Aps Estatística traduzida

Prévia do material em texto

Radiografia (2010) 16, e1ee7
a v a i l a b l e a t w w w . s c i e n c e d i r e c t . c o m
j o u r n a l h o m e p a g e : w w w . e ls e v i e r . c o m / l o c a t e / r a d i
ARTIGO DE REVISÃO
Uma introdução às estatísticas descritivas: Uma revisão e um guia prático
GillMarshall
Faculdade de Saúde, Ciências Médicas e Assistência Social, Universidade da Cumbria, Bowerham Road, Lancaster LA1 3JD, Reino Unido
Recebido em 28 de maio de 2009; revisado em 27 de novembro de 2009; aceito 3 janeiro 2010 Disponível on-line 6 fevereiro 2010
	Keywords
	
	
	
	
	Resumo Este artigo, o primeiro de dois, demonstra por que é necessário que os radiógrafos
	
	Estatísticas descritivas; 
	entender conceitos estatísticos básicos tanto para assimilar o trabalho dos outros e também em sua
	
	Níveis de medição;
	trabalho de pesquisa próprio. À medida que a ênfase na prática baseada em evidências aumenta, ela se tornará
	
	Medidas da central
	mais urgente para os radiógrafos para ser capaz de dissecar a pesquisa de outras pessoas e contribuir
	
	tendência;
	para pesquisar a si mesmos. Os diferentes tipos de dados que se pode encontrar são cobertos
	
	Dispersão;
	aqui, bem como diferentes maneiras de descrever dados. Além disso, a terminologia estatística
	
	Distribuiçãonormal;
	e métodos utilizados que compõem estatísticas descritivas são explicados, incluindo níveis de
	
	Desvio padrão
	medição, medidas de tendência central (média) e dispersão (spread) e o
	
	
	conceito de distribuição normal. 
	
	
	
	Este artigo revisa a literatura relevante, fornece uma lista de pontos a considerar antes de pró-
	
	
	gressing com a aplicação de métodos estatísticos apropriados para um conjunto de dados, e fornece
	
	
	um glossário de termos relevantes para referência.
	
	
	ª 2010 O Colégio de Radiografistas. Publicado por Elsevier Ltd. Todos os direitos reservados.
	
	
	
	
	
