Estatística Médica: Representação Gráfica e Padrões de Distribuição
Residência Hospital Santo Antônio
Curso de Extensão em Estatística Básica
Agosto de 2025
Apresentação
Esta apostila foi desenvolvida especificamente para médicos participantes do curso de extensão em estatística básica, adaptando os conceitos fundamentais de representação gráfica de variáveis e padrões de distribuição para o contexto da prática médica e pesquisa clínica.
O conteúdo foi elaborado pensando em profissionais da saúde que precisam compreender e aplicar conceitos estatísticos em sua prática diária, seja na interpretação de estudos clínicos, análise de dados de pacientes ou desenvolvimento de pesquisas médicas.
Objetivos de aprendizagem:
- Compreender os diferentes tipos de gráficos estatísticos e sua aplicação na medicina
- Identificar quando usar cada tipo de representação gráfica com dados médicos
- Entender os padrões de distribuição de variáveis em populações de pacientes
- Aplicar conceitos de distribuição normal e assimétrica em contextos clínicos
- Interpretar gráficos e distribuições em estudos médicos e pesquisas clínicas
Estrutura da Apostila
- Representação Gráfica de Variáveis Médicas
- Gráficos para Variáveis Qualitativas (Categóricas)
- Gráficos para Variáveis Quantitativas (Numéricas)
- Padrões de Distribuição das Variáveis em Medicina
- Casos Clínicos Práticos
- Aplicações na Medicina Brasileira
Cada seção foi desenvolvida para construir gradualmente seu conhecimento, partindo de conceitos básicos até chegar às aplicações práticas na medicina, com exemplos específicos do contexto brasileiro.
1. Representação Gráfica de Variáveis Médicas
Fundamentos da visualização de dados na prática médica e pesquisa clínica
Por que Gráficos são Importantes na Medicina?
Na prática médica moderna, a capacidade de visualizar e interpretar dados é fundamental para a tomada de decisões clínicas baseadas em evidências.
Quando analisamos características de pacientes, resultados de exames ou eficácia de tratamentos, a representação gráfica nos permite identificar padrões que podem não ser óbvios em tabelas numéricas.
- 🏥Análise de características de pacientes
- 📊Interpretação de resultados de exames
- 💊Avaliação de eficácia de tratamentos
- 🔬Desenvolvimento de pesquisas clínicas
Exemplo Prático
Ao analisar a distribuição de idades em um grupo de pacientes com diabetes tipo 2, um gráfico pode revelar se a maioria dos casos se concentra em determinada faixa etária.
Esta informação é crucial para:
- Estratégias de prevenção
- Programas de rastreamento
- Alocação de recursos
Análise Univariada vs. Bivariada em Contexto Médico
Nesta apostila, focaremos na análise univariada, ou seja, o estudo de uma única variável por vez. Isso significa que examinaremos como características individuais dos pacientes se distribuem em uma população.
Exemplos de Análise Univariada em Medicina
- Distribuição de idades em pacientes com hipertensão
- Frequência de diferentes tipos sanguíneos
- Distribuição de valores de pressão arterial sistólica
- Tempo de internação hospitalar em pneumonia
Conceito Fundamental
A distribuição de valores de uma variável em uma população também é conhecida como distribuição de frequências ou de probabilidades.
Quanto mais frequente for um determinado valor na população, maior será a probabilidade de encontrá-lo em um novo paciente.
Escolha do Gráfico Adequado
O primeiro passo para criar uma representação gráfica adequada é identificar a natureza da variável que estamos analisando.
Variáveis Qualitativas (Categóricas)
Exemplos em Medicina:
- Tipo sanguíneo (A, B, AB, O)
- Sexo (masculino, feminino)
- Grau de dor (leve, moderada, intensa)
- Estadiamento de câncer (I, II, III, IV)
- Resultado de exame (positivo, negativo)
Variáveis Quantitativas (Numéricas)
Exemplos em Medicina:
- Idade dos pacientes
- Peso corporal
- Pressão arterial
- Níveis de glicemia
- Tempo de cirurgia
- Número de consultas por mês
Regra Fundamental: A natureza da variável determina qual tipo de gráfico será mais apropriado e informativo.
