Gráficos de Linha

Tendências ao longo do tempo

Autor

Henrique Alvarenga da Silva

Data de Publicação

7 de março de 2026

História: Fechando o Ciclo com William Playfair

NotaFechando o ciclo: o primeiro gráfico de Playfair

Chegamos ao último tipo de gráfico deste livro — e, ironicamente, ao primeiro que William Playfair inventou. O gráfico de linhas foi publicado em The Commercial and Political Atlas (Playfair, 1786), onde Playfair apresentou 43 séries temporais da balança comercial inglesa com diversas nações ao longo do século XVIII. A mesma obra continha o gráfico de barras (que vimos no capítulo sobre Barras); o gráfico de pizza viria quinze anos depois, no Statistical Breviary de 1801 (capítulo sobre Pizza).

Se o gráfico de linhas é historicamente o primeiro, por que aparece por último neste livro? Porque, dos três, é o mais complexo conceitualmente: envolve séries temporais, continuidade, sazonalidade e a noção de que a ordem dos pontos importa. Barras e pizza comparam categorias; linhas revelam tendências. Essa complexidade justifica deixá-lo para o final — quando o leitor já domina os fundamentos da visualização (Costigan-Eaves; Macdonald-Ross, 1990). Uma reprodução comentada da obra original, com introdução de Howard Wainer e Ian Spence, está disponível em Playfair (2005).

Gráfico original de William Playfair (1786) mostrando a balança comercial entre Inglaterra e Dinamarca/Noruega ao longo do século XVIII.

Gráfico original de William Playfair (1786) mostrando a balança comercial entre Inglaterra e Dinamarca/Noruega ao longo do século XVIII.

Na medicina, gráficos de linha são essenciais para monitorar tendências de pacientes, acompanhar epidemias e entender como variáveis mudam ao longo do tempo. Mas, como veremos, muitos profissionais os usam incorretamente.

O Que é um Gráfico de Linha?

Um gráfico de linha é uma representação visual que conecta pontos sequenciais com linhas para mostrar mudanças ao longo de uma variável ordenada — tipicamente o tempo. A linha não é apenas decorativa: ela comunica continuidade e tendência.

Componentes principais:

  • Eixo X (horizontal): Uma variável contínua ou ordenada (datas, tempo, semanas, etc.).
  • Eixo Y (vertical): Uma variável numérica que queremos acompanhar.
  • Linhas: Conectam pontos sucessivos para revelar padrões e tendências.

Quando Usar Gráficos de Linha

Gráficos de linha são ideais para:

  • Séries temporais: Pressão arterial de um paciente ao longo de 12 semanas
  • Dados longitudinais: Peso corporal medido mensalmente durante um ano
  • Comparação de tendências: Internações hospitalares em múltiplos departamentos ao longo de um ano
  • Ciclos e sazonalidade: Taxa de infecções respiratórias por estação
  • Monitoramento clínico: Evolução de marcadores laboratoriais (glicose, colesterol) em resposta a tratamento

Quando Não Usar — O Erro Clássico

AvisoO Erro Clássico: Linhas em Dados Categóricos

A maior falha na visualização moderna é usar gráficos de linha para conectar categorias que não possuem ordem natural.

Exemplos de erros comuns:

  • Conectar diferentes doenças em um eixo X (infarto, diabetes, câncer)
  • Conectar medicações diferentes (Aspirina, Ibuprofeno, Paracetamol)
  • Conectar departamentos hospitalares (Cardiologia, Neurologia, Oncologia)

Quando você desenha uma linha conectando essas categorias, você está criando uma ilusão de continuidade onde não existe. A linha sugere que há algo entre “Cardiologia” e “Neurologia”, o que não faz sentido.

Solução: Use barras, pontos, ou box plots para dados categóricos.

Variações e Extensões

Gráfico de Linha Simples

A forma mais básica: uma linha mostrando uma variável ao longo do tempo.

