Słownik metodologiczny · Ludzie statystyki

Florence Nightingale (1820–1910) – kim była i co wniosła do statystyki

Pielęgniarka, reformatorka i autorka jednego z najbardziej znanych wykresów XIX wieku. Opisujemy jej pracę z danymi o zgonach żołnierzy w wojnie krymskiej, wykres biegunowy (różę) i to, czego nie wymyśliła, oraz pokazujemy w R te same liczby na róży i na słupkach.

Strona główna / Słownik / Florence Nightingale
W skrócie: Florence Nightingale (1820–1910) – brytyjska pielęgniarka i reformatorka, która po wojnie krymskiej pokazała na danych, że większość żołnierzy umierała na choroby, którym można było zapobiec. Spopularyzowała wykres biegunowy (różę), w którym pole klina odpowiada liczbie zgonów, i porównanie okresów „przed i po”. Wykresu biegunowego nie wymyśliła – wzorowała się na Williamie Farrze.

Kim była Florence Nightingale?

Florence Nightingale (1820–1910) to brytyjska pielęgniarka i reformatorka szpitalnictwa, która zapisała się też w historii statystyki: zbierała dane o przyczynach zgonów żołnierzy, liczyła wskaźniki umieralności i pokazywała je na wykresach, które miały przekonać polityków. Urodziła się 12 maja 1820 r. we Florencji w zamożnej rodzinie (Turkowski i Turkowski, 2024). Friendly i Andrews (2021) piszą, że w młodości uczyła się matematyki, a duży wpływ wywarła na nią książka Adolphe’a Queteleta z 1835 r. o zastosowaniu statystyki do badania człowieka.

W październiku 1854 r. poprosiła sekretarza stanu ds. wojny, Sidneya Herberta, o wysłanie jej z zespołem pielęgniarek na wojnę krymską (Friendly i Andrews, 2021). Pracowała w szpitalu w koszarach w Skutari, przepełnionym i źle utrzymanym (O’Connor i in., 2020). Po powrocie do Anglii w lipcu 1856 r. naciskała na rząd w sprawie komisji badającej przyczyny zgonów w armii i zaczęła współpracę z Williamem Farrem, statystykiem urzędu prowadzącego rejestr urodzeń i zgonów (General Register Office). Razem opracowywali dane z Krymu w raportach z tabelami i wykresami (Friendly i Andrews, 2021). W 1860 r. Nightingale założyła szkołę pielęgniarek przy szpitalu St Thomas’ w Londynie (Turkowski i Turkowski, 2024). Jako pierwsza kobieta została członkinią Towarzystwa Statystycznego w Londynie, dzisiejszego Royal Statistical Society – O’Connor i in. (2020) podają rok 1859.

Najważniejsze pomysły

  • Liczby zamiast wrażeń. Nightingale wykazała, że większość żołnierzy umierała nie od ran, lecz na choroby, którym można było zapobiec (Turkowski i Turkowski, 2024). McDonald (2001) opisuje, że korzystała z najlepszych dostępnych statystyk rządowych, a gdy ich brakowało, zbierała nowe dane – także kwestionariuszami, które przed użyciem oceniali eksperci i sprawdzano na próbnych przypadkach (dziś: badanie pilotażowe).
  • Porównanie „przed i po”. Na najbardziej znanym diagramie z 1859 r. podzieliła 24 miesiące na dwa koła: od kwietnia 1854 do marca 1855 i od kwietnia 1855 do marca 1856, czyli przed przybyciem Komisji Sanitarnej i po nim (Friendly i Andrews, 2021). To porównanie dwóch okresów przerwanego szeregu czasowego.
  • Punkt odniesienia. W jednej z wersji dodała okrąg pokazujący, jaka byłaby umieralność w armii, gdyby żołnierze byli tak zdrowi jak mężczyźni w tym samym wieku w Manchesterze (Friendly i Andrews, 2021). To ta sama myśl co w SMR i standaryzacji względem wieku: zgony obserwowane porównuje się z oczekiwanymi w populacji odniesienia.
  • Pole, nie promień. Pierwsza wersja wykresu, wydrukowana prywatnie w 1858 r., miała promień proporcjonalny do umieralności. Nightingale zauważyła, że oko ocenia pole klina, więc w kolejnych wersjach promień był pierwiastkiem z liczby zgonów, a pole – proporcjonalne do liczby (Friendly i Andrews, 2021).
  • Wykres dla decydentów. Używała kolorowych wykresów słupkowych i kołowych, żeby wyniki zrozumieli politycy i urzędnicy (McDonald, 2001). Brasseur (2005) opisuje, że diagramy różane dołączyła do aneksu raportu, gdy rząd zwlekał z reformami.

