11  Estatística descritiva e tabelas

Pré-requisitos: Capítulo 7 e Capítulo 10 · Pacotes: dplyr, janitor, gtsummary, flextable, here

Objetivos de aprendizagem

Ao final deste capítulo, espera-se que o estudante seja capaz de classificar variáveis quanto ao tipo e escolher as medidas e os gráficos adequados a cada uma; construir tabelas de frequências simples e de dupla entrada, com percentuais na direção correta; calcular e interpretar medidas de tendência central, de posição e de dispersão; descrever variáveis segundo grupos; e produzir e exportar uma tabela descritiva no formato usado em artigos científicos.

Descrever bem os dados é o primeiro resultado de qualquer estudo. Antes de testar hipóteses ou ajustar modelos, é preciso saber quem são as pessoas estudadas, como as variáveis se distribuem e como os grupos diferem entre si. Em epidemiologia, essa descrição costuma aparecer na primeira tabela de um artigo, que apresenta as características da população estudada. Este capítulo reúne as ferramentas para fazer essa descrição no R, retomando conceitos de estatística descritiva que costumam ser vistos nas disciplinas de bioestatística.

library(tidyverse)
library(here)
source(here("scripts", "preparar-sinasc.R"))

11.1 Tipos de variáveis e escolhas descritivas

As variáveis podem ser qualitativas (ou categóricas), quando seus valores são categorias, ou quantitativas, quando seus valores são números que expressam uma quantidade. As qualitativas se dividem em nominais, sem ordem entre as categorias (como sexo ou tipo de parto), e ordinais, com uma ordem natural (como escolaridade ou faixa etária). As quantitativas se dividem em discretas, que assumem valores inteiros resultantes de contagens (como o número de filhos), e contínuas, que podem assumir qualquer valor em um intervalo (como o peso ou a altura).

O tipo da variável orienta a forma de descrevê-la, como resume a Tabela 11.1. Variáveis qualitativas são descritas por frequências e percentuais. Variáveis quantitativas são descritas por medidas de tendência central e de dispersão. No R, as qualitativas costumam estar guardadas como texto ou fator, e as quantitativas, como números.

Tabela 11.1: Tipos de variáveis e formas de descrevê-las.
Tipo de variável Exemplo no SINASC Medidas Gráficos
Qualitativa nominal Tipo de parto, raça/cor Frequências e percentuais Barras
Qualitativa ordinal Escolaridade, faixa de idade da mãe Frequências, percentuais e percentuais acumulados Barras, na ordem das categorias
Quantitativa discreta Número de consultas, Apgar Média, mediana, quartis Barras ou histograma
Quantitativa contínua Peso ao nascer, idade da mãe Média, desvio-padrão, mediana, quartis Histograma, boxplot

11.2 Tabelas de frequências

Uma tabela de frequências mostra quantas observações há em cada categoria (frequência absoluta) e qual a proporção que elas representam (frequência relativa). Há várias formas de construí-la no R.

No R base, a função table() conta as categorias, prop.table() transforma as contagens em proporções e addmargins() acrescenta o total.

tabela_parto <- table(nascidos$parto)
tabela_parto
#> 
#> Vaginal Cesáreo 
#>    8943   18036
prop.table(tabela_parto)
#> 
#> Vaginal Cesáreo 
#> 0.33148 0.66852

Com o dplyr, como vimos no Capítulo 7, usamos count() e calculamos as proporções com mutate().

nascidos |>
  count(faixa_idade_mae) |>
  mutate(percentual = n / sum(n) * 100)
#> # A tibble: 3 × 3
#>   faixa_idade_mae     n percentual
#>   <fct>           <int>      <dbl>
#> 1 Menos de 20      4558       16.9
#> 2 20 a 34         19327       71.5
#> 3 35 ou mais       3143       11.6

O pacote janitor oferece a função tabyl(), que produz a tabela de frequências com o percentual em uma única chamada, já excluindo os ausentes do percentual válido. As funções adorn_*() acrescentam totais e formatam os percentuais.