Múltiplas Linhas

Use cores ou estilos diferentes para comparar tendências de múltiplos grupos:

  • Admissões hospitalares por departamento
  • Níveis de glicose em pacientes com diferentes biótipos
  • Evolução de peso em diferentes grupos de tratamento

Linha + Área

Preenche a área sob a linha, útil para enfatizar magnitude acumulada.

Gráfico Interativo (Plotly)

Permite zoom, hover para detalhes, e visibilidade/invisibilidade de linhas — excelente para apresentações e websites.

Exemplos Práticos com R

Exemplo 1: Série Temporal Simulada — Admissões Hospitalares

Vamos simular dados realistas de admissões hospitalares mensais com padrão sazonal:

Ver código R 
# Simular dados de admissões hospitalares mensais com sazonalidade
set.seed(42)
meses <- seq(as.Date("2022-01-01"), as.Date("2023-12-31"), by = "month")
admissoes_base <- 150
sazonalidade <- 30 * sin(seq(0, 4*pi, length.out = length(meses)))
ruido <- rnorm(length(meses), 0, 15)
admissoes <- admissoes_base + sazonalidade + ruido

dados_admissoes <- tibble(
  data = meses,
  admissoes = pmax(round(admissoes), 50),  # Garante valores positivos
  mes = month(data, label = TRUE, locale = "pt_BR")
)

dados_admissoes |>
  head(10) |>
  mutate(data = format(data, "%b/%Y")) |>
  select(data, admissoes) |>
  kbl(
    col.names = c("Mês/Ano", "Admissões"),
    caption = "Primeiros 10 meses de admissões hospitalares simuladas"
  ) |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center",
    font_size = 14
  ) |>
  row_spec(0, bold = TRUE, color = "white", background = "#2563EB") |>
  column_spec(1, bold = TRUE)
Primeiros 10 meses de admissões hospitalares simuladas
Mês/Ano Admissões
Jan/2022 171
Feb/2022 157
Mar/2022 182
Apr/2022 189
May/2022 181
Jun/2022 160
Jul/2022 169
Aug/2022 130
Sep/2022 152
Oct/2022 120

Agora criamos o gráfico:

Ver código R 
ggplot(dados_admissoes, aes(x = data, y = admissoes)) +
  geom_line(color = "#2E86AB", linewidth = 1) +
  geom_point(color = "#2E86AB", size = 2) +
  tema_graficos() +
  labs(
    title = "Internações Hospitalares Mensais (2022-2023)",
    subtitle = "Padrão sazonal com aumento em períodos de frio",
    x = "Data",
    y = "Número de Admissões",
    caption = "Dados simulados para fins educacionais"
  ) +
  scale_y_continuous(limits = c(0, NA))

Observe a sazonalidade clara — mais internações no inverno.

Exemplo 2: Múltiplas Linhas — Comparação por Departamento

Ver código R 
# Simular admissões por departamento
departamentos <- c("Cardiologia", "Neurologia", "Pneumologia")
dados_departamentos <- expand_grid(
  data = seq(as.Date("2022-01-01"), as.Date("2023-12-31"), by = "month"),
  departamento = departamentos
) %>%
  mutate(
    base = case_when(
      departamento == "Cardiologia" ~ 60,
      departamento == "Neurologia" ~ 40,
      departamento == "Pneumologia" ~ 50
    ),
    sazonalidade = 15 * sin(seq(0, 4*pi, length.out = n())) *
                   (departamento == "Pneumologia"),
    ruido = rnorm(n(), 0, 8),
    admissoes = pmax(round(base + sazonalidade + ruido), 10)
  ) %>%
  select(data, departamento, admissoes)

dados_departamentos |>
  head(12) |>
  mutate(data = format(data, "%b/%Y")) |>
  kbl(
    col.names = c("Mês/Ano", "Departamento", "Admissões"),
    caption = "Primeiros 12 registros de admissões por departamento"
  ) |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center",
    font_size = 14
  ) |>
  row_spec(0, bold = TRUE, color = "white", background = "#2563EB") |>
  column_spec(1, bold = TRUE)
Primeiros 12 registros de admissões por departamento
Mês/Ano Departamento Admissões
Jan/2022 Cardiologia 75
Jan/2022 Neurologia 37
Jan/2022 Pneumologia 53
Feb/2022 Cardiologia 46
Feb/2022 Neurologia 44
Feb/2022 Pneumologia 56
Mar/2022 Cardiologia 64
Mar/2022 Neurologia 46
Mar/2022 Pneumologia 73
Apr/2022 Cardiologia 55
Apr/2022 Neurologia 44
Apr/2022 Pneumologia 50