Introdução
A dificuldade em entender as estatísticas é uma das barreiras mais relatadas para impedir que os enfermeiros apliquem resultados de pesquisa à sua prática, limitando assim a oportunidade de empreender práticas baseadas em evidências de pesquisa. 1e3 Isso também é provável que se aplique em outras profissões de saúde, como a radiografia. Na verdade, os autores deste 
· Autor correspondente. Tel.: þ44 1524 384384x2246; fax: d44 1524 384385.
Endereço de e-mail: gill.marshall@cumbria.ac.uk (G. Marshall).
revisão começou a não ter um diploma formal de especialista em estatística. A intenção aqui é demonstrar que uma valorização das estatísticas pode ser adquirida através do autodestruído e acessando a literatura que é voltada para pesquisadores novatos ou corpo clínico e profissionais de saúde aliados que talvez nunca tenham sido expostos a aulas estatísticas aprofundadas durante sua educação formal, para assim compreender melhor as estatísticas. Para ajudar ainda mais o leitor em seu caminho, os autores introduzirão termi-nologia estatística relevante e os elementos básicos da aplicação das estatísticas. Os autores desejam ressaltar que com tarefas estatísticas mais complexas deve-se sempre considerar entrar em contato com um estatístico qualificado para apoio e feedback, de preferência antes
1078-8174/$ - veja a matéria frontal ª ª 2010 O Colégio de Radiógrafos. Publicado por Elsevier Ltd. Todos os direitos reservados. doi:10.1016/j.radi.2010.01.001
E2G. Marshall	
iniciar a coleta de dados para garantir que os dados sejam gath-ered é apropriado.
Estatísticas em radiografia
A medição dos parâmetros na assistência médica é um dos primeiros pontos para facilitação da melhoria da qualidade. 4 Embora certamente não seja necessário que os radiógrafos sejam estatísticos totalmente qualificados, um conhecimento de trabalho das estatísticas é desejável para poder avaliar e entender as implicações da pesquisa para que os radiografistas evoluam sua prática. Além disso, se um radiógrafo está realizando um projeto de pesquisa, ele 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 meth-odology estatística adequada que testará uma hipótese predeterminada; mais- over, este teste deve então ser realizado apropriadamente. 1
A qualidade da educação estatística fornecida aos alunos enquanto estão em um curso ou se formando é relatada na literatura como inadequada. Além disso, os alunos logo esquecem o que lhes foi ensinado, especialmente se não for aplicado. 5,6 Esses dois cenários formam uma barreira à 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 iniciar o ensino de ''como empreender'' as estatísticas. 7 À medida que a radiografia se esforça para se tornar uma profissão autônoma, ela deve ''esculpir uma base de conhecimento que é dinâmica e pensamento avançado''8 e isso claramente precisa de conhecimento das estatísticas lidas por radiógrafos 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 que se levou entre os achados da pesquisa que estão sendo relatadas e eles filtrando para a prática clínica. 6 Embora o objetivo da prática baseada em evidências seja reduzir a lacuna teórica e prática por meio de evidências da prática de informação, parece que a pesquisa talvez às vezes não seja apresentada de forma fácil de usar e compreensível para os praticantes, que consequentemente não o aplicarão ou não a aplicarão à sua prática diária. 9 Cabe, portanto, aos pesquisadores pensar em seu público, ao publicar, para que seus resultados sejam clinicamente relevantes e significativos.
Em um estudo realizado por Welch e Gabbe em 1996, 32% dos artigos eram desprovidos de estatísticas ou alegavam significado-cance nos resultados sem o uso de estatísticas. 9 Um leitor com apenas um conhecimento de estatística descritiva só entenderá tipicamente 44,5% dos dados em artigos, enquanto aqueles com conhecimento de testes estatísticos comuns aumentarão a taxa de acesso de dados de compreensão 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 frequência cardíaca do paciente, ou números atribuídos a atributos qualitativos, como a cor dos olhos. As estatísticas podem ser utilizadas 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
Os dados categóricos podem ser divididos ainda em quatro subcategorias:
- Dados binários
Nesses casos, apenas dois desfechos ou medidas são possíveis. Por exemplo, se a sobrevida dos pacientes for registrada, só pode haver dois desfechos e sobrevivência ou morte. Outro exemplo é se um relatório radiológico foi preenchido corretamente. Esses dados geralmente são resumidos usando proporções ou probabilidades.
- Dados nominais
Embora este seja o tipo de dados menos robusto para dados crescentes em categorias mutuamente exclusivas, sem classificação hierárquica, este é, no entanto, um tipo de dados muito usado e valioso. Um exemplo pode ser grupos sanguíneos, ou seja, O, A, B, AB, ou grupos distintos de profissões, por exemplo, radiógrafos, radiologistas e enfermeiros. Tanto os dados binários quanto os dados nominais podem ser representados ou armazenados por números de alo-cating para categorias (radiógrafos Z 1, radiol-ogistas Z 2 e enfermeiros Z 3, onde os números não têm significância numérica). 11 Com esses dados a medida de tendência central é a categoria com mais casos, conhecida como modalidade.
- Dadosordinais
Aqui os dados têm uma ordem ou hierarquia claras, mas não em uma escala calibrada, por exemplo, concordam fortemente, concordam, etc., a partir da chamada escala Likert com uma declaração fornecida. 12 Um exemplo é o nível de dor causado pela mamografia, por exemplo, sem dor, desconforto leve, dor moderada, dor intensa. As categorias são mutuamente exclusivas e, como acima, os valores numéricos atribuídos às categorias não são medidas abso-alaúde, mas encomendam os dados. Em dados ordinais, a medida de tendência central é chamada de mediana e a categoria que é o meio da descrição ordenada pelo rank é, portanto, referida como a mediana.
As escalas binárias, nominais e ordinais são consideradas variáveis discretas porque os dados são classificados em variáveis não sobrepostas discretas. 13
- Dados de intervalo/razão
Este é o tipo de dados mais forte, com dados de razão sendo dados mais fortes do que dados de intervalo, pois os dados de razão têm um verdadeiro valor zero, enquanto os dados de intervalo não.14 Tais dados são obtidos pelo uso de uma escala calibrada para fornecer medições quan-titativas, por exemplo, leituras de densidade de um densi-tometer, peso em quilogramas ou pressão arterial. Tais dados podem ser plotados em um histograma. Os dados de razão ou intervalo podem ser resumidos pela média ou pela mediana (como medida de tendência central) dependendo da distribuição. Para
	Uma introdução às estatísticas descritivas
	e3
	
