0:00:07.705,0:00:10.374
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.

0:00:13.980,0:00:17.947
Seria muito chato, porque as pessoas[br]iam ficar lendo somente tabelas.

0:00:17.947,0:00:22.009
Os gráficos existem exatamente [br]para te ajudar a representar,

0:00:22.009,0:00:26.221
de forma visual, quais foram [br]os dados que você descobriu.

0:00:26.221,0:00:29.219
A gente tem aqui alguns [br]exemplos desses gráficos,

0:00:29.219,0:00:33.367
e agora vamos entender quando [br]a gente utiliza cada um deles.

0:00:33.367,0:00:36.903
O primeiro gráfico, que é o mais [br]utilizado em vários cenários,

0:00:36.903,0:00:41.022
principalmente na análise [br]descritiva, é o gráfico de barras.

0:00:41.022,0:00:44.577
O gráfico de barras, [br]a gente utiliza para variáveis

0:00:44.577,0:00:48.068
que são categóricas,[br]variáveis qualitativas.

0:00:48.068,0:00:51.904
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.

0:00:55.321,0:00:57.833
Então, eu tenho ali [br]uma base de dados,

0:00:57.833,0:01:00.320
eu vou classificar aquela [br]base de dados,

0:01:00.320,0:01:03.696
por exemplo,[br]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.

0:01:09.869,0:01:12.734
O gráfico de barras vai ser [br]muito utilizado para você,

0:01:12.734,0:01:15.251
de fato, comparar variáveis.

0:01:15.251,0:01:17.255
Um outro gráfico [br]que a gente utiliza

0:01:17.255,0:01:19.679
bastante também [br]é o gráfico de pizza.

0:01:19.679,0:01:23.032
Aqui, na tela, a gente tem a [br]representação desse tipo de gráfico.

0:01:23.032,0:01:26.152
Em um cenário onde [br]a gente está avaliando

0:01:26.152,0:01:30.649
quais são os sabores preferidos[br]das pessoas relacionadas a sorvete,

0:01:30.649,0:01:33.460
nós temos a variação aqui,

0:01:33.460,0:01:37.604
mostrando a representatividade[br]em um formato de pizza.

0:01:37.604,0:01:41.401
Então, quando a gente tem [br]3 sabores, por exemplo,

0:01:41.401,0:01:46.016
a gente está considerando [br]aqui que a pizza soma 100%,

0:01:46.016,0:01:48.508
o total dela vai ser 100%,

0:01:48.508,0:01:53.169
e, cada uma dessas fatias, vai ser [br]a representatividade desse sabor.

0:01:53.169,0:01:56.416
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,

0:01:59.619,0:02:03.284
porque quanto maior [br]for a fatia da pizza,

0:02:03.284,0:02:06.047
maior vai indicar aquela [br]representatividade,

0:02:06.047,0:02:09.868
ou seja, aquela preferência.

0:02:09.868,0:02:12.332
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

0:02:41.169,0:02:44.841
é utilizado para fazer [br]comparações entre variáveis.

0:02:44.841,0:02:47.867
O histograma também[br]é utilizado dessa forma.

0:02:47.867,0:02:50.643
A única diferença, você vai[br]visualizar aqui na tela,

0:02:50.643,0:02:54.227
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

0:02:57.477,0:03:00.632
a frequência de cada [br]uma das variáveis.

0:03:00.632,0:03:05.885
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,

0:03:18.164,0:03:22.355
a frequência de compras[br]e a recência das compras,

0:03:22.355,0:03:26.272
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.

0:03:57.904,0:04:01.560
Então, quando eu plot ali os meus [br]dados em um gráfico de dispersão,

0:04:01.560,0:04:04.922
eu vou conseguir definir[br]quais são as minhas variáveis

0:04:04.922,0:04:08.152
que são fora da curva,[br]que são os outliers.