Visualizar múltiplas linhas com cores distintas:

Ver código R 
ggplot(dados_departamentos, aes(x = data, y = admissoes, color = departamento)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  tema_graficos() +
  scale_color_manual(values = paleta_cat) +
  labs(
    title = "Admissões por Departamento (2022-2023)",
    subtitle = "Pneumologia mostra padrão sazonal; Cardiologia e Neurologia mais estáveis",
    x = "Data",
    y = "Número de Admissões",
    color = "Departamento",
    caption = "Dados simulados para fins educacionais"
  ) +
  scale_y_continuous(limits = c(0, NA))

Exemplo 3: Linha + Área para Dados Acumulados

Ver código R 
# Dados de casos confirmados acumulados
dados_casos <- tibble(
  data = seq(as.Date("2023-01-01"), as.Date("2023-12-31"), by = "week"),
  casos_novos = c(5, 8, 12, 15, 18, 22, 20, 18, 15, 12, 10, 8, 6, 4, 3, 2, 1,
                  2, 3, 4, 5, 6, 7, 8, 9, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 1,
                  0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1)
) %>%
  mutate(casos_acumulados = cumsum(casos_novos))

ggplot(dados_casos, aes(x = data, y = casos_acumulados)) +
  geom_area(fill = "#A23B72", alpha = 0.3) +
  geom_line(color = "#A23B72", linewidth = 1.2) +
  geom_point(color = "#A23B72", size = 2) +
  tema_graficos() +
  labs(
    title = "Casos Acumulados de Doença Infecciosa",
    subtitle = "Visão agregada da magnitude total do evento",
    x = "Data",
    y = "Total de Casos Acumulados",
    caption = "Dados simulados para fins educacionais"
  ) +
  scale_y_continuous(limits = c(0, NA))

Exemplo 4: Versão Interativa com Plotly

Ver código R 
# Versão interativa das admissões por departamento
p_interativa <- ggplot(dados_departamentos, aes(x = data, y = admissoes,
                                                 color = departamento)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2, aes(text = paste0(
    departamento, "<br>",
    "Data: ", format(data, "%b %Y"), "<br>",
    "Admissões: ", admissoes
  ))) +
  tema_graficos() +
  scale_color_manual(values = paleta_cat) +
  labs(
    title = "Admissões por Departamento (Interativo)",
    x = "Data",
    y = "Número de Admissões",
    color = "Departamento"
  )

plotly::ggplotly(p_interativa, tooltip = "text") %>%
  para_plotly()

O ERRO do Gráfico da JAMA Psychiatry

Em 2020, Solís-Vivanco e colaboradores publicaram na JAMA Psychiatry um estudo que investigava o comprometimento cognitivo em indivíduos do espectro da esquizofrenia que nunca haviam recebido medicação (Solís-Vivanco et al., 2020). O objetivo era esclarecer se os déficits cognitivos são progressivos ou se já estão presentes desde o primeiro episódio psicótico. Os autores avaliaram diferentes domínios cognitivos — memória, atenção, funções executivas, linguagem — em pacientes em estágios distintos da doença.

Um dos gráficos da publicação cometeu o erro clássico: conectou domínios cognitivos (categorias) com linhas, como se houvesse uma continuidade natural entre eles. Isso é fundamentalmente errado. Não há “continuidade” entre Memória e Atenção — são domínios qualitativamente distintos. A linha cria uma ilusão de ordem ou sequência que não existe nos dados.