	
ilustrar o ponto, um exemplo de dados de intervalo seria uma pontuação de teste de QI. As 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 seja duas vezes mais inteligente 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 é o dobro do tempo 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 for normalmente distribuída (ou seja, produz uma curva de sino simétrica) a média, a mediana e o valor do modo serão aproximadamente iguais. Se o pesquisador está passando a realizar estatísticas inferenciais, ou seja, testes que permitem ao pesquisador extrair inferências dos dados (abrangidos em um artigo subsequente) deve-se decidir se os dados são normalmente distribuídos. Se for, então o desvio médio e padrão será suficiente como estatísticas sumárias. Se os dados não forem normalmente distribuídos, os cinco meses de estatis-tics são usados, ou seja, mínimo, primeiro quartil, mediana, terceiro quartil e máximo. O alcance e a faixa inter-quartil podem ser facilmente derivados destes, mas geralmente não são usados explicitamente como estatísticas sumárias. O resultado dos testes determinará se o pesquisador pode usar estatísticas paramétricas ou estatísticas não paramétricas. Para dados de intervalo/razão de uma escala contínua, a faixa inter-quartil e o desvio padrão são usados para relatar a propagação ou largura dos dados. Os dados de escalas de intervalo ou razão são descritos como dados contínuos e, portanto, fornecem variáveis contínuas porque os dados representam um contínuo subjacente onde há potencialmente um número infinito de valores.
Distribuição de dados
Este artigo se concentra na metodologia estatística que pode ser aplicada para definir descritivamente os dados. Estes métodos são procedimentos numéricos ou técnicas gráficas, por exemplo, gráficos de barras, histogramas, polígonos de frequência e gráficos de tortas, usados para organizar, apresentar e descrever as características de uma amostra, por exemplo, fornecem medidas sumárias das características. As estatísticas descritivas buscam descrever o ponto médio de uma disseminação de escores, chamada de medida de tendência central, e a disseminação de escores que é chamada de dispersão, da qual a variância é um exemplo. 14 Para entender isso, é necessário considerar os níveis de medição, pois certos testes (subsequentes) só funcionam com níveis adequados de medição. Se as medidas forem retiradas de uma grande amostra aleatória, por exemplo, do peso de pacientes adultos com tomografia aumentada de contraste e um polígono de frequência for traçado dos resultados, é provável que seja produzida uma curva em forma de sino 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 cumprem um padrão de distribuição que matematicamente permite que testes estatísticos paramétricos sejam aplicados.
Uma medição hipotética de uma artéria de 100 pacientes, apresentada através de um histograma, com curva de sino gaussiana destacando o padrão normal de distribuição.
Na radiografia, a distribuição normal das medidas pode ser vista ao traçar os tamanhos e volumes de certos
Figura 1Exemple de dados com distribuição normal.	
estruturas anatômicas, como o globo ocular, nervo óptico ou como mostrado na Figura 1, estruturas vasculares. De um modo geral, as medidas para tais estruturas não diferem muito entre as pessoas. No entanto, muitas vezes uma distribuição normal não é alcançada; outliers podem ser comuns que darão à curva do sino uma 'cauda' na mão esquerda ou no lado direito. 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 positivamente distorcida) e ver também Figura 2.
Os mesmos dados representados nos histogramas da Figura 1 são resumidos.
Se os dados não apresentarem uma distribuição normal, por exemplo, quando houver alguns outliers, a apresentação de dados pode ser alterada para atingir uma distribuição normal. Um procedimento matemático comum para realizar é a formação de dados logaritmicamente; ele não altera os dados reais, mas faz a forma como é distribuído em um gráfico e, assim, facilita a análise dos dados como se fossem nem mal distribuídos. Se a normalização não for possível, devem ser aplicados testes não paramétricos aprodotos nos dados. Os testes não paramétricos levam em conta 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. 15e18
O desvio padrão é uma medida de como os dados são espalhados, a variância deles. Quanto mais estreito o desvio padrão, mais perto do ponto médio dos dados todos os resultados serão. 17 Sem citar a fórmula matemática por trás dela, o desvio padrão permite expressar variância utilizando as mesmas unidades que as utilizadas para as obser-vations ou medidas. De modo geral, aproximadamente 2/3 de todas as observações ou medidas estão dentro de um desvio padrão da média (o topo do gráfico distri-bution na Figura 1), e 95% estão dentro de dois desvios padrão da média. A faixa inter-quartil está se tornando mais comum na comunicação de estatis-tics descritivos a partir de dados contínuos. Esta estatística representa os 50% médios da amostra mostrando sua dispersão, e não é influenciada por outliers. 18 A Tabela 1 contém exemplos do desvio padrão para os dois conjuntos de dados de exemplo, bem como
	e4
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	G. Marshall 
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	um
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	
	BFigura 2 Exemplos de dados com distribuição normal e distorcida. Estas são distribuições de dados hipotéticos para 60 pacientes relativos ao volume de um globo ocular com distribuição normal (A) e peso corporal com distribuição negativamente distorcida (B), respectivamente.
a faixa inter-quartil. A partir do desvio padrão, particularmente pode-se concluir que para os dados de peso corporal mais pontos de medição estão mais distantes da média.
Coleta e apresentação de dados
É essencial esclarecer o tipo adequado de dados necessários para responder à questão da pesquisa na fase de elaboração de um projeto de pesquisa, para que possa ser coletado. 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. Estatísticas descritivas são as mais fáceis de empreender e interpretar e são uma maneira útil de resumir dados e fornecer uma descrição da amostra. A Figura 3 fornece outro exemplo de como resumir os dados; neste caso, a razão hipotética entre duas medidas do diâmetro das artérias brônquicais e pulmonares para 100 pacientes. As parcelas da caixa permitem uma visão geral clara das características de um conjunto de dados, conforme mostrado na Figura 3. A caixa representa os valores de percentil 25 e 75, enquanto a barra dentro da caixa representa o percentil 50 (mediana). Os 'bigodes' anexados à caixa representam os valores mais baixos e mais altos (a gama) dos dados, barram outliers extremos ou valores extremos.
Em última análise, as estatísticas descritivas não podem ser usadas para demonstrar análise causal que requer o uso de estatísticas inferenciais, que nos permitem generalizar de uma amostra para uma população maior. A análise dos dados pode ser levada um passo adiante, inferindo do grupo amostral
Tabela 1 Estatísticas descritivas de dois exemplos de dados. 	
	