nascidos |>
  janitor::tabyl(escmae) |>
  janitor::adorn_totals() |>
  janitor::adorn_pct_formatting(digits = 1)
#>           escmae     n percent valid_percent
#>          Nenhuma    40    0.1%          0.1%
#>       1 a 3 anos   516    1.9%          1.9%
#>       4 a 7 anos  4760   17.6%         17.8%
#>      8 a 11 anos 15633   57.8%         58.5%
#>  12 anos ou mais  5767   21.3%         21.6%
#>             <NA>   312    1.2%             -
#>            Total 27028  100.0%        100.0%

A coluna percent usa todos os registros como denominador, inclusive os ausentes, e a coluna valid_percent usa apenas os registros com informação. Para uma variável ordinal como a escolaridade, também é útil o percentual acumulado, que responde a perguntas como “qual a proporção de mães com até 7 anos de estudo?”.

nascidos |>
  filter(!is.na(escmae)) |>
  count(escmae) |>
  mutate(percentual = n / sum(n) * 100,
         percentual_acumulado = cumsum(percentual))
#> # A tibble: 5 × 4
#>   escmae              n percentual percentual_acumulado
#>   <fct>           <int>      <dbl>                <dbl>
#> 1 Nenhuma            40      0.150                0.150
#> 2 1 a 3 anos        516      1.93                 2.08 
#> 3 4 a 7 anos       4760     17.8                 19.9  
#> 4 8 a 11 anos     15633     58.5                 78.4  
#> 5 12 anos ou mais  5767     21.6                100

A função cumsum() calcula a soma acumulada. Cerca de 20% das mães tinham até 7 anos de estudo.

11.3 Tabelas de dupla entrada

Uma tabela de dupla entrada, ou tabela cruzada, mostra a distribuição conjunta de duas variáveis categóricas. A grande questão é a direção dos percentuais. Percentuais por linha mostram como a variável da coluna se distribui dentro de cada categoria da linha; percentuais por coluna mostram o contrário. Cada direção responde a uma pergunta diferente.

nascidos |>
  janitor::tabyl(faixa_idade_mae, parto, show_na = FALSE) |>
  janitor::adorn_percentages("row") |>
  janitor::adorn_pct_formatting(digits = 1) |>
  janitor::adorn_ns()
#>  faixa_idade_mae       Vaginal        Cesáreo
#>      Menos de 20 48.2% (2,192) 51.8%  (2,359)
#>          20 a 34 31.4% (6,062) 68.6% (13,234)
#>       35 ou mais 22.0%   (689) 78.0%  (2,443)

Essa tabela responde: entre as mães de cada faixa etária, qual a proporção de partos cesáreos? A resposta é que a cesariana é mais frequente quanto maior a idade da mãe. Se usássemos percentuais por coluna, a pergunta seria outra: entre os partos cesáreos, qual a proporção de mães de cada faixa etária? As duas perguntas são legítimas, mas a primeira é a que interessa quando queremos comparar os grupos de idade. A regra prática é calcular os percentuais dentro das categorias da variável que define os grupos a comparar.

No R base, o mesmo resultado é obtido com table() e prop.table(), cujo argumento margin = 1 indica percentuais por linha e margin = 2, por coluna.

round(prop.table(table(nascidos$faixa_idade_mae, nascidos$parto), margin = 1) * 100, 1)
#>              
#>               Vaginal Cesáreo
#>   Menos de 20    48.2    51.8
#>   20 a 34        31.4    68.6
#>   35 ou mais     22.0    78.0

11.4 Medidas de tendência central e de posição

As medidas de tendência central resumem em um único número o valor típico de uma variável quantitativa. A média é a soma dos valores dividida pelo número de observações. A mediana é o valor que divide as observações ordenadas em duas metades. A moda é o valor mais frequente, e o R não tem uma função pronta para calculá-la, mas ela pode ser obtida com count() e slice_max().

nascidos |>
  summarise(
    media = mean(idademae),
    mediana = median(idademae)
  )
#> # A tibble: 1 × 2
#>   media mediana
#>   <dbl>   <dbl>
#> 1  26.1      26

nascidos |>
  count(idademae) |>
  slice_max(n, n = 1)
#> # A tibble: 1 × 2
#>   idademae     n
#>      <dbl> <int>
#> 1       25  1570

Quando a distribuição é simétrica, média e mediana são parecidas. Quando é assimétrica, a média é puxada na direção da cauda mais longa, e a mediana representa melhor o valor típico. A idade das mães, por exemplo, tem uma cauda à direita (algumas mães bem mais velhas), e por isso a média fica um pouco acima da mediana. Em variáveis muito assimétricas, como o tempo de internação hospitalar ou a renda, essa diferença pode ser grande, e a mediana costuma ser a medida preferida.

