Dados sem mistério: visualizações que mostram distribuições

Bem-vindo à parte dez da nossa série de um mês, Dados sem mistério. Como parte do Data Literacy Month, esta série esclarece conceitos-chave do universo dos dados, responde perguntas que talvez você tenha receio de fazer e ainda se diverte no caminho. Se quiser começar do início, leia nossa primeira entrada da série: O que é um conjunto de dados?

Esta semana, vamos abordar visualizações de dados comuns e como interpretá-las. A visualização de dados costuma ser chamada de porta de entrada para a ciência de dados; este post traz visualizações que capturam distribuições e como interpretá-las.

Visualizações que capturam distribuições

Um uso fundamental da visualização de dados é mostrar a distribuição de uma variável. Representar distribuições permite entender propriedades estatísticas essenciais dos dados que você está visualizando e ajuda o público a tomar decisões embasadas em dados sobre resultados importantes. Antes de mergulhar no tema, aqui vão alguns pontos-chave para ter em mente ao visualizar distribuições:

1. Qual é o formato da distribuição? A distribuição é simétrica ou não?
2. Qual é a dispersão da distribuição? Ou seja, a diferença entre o menor e o maior valor no conjunto de dados.
3. Há algum outlier na distribuição?
4. Existe algum padrão na distribuição? Ela é aleatória ou existe um formato evidente?
5. Qual é o valor médio (média, moda, mediana)?

As quatro visualizações a seguir ajudam a capturar esses pontos. 

Histogramas

Um histograma é um gráfico que mostra a distribuição de uma variável numérica por meio de barras. É uma forma prática de ilustrar os principais aspectos da distribuição, especialmente quando o conjunto de dados é grande. Exemplos em que histogramas se destacam incluem mostrar a distribuição salarial de funcionários de uma empresa ou os níveis de glicose no sangue de uma coorte de pacientes. 

Um histograma retratando a idade de morte de homens australianos em 2022 (Fonte: Oosterbaan)

Para construir um histograma, os dados numéricos são primeiro divididos em vários intervalos (bins), e a frequência de ocorrência de cada intervalo é contada. O eixo horizontal mostra o intervalo, enquanto o eixo vertical representa a frequência ou a porcentagem de ocorrências de um intervalo. Histogramas mostram rapidamente como a distribuição de uma variável é enviesada ou onde ela atinge o pico. Aqui estão exemplos do nosso curso Data Visualization for Everyone. 

Um histograma pode ser simétrico, enviesado à esquerda ou à direita. (Fonte: DataCamp)

 Um histograma pode ter múltiplas modas (Fonte: DataCamp)

Embora histogramas e gráficos de barras sejam parecidos, eles têm funções diferentes e não devem ser confundidos. Veja as principais diferenças.

Gráficos de densidade

Assim como um histograma, um gráfico de densidade representa a distribuição de uma variável numérica. Diferente do histograma, o gráfico de densidade usa uma linha suave em vez de barras. O eixo horizontal é a variável numérica, enquanto o vertical é a função densidade de probabilidade. A probabilidade de a variável estar entre um intervalo é a área sob a curva. 

A probabilidade de um camundongo ter peso ao nascer entre 1,0 e 1,2 gramas é a área sob o gráfico de densidade (Fonte: SPSS)

Um gráfico de densidade pode mostrar o formato da distribuição de forma mais eficaz do que um histograma. Um histograma com número de bins muito pequeno ou muito grande pode esconder o formato real da distribuição subjacente. Já um gráfico de densidade não requer binning e exibe curvas de distribuição suaves.

A escolha do número de bins em um histograma é crucial. (Fonte: Laerd Statistics)

Um gráfico de densidade também é melhor para comparar múltiplas distribuições do que um histograma.

Comparando distribuições com gráficos de densidade vs. histogramas (Fonte: Koehrsen Will)

Boxplots

Histogramas são ótimos para exibir a distribuição geral dos dados, mas boxplots são excelentes para resumir uma distribuição. 

A anatomia de um boxplot (Fonte: Galarnyk)

Visualizar dados com um boxplot revela o seguinte:

1. A mediana: o valor central de um conjunto de dados em que 50% dos valores são menores que a mediana e 50% são maiores. 
2. O quartil superior: o percentil 75 de um conjunto de dados, em que 75% dos valores são menores que o quartil superior e 25% são maiores. 
3. O quartil inferior: o percentil 25 de um conjunto de dados, em que 25% dos valores são menores que o quartil inferior e 75% são maiores. 
4. O intervalo interquartil (IQR): o quartil superior menos o quartil inferior.
5. O valor adjacente superior: ou, informalmente, o “máximo”. Representa o quartil superior mais 1,5 vez o intervalo interquartil.
6. O valor adjacente inferior: ou, informalmente, o “mínimo”. Representa o quartil inferior menos 1,5 vez o intervalo interquartil.
7. Outliers: quaisquer valores acima do “máximo” ou abaixo do “mínimo”.

Gráfico de violino

Um gráfico de violino é um híbrido entre um boxplot e um gráfico de densidade. 

Um gráfico de violino mostrando a distribuição do valor total da conta (Fonte: DataCamp)

Como em um gráfico de densidade, um gráfico de violino exibe a distribuição de densidade. Como em um boxplot, ele também mostra estatísticas-resumo. Gráficos de violino são uma forma eficaz de exibir e resumir, ao mesmo tempo, a distribuição de uma variável numérica. 

A anatomia de um gráfico de violino (Fonte: Hintze e Nelson)

Comece a visualizar dados hoje

Esperamos que você tenha curtido esta breve introdução à visualização de dados. Na próxima entrada da série, veremos como a IA é tratada nas notícias e como desenvolver um ceticismo saudável em relação aos avanços mais recentes da área. Para começar sua jornada de aprendizagem em dados hoje mesmo, confira os recursos abaixo. 

• Veja o que preparamos para o Data Literacy Month
• Comece com nossa trilha de habilidades Understanding Data Topics
• Assine o podcast DataFramed
• Confira nossos próximos eventos
• Leia nossa próxima entrada da série Dados sem mistério sobre como evitar a bolha do hype em IA