	Volume (cm3)
	Peso (kg)
	significar
	5.50
	76.75
	mediana
	5.50
	73.00
	Desvio padrão
	0.27 (5%)
	13.34 (17%)
	(% da média)
	
	
	Alcance interquartil
	5.38e5.60
	67.25e83,00
	(25%e75%)
	
	
	
	
	
um
B
Figura 3 Apresentação da razão entre diâmetros da artéria brônquica e pulmonar no formato histograma (A) e enredo de caixa (B).
	Uma introdução às estatísticas descritivas
	e5
	
	
generalizações que podem ser aplicadas a uma população mais ampla que é chamada de estatística inferencial e estas são consideradas em nosso segundo artigo.
A compreensão das estatísticas não é apenas importante para o pesquisador, mas para os leitores de produção de pesquisa (manu-scripts, relatórios, teses) precisam estar cientes do nível em que as variáveis são medidas, os testes estatísticos utilizados e devem estar cientes de que erro processual estatístico por parte dos pesquisadores não é incomum. 9 Normalmente, esse erro não está no cálculo do resultado do teste, que hoje em dia raramente é realizado à mão, mas utilizando pacotes estatísticos como Excel, Minitab, Supastat, e o SPSS abrangente e comumente utilizado (Statistical Package for Social Science), mas na seleção do teste. Alguns dos pacotes estatísticos acima mencionados podem ser baixados livremente, embora em alguns casos apenas por um período limitado.
Lista de verificação para compreensão e aplicação de estatísticas descritivas:
Em relação aos seus dados, você só quer descrevê-lo e resumi-lo?
o Se assim for, apenas estatísticas descritivas serão suficientes.
Que medida de tendência central é adequada aos dados?
Suas variáveis são discretas ou contínuas?
Seus dados são dados nominais, ordinais ou de razão/intervalo?
o Uma vez que você tenha completado estatísticas descritivas, mais informações podem ser extraídas dos dados?
o Se assim considerar o uso de estatísticas inferenciais que permitem tirar conclusões dos dados.
conclusão
As estatísticas fornecem uma maneira de descrever dados numéricos coletados que podem ser assimilados pelos leitores, permitindo que o resultado da pesquisa seja usado para prática baseada em evidências e, assim, reduzindo a lacuna teórica. As estatísticas descrip-tive (que em certos casos podem ser rotuladas como "estatísticas explorativas") são perfeitamente adequadas para a coleta e resumição de dados quantitativos. Permite que um radiógrafo obtenha uma visão, por exemplo, de tendências potenciais na demografia de determinados grupos de pacientes ou de detectar determinadas tendências nos desfechos do tratamento por meio de estudos observacionais. Tais observações podem então ser usadas como ponto de partida para investigar melhor as razões por trás dessas características e tendências. O próximo passo será, então, aplicar estatísticas inferenciais para permitir conclusões de desenho 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 aqueles sem 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 da pesquisa for identificada.
reconhecimento
Gostaria de agradecer a Sue Griffiths por sua leitura de prova deste artigo.
Referências
1. Rickard C. Estatísticas para a prática clínica de enfermagem: uma introdução...
duction. Australian Critical Care: Official Journal of the Confederation of Australian Critical Care Nurses 2008;21: 216e9.
2. Justham D, Timmons S. Uma avaliação do uso de um teste de estatística baseado na web para ensinar estatísticas para estudantes de enfermagem pós-matrícula. Educação de Enfermeiros Hoje 2005;25:156e63.
3. Davidoff F, Haynes B, Sackett D, Smith R. Evidence-based medicine: o que é e o que não é. British Medical Journal 1996;312:71e2.
