0:00:07.825,0:00:10.374
Imagina se você não [br]tivesse gráficos

0:00:10.374,0:00:13.980
para representar de forma visual[br]os dados que você descobriu.

0:00:13.980,0:00:17.784
Seria muito chato, porque as pessoas[br]iam ficar lendo somente tabelas.

0:00:17.784,0:00:21.119
Os gráficos existem exatamente [br]para te ajudar a representar,

0:00:21.119,0:00:26.292
de forma visual, quais foram [br]os dados que você descobriu.

0:00:26.292,0:00:29.295
A gente tem aqui alguns [br]exemplos desses gráficos,

0:00:29.295,0:00:33.433
e agora vamos entender quando [br]a gente utiliza cada um deles.

0:00:33.433,0:00:36.903
O primeiro gráfico, que é o mais [br]utilizado em vários cenários,

0:00:36.903,0:00:40.840
principalmente na análise [br]descritiva, é o gráfico de barras.

0:00:40.840,0:00:44.577
O gráfico de barras, [br]a gente utiliza para variáveis

0:00:44.577,0:00:47.947
que são categóricas,[br]variáveis qualitativas.

0:00:47.947,0:00:51.904
A primeira coisa que a gente faz[br]para utilizar um gráfico de barras

0:00:51.904,0:00:55.321
é determinar quais [br]dados que a gente tem.

0:00:55.321,0:00:57.924
Então, eu tenho ali [br]uma base de dados,

0:00:57.924,0:01:01.861
eu vou classificar aquela base [br]de dados, por exemplo,

0:01:01.861,0:01:03.696
do menor para o maior.

0:01:03.696,0:01:06.866
Aqui, na representação,[br]a gente consegue entender

0:01:06.866,0:01:09.869
a variação ali entre[br]essas categorias.

0:01:09.869,0:01:10.870
O gráfico de barras vai ser [br]muito utilizado para você,

0:01:10.870,0:01:15.251
de fato, comparar variáveis.

0:01:15.251,0:01:19.679
Um outro gráfico que a gente utiliza[br]bastante também é o gráfico de pizza.

0:01:19.679,0:01:22.916
Aqui, na tela, a gente tem a [br]representação desse tipo de gráfico.

0:01:22.916,0:01:26.152
Em um cenário onde [br]a gente está avaliando

0:01:26.152,0:01:30.890
quais são os sabores preferidos[br]das pessoas relacionadas a sorvete,

0:01:30.890,0:01:33.460
nós temos a variação aqui,

0:01:33.460,0:01:37.664
mostrando a representatividade[br]em um formato de pizza.

0:01:37.664,0:01:41.401
Então, quando a gente tem [br]3 sabores, por exemplo,

0:01:41.401,0:01:46.106
a gente está considerando aqui[br]que a pizza soma 100%,

0:01:46.106,0:01:48.508
o total dela vai ser 100%,

0:01:48.508,0:01:52.946
e, cada uma dessas fatias, vai ser [br]a representatividade desse sabor.

0:01:52.946,0:01:56.416
Então, a gente vai ter uma [br]visão de qual que é o sabor

0:01:56.416,0:01:59.619
preferido dessas pessoas[br]que foram entrevistadas,

0:01:59.619,0:02:03.240
porque quanto maior for[br]a fatia da pizza,

0:02:03.240,0:02:06.893
maior vai indicar aquela [br]representatividade,

0:02:06.893,0:02:09.963
ou seja, aquela preferência.

0:02:09.963,0:02:12.332
Um ponto importante [br]para a gente considerar

0:02:12.332,0:02:15.920
em relação ao gráfico de pizza,[br]é que ele não pode ser utilizado

0:02:15.920,0:02:18.705
para quando a gente[br]tem muitas variáveis,

0:02:18.705,0:02:21.440
porque vai ficar muito [br]confuso de entender ali

0:02:21.440,0:02:23.977
qual é a representatividade [br]de cada uma.

0:02:23.977,0:02:27.142
Então, ele é mais indicado [br]para até 4 fatias.

0:02:27.142,0:02:31.739
Um outro gráfico muito utilizado [br]também é o gráfico histograma,

0:02:31.739,0:02:33.195
O gráfico histograma,

0:02:33.195,0:02:36.070
olhando para a representação [br]visual dele,

0:02:36.070,0:02:38.916
ele é muito confundido[br]com o gráfico de barras.

0:02:38.916,0:02:41.169
Nós já sabemos que [br]o gráfico de barras

0:02:41.169,0:02:44.931
é utilizado para fazer [br]comparações entre variáveis.

0:02:44.931,0:02:47.867
O histograma também[br]é utilizado dessa forma.

0:02:47.867,0:02:50.703
A única diferença, você vai[br]visualizar aqui na tela,

0:02:50.703,0:02:54.227
é que a representação dele[br]é um pouquinho diferente,

0:02:54.227,0:02:57.477
Então, o histograma[br]vai considerar ali

0:02:57.477,0:03:00.780
a frequência de cada [br]uma das variáveis.

0:03:00.780,0:03:05.885
Então, quanto maior for a barra,[br]mais frequente é aquela variação.

0:03:05.885,0:03:08.662
Um exemplo de utilização[br]ali do gráfico histograma

0:03:08.662,0:03:13.026
é para quando você quer definir[br]os melhores clientes que você tem.

0:03:13.026,0:03:18.164
Então, numa análise que a gente faça[br]em relação ao volume de vendas,

0:03:18.164,0:03:22.435
a frequência de compras[br]e a recência das compras,

0:03:22.435,0:03:26.272
a gente vai colocar esses dados[br]em um gráfico histograma

0:03:26.272,0:03:28.537
e aí a gente vai conseguir [br]ter aquela visão

0:03:28.537,0:03:31.087
de quais são os clientes [br]que mais aparecem,

0:03:31.087,0:03:34.703
porque ele vai mostrar qual [br]é o tamanho daquela barra.

