O conjunto de dados abaixo representa a concentração ( \mathrm{em} \mathrm{mg} / \mathrm{dL} ) de glicose no sangue em jejum de um grupo de 12 pacientes adultos:
85,91,104,99,110,95,88,92,107,100,97,94
Pesquise quais os motivos mais comuns para medições com valores absurdos. Como você usaria um box-plot para identificar tais valores?

Passo 1

O enunciado nos dá uma amostra de 12 medidas de glicose em jejum (em \mathrm{mg/dL}):
85,91,104,99,110,95,88,92,107,100,97,94
E pede duas coisas:
  1. Quais são os motivos mais comuns para medições com valores “absurdos” (ou seja, possíveis outliers / medidas erradas)?
  2. Como usar um box-plot para identificar tais valores, aplicado a esse conjunto de dados?
Listei os dados acima (fornecidos pelo enunciado). A partir daqui vou calcular passo a passo os elementos do box-plot (mediana, Q1, Q3, IQR, limites) e indicar se há outliers; além disso vou explicar as causas típicas de valores absurdos e que checagens prático-clínicas/laboratoriais fazer.

Passo 2

Ordenar os dados do menor para o maior (sempre faça isso antes de calcular medianas e quartis):
85,88,91,92,94,95,97,99,100,104,107,110

Passo 3

Calcular a mediana (passo a passo):
  • Temos n=12 (número par). Para n par, a mediana é a média dos elementos de índice n/2 e n/2+1.
  • Aqui os elementos 6 e 7 na lista ordenada são 95 e 97.
\text{Mediana}=\frac{95+97}{2}=\frac{192}{2}=96.
Interpretação prática: metade das medidas está abaixo de 96 e metade acima.

Passo 4

Calcular Q1 e Q3 (definição e cálculo explícito):
  • Para n par geralmente se toma a metade inferior (primeiros n/2 pontos) e a metade superior (últimos n/2 pontos) e calcula-se a mediana de cada metade.
  • Metade inferior (primeiros 6): 85,88,91,92,94,95.
  • Metade superior (últimos 6): 97,99,100,104,107,110.
  • Q1 é a mediana da metade inferior: média dos elementos 3º e 4º da metade inferior, ou seja 91 e 92:
Q1=\frac{91+92}{2}=\frac{183}{2}=91{,}5.
  • Q3 é a mediana da metade superior: média dos elementos 3º e 4º da metade superior, ou seja 100 e 104:
Q3=\frac{100+104}{2}=\frac{204}{2}=102.

Passo 5

Calcular o intervalo interquartil ( IQR) e os limites do box-plot:
  • IQR = Q3 - Q1:
IQR = 102 - 91{,}5 = 10{,}5.
  • Regra padrão do box-plot (outliers por regra de Tukey): pontos abaixo de Q1 - 1{,}5\cdot IQR ou acima de Q3 + 1{,}5\cdot IQR são considerados outliers.
  • Calcular os limites:
\text{Limite inferior} = Q1 - 1{,}5\cdot IQR = 91{,}5 - 1{,}5\cdot 10{,}5 = 91{,}5 - 15{,}75 = 75{,}75.
\text{Limite superior} = Q3 + 1{,}5\cdot IQR = 102 + 15{,}75 = 117{,}75.

Passo 6

Identificar outliers usando os limites calculados:
  • Verifique cada observação: qualquer ponto <75{,}75 ou >117{,}75 seria outlier segundo a regra de 1{,}5\cdot IQR.
  • Nosso menor valor é 85 e o maior é 110. Ambos estão dentro dos limites [75{,}75,\;117{,}75].
  • Conclusão numérica: não há pontos considerados outliers pelo critério clássico do box-plot.

Passo 7

Construção prática do box-plot para esses dados (o que você desenharia e por quê):
  • O retângulo (box) vai de Q1=91{,}5 até Q3=102.
  • A linha interna do box (mediana) fica em 96.
  • Os “bigodes” (whiskers) alcançam os valores mais extremos que não são outliers; aqui como nenhum ponto é outlier, os whiskers vão até o mínimo e máximo observados:
\text{Whisker inferior} = 85,\qquad \text{Whisker superior} = 110.
  • Nenhum ponto isolado (ponto plotado fora dos whiskers) aparecerá, pois não temos valores além dos limites.