Tipos Principais de Gráficos Estatísticos
Figura 1: Os quatro principais tipos de gráficos estatísticos utilizados na medicina, cada um adequado para diferentes tipos de variáveis.
2. Gráficos para Variáveis Qualitativas (Categóricas)
Representação visual de características categóricas em populações de pacientes
Gráfico de Setores (Pizza): Ideal para Proporções Médicas
O gráfico de setores é especialmente útil quando queremos mostrar a proporção de diferentes categorias em relação ao total, sendo muito comum em estudos epidemiológicos e análises de prevalência.
Quando usar em medicina:
- Distribuição de tipos de câncer em hospital oncológico
- Proporção de pacientes por faixa etária
- Distribuição de causas de morte
- Percentual de resposta a tratamentos
Características Importantes:
- Soma de todos os setores = 100%
- Mais eficaz com poucas categorias (≤ 6)
- Categorias em porcentagens
- Facilita comparação visual
Exemplo: Tipos Sanguíneos em Doadores
| Tipo Sanguíneo |
Doadores |
Proporção |
| O |
450 |
45% |
| A |
350 |
35% |
| B |
150 |
15% |
| AB |
50 |
5% |
| Total |
1.000 |
100% |
Informação crucial para planejamento de estoques de sangue e estratégias de captação.
Gráficos de Barras e Colunas: Comparando Frequências Médicas
Os gráficos de barras (horizontais) e colunas (verticais) são ideais quando temos muitas categorias ou quando queremos comparar frequências absolutas entre diferentes grupos.
Quando usar em medicina:
- Casos de doenças infecciosas por mês
- Distribuição por especialidade médica
- Frequência de sintomas em síndrome
- Número de cirurgias por tipo
Vantagens:
- Comparação fácil entre categorias
- Não requerem proporções
- Adequados para muitas categorias
- Comprimento facilita identificação
Exemplo: Pacientes por Especialidade
| Especialidade |
Nº Pacientes |
| Cardiologia | 245 |
| Ortopedia | 198 |
| Gastroenterologia | 167 |
| Neurologia | 134 |
| Pneumologia | 112 |
| Endocrinologia | 89 |
| Dermatologia | 76 |
| Urologia | 65 |
| Oftalmologia | 54 |
3. Gráficos para Variáveis Quantitativas (Numéricas)
Visualização de dados numéricos contínuos e discretos na medicina
Conceito Fundamental: Agrupamento em Classes
Quando trabalhamos com variáveis numéricas contínuas (como peso, altura, pressão arterial), não representamos cada valor individual na escala, pois isso resultaria em um gráfico muito disperso e pouco informativo.
Estratégia: Agrupamento em Faixas
Em vez de: 68,2 kg, 68,5 kg, 68,7 kg (valores individuais)
Usamos: 60-70 kg, 70-80 kg, 80-90 kg (faixas ou classes)
Vantagens do Agrupamento:
- Reduz complexidade visual
- Facilita identificação de padrões
- Permite análise de tendências
- Melhora interpretação clínica
Exemplo Médico
Pressão Arterial Sistólica:
Em vez de valores como 118, 119, 120, 121 mmHg, agrupamos em:
- 110-120 mmHg (Normal)
- 120-130 mmHg (Limítrofe)
- 130-140 mmHg (Hipertensão Grau I)
Histograma: A Ferramenta Principal para Dados Médicos Contínuos
O histograma é o gráfico mais importante para variáveis numéricas contínuas em medicina, sendo fundamental para entender a distribuição de características dos pacientes.
