos normalmente, as estatísticas de cinco ordens são usadas, ou seja, mínimo, primeiro quartil, 
mediana, terceiro quartil e máximo. O intervalo e o intervalo interquartil podem ser facilmente derivados disso, 
mas geralmente não são usados explicitamente como estatísticas de resumo. O resultado do teste determinará 
se o pesquisador pode usar estatísticas paramétricas ou estatísticas não paramétricas. Para dados de intervalo / 
razão de uma escala contínua, o intervalo, intervalo interquartil e desvio padrão são usados para relatar a 
propagação ou largura dos dados. Os dados das escalas de intervalo ou razão são descritos como O intervalo e 
o intervalo interquartil podem ser facilmente derivados disso, mas geralmente não são usados explicitamente 
como estatísticas de resumo. O resultado do teste determinará se o pesquisador pode usar estatísticas 
paramétricas ou estatísticas não paramétricas. Para dados de intervalo / razão de uma escala contínua, o 
intervalo, intervalo interquartil e desvio padrão são usados para relatar a propagação ou largura dos dados. Os 
dados das escalas de intervalo ou razão são descritos como O intervalo e o intervalo interquartil podem ser 
facilmente derivados disso, mas geralmente não são usados explicitamente como estatísticas de resumo. O 
resultado do teste determinará se o pesquisador pode usar estatísticas paramétricas ou estatísticas não 
paramétricas. Para dados de intervalo / razão de uma escala contínua, o intervalo, intervalo interquartil e desvio 
padrão são usados para relatar a propagação ou largura dos dados. Os dados das escalas de intervalo ou 
razão são descritos como dados contínuos e assim fornece variáveis contínuas porque os dados representam 
um continuum subjacente onde há potencialmente um número infinito de valores.
ra 
Distribuição de dados
Este artigo enfoca a metodologia estatística que pode ser aplicada para definir 
descritivamente os dados. Esses métodos são procedimentos numéricos ou 
técnicas gráficas, por exemplo, gráficos de barras, histogramas, polígonos de 
frequência e gráficos de pizza, usados para organizar, apresentar e descrever as 
características de uma amostra, por exemplo, fornecem um resumo das medidas 
das características. A estatística descritiva busca descrever o ponto médio de uma 
dispersão de pontuações, chamada de medida de tendência central, e a dispersão 
de pontuações que é chamada de dispersão, da qual a variância é um exemplo. 14 Pa
entender isso, é necessário considerar os níveis de medição, porque certos testes 
(subsequentes) só funcionam com níveis de medição adequados. Se as medições 
forem feitas a partir de uma grande amostra aleatória, por exemplo, do peso de 
pacientes adultos com TC com contraste e um polígono de frequência é traçado dos 
resultados, é provável que uma curva em forma de sino seja produzida, o que 
mostra que as variáveis de uma amostra são normalmente distribuídas . Esta 
forma de sino é chamada de distribuição normal ou Gaussiana (Ver
figura 1 ) A palavra 'normal' aqui significa que os dados estão em conformidade com 
um padrão de distribuição que permite matematicamente a aplicação de testes 
estatísticos paramétricos.
Medida hipotética de uma artéria de 100 pacientes, apresentada por meio de 
um histograma, com a curva em sino gaussiana destacando o padrão de distribuição 
normal.
Na radiografia, a distribuição normal das medidas pode ser vista ao traçar os 
tamanhos e volumes de certos
estruturas anatômicas, como o globo ocular, nervo óptico ou conforme mostrado em f
1 , estruturas vasculares. De modo geral, as medidas para tais estruturas não 
diferem muito entre as pessoas. No entanto, muitas vezes uma distribuição normal 
não é alcançada; valores discrepantes podem ser comuns, o que dará à curva do 
sino uma 'cauda' no lado esquerdo ou direito. Os exemplos aqui seriam um 
histograma do peso dos pacientes, onde a curva de distribuição seria inclinada para 
um peso maior (a curva seria descrita como inclinada positivamente) e Veja também F
2 .
Os mesmos dados representados nos histogramas de
figura 1 é resumido.