As medidas de posição dividem os dados ordenados em partes. Os quartis dividem em quatro partes iguais, e os percentis, em cem. A função quantile() calcula qualquer um deles.

quantile(nascidos$peso, probs = c(0.10, 0.25, 0.50, 0.75, 0.90))
#>  10%  25%  50%  75%  90% 
#> 2635 2965 3270 3575 3865

Dez por cento dos recém-nascidos pesaram menos de 2.635 gramas, e dez por cento pesaram mais de 3.865 gramas.

11.5 Medidas de dispersão

As medidas de dispersão indicam o quanto os valores variam em torno do centro. A amplitude é a diferença entre o maior e o menor valor, e é muito sensível a valores extremos. A variância é a média dos quadrados dos desvios em relação à média, e o desvio-padrão é sua raiz quadrada, expresso na mesma unidade da variável. O intervalo interquartil (IIQ) é a diferença entre o terceiro e o primeiro quartis e corresponde à altura da caixa do boxplot. O coeficiente de variação (CV) é o desvio-padrão dividido pela média, e permite comparar a variabilidade de variáveis com unidades ou magnitudes diferentes.

nascidos |>
  summarise(
    amplitude = max(peso) - min(peso),
    variancia = var(peso),
    desvio_padrao = sd(peso),
    iiq = IQR(peso),
    cv_percentual = sd(peso) / mean(peso) * 100
  )
#> # A tibble: 1 × 5
#>   amplitude variancia desvio_padrao   iiq cv_percentual
#>       <dbl>     <dbl>         <dbl> <dbl>         <dbl>
#> 1      5727   296757.          545.   610          16.8

A escolha entre as medidas acompanha a escolha da medida de tendência central. Média e desvio-padrão são apresentados juntos, e são adequados para distribuições aproximadamente simétricas. Mediana e intervalo interquartil também são apresentados juntos, e são preferíveis para distribuições assimétricas ou com valores extremos.

11.6 Descrição por grupos

Na prática, quase sempre queremos descrever as variáveis segundo grupos. Com group_by() e summarise(), isso é simples.

nascidos |>
  group_by(consultas_cat) |>
  summarise(
    n = n(),
    peso_medio = mean(peso),
    peso_dp = sd(peso),
    peso_mediana = median(peso),
    perc_baixo_peso = mean(baixo_peso) * 100
  )
#> # A tibble: 5 × 6
#>   consultas_cat     n peso_medio peso_dp peso_mediana perc_baixo_peso
#>   <fct>         <int>      <dbl>   <dbl>        <dbl>           <dbl>
#> 1 Nenhuma         986      3083.    701.         3195           15.0 
#> 2 1 a 3          1379      3079.    684.         3170           14.1 
#> 3 4 a 6          5988      3172.    592.         3225            9.62
#> 4 7 ou mais     18624      3287.    499.         3300            5.15
#> 5 <NA>             51      3088.    686.         3115           15.7

O peso médio é maior, e a proporção de baixo peso é bem menor, entre os filhos de mães que fizeram mais consultas de pré-natal. A relação, porém, não é necessariamente causal. Gestações que terminam mais cedo, em partos prematuros, têm menos tempo para que a mulher faça consultas, e o recém-nascido prematuro tende a ter menor peso. Esse ponto será retomado no Capítulo 15.

