2.2
Données : types et distribution
En biostatistique, les données sont les observations recueillies à des fins d'analyse. Il en existe deux principaux types : paramétriques et non param…
En biostatistique, les données font référence aux observations recueillies qui font l’objet d’une analyse. Les données peuvent être paramétriques ou non paramétriques.
Les données non paramétriques ne suivent aucune distribution spécifique. Il comprend des données catégorielles, à la fois nominales, comme le sexe, et ordinales, telles que les évaluations de l’échelle de douleur.
Les données paramétriques ou quantitatives supposent un modèle de distribution spécifique. Il comprend des données numériques, à la fois continues, comme le poids, et discrètes, comme le nombre de comprimés.
Les distributions en biostatistique indiquent la disposition des points de données sur un graphique.
La distribution normale ou gaussienne est une distribution symétrique où la moyenne, la médiane et le mode coïncident. Par exemple, le poids des bébés à la naissance suit généralement une distribution normale.
Les distributions asymétriques ont des points de données distribués de manière asymétrique autour de la moyenne.
Une inclinaison positive indique une longue queue vers la droite, illustrée par les concentrations de métabolites du médicament dans le sang d'un patient.
Une asymétrie négative montre une longue traîne vers la gauche, un exemple de cela étant le coût des médicaments de marque.
View the full transcript and gain access to JoVE Core videos
Q1: What is the difference between parametric and nonparametric data in biostatistics?
Parametric data assumes a specific distribution pattern and includes numerical observations like weight or tablet counts. Nonparametric data does not follow any specific distribution and comprises categorical observations such as gender or pain scale ratings. Understanding parametric versus nonparametric data is essential for selecting appropriate statistical analysis methods.
Q2: What are examples of continuous and discrete data types?
Continuous data represents measurements that can take any value within a range, such as patient weight or drug concentration levels. Discrete data consists of countable whole numbers, like the number of tablets administered or patient count. Both are parametric data types used in biostatistical analysis.
Q3: How do nominal and ordinal data differ?
Nominal data categorizes observations without any inherent order, such as gender or drug type classifications. Ordinal data has a meaningful sequence or ranking, like pain scale ratings from mild to severe. Both are nonparametric categorical data types commonly used in biostatistics.
Q4: What is a normal distribution and why is it important in biostatistics?
Normal or Gaussian distribution is a symmetrical arrangement where mean, median, and mode coincide. Baby birth weights exemplify this pattern. Normal distribution is fundamental in biostatistics because many parametric statistical tests assume data follows this distribution pattern for valid analysis.
Q5: What does a positive skew indicate in a data distribution?
A positive skew shows data asymmetrically distributed with a long tail extending toward the right. Drug metabolite concentrations in patient blood exemplify positive skew, where most values cluster lower but some extremely high values pull the tail rightward, creating asymmetry.
Q6: How does negative skew differ from positive skew?
Negative skew has a long tail extending toward the left, indicating most data points cluster higher with some extremely low values. The cost of branded drugs demonstrates negative skew. Both skewed distributions represent asymmetrical data arrangements unlike the symmetrical normal distribution.
Q7: Why is understanding data distribution important for biostatistical analysis?
Data distribution determines which statistical methods to analyze parametric data are appropriate for analysis. Parametric tests require normally distributed data, while nonparametric tests suit skewed or non-normal distributions. Recognizing whether data follows normal, positive, or negative skew patterns ensures accurate interpretation.