Se os dados não apresentam uma distribuição normal, por exemplo, quando 
existem alguns outliers, a apresentação dos dados pode ser alterada para atingir 
uma distribuição normal. Um procedimento matemático comum para realizar é 
transformar dados logaritmicamente; não altera os dados reais, mas sim a maneira 
como são distribuídos em um gráfico e, portanto, facilita a análise dos dados como 
se fossem normalmente distribuídos. Se a normalização não for possível, testes não 
paramétricos apropriados devem ser aplicados aos dados. Os testes não 
paramétricos levam em consideração o fato de que os dados são distorcidos ou têm 
vários outliers e, portanto, são mais conservadores. Os estatísticos Altman e Bland 
ilustram esses pontos muito claramente em uma série de artigos curtos que 
publicaram ao longo dos anos no British Medical Journal. 15 e 18
O desvio padrão é uma medida de quão espalhados os dados estão, a variância 
deles. Quanto mais estreito for o desvio padrão, mais próximo do ponto médio dos 
dados estarão todosos resultados. 17 Sem citar a fórmula matemática por trás dele, o 
desvio padrão permite expressar a variância usando as mesmas unidades usadas 
para as observações ou medições. De um modo geral, aproximadamente 2/3 de 
todas as observações ou medições estão dentro de um desvio padrão da média (o 
topo do gráfico de distribuição em figura 1 ), e 95% estão dentro de dois desvios 
padrão da média. O intervalo interquartil está se tornando mais comum em relatórios 
de estatísticas descritivas de dados contínuos. Essa estatística representa os 50% 
intermediários da amostra, mostrando sua dispersão, e não é influenciada por 
outliers. 18 tabela 1 contém exemplos do desvio padrão para os dois conjuntos de 
dados de exemplo, bem como
e4 G. Marshall, L. Jonker
UMA B
Figura 2
em relação ao volume do globo ocular com distribuição normal (A) e peso corporal com distribuição enviesada negativamente (B), respectivamente.
Exemplos de dados com distribuição normal e enviesada. Estas são distribuições de dados hipotéticos para 60 pacientes
UMA
 
B
o intervalo interquartil. Particularmente do desvio padrão, pode-se concluir que, para 
os dados de peso corporal, mais pontos de medição estão mais distantes da média.
Recolha e apresentação de dados
É essencial esclarecer o tipo apropriado de dados necessários para responder à 
pergunta de pesquisa no estágio de concepção de um projeto de pesquisa, para que 
possam ser coletados. O nível de medição precisa ser identificado, permitindo a 
identificação do procedimento estatístico a ser utilizado e a tomada de decisão 
sobre o tamanho da amostra. As estatísticas descritivas são as mais fáceis de 
realizar e interpretar e são uma forma útil de resumir dados e fornecer uma 
descrição da amostra.
Figura 3 fornece outro exemplo de como resumir dados; neste caso, a razão 
hipotética entre duas medições do diâmetro das artérias brônquica e pulmonar para 
100 pacientes. Os gráficos de caixa permitem uma visão geral clara das 
características de um conjunto de dados, conforme mostrado em
Figura 3 . A caixa representa o 25 º e 75 º valores percentuais, enquanto a barra dentro
da caixa representa os 50 º
percentil (mediana). Os 'bigodes' anexados à caixa representam os valores mais 
baixos e mais altos (o intervalo) dos dados, bar outliers extremos ou valores 
extremos.
Em última análise, a estatística descritiva não pode ser usada para demonstrar 
a análise causal que requer o uso de estatísticas inferenciais, que nos permitem 
generalizar de uma amostra para uma população maior. A análise de dados pode 
ser levada um passo adiante, inferindo a partir do grupo de amostra
tabela 1
dados.
Estatísticas descritivas de dois conjuntos de exemplos de
Volume (cm 3)
5,50
5,50
0,27 (5%)
Peso (kg)
76,75
73,00
13,34 (17%)
Significar
Mediana
Desvio padrão
(% da média)
Intervalo interquartil
(25% e 75%)
Figura 3
diâmetros da artéria pulmonar em formato de histograma (A) e gráfico de caixa (B).
Apresentação da relação entre brônquica e
5,38 e 5,60 67,25 e 83,00
Uma introdução à estatística descritiva e5
1:
05;
50
an 
996;
na 
generalizações que podem ser aplicadas a uma população mais ampla, que são chamadas 
de estatísticas inferenciais e estes são considerados em nosso segundo artigo.