11.7 Tabelas para relatórios e artigos

Montar a tabela descritiva de um artigo à mão, juntando médias, desvios-padrão e percentuais de várias variáveis, é trabalhoso e sujeito a erros. O pacote gtsummary faz isso automaticamente com a função tbl_summary(). Ela escolhe a descrição adequada a cada tipo de variável: para as categóricas, número e percentual; para as contínuas, mediana e intervalo interquartil, por padrão.

Por padrão, os textos da tabela saem em inglês e os números seguem a notação americana. A função theme_gtsummary_language() muda o idioma e os separadores para todas as tabelas criadas depois dela na mesma sessão.

library(gtsummary)
theme_gtsummary_language(language = "pt", decimal.mark = ",", big.mark = ".")

nascidos |>
  select(peso, idademae, escmae, consultas_cat, faixa_idade_mae, sexo) |>
  tbl_summary()
Características N = 27.0281
peso 3.270 (2.965 – 3.575)
idademae 26 (21 – 31)
escmae
    Nenhuma 40 (0,1%)
    1 a 3 anos 516 (1,9%)
    4 a 7 anos 4.760 (18%)
    8 a 11 anos 15.633 (59%)
    12 anos ou mais 5.767 (22%)
    Desconhecido 312
consultas_cat
    Nenhuma 986 (3,7%)
    1 a 3 1.379 (5,1%)
    4 a 6 5.988 (22%)
    7 ou mais 18.624 (69%)
    Desconhecido 51
faixa_idade_mae
    Menos de 20 4.558 (17%)
    20 a 34 19.327 (72%)
    35 ou mais 3.143 (12%)
sexo
    Feminino 13.138 (49%)
    Masculino 13.886 (51%)
    Desconhecido 4
1 Mediana (Q1 – Q3); n (%)

O argumento by separa a descrição por grupos, e outros argumentos ajustam rótulos e estatísticas. O argumento statistic define a estatística para cada tipo de variável, usando chaves para indicar onde entra cada valor, e label define os nomes que aparecem na tabela.

tabela_1 <- nascidos |>
  filter(!is.na(parto)) |>
  select(parto, peso, idademae, escmae, consultas_cat, faixa_idade_mae, sexo) |>
  tbl_summary(
    by = parto,
    statistic = list(all_continuous() ~ "{mean} ({sd})"),
    label = list(
      peso ~ "Peso ao nascer (g)",
      idademae ~ "Idade da mãe (anos)",
      escmae ~ "Escolaridade da mãe",
      consultas_cat ~ "Consultas de pré-natal",
      faixa_idade_mae ~ "Faixa etária da mãe",
      sexo ~ "Sexo do recém-nascido"
    ),
    missing_text = "Sem informação"
  ) |>
  add_overall(last = TRUE) |>
  modify_header(label ~ "**Característica**")

tabela_1
Característica Vaginal
N = 8.9431
Cesáreo
N = 18.0361
Total
N = 26.9791
Peso ao nascer (g) 3.189 (544) 3.270 (543) 3.244 (545)
Idade da mãe (anos) 24 (6) 27 (6) 26 (6)
Escolaridade da mãe


    Nenhuma 21 (0,2%) 19 (0,1%) 40 (0,1%)
    1 a 3 anos 242 (2,7%) 273 (1,5%) 515 (1,9%)
    4 a 7 anos 2.150 (24%) 2.606 (15%) 4.756 (18%)
    8 a 11 anos 5.399 (61%) 10.208 (57%) 15.607 (59%)
    12 anos ou mais 1.051 (12%) 4.698 (26%) 5.749 (22%)
    Sem informação 80 232 312
Consultas de pré-natal


    Nenhuma 400 (4,5%) 571 (3,2%) 971 (3,6%)
    1 a 3 728 (8,2%) 650 (3,6%) 1.378 (5,1%)
    4 a 6 2.393 (27%) 3.587 (20%) 5.980 (22%)
    7 ou mais 5.395 (61%) 13.204 (73%) 18.599 (69%)
    Sem informação 27 24 51
Faixa etária da mãe


    Menos de 20 2.192 (25%) 2.359 (13%) 4.551 (17%)
    20 a 34 6.062 (68%) 13.234 (73%) 19.296 (72%)
    35 ou mais 689 (7,7%) 2.443 (14%) 3.132 (12%)
Sexo do recém-nascido


    Feminino 4.372 (49%) 8.737 (48%) 13.109 (49%)
    Masculino 4.570 (51%) 9.296 (52%) 13.866 (51%)
    Sem informação 1 3 4
1 Média (Desvio Padrão); n (%)

A função add_overall() acrescenta uma coluna com o total, e modify_header() muda o título da primeira coluna. Os registros sem informação aparecem como uma linha à parte em cada variável, o que permite ao leitor avaliar a completude.