Przykład: te same liczby na róży i na słupkach

Nie odtwarzamy tu tabel Nightingale. Liczby są ilustracyjne (ustawione ręcznie): zgony w 12 kolejnych miesiącach, od kwietnia do marca, według trzech przyczyn, z zimowym szczytem i przewagą chorób zakaźnych – tak jak w układzie opisanym w źródłach. Razem jest 5610 zgonów: 4590 z chorób zakaźnych (81.8%), 405 z ran (7.2%) i 615 z innych przyczyn (11.0%). Z chorób umiera 11.3 raza więcej osób niż z ran.

Skąd pierwiastek? W styczniu zmarło 1000 osób, w sierpniu 250 – stosunek 4. Gdyby promień klina rósł proporcjonalnie do liczby zgonów, pole stycznia byłoby 16 razy większe od pola sierpnia, bo pole koła rośnie z kwadratem promienia. Przy promieniu równym pierwiastkowi z liczby stosunek pól wynosi 4, czyli tyle, ile stosunek liczb.

Na rysunku

Oś czasu od 1820 do 1910 z dziewięcioma punktami i podpisami: 1820 urodzona we Florencji, 1854 wyjazd z pielęgniarkami na wojnę krymską, 1855 Komisja Sanitarna (ok. kwietnia), 1856 powrót do Anglii, 1858 pierwsze wykresy biegunowe (druk prywatny), 1859 diagram przyczyn zgonów i Towarzystwo Statystyczne, 1860 szkoła pielęgniarek przy St Thomas’, 1891 projekt katedry fizyki społecznej, 1910 śmierć. Sześć zdarzeń skupia się w latach 1854–1860
Rysunek 1. Florence Nightingale – najważniejsze zdarzenia życia i pracy. Lata według Friendly i Andrews (2021), McDonald (2001), O’Connor i in. (2020) oraz Turkowski i Turkowski (2024). Rysunek: R, pakiet ggplot2.

Co widać. Większość dorobku statystycznego Nightingale mieści się w kilku latach po wojnie krymskiej: od wyjazdu na wojnę (1854) przez pierwsze wykresy biegunowe (1858) i diagram przyczyn zgonów (1859) do szkoły pielęgniarek (1860). Projekt katedry „fizyki społecznej” w Oksfordzie z 1891 r. pokazuje, że do statystyki wracała do końca życia (McDonald, 2001).

Na co uważać. Etykiety rozstawiono równo dla czytelności – miejsce na osi wskazuje kreska, nie etykieta. Rok przyjęcia do Towarzystwa Statystycznego podajemy za jednym źródłem (O’Connor i in., 2020).