A compreensão da estatística não é importante apenas para o pesquisador, 
mas os leitores da produção de pesquisa (manuscritos, relatórios, teses) precisam 
estar cientes do nível em que as variáveis são medidas, dos testes estatísticos 
usados e devem estar cientes de que o erro de procedimento estatístico por 
pesquisadores não é incomum. 9 Normalmente, esse erro não está no cálculo do 
resultado do teste, que hoje em dia raramente é realizado manualmente, mas 
usando pacotes estatísticos como Excel, Minitab, Supastat e o abrangente e 
comumente usado SPSS (Statistical Package for Social Science), mas no seleção 
de teste. Alguns dos pacotes estatísticos mencionados acima podem ser baixados 
gratuitamente, embora em alguns casos apenas por um período limitado.
Lista de verificação para compreender e aplicar estatísticas descritivas:
Em relação aos seus dados, deseja apenas descrevê-los e resumi-los?
o Nesse caso, apenas estatísticas descritivas serão suficientes.
Qual medida de tendência central é apropriada para os dados?
Suas variáveis são discretas ou contínuas?
Seus dados são nominais, ordinais ou dados de razão / intervalo?
o Depois de concluir as estatísticas descritivas, mais informações podem ser 
extraídas dos dados?
o Em caso afirmativo, considere o uso de estatísticas inferenciais que permitem 
tirar conclusões a partir dos dados.
Conclusão
As estatísticas fornecem uma maneira de descrever os dados numéricos coletados 
que podem ser assimilados pelos leitores, permitindo que o resultado da pesquisa 
seja usado para a prática baseada em evidências e, assim, estreitando a teoria e lacu
prática. As estatísticas descritivas (que em certos casos podem ser chamadas de 
'estatísticas exploratórias') são perfeitamente adequadas para comparar e resumir 
dados quantitativos. Ele permite que o radiologista obtenha uma visão, por exemplo, 
das tendências potenciais nos dados demográficos de certos grupos de pacientes 
ou detecte certas tendências nos resultados do tratamento por meio de estudos 
observacionais. Essas observações podem então ser usadas como um ponto de 
partida para investigar mais a fundo as razões por trás dessas características e 
tendências. A próxima etapa será aplicar estatísticas inferenciais para permitir tirar 
conclusões aplicáveis a um grupo maior do que a amostra usada para gerar os 
dados. As estatísticas podem ser difíceis de aplicar e entender, especialmente para 
quem não tem experiência. É essencial que o tipo de dados coletados e sua análise 
ou representação sejam adequados, para que a questão da pesquisa possa ser 
respondida de forma significativa e para que as informações possam ser obtidas a 
partir dos dados coletados. É importante considerar que tipo de dados serão 
coletados e apresentados assim que a questão de pesquisa for identi fi cada.
Reconhecimento
Gostaria de agradecer a Sue Griffiths por sua revisão deste artigo.
Referências
1. Rickard C. Estatísticas para a prática clínica de enfermagem: uma introdução. Australian 
Critical Care: Official Journal of the Confederation of Australian Critical Care Nurses 2008; 2
216 e 9
2. Justham D, Timmons S. Uma avaliação do uso de um teste estatístico baseado na web para 
ensinar estatística a estudantes de enfermagem pós-registro. Enfermeira Educação Hoje 20
25: 156 e 63
3. Davidoff F, Haynes B, Sackett D, Smith R. Medicina baseada em evidências: o que é e o 
que não é. British Medical Journal
1996; 312: 71 e 2
4. Allison JJ, Calhoun JW, Wall TC, Spettell CM, Fargason Jr CA, Weissman NW, et al. 
Relatório ótimo de medidas do processo de assistência à saúde: estatísticas inferenciais 
como ajuda ou obstáculo. Managed Care Quarterly 2000; 8: 1 e 10
5. Reznick RK, Dawson-Saunders E, Folse JR. Uma justificativa para o ensino de estatística 
para residentes cirúrgicos. Cirurgia 1987; 101:
611 e 7
6. Bolton J. Clinicians and the '' S e palavra''. Quiropraxia Clínica
2006; 9: 88 e 91
7. Hong E, O'Neil H. Estratégias instrucionais para ajudar os alunos a construir modelos 
mentais relevantes de estatística inferencial. Journal of Educational Psychology 1992; 84: 1
e 9
8. Manning D, Hogg P. Escrevendo para publicação. Radiografia 2006;
12: 77 e 8
9. Welch G, Gabe S. Revisão do uso de estatísticas no jornal americano de ginecologia. Americ
Journal of Obstetrics and Gynecology 1997; 176 ( 5): 1138 e 41
10. Parahoo K. Princípios, processos e questões da pesquisa em enfermagem.
2ª ed. Basingstoke: Palgrave Macmillan; 2006. p. 468.