Características do Histograma:
- Colunas justapostas (grudadas) para transmitir continuidade
- Eixo X: Classes da variável
- Eixo Y: Frequência (número de observações)
- Objetivo: Identificar padrões de distribuição
Aplicações Clínicas:
- Distribuição de idades em doenças
- Valores de exames laboratoriais
- Tempo de internação
- Dosagens de medicamentos
Exemplo: Diabetes Tipo 2 por Idade
| Faixa Etária |
Nº Pacientes |
| 30-40 anos | 45 |
| 40-50 anos | 78 |
| 50-60 anos | 142 |
| 60-70 anos | 156 |
| 70-80 anos | 79 |
Interpretação Clínica:
O histograma revela que a diabetes tipo 2 tem maior prevalência na faixa de 50-70 anos, informação importante para estratégias de rastreamento e prevenção.
Box Plot: Análise Rápida de Distribuições Médicas
O box plot é uma ferramenta poderosa que resume a distribuição de uma variável usando quartis e percentis, permitindo análise rápida de características da população.
Componentes do Box Plot:
- Mediana (Q2): Valor que divide a população ao meio
- Primeiro quartil (Q1): 25% dos valores estão abaixo
- Terceiro quartil (Q3): 75% dos valores estão abaixo
- Amplitude interquartílica: Diferença entre Q3 e Q1
- Outliers: Valores extremos que merecem atenção especial
Figura 2: Estrutura de um box plot mostrando quartis, mediana e outliers
Exemplo Prático: Tempo de Internação em UTI
Um box plot mostrando tempo de internação em UTI pode revelar:
- Mediana de 7 dias: 50% dos pacientes ficam até 7 dias
- Q1 = 4 dias: 25% ficam até 4 dias
- Q3 = 12 dias: 75% ficam até 12 dias
- Outliers em 25-30 dias: Casos que requerem investigação especial
Vantagens do Box Plot em Medicina:
- Identificação rápida de valores atípicos (possíveis complicações)
- Comparação entre diferentes grupos de tratamento
- Visualização da variabilidade dos dados
- Detecção de assimetrias na distribuição
4. Padrões de Distribuição das Variáveis em Medicina
Compreendendo como as características dos pacientes se distribuem nas populações
Por que os Padrões de Distribuição são Cruciais na Medicina?
O estudo dos padrões de distribuição é um dos mais importantes em estatística médica, pois o comportamento de uma variável influencia diretamente a escolha de testes estatísticos, a interpretação de resultados e a tomada de decisões clínicas.
Aplicações Fundamentais:
- 📏Estabelecer valores de referência adequados
- 🔍Identificar pacientes com valores atípicos
- 📊Escolher testes estatísticos apropriados
- 📖Interpretar corretamente estudos clínicos
Exemplo Prático
Ao analisar níveis de colesterol em uma população:
- Distribuição normal: Usar média ± 2DP para valores de referência
- Distribuição assimétrica: Usar percentis para definir normalidade
A escolha incorreta pode levar a diagnósticos equivocados!
Distribuição Normal (Gaussiana): O Padrão Fundamental
Figura 3: Distribuição normal mostrando a regra 68-95-99,7 e aplicações médicas
Características da Distribuição Normal:
- Formato de sino simétrico
- Maioria dos valores no centro (média)
- Valores extremos são raros
- Média = Mediana = Moda
- Definida por média e desvio-padrão
Exemplos Médicos com Distribuição Normal:
- Altura de adultos (mesmo sexo/idade)
- Pressão arterial em populações saudáveis
- Níveis de hemoglobina em indivíduos saudáveis
- Capacidade pulmonar ajustada
- Parâmetros bioquímicos normais
A Regra dos Desvios-Padrão: Ferramenta Diagnóstica
Na distribuição normal, os dados seguem uma regra matemática precisa que é extremamente útil na prática médica:
Regra 68-95-99,7:
- 68% dos valores estão entre μ ± 1σ (média ± 1 desvio-padrão)
- 95% dos valores estão entre μ ± 1,96σ (aproximadamente ± 2σ)
- 99,7% dos valores estão entre μ ± 3σ
Aplicação Prática: Pressão Arterial Sistólica em Adultos Jovens
Dados:
- Média (μ) = 120 mmHg
- Desvio-padrão (σ) = 10 mmHg
Interpretação:
- 68% têm PAS entre 110-130 mmHg
- 95% têm PAS entre 100-140 mmHg
- 99,7% têm PAS entre 90-150 mmHg
Implicação clínica: Um paciente com PAS de 150 mmHg está no percentil 97,5%, sugerindo possível hipertensão que merece investigação.
Valores de Referência e Intervalos de Normalidade
A distribuição normal é fundamental para estabelecer valores de referência laboratoriais e clínicos.
Intervalo de Referência Típico
Fórmula: Média ± 2 desvios-padrão
Cobertura: 95% da população saudável
Interpretação: 2,5% abaixo e 2,5% acima são considerados alterados
Exemplo: Hemoglobina em Mulheres
- Média: 13,5 g/dL
- Desvio-padrão: 1,0 g/dL
- Intervalo de referência: 11,5 - 15,5 g/dL
Interpretação clínica:
- < 11,5 g/dL: Possível anemia (2,5%)
- > 15,5 g/dL: Possível policitemia (2,5%)
| Exame |
Média |
Desvio-Padrão |
Intervalo de Referência |
| Glicemia de jejum |
92 mg/dL |
8 mg/dL |
76 - 108 mg/dL |
| Colesterol total |
180 mg/dL |
30 mg/dL |
120 - 240 mg/dL |
| Pressão sistólica |
120 mmHg |
10 mmHg |
100 - 140 mmHg |
Distribuições Assimétricas: Quando a Normalidade Não se Aplica
Figura 4: Distribuições assimétricas positiva e negativa com exemplos médicos
Nem todas as variáveis médicas seguem distribuição normal. Algumas apresentam distribuições assimétricas, que são igualmente importantes de reconhecer.
Assimetria Positiva (Cauda à Direita)
Características:
- Maioria dos valores em valores baixos
- Poucos valores muito altos (cauda longa à direita)
- Média > Mediana > Moda
Exemplos Médicos Comuns:
- 🏥Tempo de internação: Maioria fica poucos dias, alguns muito tempo
- 🧪Enzimas hepáticas: Valores normais baixos, podem elevar drasticamente
- ⏱️Tempo de sobrevida: Alguns morrem rapidamente, outros vivem muito
- 💊Concentração de medicamentos: Picos altos seguidos de declínio
Caso Clínico: Tempo de Internação em UTI
- Moda: 2 dias (valor mais frequente)
- Mediana: 5 dias (50% dos pacientes)
- Média: 8 dias (influenciada por casos prolongados)
Implicação prática: A mediana (5 dias) é mais representativa que a média (8 dias) para planejamento de leitos.
Atenção: Em distribuições assimétricas positivas, a média superestima o valor típico devido aos casos extremos.
Assimetria Negativa (Cauda à Esquerda)
Características:
- Maioria dos valores em valores altos
- Poucos valores muito baixos (cauda longa à esquerda)
- Média < Mediana < Moda
Exemplos Médicos:
- 👴Idade ao óbito natural: Maioria morre em idades avançadas
- 🤱Tempo de gestação: Maioria nasce próximo ao termo
- 😊Escores de qualidade de vida: Maioria tem escores altos
- 🫁Saturação de O₂: Maioria próxima a 100%
Caso Clínico: Idade Gestacional ao Nascimento
- Moda: 40 semanas (valor mais frequente)
- Mediana: 39 semanas
- Média: 38 semanas (influenciada por prematuros)
Implicação clínica: É esperado que a maioria dos nascimentos ocorra próximo ao termo, com poucos casos de prematuridade extrema.
Interpretação: Em distribuições assimétricas negativas, a média subestima o valor típico devido aos casos extremos baixos.