Recriando o Erro

Vamos simular um cenário similar — scores cognitivos em diferentes domínios — e mostrar o erro e a correção:

Ver código R 
# Dados simulados: scores de diferentes domínios cognitivos
dominios_cognitivos <- tibble(
  dominio = c("Memória", "Atenção", "Função\nExecutiva", "Linguagem"),
  score_saudavel = c(95, 92, 90, 94),
  score_esquizofrenia = c(65, 58, 55, 62)
) %>%
  pivot_longer(
    cols = starts_with("score_"),
    names_to = "grupo",
    values_to = "score"
  ) %>%
  mutate(
    grupo = case_when(
      grupo == "score_saudavel" ~ "Controle",
      grupo == "score_esquizofrenia" ~ "Esquizofrenia"
    )
  )

dominios_cognitivos |>
  pivot_wider(names_from = grupo, values_from = score) |>
  kbl(
    col.names = c("Domínio Cognitivo", "Controle", "Esquizofrenia"),
    caption = "Scores cognitivos simulados por domínio e grupo"
  ) |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center",
    font_size = 14
  ) |>
  row_spec(0, bold = TRUE, color = "white", background = "#2563EB") |>
  column_spec(1, bold = TRUE)
Scores cognitivos simulados por domínio e grupo
Domínio Cognitivo Controle Esquizofrenia
Memória 95 65
Atenção 92 58
Função Executiva 90 55
Linguagem 94 62

❌ ERRO: Linhas em Dados Categóricos

Ver código R 
# ERRADO! Conectando categorias com linhas
ggplot(dominios_cognitivos, aes(x = dominio, y = score, color = grupo, group = grupo)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 3) +
  tema_graficos() +
  scale_color_manual(values = paleta_cat) +
  labs(
    title = "❌ ERRO: Domínios Cognitivos Conectados com Linhas",
    subtitle = "A linha implica continuidade entre categorias — INCORRETO!",
    x = "Domínio Cognitivo",
    y = "Score Cognitivo",
    color = "Grupo"
  ) +
  ylim(0, 100)

Veja o problema: a linha entre “Memória” e “Atenção” sugere que há algo entre elas. Não há!

✅ CORRETO: Barras ou Pontos sem Linhas

Ver código R 
# CORRETO! Usando barras
ggplot(dominios_cognitivos, aes(x = dominio, y = score, fill = grupo)) +
  geom_col(position = "dodge", width = 0.7) +
  tema_graficos() +
  scale_fill_manual(values = paleta_cat) +
  labs(
    title = "✅ CORRETO: Domínios Cognitivos com Barras",
    subtitle = "Sem linhas — cada categoria é independente",
    x = "Domínio Cognitivo",
    y = "Score Cognitivo",
    fill = "Grupo"
  ) +
  ylim(0, 100)

Agora é claro: cada domínio é uma categoria separada. Não há “continuidade” entre eles.

Alternativa: Pontos sem Linhas

Ver código R 
# Alternativa: apenas pontos
ggplot(dominios_cognitivos, aes(x = dominio, y = score, color = grupo)) +
  geom_point(size = 4) +
  tema_graficos() +
  scale_color_manual(values = paleta_cat) +
  labs(
    title = "✅ TAMBÉM CORRETO: Pontos sem Linhas",
    subtitle = "Simples, claro, sem implicações falsas de continuidade",
    x = "Domínio Cognitivo",
    y = "Score Cognitivo",
    color = "Grupo"
  ) +
  ylim(0, 100)

Resumo: Quando Usar Linhas

Use linhas quando:

  • A variável X é contínua ou naturalmente ordenada (tempo, idade, distância)
  • Você quer enfatizar tendência e mudança
  • Os pontos intermediários fazem sentido

NÃO use linhas quando:

  • A variável X é categórica sem ordem natural
  • Os pontos intermediários não fazem sentido
  • Você quer comparar categorias independentes

Quiz

NotaQuizz

Pergunta 1: Um pesquisador criou um gráfico mostrando taxa de mortalidade (eixo Y) vs. cinco tipos diferentes de câncer (eixo X), conectando os pontos com linhas. Isso é apropriado?