4. Allison JJ, Calhoun JW, Wall TC, Spettell CM, Fargason Jr CA, Weissman NW, et al. Relatório ideal de medidas de processo de saúde : estatísticas inferenciais como ajuda ou impedimento. Atendimento Gerenciado Trimestral 2000;8:1e10.
5. Reznick RK, Dawson-Saunders E, Folse JR. Uma justificativa para o ensino de estatística para residentes cirúrgicos. Cirurgia 1987;101: 611e7.
6. Bolton J. Clinicians e o "S e word". Quiropraxia Clínica 2006;9:88e91.
7. Hong E, O'Neil H. Estratégias instrucionais para ajudar os alunos a construir modelos mentais relevantes de estatísticas inferenciais. Revista de Psicologia Educacional 1992;84:150e9.
8. Manning D, Hogg P. Escrevendo para publicação. Radiografia 2006; 12:77e8.
9. Welch G, Gabe S. Review sobre o uso de estatísticas na revista americana de ginecologia. American Journal of Obstetrics and Gynecology 1997;176(5):1138e41.
10. Parahoo K. Princípios, processos e questões de enfermagem. 2º ed. Basingstoke: Palgrave Macmillan; 2006. p. 468.
11. Botti M, Endacott R. Pesquisa clínica 5: coleta e análise quantitativa de dados. Enfermagem Intensiva e Crítica 2005;21(3):187e93.
12. Likert R. Uma técnica para a medição de atitudes. Arquivos de Psicologia 1932;140:1e55.
13. Polgar S, Thomas S. Introdução à pesquisa em ciências da saúde. 3ª ed. Melbourne: Churchill Livingstone; 1995. pp. 243e306.
14. Fisher M, Marshall A. Entendendo estatísticas descritivas. Australian Critical Care 2009;22:93e7.
15. Altman D, Bland J. A distribuição normal. British Medical Journal 1995;310:298.
16. Bland J, Altman D. Transformação, meios e intervalos de confiança. British Medical Journal 1996;312:1079.
17. Altman D, Bland J. Desvios padrão e erros padrão. British Medical Journal 2005;331:903.
18. Altman D, Bland J. Quartiles, quintis, centiles e outras qualidades. British Medical Journal 1994;309:996.
glossário
Gráficos de barras: estes são utilizados onde a variável plotada ao longo do eixo horizontal é nominal ou ordinal, ouseja, as categorias mostradas ao longo deste eixo não têm valor quantitativo ou numérico (nominal), ou ordem ou hierarquia claras, mas não em escala calibrada (ordinal). As barras verticais são desenhadas separadamente, por exemplo, a distribuição de frequência do número de radiógrafos qualificados no Reino Unido categorizados pela faixa etária dos radiógrafos.
Coorte: um grupo definido de pessoas, por exemplo, todas as mulheres da área da baía de Morecambe que foram rastreadas para câncer de mama no último ano.
Variáveis contínuas: os dados representam um contínuo subjacente onde há potencialmente um número infinito de valores.
E6G. Marshall	
Tabela 2 Termos estatísticos comuns e suas definições. Medidas de tendência central
Termo:Definição:	
ModoO valor numérico com o	
maior frequência
MedianaA pontuação média de um rank-ordered	
distribuição
MédiaA pontuação média	
dispersão
FrequênciaSO número de casos por categoria	
distribuição
AlcanceA distância entre as mais altas	
e pontuação mais baixa
Inter-quartilA faixa dentro da qual o meio	
faixa50% das pontuações caem	
PadrãoO desvio de quadrado-médio-raiz	
desvio da média	
VariânciaO quadrado do desvio padrão	
Estatísticas descritivas para cada nível de medição. 14
Dados: números ou valores coletados como resultado de medições. Podem ser contagens ou frequências ou valores ou pontuações numéricas reais.
Estatísticas descritivas: Estatísticas que podem ser utilizadas descritivamente para ilustrar as características de um grupo de observações, ou seja, os dados brutos.
Variáveis discretas: quando os dados são classificados em variáveis discretas e não sobrepostas.