11. Botti M, Endacott R. Pesquisa clínica 5: coleta e análise de dados quantitativos. Enfermagem 
de cuidados intensivos e críticos
2005; 21 ( 3): 187 e 9312. Likert R. Uma técnica para a medição de atitudes.
Arquivos de psicologia 1932; 140: 1 e 55
13. Polgar S, Thomas S. Introdução à pesquisa em saúde
ciências. 3ª ed. Melbourne: Churchill Livingstone; 1995. pp. 243 e 306.
14. Fisher M, Marshall A. Compreendendo as estatísticas descritivas.
Australian Critical Care 2009; 22: 93 e 7
15. Altman D, Bland J. A distribuição normal. British Medical
Diário 1995; 310: 298.
16. Bland J, Altman D. Transformação, médias e intervalos de confiança. British Medical Journal 1
312: 1079.
17. Altman D, Bland J. Desvios padrão e erros padrão.
British Medical Journal 2005; 331: 903.
18. Altman D, Bland J. Quartis, quintis, centiles e outras qualidades. British Medical Journal 1994;
309: 996.
Glossário
Gráficos de barra: estes são usados onde a variável traçada ao longo do
eixo horizontal é nominal ou ordinal, ou seja, as categorias mostradas ao longo deste eixo 
não têm valor quantitativo ou numérico (nominal), ou ordem ou hierarquia clara, mas não 
em uma escala calibrada (ordinal). As barras verticais são desenhadas separadamente, por 
exemplo, a distribuição de frequência do número de radiologistas qualificados no Reino 
Unido categorizados por faixa etária dos radiologistas.
Coorte: um grupo definido de pessoas, por exemplo, todas as mulheres em Morecambe
área da baía que foram rastreados para câncer de mama no ano passado.
Variáveis contínuas: os dados representam um continuum subjacente
onde há potencialmente um número infinito de valores.
e6 G. Marshall, L. Jonker
mesa 2
Medidas de tendência central
Prazo: Definição:
Modo O valor numérico com a maior 
frequência
A pontuação média de uma distribuição ordenada por 
classificação
A pontuação média
Termos estatísticos comuns e suas definições.
Mediana
Significar
Dispersão
Frequência
distribuição
Faixa
O número de casos por categoria
A distância entre a pontuação mais alta e a 
mais baixa
O intervalo no qual os 50% intermediários das 
pontuações se enquadram
A raiz do desvio quadrático médio
da média
O quadrado do desvio padrão
Interquartil
faixa
Padrão
desvio
Variância
Estatísticas descritivas para cada nível de medição. 14
Dados: números ou valores coletados como resultado das medições.
Eles podem ser contagens ou frequências ou valores numéricos reais ou pontuações.
Estatísticas descritivas: Estatísticas que podem ser usadas descritivamente para
ilustrar as características de um grupo de observações, ou seja, os dados brutos.
Variáveis discretas: quando os dados são classificados em discretos não
variáveis sobrepostas.
Polígono de freqüência: esta é uma alternativa para um histograma e é
preferido quando a variável é contínua. É produzido colocando pontos no topo dos centros 
das barras do histograma equivalente e, em seguida, juntando os pontos com linhas retas. 
É freqüentemente usado para comparar duas distribuições de frequência .; Quando as 
medições são feitas de uma grande amostra aleatória e um polígono de frequência é 
produzido, a forma da distribuição é sempre a mesma. Esta é uma curva em forma de sino 
chamada de distribuição normal ou Gaussiana.
Histogramas: aqui as categorias são medidas em um número
escala. As barras verticais são desenhadas tocando, por exemplo, a distribuição de 
frequência do número de filhos por família que vivem em Lancaster. Os histogramas podem 
ser usados para dados discretos ou contínuos.
Tabela 3
Nível de medição
Nominal
Ordinal
Estatísticas descritivas para cada nível de medição.
Descrição
Classificação
Classificações relativas
Contínuo Ordem de classificação com intervalos iguais
uma Se a distribuição dos dados não for normal, por exemplo, há uma série de outliers que influenc
mediana para dar uma melhor reflexão do valor da maioria dos pontos de dados .