Podpis do pracy:

Rysunek 1. Najważniejsze zdarzenia w życiu i pracy Florence Nightingale (1820–1910). Uwaga. Na podstawie Friendly i Andrews (2021) oraz Turkowski i Turkowski (2024).
Dwa wykresy tych samych ilustracyjnych liczb zgonów w 12 miesiącach. A: róża, czyli wykres biegunowy z 12 klinami od kwietnia u góry; niebieskie kliny chorób zakaźnych są największe od listopada do lutego, pomarańczowe kliny ran i szare innych przyczyn są małe i częściowo schowane. B: słupki grupowane; niebieski słupek chorób zakaźnych sięga 1000 w styczniu, pomarańczowy słupek ran najwyżej 150 w listopadzie, szare słupki innych przyczyn do 120
Rysunek 2. Te same liczby zgonów według miesiąca i przyczyny jako róża z polem klina proporcjonalnym do liczby (A) i jako słupki (B). Rysunek: R, pakiety ggplot2 i patchwork (dane ilustracyjne).

Co widać. Na róży od razu widać, że niebieskie kliny chorób zakaźnych dominują, a zimą rosną. Układ w kole dobrze oddaje cykl roczny: marzec sąsiaduje z kwietniem, więc widać sezonowość. Na słupkach łatwiej odczytać konkretną wartość i porównać małe liczby – np. zgony z ran i z innych przyczyn w tym samym miesiącu.

Na co uważać. Na róży mniejsze kliny chowają się pod większymi, a pola ocenia się gorzej niż długości. Do dokładnych porównań wybierz wykres słupkowy. Róża to nie wykres kołowy – w kołowym wartość koduje kąt wycinka, w róży kąty są równe, a wartość koduje promień – ani nie wykres radarowy, w którym na osiach są różne zmienne.

Podpis do pracy:

Rysunek 2. Liczba zgonów według miesiąca i przyczyny. Uwaga. A – wykres biegunowy; promień klina jest pierwiastkiem z liczby zgonów, więc pole klina odpowiada liczbie zgonów. B – wykres słupkowy tych samych danych. Dane ilustracyjne.

Gdzie spotkasz pomysły Nightingale w swojej pracy

  • Wskaźniki w ochronie zdrowia. Umieralność, chorobowość i zapadalność oraz porównanie z populacją odniesienia to dziś podstawa prac z pielęgniarstwa i zdrowia publicznego.
  • Porównanie przed i po zmianie. Jeśli opisujesz wskaźnik przed wprowadzeniem procedury i po nim, pamiętaj, że sam spadek nie dowodzi skutku zmiany – zobacz korelacja a przyczynowość i modele przerwanego szeregu czasowego.
  • Wykres dla odbiorcy. Wybierz wykres, który pokaże jedno porównanie, dodaj punkt odniesienia i opisz w podpisie, co koduje długość, pole lub kolor. Praktyczne zasady zebraliśmy we wpisie wykresy w pracy dyplomowej.

Spory, mity i trudne strony

  • Czy wymyśliła wykres biegunowy? Nie. Bezpośrednią inspiracją był kołowy diagram temperatury i zgonów z cholery Williama Farra z 1852 r., a najwcześniejszym znanym poprzednikiem – wykresy André-Michela Guerry’ego z 1829 r. z klinami o równym kącie i różnym promieniu (Friendly i Andrews, 2021). Guerry jest znany też z wczesnych map cieniowanych, dziś nazywanych kartogramami. Wkładem Nightingale jest sposób użycia: podział na okresy, pole proporcjonalne do liczby i punkt odniesienia.
  • „Róża” i „coxcomb”. Nazwy „róża”, „coxcomb” (grzebień koguta) i „klin” spotkasz w podręcznikach zamiennie (O’Connor i in., 2020). Friendly i Andrews (2021) nie znaleźli w pismach Nightingale potwierdzenia, że sama któregoś z tych określeń używała – to nazwy nadane wykresowi później.
  • „Dama z lampą”. Określenie pochodzi z wiersza Henry’ego W. Longfellowa z 1857 r. (Friendly i Andrews, 2021) i utrwaliło obraz pielęgniarki przy łóżku chorego, który przesłania jej pracę z danymi.
  • Kto odpowiadał za umieralność w Skutari? W literaturze pojawiała się teza, że to Nightingale odpowiadała za wysoką umieralność w szpitalach wojennych. McDonald (2014) odrzuca ją, porównując umieralność w różnych szpitalach i przytaczając francuskie zestawienia zgonów w armii brytyjskiej i francuskiej.
Przykład reprodukowalny