Para levar a tabela a um documento do Word, convertemos o resultado para o formato do pacote flextable e o salvamos.

tabela_1 |>
  as_flex_table() |>
  flextable::save_as_docx(path = here("resultados", "tabelas", "tabela_1.docx"))

Em um documento Quarto renderizado para Word, a tabela é inserida diretamente, sem necessidade desse passo.

11.8 Estudo de caso: características das mães e dos recém-nascidos segundo o tipo de parto

A tabela construída na seção anterior é o estudo de caso deste capítulo. Vamos lê-la como faríamos em um artigo e redigir o parágrafo de resultados correspondente.

Característica Vaginal
N = 8.9431
Cesáreo
N = 18.0361
Total
N = 26.9791
Peso ao nascer (g) 3.189 (544) 3.270 (543) 3.244 (545)
Idade da mãe (anos) 24 (6) 27 (6) 26 (6)
Escolaridade da mãe


    Nenhuma 21 (0,2%) 19 (0,1%) 40 (0,1%)
    1 a 3 anos 242 (2,7%) 273 (1,5%) 515 (1,9%)
    4 a 7 anos 2.150 (24%) 2.606 (15%) 4.756 (18%)
    8 a 11 anos 5.399 (61%) 10.208 (57%) 15.607 (59%)
    12 anos ou mais 1.051 (12%) 4.698 (26%) 5.749 (22%)
    Sem informação 80 232 312
Consultas de pré-natal


    Nenhuma 400 (4,5%) 571 (3,2%) 971 (3,6%)
    1 a 3 728 (8,2%) 650 (3,6%) 1.378 (5,1%)
    4 a 6 2.393 (27%) 3.587 (20%) 5.980 (22%)
    7 ou mais 5.395 (61%) 13.204 (73%) 18.599 (69%)
    Sem informação 27 24 51
Faixa etária da mãe


    Menos de 20 2.192 (25%) 2.359 (13%) 4.551 (17%)
    20 a 34 6.062 (68%) 13.234 (73%) 19.296 (72%)
    35 ou mais 689 (7,7%) 2.443 (14%) 3.132 (12%)
Sexo do recém-nascido


    Feminino 4.372 (49%) 8.737 (48%) 13.109 (49%)
    Masculino 4.570 (51%) 9.296 (52%) 13.866 (51%)
    Sem informação 1 3 4
1 Média (Desvio Padrão); n (%)

Um parágrafo de resultados baseado nessa tabela poderia ser escrito assim:

Entre os 26.979 nascidos vivos de mães residentes em Rondônia em 2019 com informação sobre o tipo de parto, 66,9% nasceram por cesariana. As mães que tiveram parto cesáreo eram, em média, mais velhas (26,9 anos, contra 24,4 anos no parto vaginal) e tinham escolaridade mais alta: 26,4% tinham 12 anos ou mais de estudo, contra 11,9% entre as que tiveram parto vaginal.

Todos os números do parágrafo foram inseridos com código inline, como vimos no Capítulo 4, e se atualizam se os dados mudarem.

Saúde Pública em foco

Uma tabela descritiva mostra diferenças entre grupos, mas não diz por que elas existem. As mães que tiveram cesariana eram mais velhas e mais escolarizadas, mas isso não significa que a idade ou a escolaridade, por si mesmas, levem à cesariana. Fatores como o tipo de serviço em que o parto ocorreu (público ou privado), a disponibilidade de profissionais e as preferências das gestantes e dos médicos estão ligados a essas características e ao tipo de parto ao mesmo tempo. Separar essas influências exige delineamentos e métodos analíticos que vão além da descrição.