Polígono de frequência: esta é uma alternativa a um histograma e é preferível quando a variável é contínua. É produzido colocando pontos no topo dos centros das barras do histograma equivalente, e depois juntando os pontos com linhas retas. É frequentemente usado para comparar duas distribuições de frequência.; Quando as medidas são tomadas a partir 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 distribuição normal ou gaussiana.
Histogramas: aqui as categorias são medidas em escala numérica. As barras verticais são desenhadas tocando, por exemplo, a distribuição de frequência do número de crianças por família que vivem em Lan-caster. Histogramas podem ser usados para dados discretos ou contínuos.
Se usado para dados contínuos, ele é particionado em intervalos, o tamanho do qual depende do tamanho da amostra para permitir que um número ideal de barras seja exibido.
Estatísticas inferenciais: estatísticas que podem ser usadas para inferir a partir das generalizações do grupo amostral que podem ser aplicadas a uma população mais ampla.
Dados de intervalo: são dados mais fortes do que dados nominais ou ordinais. Pode ser alcançado pelo uso de uma escala calibrada para fornecer medições quantitativas. A diferença entre dados de intervalo e razão é que os dados de razão têm um verdadeiro zero, portanto os dados de intervalo são dados mais fracos do que os dados de razão.
Escala de likert: é uma escala comumente utilizada em questionários, e é a escala mais utilizada em pesquisas de pesquisa. É usado para dados de categorias ordenadas. Ao responder a um item do questionário Likert, os respondentes especificam seu nível de concordância com uma declaração. A escala é nomeada em homenagem a Rensis Likert, que publicou um relatório descrevendo seu uso. 17
Medições de tendência central: média, modo e mediana, veja. Tabela 2.
Medidas de dispersão: veja. Note que a variância é um exemplo de dispersão. Tabela 3.
Dados nominais: são os dados menos robustos que categorizam, mas não classificam hierarquicamente os dados em categorias mutuamente exclusivas.
Distribuição normal: quando um grande número de medições são feitas aleatoriamente de uma variável específica, os resultados geralmente caem em um padrão. A maioria das medidas ficará próxima ao valor médio, com poucos valores nos extremos. Quando uma distribuição de frequência é plotada uma curva familiar em forma de sino é produzida que representa uma distribuição normal ou gaussiana.
Dados ordinais: é onde os dados têm uma ordem ou hierarquia claras, mas não em uma escala calibrada. Os dados ordinais podem ser classificados (como do mais alto ao menor) ou ordenados (por exemplo, dados categorizados através do nível de concordância com declarações em uma escala de Likert, por exemplo, muito doloroso, doloroso etc.). Tanto numérico quanto não numérico podem constituir dados ordinais.
Parâmetro: uma característica mensurável ''verdadeira'' da população que não pode, na prática, ser conhecida com certeza, por exemplo, a espessura média da mama de todas as mulheres elegíveis para o rastreamento mamário. Uma ''estatística'' ou seja, o valor médio em uma amostra de pacientes é medido e usado como estimativa da verdadeira média da população.
Testes paramétricos: são selecionados para dados normalmente distribuídos;
Gráficos de tortas: usados para demonstrar as relações de distribuição, pois é fácil comparar os tamanhos relativos dos vários componentes.
Tabela 3 Estatísticas descritivas para cada nível de medição.	
	Nível de medição
	descrição
	Medida da tendência central 
	Medida de dispersão
	
