O conjunto de dados abaixo representa a concentração (
) de glicose no sangue em jejum de um grupo de 12 pacientes adultos:
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
medidas de glicose em jejum (em
):
E pede duas coisas:
- Quais são os motivos mais comuns para medições com valores “absurdos” (ou seja, possíveis outliers / medidas erradas)?
- 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,
,
,
, 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):
Passo 3
Calcular a mediana (passo a passo):
- Temos
(número par). Para par, a mediana é a média dos elementos de índice e . - Aqui os elementos
e na lista ordenada são e .
Interpretação prática: metade das medidas está abaixo de
e metade acima.
Passo 4
Calcular
e
(definição e cálculo explícito):
- Para
par geralmente se toma a metade inferior (primeiros pontos) e a metade superior (últimos pontos) e calcula-se a mediana de cada metade. - Metade inferior (primeiros 6):
. - Metade superior (últimos 6):
. -
é a mediana da metade inferior: média dos elementos 3º e 4º da metade inferior, ou seja e :
-
é a mediana da metade superior: média dos elementos 3º e 4º da metade superior, ou seja e :
Passo 5
Calcular o intervalo interquartil (
) e os limites do box-plot:
-
:
- Regra padrão do box-plot (outliers por regra de Tukey): pontos abaixo de
ou acima de são considerados outliers. - Calcular os limites:
Passo 6
Identificar outliers usando os limites calculados:
- Verifique cada observação: qualquer ponto
ou seria outlier segundo a regra de . - Nosso menor valor é
e o maior é . Ambos estão dentro dos limites . - 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
até . - A linha interna do box (mediana) fica em
. - 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:
- 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 (
) e usa como medida de dispersão robusta (menos sensível a valores extremos do que o desvio-padrão). - A regra de
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
e desvio-padrão e olhar para . Valores com costumam ser suspeitos. (Aqui e ; assim tem — 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)
- Erro de entrada de dados (typo): dígitos trocados, vírgula decimal deslocada, duplicação. Ex.: digitar
em vez de . - Erro de identificação do paciente ou amostra trocada: amostra atribuída ao paciente errado.
- Problema no equipamento/linha analítica: calibragem incorreta, leitura fora de faixa, manutenção negligenciada.
- Condições pré-analíticas: jejum não respeitado, coleta em horário errado, confusão de tubo, hemólise ou contaminação da amostra.
- Medicamentos / condições fisiológicas reais: uso de corticoides, jejum prolongado, diabetes descompensada, ingestão de glicose por erro — pode ser real, não erro.
- Processamento laboratorial: reação química errada, reagentes vencidos, erro no protocolo.
- Unidade equivocada: confusão entre unidades (por exemplo, mg/dL versus mmol/L) — verificar se há conversão incorreta.
- 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: , mediana
,
,
; limites
; mínimo
e máximo
(ambos dentro dos limites) — portanto nenhum outlier segundo a regra de
.
Resultado do box-plot para os dados: