Boxplot

O Boxplot um grfico proposto para a deteco de valores discrepantes (outliers), que so aqueles valores
muito diferentes do restante do conjunto de dados.
Esses valores discrepantes podem representar erros no processo de coleta ou de processamento dos dados,
e, nesse caso, devem ser corrigidos ou excludos do banco de dados.
No entanto, os outliers podem ser valores corretos, que, por alguma razo, so muito diferentes dos demais
valores. Nesse caso, a anlise desses dados deve ser cuidadosa, pois como sabemos algumas estatsticas
descritivas, como a mdia e o desvio-padro, so influenciadas por valores extremos.
Na construo do Boxplot, utilizamos os quartis (Q1, Q2 e Q3), que so pouco influenciados por valores
extremos, a distncia interquartlica, d = Q3 Q1, e os valores mnimo e mximo do conjunto de dados.
O Boxplot constitudo por uma caixa, construdo usando um eixo com uma escala de valores da varivel em
estudo, como mostra a Figura 1. A caixa (box) delimitada pelo valor do primeiro quartil, Q1 (extremidade
esquerda da caixa) e pelo valor do terceiro quartil, Q3 (extremidade direita da caixa). Uma linha traada
dentro da caixa, representando o valor do segundo quartil, Q2, (mediana), que no precisa estar
necessariamente no meio da caixa. Como sabemos, entre o primeiro e o terceiro quartil, temos 50% dos
dados. Podemos pensar, ento, que essa caixa contm metade dos dados do conjunto.
A largura da caixa dada por (Q3 - Q1), que denominada distncia interquartlica (d).
Traamos uma linha horizontal a partir do Q1 at o menor valor no discrepante e outra a partir de Q3 at o
maior valor no discrepante.
So considerados discrepantes (outliers) os valores que:
So menores que Q1 1,5d
So maiores que Q3 + 1,5d
Os valores discrepantes so representados no grfico por asterisco, *

Figura 1 Representao esquemtica do Boxplot (horizontal)

Exemplos de Construo do Boxplot
1) Os dados abaixo se referem ao peso, em Kg, de 34 peas produzidas pela indstria A
31,8
34,5

75,4
21,8

99,9
67,2

65,4
51,8

63,6
52,7

47,7
51,8

11,8
61,3

56,8
35,9

59,9
55,4

52,7
70,8

82,6
64,5

161,6
13,2

35,9
70,8

47,7
71,7

51,8
72,6

51,8
75,4

51,8
82,6

52,7
91,7

143,5
72,6

91,7
71,7

28,1
54,5

107,1
51,8

66,3
104,4

55,4
107,1

56,8
143,5

59,9
161,6

1 passo: ordenar os dados:

11,8
61,3

13,2
63,6

21,8
64,5

28,1
65,4

31,8
66,3

34,5
67,2

52,7
99,9

54,5
104,4

2 passo: determinar Xmin, Xmx, Q1, Q2, Q3 e d

Xmin = 11,8, Xmx = 161,6
*

Q1: L = (25.34)/100 = 8,5 L = 9 , Q1 = X9 = 51,8 Kg

Q2: L = (50.34)/100 = 17 Q2 = ( X17 + X18 ) / 2 = (59,9 + 61,3) / 2 = 60,6 Kg
*

Q3: L = (75.34)/100 = 25,5 L = 26 , Q3 = X26 = 72,6 Kg

d = Q3 Q1 = 72,6 51,8 = 20,8 Kg

3 passo: determinar pontos discrepantes
Q1 1,5d = 51,8 1,5.20,8 = 20,6 sero discrepantes os valores menores que 20,6 : no conjunto de dados
os valores 11,8 e 13,2 so discrepantes. Esses valores sero representados no grfico por asterisco.
Q3 + 1,5d = 72,6 + 1,5.20,8 = 103,8 sero discrepantes os valores maiores que 103,8 : no conjunto de
dados os valores 104,4; 107,1; 143,5 e 161,6 so discrepantes. Esses valores sero representados no
grfico por asterisco.
4 passo: fazer o grfico

Peso (Kg)
21,8

99,9

Figura 2: Boxplot para o peso de 30 peas produzidas pela indstria A.

No boxplot da Figura 2, a linha horizontal da esquerda foi de Q1 (51,80) at 21,8 (que o menor valor no
discrepante do conjunto de dados) e a linha horizontal da direita foi de Q3 (72,6) at 99,9 (que o maior valor
no discrepante do conjunto de dados).
A mediana est marcada com uma linha dentro da caixa na sua respectiva posio na escala de valores
(60,6 Kg).
Os asteriscos representam os valores discrepantes.
Os valores de peso para essas seis peas considerados discrepantes (outliers) em relao ao grupo, pelo
critrio do boxplot, devem ser investigados antes de se prosseguir a anlise.
Caso a opo seja analisar todas as peas juntas, deve-se tomar cuidado em relao s medidas descritivas
usadas, como j discutimos anteriormente.
Obviamente, se os dados dos outliers forem considerados erros, devem ser corrigidos se possvel. Se no,
devem ser imediatamente excludos do conjunto de dados.
Alm da deteco de valores discrepantes, o boxplot pode ser muito til na anlise da distribuio dos
valores de um conjunto de dados.
Atravs do boxplot, podemos:
Identificar a forma da distribuio (simtrica ou assimtrica);

 Avaliar e comparar a tendncia central (mediana) de dois ou mais conjuntos de dados;

Comparar a variabilidade de dois ou mais conjuntos de dados.
Para avaliar a forma da distribuio, devemos observar o deslocamento da caixa em relao linha do
boxplot. Lembrando que a caixa do boxplot contm 50% dos dados, o seu deslocamento na linha nos informa
onde esto concentrados os dados.
Se a caixa est mais deslocada para um dos lados da linha, significa que metade dos dados esto
concentrados naquele lado da escala de valores e, assim, a distribuio assimtrica.
Se a caixa est praticamente no meio da linha, dividindo-a em duas partes iguais, distribuio ser
considerada simtrica.

2) Boxplot do peso (em Kg) das peas produzidas pelas indstrias A e B.

Dados ordenados para o peso das peas produzidas pela indstria B:
15,4

18,2

20,9

27,2

29,1

29,5

29,5

35,9

36,3

37,2

39

40,9

42,7

49,9

51,8

52,7

54,5

55,4

55,4

58,1

63,6

66,3

67,2

68,1

68,1

69,9

69,9

69,9

70,8

75,4

81,7

81,7

89

89,9

91,7

92,6

92,6

92,6

96,2

98,1

99,9

112,6

118,9

122,6

137,1

143,5

146,2

147,1

150,7

156,2

158

158

158,9

165,7

167,1

179,8

181,6

188,9

196,1

197,9

202,5

233,4

n = 62, Xmin = 15,4, Xmx = 233,4

Q1: L = (25.62)/100 = 15,5 L* = 16 , Q1 = X16 = 52,7 Kg
Q2: L = (50.62)/100 = 31 Q2 = ( X31 + X32 ) / 2 = (81,7 + 81,7) / 2 = 81,7 Kg
Q3: L = (75.62)/100 = 46,5 L* = 47 , Q3 = X47 = 146,2 Kg
d = Q3 Q1 = 146,2 52,7 = 93,5 Kg
Valores discrepantes:
Q1 1,5d = 52,7 1,5.93,5 = -87,55 sero discrepantes os valores menores que -87,55 : no
conjunto de dados no existem valores discrepantes.
Q3 + 1,5d = 146,2 + 1,5.93,5 = 286,45 sero discrepantes os valores maiores que 286,45 : no
conjunto de dados no existem valores discrepantes.

Figura 3: Boxplot do peso (em Kg) das peas produzidas pelas indstrias A e B
Observando a Figura 4, notamos que a distribuio do peso das peas produzidas pela indstria A pode ser
considerada simtrica em torno do valor mediano do peso (60,6Kg), enquanto a distribuio do peso das
peas produzidas pela indstria B assimtrica com concentrao esquerda (valores menores).
Ao avaliar e comparar a variabilidade do conjunto de dados atravs do boxplot, devemos observar a largura
(ou altura) das caixas. No caso do peso das peas produzidas pelas indstrias A e B, notamos que a largura
da caixa das produzidas pela indstria A bem menor do que a largura da caixa das produzidas pela
indstria B, indicando que as peas produzidas pela indstria A so mais homogneas quanto ao peso,
apesar de contar com seis valores discrepantes. De fato, metade dos dados do conjunto das peas de A
ocupa um espao bem menor na escala de valores do que o espao ocupado por metade do conjunto de
peas de B.
Finalmente, atravs da comparao dos boxplots para os pesos das peas, podemos concluir que as peas
produzidas por A possuem, em geral, pesos menores e mais homogneos do que o peso das produzidas por
B.
O fato de no termos detectado o aparecimento de outliers no grupo de peas de B pode ser devido a sua
grande variabilidade (largura da caixa), pois sabemos que o comprimento mximo das linhas do boxplot
depende do valor dessa largura (d). Quanto maior o d, maior a possibilidade de que os valores extremos
sejam includos na linha e, assim, no sejam considerados como outliers.
O boxplot tambm pode ser feito verticalmente, como est apresentado na Figura 4 a seguir.

Figura 4: Boxplot do peso (em Kg) das peas produzidas pelas indstrias A e B
Alm de permitir analisar a forma da distribuio de freqncias de um conjunto de valores, assim como a
sua variabilidade e tendncia central, o boxplot uma forma mais prtica de comparao entre dois ou mais
grupos. Podemos representar vrios boxplots numa mesma figura, enquanto isso no possvel quando
utilizamos histogramas, por exemplo.

Outra vantagem do boxplot que ele pode ser feito para um nmero reduzido de dados, enquanto
histogramas (ou ogivas) no so recomendados quando o conjunto de dados pequeno.
3)

5
6
7
Renda em salrios mnimo

Figura 5: Boxplot para renda mensal (em salrio mnimo) de chefes de famlias em 100 domiclios da
comunidade A
O boxplot da Figura 5 tambm mostra simetria dos dados, posicionando sua caixa no meio da linha.
Nessa comunidade, metade das famlias recebe de 5,05 a 6,6 salrios mnimo e apenas 25% recebem mais
de 6,6 salrios mnimos.

6
8
Renda em salrios mnimo

10

12

Figura 6: Boxplot para renda mensal (em salrio mnimo) de chefes de famlias em 100 domiclios da
comunidade A e comunidade B
Podemos observar na Figura 6 que a distribuio da renda familiar na comunidade B assimtrica com
concentrao esquerda e que a comunidade A apresenta, em geral, renda maior que B com variabilidade
menor. Do total de famlias da comunidade B, metade ganha at 4 salrios mnimos e apenas 25% ganha
mais do que 6,1 salrios mnimos, enquanto que na comunidade A metade das famlias recebe de 5,05 a 6,6
salrios mnimos e apenas 25% recebem mais de 6,6 salrios mnimos. Observa-se tambm que existe uma
renda discrepante em B (12,2).
Apesar de muitas vantagens, o boxplot tem uma restrio: no deve ser usado quando a distribuio de
freqncias dos dados tiver mais de uma classe modal, ou seja, mais de um pico. O uso do boxplot nesse
caso esconder essa caracterstica da distribuio (Figura 7). Nessa figura, notamos como o boxplot mascara
o carter bimodal da distribuio atravs de uma falsa simetria em torno da mediana dos dados, que, como
sabemos, no a melhor medida de tendncia central no caso de distribuies multimodais.

Desse modo, recomendvel que se faa uma investigao sobre esse aspecto antes da opo pelo
boxplot.

Figura 7: Histograma e boxplot para uma distribuio de freqncias bimodal