	
	
	
	nominal
	classificação
	modo
	Distribuição de frequências
	ordinal
	Classificações relativas
	mediana
	Distribuição de frequências
	
	
	modo
	Percentil,
	
	
	
	Máximo e mínimo,
	
	
	
	gama
	contínuo
	Ordem de classificação com intervalos iguais
	Significaque um
	Distribuição de frequências
	
	
	mediana
	percentil
	
	
	modo
	Máximo e mínimo,
	
	
	
	Alcance, alcance inter-quartil, 
	
	
	
	Desvio padrão
a Se a distribuição de dados não é normal, por exemplo, há uma série de outliers que influenciam a média dramaticamente (tornando o dataskewed), às vezes é melhor apresentar a mediana para dar um melhor reflexo do valor da maioria dos pontos de dados.
	Uma introdução às estatísticas descritivas
	e7
	
	
População: um conjunto completo de indivíduos, objetos ou medidas 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 verdadeiro valor zero. Pode ser alcançado pelo uso de uma escala calibrada para fornecer medidas quan-titulativas.
Amostra: um subconjunto da população, selecionado para participar de um estudo.
Desvio padrão: figura que dá uma indicação de quão estreitamente distribuídas medidas ou observações estão em torno da média de todas as medidas. Dá uma indicação da variância dos dados. Um pequeno desvio padrão resultará em uma curva de sino curvada quando apresentado em um gráfico. Oppo-localmente, um grande desvio padrão resultará em uma curva de sino plana.