Passo 8

Explicação didática do porquê o box-plot detecta outliers e limitações:
  • O box-plot resume a distribuição em três quantis ( Q1,Q2,Q3) e usa IQR como medida de dispersão robusta (menos sensível a valores extremos do que o desvio-padrão).
  • A regra de 1{,}5\cdot IQR é empírica: captura valores muito distantes do “núcleo” da distribuição. É simples e funciona bem na prática, mas não é uma prova de erro — apenas sinaliza observações que merecem verificação.
  • Limitações: em amostras muito pequenas ou com distribuição assimétrica a regra pode sinalizar pontos que são apenas variabilidade real. Sempre combine com contexto clínico.

Passo 9

Outras formas de detectar valores suspeitos (curto tutorial prático):
  • Z-score: calcular média \bar{x} e desvio-padrão s e olhar para |z|=(|x-\bar{x}|)/s. Valores com |z|>3 costumam ser suspeitos. (Aqui \bar{x}=\frac{1162}{12}=96{,}833 e s\approx7{,}56; assim 110 tem z\approx1{,}74 — nada extremo.)
  • Modified z-score (baseado em mediana e MAD) é mais robusto para dados pequenos/assimétricos.
  • Visualizações: histograma, gráfico de pontos (dotplot) e QQ-plot ajudam a ver se um ponto foge ao padrão geral.

Passo 10

Principais motivos práticos / causas mais comuns para medições “absurdas” (o que pesquisar/verificar quando você encontra um valor assim)
  1. Erro de entrada de dados (typo): dígitos trocados, vírgula decimal deslocada, duplicação. Ex.: digitar 1100 em vez de 110.
  2. Erro de identificação do paciente ou amostra trocada: amostra atribuída ao paciente errado.
  3. Problema no equipamento/linha analítica: calibragem incorreta, leitura fora de faixa, manutenção negligenciada.
  4. Condições pré-analíticas: jejum não respeitado, coleta em horário errado, confusão de tubo, hemólise ou contaminação da amostra.
  5. Medicamentos / condições fisiológicas reais: uso de corticoides, jejum prolongado, diabetes descompensada, ingestão de glicose por erro — pode ser real, não erro.
  6. Processamento laboratorial: reação química errada, reagentes vencidos, erro no protocolo.
  7. Unidade equivocada: confusão entre unidades (por exemplo, mg/dL versus mmol/L) — verificar se há conversão incorreta.
  8. Problemas de comunicação/registro: número de casas decimais habitual no sistema versus manual.
Para cada hipótese de cima, as ações práticas são: conferir ficha do paciente, checar o número da amostra, revisar o livro de calibração do equipamento, repetir a medida (se possível) no mesmo paciente, checar horário de coleta e jejum, e verificar a folha de entrada de dados.

Passo 11

O que eu faria (fluxo prático) ao encontrar um valor absurdo em prova ou em trabalho real:
  • Primeiro: aplicar regra objetiva (box-plot ou z-score) para sinalizar observação.
  • Segundo: checar contexto (registro do paciente, jejum, medicação).
  • Terceiro: checar origem do dado (erro de digitação, unidade, trocas).
  • Quarto: se não houver explicação óbvia, repetir a medida; se repetido, considerar a medida real e investigá-la clinicamente.
  • Nunca apagar um valor só porque é “outlier” sem investigar — faça análise com e sem ele e relate suas decisões.

Resposta

Causas mais comuns para medições absurdas: erro de entrada de dados (typos), amostra/paciente trocado, problema/calibração do equipamento, erros pré-analíticos (jejum não respeitado, hemólise, contaminação), reagentes/protocolos laboratoriais, confusão de unidades e causas fisiológicas reais (medicação, diabetes descompensada); investigue com checagem de ficha, repetição da medida e conferência do equipamento.
Resultado do box-plot para os dados: Q1=91{,}5, mediana =96, Q3=102, IQR=10{,}5; limites = [75{,}75,\;117{,}75]; mínimo =85 e máximo =110 (ambos dentro dos limites) — portanto nenhum outlier segundo a regra de 1{,}5\cdot IQR.

Exercícios relacionados