Róża Nightingale w R

Kod liczy udział przyczyn zgonów i pokazuje, jak zmienia się pole klina przy promieniu liniowym i pierwiastkowym, a potem rysuje oś czasu (rysunek 1) oraz różę i słupki (rysunek 2). Rysunki na stronie powstały z tych samych obiektów p1 i p2 z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Róża z polem proporcjonalnym do liczby i słupki tych samych danych

Dane wejściowe: ilustracyjne liczby zgonów w 12 miesiącach według trzech przyczyn (ustawione ręcznie, nie pochodzą z tabel Nightingale); lata na osi czasu – z cytowanych źródeł.

Co odczytać: 5610 zgonów, w tym 81.8% z chorób zakaźnych; stosunek chorób do ran 11.3; przy stosunku liczb 4 pole klina rośnie 16 razy przy promieniu liniowym i 4 razy przy pierwiastkowym.

Kod R (obliczenia i rysunki 1–2)
# Florence Nightingale: oś czasu oraz wykres biegunowy (róża) i słupkowy tych samych liczb
# Dane ilustracyjne: liczby zgonów ustawione ręcznie, NIE pochodzą z tabel Nightingale
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(choroby = "#0072B2", rany = "#D55E00", inne = "grey45")   # Okabe–Ito + szary
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", colour = "#0f1d3a"),
        plot.background = element_rect(fill = "white", colour = NA))

# Zgony w 12 miesiącach (od kwietnia do marca) według przyczyny
miesiace <- c("kwi", "maj", "cze", "lip", "sie", "wrz", "paź", "lis", "gru", "sty", "lut", "mar")
zgony <- data.frame(
  miesiac = factor(rep(miesiace, 3), levels = miesiace),
  przyczyna = factor(rep(c("choroby zakaźne", "rany", "inne przyczyny"), each = 12),
                     levels = c("choroby zakaźne", "rany", "inne przyczyny")),
  n = c(20, 40, 80, 150, 250, 300, 350, 500, 800, 1000, 700, 400,   # choroby zakaźne
        0, 0, 0, 0, 5, 60, 80, 150, 50, 30, 20, 10,                  # rany
        5, 10, 10, 20, 30, 40, 50, 60, 100, 120, 110, 60))           # inne przyczyny
razem <- tapply(zgony$n, zgony$przyczyna, sum)
razem
sum(razem)                                             # wszystkie zgony
round(100 * razem / sum(razem), 1)                     # odsetek zgonów według przyczyny
round(razem[["choroby zakaźne"]] / razem[["rany"]], 1) # ile razy więcej zgonów z chorób niż z ran
# Promień proporcjonalny do liczby (zamiast pierwiastka): pole klina rośnie z kwadratem
n_sty <- 1000; n_sie <- 250
c(stosunek_liczb = n_sty / n_sie, pole_przy_promieniu_liniowym = (n_sty / n_sie)^2,
  pole_przy_promieniu_pierwiastkowym = (sqrt(n_sty) / sqrt(n_sie))^2)