5. Casos Clínicos Práticos
Aplicação dos conceitos em situações reais da prática médica
Caso Clínico 1: Análise de Glicemia de Jejum
Situação
Laboratório analisou glicemia de jejum em 1.000 adultos aparentemente saudáveis para estabelecer valores de referência locais.
Resultados Obtidos:
- Distribuição aproximadamente normal
- Média: 92 mg/dL
- Desvio-padrão: 8 mg/dL
- Mediana: 91 mg/dL
- Moda: 90 mg/dL
Aplicação da Regra 68-95-99,7:
- 68% entre 84-100 mg/dL
- 95% entre 76-108 mg/dL
- 99,7% entre 68-116 mg/dL
Interpretação Clínica:
Valores de Referência: 76-108 mg/dL (95% da população)
Critérios de Investigação:
- 108-125 mg/dL: Glicemia de jejum alterada
- ≥126 mg/dL: Critério para diabetes
- >116 mg/dL (>3DP): Investigação obrigatória
Aplicação Prática:
- Estabelecimento de valores de referência
- Critérios de rastreamento para diabetes
- Definição de pontos de corte para investigação
Caso Clínico 2: Tempo de Resposta a Antibiótico
Situação
Estudo prospectivo sobre tempo para melhora de sintomas em 200 pacientes com pneumonia bacteriana tratados com novo antibiótico.
Resultados Obtidos:
- Distribuição assimétrica positiva
- Mediana: 3 dias
- Média: 4,5 dias
- Moda: 2 dias
- P25: 2 dias
- P75: 5 dias
- P90: 8 dias
- Alguns pacientes levaram >14 dias
Interpretação Clínica:
Padrão de Resposta:
- 50% melhoram em até 3 dias
- 75% melhoram em até 5 dias
- 90% melhoram em até 8 dias
Por que a mediana é mais útil: A média (4,5 dias) é inflacionada pelos casos que demoraram muito para responder.
Aplicação Clínica:
- Expectativa realista para pacientes
- Critério para mudança de antibiótico (>7 dias)
- Identificação de possíveis complicações
Lição Importante: Em distribuições assimétricas, use sempre a mediana para representar o "tempo típico" de resposta, não a média.
Caso Clínico 3: Idade ao Diagnóstico de Câncer de Mama
Situação
Análise retrospectiva de 500 casos de câncer de mama diagnosticados em hospital oncológico durante 5 anos, para orientar estratégias de rastreamento.
Resultados Obtidos:
- Distribuição assimétrica negativa
- Moda: 65 anos (pico da distribuição)
- Mediana: 58 anos
- Média: 55 anos
- P10: 35 anos
- P25: 48 anos
- P75: 68 anos
- P90: 75 anos
Interpretação Epidemiológica:
Padrão Etário:
- Maioria dos casos após 50 anos
- Pico de incidência aos 65 anos
- 10% dos casos antes dos 35 anos
- 25% dos casos antes dos 48 anos
Implicações para Rastreamento:
- Rastreamento populacional: Foco em 50-70 anos
- Casos jovens: Investigar história familiar
- Estratégia diferenciada: Para mulheres <40 anos
- Recursos: Concentrar onde há mais casos
Decisão Clínica Baseada nos Dados
O hospital decidiu intensificar o rastreamento na faixa de 50-70 anos (onde estão 60% dos casos) e criar protocolo especial para investigação de casos suspeitos em mulheres jovens com história familiar.
6. Aplicações na Medicina Brasileira
Exemplos específicos do contexto nacional e do Sistema Único de Saúde
Estudos Epidemiológicos Nacionais
Os padrões de distribuição são fundamentais em grandes estudos brasileiros que orientam políticas de saúde pública.