0:04:08.152,0:04:10.658
Então, quando eu represento [br]dessa forma,

0:04:10.658,0:04:14.363
quanto mais perto você tiver [br]ali aquela concentração,

0:04:14.363,0:04:16.452
aqui no nosso cantinho do eixo,

0:04:16.452,0:04:20.310
você vai visualizar que as [br]variáveis ficam muito próximas.

0:04:20.310,0:04:22.647
Agora, quanto mais [br]elas se dispersam,

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

0:04:26.733,0:04:29.629
que fogem do seu padrão, [br]e aí você vai conseguir

0:04:29.629,0:04:33.403
investigar melhor essas [br]variações, essas variáveis,

0:04:33.403,0:04:36.188
e entender qual é o [br]comportamento delas.

0:04:36.188,0:04:41.458
E quando a gente precisa visualizar[br]variáveis que são temporais?

0:04:41.458,0:04:43.881
Para isso, nós temos [br]um tipo de gráfico,

0:04:43.881,0:04:45.918
que é o gráfico [br]de séries temporais,

0:04:45.918,0:04:47.754
ele está aparecendo [br]aqui na tela.

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

0:04:50.123,0:04:54.827
A ideia do gráfico temporal[br]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

0:04:58.364,0:05:02.399
anotar os dados em dias [br]diferentes para ter uma média.

0:05:02.399,0:05:06.389
Quando eu ploto esses dados[br]em um gráfico de série temporal,

0:05:06.389,0:05:10.643
eu vou conseguir visualizar[br]esse ciclo, essa tendência.

0:05:10.643,0:05:14.799
Não, necessariamente, ele vai ter [br]sempre um aumento ou uma queda,

0:05:14.799,0:05:16.716
ele pode ter variações.

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

0:05:19.652,0:05:24.190
muito mais rápida de média, [br]do quanto que subiu,

0:05:24.190,0:05:26.755
o quanto flutuaram [br]os meus dados.

0:05:26.755,0:05:29.843
O último gráfico que nós [br]temos para representar

0:05:29.843,0:05:32.699
estatisticamente, [br]é o Box Plot.

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

0:05:36.269,0:05:40.389
as variações dos seus dados[br]e como eles estão concentrados.

0:05:40.389,0:05:43.543
Nesse formato de gráfico,[br]que está aparecendo aqui na tela,

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

0:05:46.346,0:05:49.468
sempre divididos [br]de 25% em 25%

0:05:49.468,0:05:52.163
e quanto maior for a sua caixinha,

0:05:52.163,0:05:55.288
significa que os dados[br]estão mais dispersos,

0:05:55.288,0:05:59.225
e, quanto menor, significa que [br]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

0:06:02.795,0:06:06.766
aquela representatividade e [br]você conseguir entender melhor

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

0:06:08.668,0:06:11.868
que foram extraídos [br]ali da sua amostra.

0:06:11.868,0:06:16.676
Bom, então agora que você conhece[br]esses formatos de gráficos,

0:06:16.676,0:06:18.782
você vai conseguir [br]entender qual o gráfico

0:06:18.782,0:06:21.901
vai se aplicar melhor[br]a realidade dos seus dados

0:06:21.901,0:06:25.259
e vai te ajudar a transformar[br]aquele gráfico,

0:06:25.259,0:06:29.610
aquela visualização, de forma [br]muito mais visual, de fato.

0:06:29.610,0:06:31.831
Então, você vai conseguir mostrar

0:06:31.831,0:06:35.095
qual foi a descoberta que [br]você teve com os seus dados,

0:06:35.095,0:06:39.932
coisa que uma tabela não te ajudaria [br]tanto em um nível tão visual.

0:06:39.932,0:06:42.579
Então utilize aí os [br]gráficos a seu favor,

0:06:42.579,0:06:45.271
considerando a particularidade de [br]cada e quando você vai aplicar um

0:06:45.271,0:06:47.237
e quando você vai aplicar,

0:06:47.237,0:06:50.232
quando você vai selecionar [br]cada formato de gráfico.