# Rysunek 1: oś czasu (lata z cytowanych źródeł); etykiety rozstawione równo, kreska wskazuje rok na osi
os <- data.frame(
  rok = c(1820, 1854, 1855, 1856, 1858, 1859, 1860, 1891, 1910),
  opis = c("urodzona\nwe Florencji", "wyjazd z pielęgniarkami\nna wojnę krymską",
           "Komisja Sanitarna\n(ok. kwietnia)", "powrót\ndo Anglii", "pierwsze wykresy\nbiegunowe (druk prywatny)",
           "diagram przyczyn zgonów;\nTowarzystwo Statystyczne", "szkoła pielęgniarek\nprzy St Thomas’",
           "projekt katedry\n„fizyki społecznej”", "śmierć"))
os$strona <- ifelse(seq_len(nrow(os)) %% 2 == 1, 1, -1)              # na przemian nad i pod osią
os$x_etykiety <- c(1818, 1832, 1840, 1856, 1862, 1879, 1885, 1901, 1912)    # położenie etykiet (ręcznie)
p1 <- ggplot(os) +
  geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.6) +
  geom_segment(aes(x = rok, xend = x_etykiety, y = 0, yend = strona * 0.62), colour = "grey55", linewidth = 0.4) +
  geom_point(aes(rok, 0), size = 3, shape = 21, fill = kol[["choroby"]], colour = "white", stroke = 0.8) +
  geom_label(aes(x_etykiety, strona * 0.95, label = paste0(rok, "\n", opis)), size = 3.3, lineheight = 0.9,
             linewidth = 0, fill = "white", colour = "grey15") +
  scale_x_continuous(breaks = seq(1820, 1910, 10), limits = c(1802, 1928)) +
  scale_y_continuous(limits = c(-1.35, 1.35), breaks = NULL) +
  labs(x = NULL, y = NULL) + motyw +
  theme(panel.grid.major.y = element_blank())

# Rysunek 2: te same liczby jako róża (pole klina ~ liczbie zgonów) i jako słupki
zgony_r <- zgony[order(zgony$miesiac, -zgony$n), ]     # większe kliny rysowane pod mniejszymi
p_roza <- ggplot(zgony_r, aes(miesiac, n, fill = przyczyna)) +
  geom_col(position = "identity", width = 1, colour = "white", linewidth = 0.3) +
  coord_polar(start = -pi / 12) +
  scale_y_sqrt(breaks = NULL) +                          # promień ~ pierwiastek, więc pole ~ liczba
  scale_fill_manual(values = unname(kol), name = NULL, guide = "none") +
  labs(title = "A. Róża: pole klina ~ liczba zgonów", x = NULL, y = NULL) + motyw
p_slupki <- ggplot(zgony, aes(miesiac, n, fill = przyczyna)) +
  geom_col(position = position_dodge(width = 0.85), width = 0.8) +
  scale_fill_manual(values = unname(kol), name = NULL) +
  labs(title = "B. Słupki: wysokość ~ liczba zgonów", x = "Miesiąc", y = "Liczba zgonów") + motyw
p2 <- p_roza + p_slupki + plot_layout(widths = c(1, 1.25))
p1
p2
Wynik w R
choroby zakaźne            rany  inne przyczyny 
           4590             405             615 
[1] 5610
choroby zakaźne            rany  inne przyczyny 
           81.8             7.2            11.0 
[1] 11.3
                    stosunek_liczb       pole_przy_promieniu_liniowym 
                                 4                                 16 
pole_przy_promieniu_pierwiastkowym 
                                 4 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (obliczenia – funkcje bazowe; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim była Florence Nightingale dla statystyki?

Pielęgniarką i reformatorką, która zbierała i analizowała dane o przyczynach zgonów żołnierzy w wojnie krymskiej, a wyniki pokazywała na wykresach dla polityków. Współpracowała ze statystykiem Williamem Farrem i jako pierwsza kobieta została członkinią Towarzystwa Statystycznego w Londynie (dziś Royal Statistical Society).

Czy Florence Nightingale wymyśliła wykres biegunowy?

Nie. Wzorowała się na kołowych diagramach Williama Farra z 1852 r., a jeszcze wcześniej podobne wykresy z klinami o równym kącie stosował André-Michel Guerry (1829). Jej wkładem było użycie: dwa okresy obok siebie, pole klina proporcjonalne do liczby zgonów i punkt odniesienia.

Dlaczego wykres Nightingale nazywa się różą albo coxcomb?