ELSA-Brasil
(Estudo Longitudinal de Saúde do Adulto)
- Análise de distribuições de fatores de risco cardiovascular
- Identificação de padrões regionais
- Valores de referência para população brasileira
- Comparação entre diferentes regiões do país
Exemplo de Aplicação:
Distribuição de pressão arterial mostrou diferenças significativas entre regiões, orientando estratégias regionalizadas de prevenção da hipertensão.
PNS (Pesquisa Nacional de Saúde)
- Distribuição de doenças crônicas por região
- Padrões de acesso aos serviços de saúde
- Análise de desigualdades em saúde
- Cobertura de programas preventivos
Impacto Prático:
Dados da PNS sobre distribuição de diabetes orientaram a expansão do programa de medicamentos gratuitos e a localização de centros especializados.
Importância para o SUS
Estes estudos fornecem dados essenciais para:
- Planejamento de recursos e serviços
- Definição de prioridades em saúde pública
- Avaliação de efetividade de programas
- Estabelecimento de metas e indicadores
Vigilância em Saúde Pública
A representação gráfica e análise de distribuições são essenciais para o monitoramento epidemiológico no Brasil.
Monitoramento de Surtos
- Distribuição temporal: Identificação de padrões sazonais
- Distribuição geográfica: Mapeamento de áreas de risco
- Distribuição por idade: Grupos mais vulneráveis
- Curvas epidêmicas: Predição de tendências
Exemplo: COVID-19
Análise de distribuições permitiu:
- Identificar grupos de risco
- Prever picos de demanda hospitalar
- Orientar estratégias de vacinação
Avaliação de Programas
- Cobertura vacinal: Distribuição por região e faixa etária
- Adesão a tratamentos: Padrões de abandono
- Efetividade de intervenções: Antes e depois
- Equidade em saúde: Distribuição de acesso
Programa Nacional de Imunizações
Análise de distribuições de cobertura vacinal por município permite:
- Identificar áreas de baixa cobertura
- Direcionar campanhas específicas
- Monitorar efetividade das ações
Ferramentas Práticas para o Médico
Checklist para Análise de Distribuições
Antes de analisar dados:
- Identifique o tipo de variável (qualitativa/quantitativa)
- Escolha o gráfico apropriado
- Examine o padrão de distribuição
- Identifique presença de outliers
- Escolha medidas descritivas adequadas
Para distribuições normais:
- Use média ± desvio-padrão
- Aplique regra 68-95-99,7
- Use testes paramétricos
Para distribuições assimétricas:
- Use mediana e percentis
- Considere transformações dos dados
- Use testes não-paramétricos
Interpretação de Valores Laboratoriais
Estratégia prática:
- Verifique se o exame segue distribuição normal
- Para exames normais: use intervalos baseados em ±2DP
- Para exames assimétricos: use percentis
- Considere fatores como idade, sexo e etnia
- Interprete no contexto clínico do paciente
Comunicação com Pacientes
Como explicar resultados estatísticos de forma clara e compreensível.
Para Resultados Normais:
✅ Diga:
- "Seu exame está dentro da faixa esperada para pessoas da sua idade"
- "O resultado está no intervalo considerado normal"
- "95% das pessoas saudáveis têm valores nesta faixa"
❌ Evite:
- Termos como "normal" vs "anormal"
- Linguagem muito técnica
- Comparações com outras pessoas
Para Resultados Alterados:
Explique o significado estatístico:
- "Apenas 5% das pessoas têm valores como o seu"
- "Seu resultado está fora da faixa de referência"
- "Isso pode indicar... mas precisamos de mais exames"
Contextualize clinicamente:
- Relacione com sintomas do paciente
- Explique próximos passos
- Tranquilize quando apropriado
- Seja honesto sobre incertezas
Exemplo de Comunicação Eficaz
Situação: Paciente com colesterol de 250 mg/dL (normal até 200 mg/dL)
Explicação: "Seu colesterol está em 250, enquanto consideramos ideal valores até 200. Isso significa que está um pouco elevado e precisamos trabalhar juntos para baixá-lo, seja com mudanças na alimentação, exercícios ou, se necessário, medicação. Vamos conversar sobre as opções."