0:03:34.703,0:03:39.631
Outro gráfico que é muito utilizado [br]também na estatística descritiva

0:03:39.631,0:03:43.723
é o Scatterplot ou [br]gráfico de dispersão

0:03:43.723,0:03:46.459
No gráfico de dispersão,[br]que está aqui na tela,

0:03:46.459,0:03:49.562
você vai conseguir visualizar[br]o quanto as variáveis,

0:03:49.562,0:03:52.532
que você está analisando,[br]se dispersam entre elas.

0:03:52.532,0:03:55.087
Ele é muito utilizado [br]para você conseguir

0:03:55.087,0:03:57.904
entender padrões [br]de comportamento.

0:03:57.904,0:04:01.608
Então, quando eu plot ali os meus [br]dados em um gráfico de dispersão,

0:04:01.608,0:04:04.978
eu vou conseguir definir[br]quais são as minhas variáveis

0:04:04.978,0:04:08.281
que são fora da curva,[br]que são os outliers.

0:04:08.281,0:04:10.658
Então, quando eu represento [br]dessa forma,

0:04:10.658,0:04:14.568
quanto mais perto você tiver [br]ali aquela concentração aqui,

0:04:14.568,0:04:16.430
no nosso cantinho do Eixo,

0:04:16.430,0:04:20.460
você vai visualizar que as [br]variáveis ficam muito próximas.

0:04:20.460,0:04:22.647
Agora, quanto mais [br]elas se dispersam,

0:04:22.647,0:04:26.733
aí você vai entender [br]quais são essas variáveis

0:04:26.733,0:04:30.837
que fogem do seu padrão, e aí você [br]vai conseguir investigar melhor

0:04:30.837,0:04:33.186
essas variações, [br]essas variáveis,

0:04:33.186,0:04:36.809
e entender qual é o [br]comportamento delas.

0:04:36.809,0:04:42.148
E quando a gente precisa visualizar[br]variáveis que são temporais para isso,

0:04:42.148,0:04:45.852
nós temos um tipo de gráfico,[br]que é o gráfico de séries temporais.

0:04:45.918,0:04:47.754
Ele está aparecendo aqui na tela.

0:04:47.754,0:04:50.123
E basicamente é um gráfico de linhas.

0:04:50.123,0:04:54.794
A ideia do gráfico temporal[br]ele é para mostrar essa continuidade.

0:04:54.827,0:04:58.364
Então, vamos supor que eu fiz[br]ali uma análise onde eu precisei

0:04:58.364,0:05:01.968
anotar os dados em dias diferentes[br]para ter uma média.

0:05:02.435,0:05:06.205
Quando eu posto esses dados[br]num gráfico de série temporal,

0:05:06.539,0:05:10.443
eu vou conseguir visualizar essa[br]esse ciclo nessa tendência.

0:05:10.643,0:05:14.881
Não necessariamente ele vai ter sempre[br]um aumento ou uma queda.

0:05:14.881,0:05:16.716
Ele pode ter variações.

0:05:16.716,0:05:19.652
Então, através desse gráfico[br]eu consigo ter essa visão

0:05:19.652,0:05:24.090
muito mais rápida de média do quanto[br]que subiu,

0:05:24.190,0:05:27.193
o quanto flutuaram os meus dados.

0:05:27.360,0:05:31.097
O último gráfico que nós temos[br]para representar ele estatisticamente

0:05:31.097,0:05:32.699
é o Box Plot.

0:05:32.699,0:05:36.269
Esse gráfico é muito utilizado[br]para você conseguir visualizar

0:05:36.269,0:05:40.173
as variações dos seus dados[br]e como eles estão concentrados

0:05:40.606,0:05:43.543
nesse formato de gráfico[br]que está aparecendo aqui na tela.

0:05:43.543,0:05:46.346
Você vai conseguir visualizar[br]os seus dados

0:05:46.346,0:05:49.349
sempre divididos de 25 e 25%.

0:05:49.682,0:05:53.419
E quanto maior for a sua caixinha,[br]significa que os dados

0:05:53.419,0:05:55.288
estão mais dispersos.

0:05:55.288,0:05:58.858
E quanto menor,[br]significa que eles estão mais condensados.

0:05:59.225,0:06:02.795
Esse tipo de gráfico é muito útil[br]exatamente para você olhar ali

0:06:02.795,0:06:06.499
aquela representatividade[br]e você conseguir entender melhor

0:06:06.766,0:06:08.668
o comportamento dos seus dados.

0:06:08.668,0:06:11.671
Foram extraídos ali da sua amostra.

0:06:12.505,0:06:16.676
Bom, então agora que você conhece[br]esses formatos de gráficos,

0:06:16.676,0:06:18.144
você vai conseguir entender

0:06:18.144,0:06:21.714
qual o gráfico que vai te aplicar melhor[br]a realidade dos seus dados

0:06:22.081,0:06:26.552
e vai te ajudar a transformar[br]aquele gráfico ou aquela visualização

0:06:26.853,0:06:29.689
de forma muito mais visual, de fato.

0:06:29.689,0:06:33.960
Então você vai conseguir mostrar[br]qual foi a descoberta que você teve

0:06:33.960,0:06:39.665
com os seus dados, coisa que uma tabela[br]não te ajudaria tanto no nível tão visual.

0:06:39.932,0:06:44.971
Então utilize aí os gráficos a seu favor,[br]considerando a particularidade de cada um

0:06:45.271,0:06:50.576
e quando você vai aplicar, quando você[br]vai selecionar cada formato de gráfico e.