11.9 Exercícios

Fixação

  1. Classifique cada variável da base nascidos como qualitativa nominal, qualitativa ordinal, quantitativa discreta ou quantitativa contínua.

  2. Construa a tabela de frequências da raça/cor da mãe com tabyl(), com totais e percentuais formatados. Qual a diferença entre as colunas percent e valid_percent?

  3. Calcule a média, a mediana, o desvio-padrão e o intervalo interquartil da idade gestacional em semanas. A distribuição parece simétrica ou assimétrica? Confirme com um histograma.

Aplicação

  1. Construa uma tabela de dupla entrada entre a escolaridade da mãe e o número de consultas de pré-natal, com percentuais na direção que permita comparar as mães segundo a escolaridade. Escreva duas frases interpretando o resultado.

  2. Use tbl_summary() para descrever as características das mães e dos recém-nascidos segundo a ocorrência de baixo peso ao nascer. Apresente média e desvio-padrão para as variáveis contínuas.

Desafio

  1. Compare a média e a mediana do peso ao nascer entre os nascimentos prematuros e a termo. Em qual dos grupos a diferença entre média e mediana é maior? Explique o motivo com base na forma das distribuições.

  2. Exporte a tabela do exercício 5 para o Word e formate-a como seria apresentada em um artigo, com título, notas de rodapé explicando as estatísticas e a fonte dos dados.

11.10 Síntese

A descrição dos dados depende do tipo das variáveis. Variáveis qualitativas são resumidas em tabelas de frequências, construídas com table(), count() ou tabyl(), e as ordinais podem incluir percentuais acumulados. Em tabelas de dupla entrada, os percentuais devem ser calculados dentro das categorias que definem os grupos a comparar. Variáveis quantitativas são resumidas por medidas de tendência central (média, mediana, moda), de posição (quartis e percentis) e de dispersão (amplitude, variância, desvio-padrão, intervalo interquartil e coeficiente de variação). Média e desvio-padrão são adequados a distribuições simétricas; mediana e intervalo interquartil, a distribuições assimétricas. O pacote gtsummary produz a tabela descritiva usada em artigos, que pode ser exportada para o Word com o flextable.

Tabela 11.2: Funções apresentadas no capítulo.
Função Pacote Finalidade
table(), prop.table(), addmargins() base, stats Tabelas de frequências no R base
count() dplyr Contagens em formato de tabela de dados
tabyl(), adorn_totals(), adorn_percentages(), adorn_pct_formatting(), adorn_ns() janitor Tabelas de frequências formatadas
cumsum() base Soma acumulada
mean(), median(), quantile() base, stats Tendência central e posição
var(), sd(), IQR() stats Dispersão
tbl_summary(), add_overall(), modify_header() gtsummary Tabela descritiva para publicação
as_flex_table(), save_as_docx() gtsummary, flextable Exportar tabelas para o Word

11.11 Para saber mais

O capítulo 17 do Manual de R para Epidemiologistas (BATRA et al., 2021) compara as diferentes formas de construir tabelas descritivas (com janitor, dplyr, gtsummary e o R base), e o capítulo 29 mostra como formatar tabelas para apresentação com o flextable. Bougioukas (BOUGIOUKAS, 2025) apresenta, nos capítulos 12 e 15, os tipos de variáveis e as medidas descritivas com exemplos médicos e ótimas ilustrações. Para os fundamentos estatísticos, o livro de BUSSAB; MORETTIN (2002), da bibliografia da disciplina, traz uma discussão detalhada das medidas resumo.

Obra Capítulo Seções de interesse
Manual de R para Epidemiologistas (BATRA et al., 2021) 17. Tabelas descritivas; 29. Tabelas para apresentação Pacote janitor; Pacote dplyr; Pacote gtsummary; Pacote R base
Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) 12. Introduction to Statistics; 15. Descriptive Statistics Summarizing categorical data; Measures of central location; Measures of dispersion
R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) 13. Números Sumarização numérica
Estatística básica (BUSSAB; MORETTIN, 2002) — Capítulos dedicados à análise exploratória de dados