Słownik metodologiczny · Statystyka opisowa

Statystyka opisowa

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Statystyka opisowa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Statystyka opisowa?

Statystyka opisowa porządkuje dane za pomocą tabel, wykresów i miar położenia oraz rozproszenia.

Zastosowanie, warunki i dobre praktyki

Statystyka opisowa porządkuje zaobserwowane dane bez automatycznego uogólniania na populację. Dobry opis obejmuje liczebność, braki, położenie, zmienność i kształt rozkładu oraz pokazuje dane graficznie. Wybór średniej lub mediany, SD lub IQR powinien odpowiadać skali i rozkładowi, a nie być stałym zestawem generowanym przez program. Opis przygotowuje odbiorcę do dalszej analizy: powinien ujawnić mianowniki, braki, zakres i nietypowe obserwacje, zanim pojawią się testy i modele.

Najważniejsze zastosowanie: Stosuj przed wnioskowaniem i do transparentnego pokazania próby.

Jak poprawnie stosować i interpretować hasło „Statystyka opisowa”?

Zastosowanie pojęcia „Statystyka opisowa” zaczyna się od rozpoznania skali zmiennej, jej jednostki i kształtu rozkładu. W odniesieniu do hasła „Statystyka opisowa” miara centrum powinna być zestawiona z miarą rozproszenia i liczebnością, ponieważ pojedyncze podsumowanie może ukryć skośność, wiele skupień albo wartości skrajne. Przy ocenie hasła „Statystyka opisowa” dla kategorii ważne są liczebności i procenty z jawnym mianownikiem, a dla danych ilościowych także wykres przedstawiający pełny zakres obserwacji.

Przy ocenie „Statystyka opisowa” należy sprawdzić braki danych, wartości niemożliwe i sposób agregacji powtarzanych pomiarów. W analizie dotyczącej hasła „Statystyka opisowa” różnice między średnią, medianą i dominantą mogą być informacją o rozkładzie, a nie błędem do usunięcia. Dla interpretacji hasła „Statystyka opisowa” wyniki dla małych podgrup wymagają ostrożności, bo pozornie duże różnice mogą być niestabilne i zależne od pojedynczych obserwacji.

Co trzeba opisać w raporcie?

Opis pojęcia „Statystyka opisowa” powinien zawierać nazwę zmiennej, jednostkę, liczebność analizowaną oraz właściwe miary położenia i zmienności. W odniesieniu do hasła „Statystyka opisowa” trzeba osobno podać zakres braków i zasady ich traktowania. Przy ocenie hasła „Statystyka opisowa”, jeżeli wynik porównuje grupy, identyczny zestaw podsumowań należy pokazać dla każdej z nich, zachowując wspólną skalę prezentacji.

Zakres raportowania dla hasła „Statystyka opisowa”: Podaj N, braki, właściwe miary i jednostki.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Dla skośnego czasu pobytu pokazujesz medianę, IQR i histogram zamiast samej średniej.

Jak ją zinterpretować: Podsumowanie dotyczy zaobserwowanych danych i powinno ujawnić N, braki, jednostki, rozkład oraz nietypowe wartości. Nie daje jeszcze podstawy do uogólnienia na populację bez modelu doboru i niepewności.

Najczęstsza pułapka i granica interpretacji

Opis nie powinien być dobierany tak, aby ukrywać nietypowy rozkład.

Samo podsumowanie za pomocą „Statystyka opisowa” nie stanowi testu hipotezy i nie uzasadnia uogólnienia poza próbę. W analizie dotyczącej hasła „Statystyka opisowa” miara opisowa charakteryzuje dane, ale nie rozstrzyga, jaki mechanizm je wytworzył.

Przykład reprodukowalny dla tego hasła

Statystyki opisowe i percentyle

Kod oblicza wyłącznie podstawowe miary opisowe dla jednej zmiennej liczbowej i zachowuje liczbę obserwacji ważnych.

Dane wejściowe: Plik dane.csv; zmienna liczbowa wynik. Braki są oznaczone jako puste pola/NA.

Co sprawdzić w wyniku: Odczytaj N ważnych obserwacji, średnią, medianę, SD, wariancję, kwartyle, percentyl 90., zakres, skośność i kurtozę.

R
dane <- read.csv("dane.csv")
x <- dane$wynik
x <- x[is.finite(x)]

c(
  N = length(x),
  srednia = mean(x),
  mediana = median(x),
  SD = sd(x),
  wariancja = var(x),
  minimum = min(x),
  maksimum = max(x),
  dominanta = as.numeric(names(which.max(table(x))))
)
quantile(x, probs = c(.25, .50, .75, .90), names = TRUE)

# Skośność i kurtoza nadmiarowa bez dodatkowych pakietów.
z <- (x - mean(x)) / sd(x)
skosnosc <- mean(z^3)
kurtoza_nadmiarowa <- mean(z^4) - 3
c(skosnosc = skosnosc, kurtoza_nadmiarowa = kurtoza_nadmiarowa)
Python
import pandas as pd

df = pd.read_csv("dane.csv")
x = df["wynik"].dropna()

wyniki = {
    "N": x.size,
    "srednia": x.mean(),
    "mediana": x.median(),
    "SD": x.std(ddof=1),
    "wariancja": x.var(ddof=1),
    "minimum": x.min(),
    "maksimum": x.max(),
    "dominanta": x.mode().tolist(),
    "Q1": x.quantile(.25),
    "Q3": x.quantile(.75),
    "P90": x.quantile(.90),
    "skosnosc": x.skew(),
    "kurtoza_nadmiarowa": x.kurt()
}
print(wyniki)
IBM SPSS Statistics — Syntax
GET DATA /TYPE=TXT
 /FILE='dane.csv'
 /DELCASE=LINE /DELIMITERS="," /FIRSTCASE=2
 /VARIABLES=wynik F8.2.

FREQUENCIES VARIABLES=wynik
 /STATISTICS=MEAN MEDIAN MODE STDDEV VARIANCE SKEWNESS KURTOSIS RANGE MINIMUM MAXIMUM
 /PERCENTILES=25 50 75 90.

DESCRIPTIVES VARIABLES=wynik
 /STATISTICS=MEAN STDDEV VARIANCE MIN MAX.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
BibTeX dla oprogramowania i pakietów
@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}
@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}
@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}
@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Appelbaum et al., 2018).

Powiązane hasła

Dominanta (modalna, moda)HistogramKanon jednej różnicyKryterium procenta wyjaśnianej wariancjiKrzywa ROCKurtoza

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  2. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Altman, D. G. (2015). Making research articles fit for purpose: Structured reporting of key methods and findings. Trials, 16, 53. https://doi.org/10.1186/s13063-015-0575-7
  5. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  6. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3

Cytowania BibTeX

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
R