Conclusões e Perspectivas Futuras
Importância da Estatística Descritiva
A compreensão adequada de representação gráfica e padrões de distribuição é fundamental para:
- 📊Interpretação correta de dados clínicos
- 🎯Tomada de decisões baseadas em evidências
- 💬Comunicação eficaz com pacientes e colegas
- 🔬Desenvolvimento de pesquisas de qualidade
Tendências na Medicina Digital
Com o avanço da medicina digital e big data:
- Análise de grandes volumes de dados
- Identificação de padrões em tempo real
- Medicina personalizada baseada em distribuições individuais
- Inteligência artificial para reconhecimento de padrões
Recomendações para Educação Continuada
Para médicos em formação:
- Pratique interpretação de gráficos regularmente
- Questione sempre o tipo de distribuição
- Desenvolva senso crítico para análises
Para médicos experientes:
- Mantenha-se atualizado com novas ferramentas
- Participe de cursos de epidemiologia
- Colabore com estatísticos em pesquisas
Referências e Leituras Recomendadas
Bibliografia Básica
- Vieira, S. Introdução à Bioestatística. 5ª ed. Rio de Janeiro: Elsevier, 2016.
- Medronho, R.A. et al. Epidemiologia. 2ª ed. São Paulo: Atheneu, 2009.
- Hulley, S.B. et al. Delineando a Pesquisa Clínica. 4ª ed. Porto Alegre: Artmed, 2015.
Bibliografia Complementar
- Pereira, M.G. Epidemiologia: Teoria e Prática. Rio de Janeiro: Guanabara Koogan, 2013.
- Jekel, J.F. et al. Epidemiologia, Bioestatística e Medicina Preventiva. 3ª ed. Porto Alegre: Artmed, 2010.
Recursos Online
- Portal da Evidência - Ministério da Saúde
- DATASUS - Informações de Saúde
- Biblioteca Virtual em Saúde
- ELSA-Brasil - Dados do estudo longitudinal
Ferramentas Estatísticas
- R - Software livre para análise estatística
- SPSS - Análise estatística para ciências da saúde
- Excel - Análises básicas e gráficos
- GraphPad Prism - Estatística para pesquisa biomédica
Anexos
Anexo A: Exemplo de Código R
# Exemplo 1: Histograma de idades
idades <- c(25, 30, 35, 40, 45, 50, 55, 60, 65, 70)
hist(idades,
main="Distribuição de Idades",
xlab="Idade (anos)",
ylab="Frequência",
col="lightblue")
# Exemplo 2: Box plot de pressão arterial
pressao <- c(110, 115, 120, 125, 130, 135, 140, 145, 150)
boxplot(pressao,
main="Pressão Arterial Sistólica",
ylab="mmHg",
col="lightgreen")
# Exemplo 3: Gráfico de barras para tipos sanguíneos
tipos <- c("A", "B", "AB", "O")
frequencias <- c(35, 15, 5, 45)
barplot(frequencias,
names.arg=tipos,
main="Distribuição de Tipos Sanguíneos",
col=c("red", "blue", "purple", "orange"))
Anexo B: Glossário de Termos
| Termo |
Definição |
| Assimetria |
Medida de desvio da simetria em uma distribuição |
| Box plot |
Gráfico que mostra quartis e outliers |
| Distribuição normal |
Distribuição simétrica em forma de sino |
| Histograma |
Gráfico de barras para variáveis contínuas |
| Mediana |
Valor que divide a distribuição ao meio |
| Outlier |
Valor extremo que se afasta do padrão geral |
| Percentil |
Valor abaixo do qual está determinada porcentagem dos dados |
| Quartil |
Valores que dividem a distribuição em quatro partes iguais |
Obrigado!
Esperamos que esta apostila contribua para sua formação em estatística médica