Se usado para dados contínuos, é particionado em intervalos, cujo tamanho depende do 
tamanho da amostra para permitir que um número ideal de barras seja exibido.
Estatística inferencial: estatísticas que podem ser usadas para inferir a partir do
generalizações de grupo de amostra que podem ser aplicadas a uma população mais ampla.
Dados de intervalo: são dados mais fortes do que dados nominais ou ordinais. Pode
alcançado pelo uso de uma escala calibrada para fornecer medições quantitativas. A diferença 
entre os dados de intervalo e razão é que os dados de razão têm um zero verdadeiro, portanto, 
os dados de intervalo são mais fracos do que os dados de razão.
Escala de Likert: é uma escala comumente usada em questionários, e é o
escala mais amplamente utilizada em pesquisas de opinião. É usado para dados de 
categoria ordenados. Ao responder a um item do questionário Likert, os entrevistados 
especificam seu nível de concordância com uma afirmação. A escala leva o nome de Rensis 
Likert que publicou um relatório descrevendo seu uso. 17
Medidas de tendência central: média, modo e mediana,
Vejo. mesa 2 .
Medições de dispersão: Vejo. Observe que a variância é um exemplo
de dispersão. Tabela 3 .
Dados nominais: são os dados menos robustos que categorizam, mas
não classifica dados hierarquicamente em categorias mutuamente exclusivas.
Distribuição normal: quando um grande número de medições são
feito ao acaso de uma variável particular, os resultados geralmente se enquadram em um 
padrão. A maioria das medições ficará próxima ao valor médio, com poucos valores 
situados nos extremos. Quando uma distribuição de frequência é traçada, uma curva em 
forma de sino familiar é produzida, a qual representa uma distribuição normal ou gaussiana.
Dados ordinais: é onde os dados têm uma ordem ou hierarquia clara, mas
não em uma escala calibrada. Os dados ordinais podem ser classificados (como do mais alto para 
o menor) ou ordenados (por exemplo, dados categorizados por meio do nível de concordância com 
afirmações em uma escala Likert, por exemplo, muito doloroso, doloroso etc.). Tanto numéricos 
quanto não numéricos podem constituir dados ordinais.
Parâmetro: uma característica mensurável '' verdadeira '' da população
isso não pode, na prática, ser conhecido com certeza, por exemplo, a espessura média das 
mamas de todas as mulheres elegíveis para mamografia. Uma '' estatística '', isto é, o valor 
médio em uma amostra de pacientes é medido e usado como uma estimativa da verdadeira 
média da população.
Testes paramétricos: são selecionados para dados que são normalmente distribuídos;
Gráfico de setores: usado para demonstrar taxas de distribuição, pois é fácil de
compare os tamanhos relativos dos vários componentes.
Modo de medida de tendência central
Mediana
Modo
Medida de dispersão
Distribuição de frequência
Distribuição de frequência
Percentil,
Máximo e mínimo,
Faixa
Distribuição de frequência
Percentil
Máximo e mínimo,
Intervalo, intervalo interquartil,
Desvio padrão
Significar uma
Mediana
Modo
iam drasticamente a média (tornando os dados distorcidos), às vezes é melhor apresentar a 
Uma introdução à estatística descritiva e7
População: um conjunto completo de indivíduos, objetos ou medidas
mentos com alguma característica observável em comum, por exemplo, todas as mulheres 
que tiveram um filho.
Dados de proporção: são os dados mais fortes e têm um valor zero verdadeiro. Pode
ser alcançada pelo uso de uma escala calibrada para fornecer medições quantitativas.
Amostra: um subconjunto da população, selecionada para participar de um estudo.
Desvio padrão: figura que dá uma indicação de quão próximo
medições ou observações distribuídas estão em torno da média de todas as medições. Ele 
dá uma indicação da variação dos dados. Um pequeno desvio padrão resultará em uma 
curva em forma de sino com curva acentuada quando apresentado em um gráfico. Ao 
contrário, um grande desvio padrão resultará em uma curva em forma de sino plana.
	An introduction to descriptive statistics: A review and practical guide
	Introduction
	Statistics in radiography
	Types of data
	Distribution of dataCollection and presentation of data
	Conclusion
	Acknowledgement
	References