  1. Sim, porque há cinco categorias no eixo X
  2. Não, porque tipos de câncer são categorias sem uma sequência natural.
  3. Sim, porque a taxa de mortalidade é numérica
  4. Talvez, depende da revista

b) Não, porque tipos de câncer são categorias sem uma sequência natural. Gráficos de linha comunicam continuidade e tendência — a linha entre dois pontos sugere que existe algo entre eles. Tipos de câncer são categorias sem ordem natural: não há um “meio-caminho” entre câncer de mama e câncer de pulmão. Ao conectar categorias sem ordem com linhas, criamos uma impressão visual falsa. O fato de o eixo Y ser numérico (alternativa c) não justifica usar linhas — o que importa é a natureza do eixo X. Para dados categóricos, use barras ou pontos.

Pergunta 2: Qual é o principal risco de usar um gráfico de linha para dados categóricos?

  1. O gráfico fica muito colorido
  2. Cria ilusão de continuidade onde não existe
  3. Usa mais tinta
  4. Fica difícil imprimir

b) Cria ilusão de continuidade onde não existe. Como vimos na seção “O Erro Clássico”, a linha entre dois pontos implica que os valores intermediários são significativos. Quando conectamos “Cardiologia” e “Neurologia” com uma linha, sugerimos visualmente que existe uma transição contínua entre esses departamentos — o que é absurdo. Esse é o erro mais frequente na visualização de dados em saúde: usar linhas onde deveria haver barras.

Pergunta 3: Você está monitorando o peso de um paciente ao longo de 6 meses (medições mensais). Qual visualização é melhor?

  1. Barras
  2. Pizza
  3. Linhas com pontos
  4. Tabela numérica

c) Linhas com pontos. Aqui temos uma variável numérica (peso) medida ao longo do tempo (6 meses), com medições ordenadas cronologicamente — exatamente o cenário ideal para gráficos de linha. Os pontos marcam as medições reais, e a linha entre eles revela a tendência (ganho, perda ou estabilidade de peso). Pizza (alternativa b) não serve porque não mostra evolução temporal. Barras (alternativa a) até funcionariam, mas não comunicam a continuidade e a tendência tão bem quanto a linha. A tabela (alternativa d) mostra os números, mas não revela padrões visuais.

Pergunta 4: Em um gráfico de linha com múltiplos grupos, qual é a melhor forma de diferenciar os grupos?

  1. Usar cores diferentes
  2. Usar padrões diferentes nas linhas (tracejado, pontilhado)
  3. Usar ambas (cores + padrões)
  4. Adicionar anotações de texto

c) Usar ambas (cores + padrões). Cores sozinhas (alternativa a) funcionam para a maioria dos leitores, mas aproximadamente 8% dos homens e 0,5% das mulheres têm algum grau de daltonismo. Para essas pessoas, duas linhas de cores diferentes podem parecer idênticas. Padrões sozinhos (alternativa b) resolvem o daltonismo, mas são mais difíceis de distinguir à distância. A combinação de cores e padrões (por exemplo, azul contínuo vs. vermelho tracejado) cria redundância visual: mesmo que o leitor não perceba a diferença de cor, o padrão da linha ainda permite distinguir os grupos. Esse princípio de redundância é uma das boas práticas fundamentais em visualização acessível.

Referências

COSTIGAN-EAVES, Patricia; MACDONALD-ROSS, Michael. William Playfair (1759–1823). Statistical Science, [s.l.], vol. 5, n.º 3, pp. 318–326, 1990.
PLAYFAIR, William. Playfair’s Commercial and Political Atlas and Statistical Breviary. Cambridge, UK: Cambridge University Press, 2005.
PLAYFAIR, William. The Commercial and Political Atlas: Representing, by Means of Stained Copper-Plate Charts, the Progress of the Commerce, Revenues, Expenditure, and Debts of England. London: J. Debrett, 1786.
SOLÍS-VIVANCO, Rodolfo et al. Cognitive Impairment in Never-Medicated Individuals on the Schizophrenia Spectrum. JAMA Psychiatry, [s.l.], vol. 77, n.º 5, pp. 543–545, 2020.
De volta ao topo