To nazwy nadane wykresowi później: „róża” od kształtu, „coxcomb” – grzebień koguta. Historycy wykresów nie znaleźli w pismach Nightingale potwierdzenia, że sama tak go nazywała; w podręcznikach spotkasz też nazwę „wykres biegunowy” (polar area diagram).

Czym wykres różany różni się od wykresu kołowego?

W wykresie kołowym wartość koduje kąt wycinka, a promień jest stały. W wykresie różanym kąty są równe (np. 12 miesięcy), a wartość koduje długość promienia; żeby pole klina odpowiadało liczbie, promień powinien być pierwiastkiem z wartości.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Brasseur, L. (2005). Florence Nightingale’s visual rhetoric in the rose diagrams. Technical Communication Quarterly, 14(2), 161–182. https://doi.org/10.1207/s15427625tcq1402_3
  2. Friendly, M., & Andrews, R. J. (2021). The radiant diagrams of Florence Nightingale. SORT: Statistics and Operations Research Transactions, 45(1), 3–18. https://doi.org/10.2436/20.8080.02.106 ● Otwarty dostęp: pełny tekst
  3. McDonald, L. (2001). Florence Nightingale and the early origins of evidence-based nursing. Evidence-Based Nursing, 4(3), 68–69. https://doi.org/10.1136/ebn.4.3.68 ● Otwarty dostęp
  4. McDonald, L. (2014). Florence Nightingale, statistics and the Crimean War. Journal of the Royal Statistical Society Series A: Statistics in Society, 177(3), 569–586. https://doi.org/10.1111/rssa.12026
  5. O’Connor, S., Waite, M., Duce, D., O’Donnell, A., & Ronquillo, C. (2020). Data visualization in health care: The Florence effect. Journal of Advanced Nursing, 76(7), 1488–1490. https://doi.org/10.1111/jan.14334 ● Otwarty dostęp
  6. Turkowski, Y., & Turkowski, V. (2024). Florence Nightingale (1820–1910): The founder of modern nursing. Cureus, 16(8), Article e66192. https://doi.org/10.7759/cureus.66192 ● Otwarty dostęp

Cytowania BibTeX

@article{brasseur2005florence, author={Brasseur, Lee}, title={{Florence Nightingale’s visual rhetoric in the rose diagrams}}, journal={Technical Communication Quarterly}, year={2005}, volume={14}, number={2}, pages={161--182}, doi={10.1207/s15427625tcq1402_3}}
@article{friendly2021radiant, author={Friendly, Michael and Andrews, R. J.}, title={{The radiant diagrams of Florence Nightingale}}, journal={SORT: Statistics and Operations Research Transactions}, year={2021}, volume={45}, number={1}, pages={3--18}, url={https://doi.org/10.2436/20.8080.02.106}}
@article{mcdonald2001florence, author={McDonald, Lynn}, title={{Florence Nightingale and the early origins of evidence-based nursing}}, journal={Evidence-Based Nursing}, year={2001}, volume={4}, number={3}, pages={68--69}, doi={10.1136/ebn.4.3.68}}
@article{mcdonald2014florence, author={McDonald, Lynn}, title={{Florence Nightingale, statistics and the Crimean War}}, journal={Journal of the Royal Statistical Society Series A: Statistics in Society}, year={2014}, volume={177}, number={3}, pages={569--586}, doi={10.1111/rssa.12026}}
@article{oconnor2020data, author={O'Connor, Siobhan and Waite, Marion and Duce, David and O'Donnell, Alison and Ronquillo, Charlene}, title={{Data visualization in health care: The Florence effect}}, journal={Journal of Advanced Nursing}, year={2020}, volume={76}, number={7}, pages={1488--1490}, doi={10.1111/jan.14334}}
@article{turkowski2024florence, author={Turkowski, Yana and Turkowski, Victor}, title={{Florence Nightingale (1820–1910): The founder of modern nursing}}, journal={Cureus}, year={2024}, volume={16}, number={8}, eid={e66192}, doi={10.7759/cureus.66192}}
R