Aula 7 – Apresentação e sumarização de dados

Objetivo da Aula

Compreender e aplicar técnicas de apresentação e sumarização de dados, incluindo contagens, gráficos de barras e de setores, distribuição de frequências, histogramas, gráficos de dispersão e 3D, boxplots, além de medidas de posição, dispersão e forma.

Comentário do professor

Nesta aula, o foco será a análise descritiva. Em outras palavras, vamos aprender a organizar, resumir e representar os dados de modo que a estrutura da informação se torne mais visível e interpretável.

1. Introdução

Em Estatística e Ciência de Dados, uma análise raramente começa por modelos complexos. Antes disso, é preciso entender como os dados estão organizados, quais padrões gerais apresentam, quais grupos se destacam, como os valores se distribuem e quais medidas resumem melhor o comportamento das variáveis.

Nesta aula, estudaremos um conjunto de ferramentas fundamentais para esse processo:

• contagens;
• gráficos de barras;
• gráficos de setores;
• distribuições de frequências;
• histogramas;
• gráficos de dispersão;
• gráficos 3D;
• diagramas em caixa;
• medidas de posição;
• medidas de dispersão;
• medidas de forma.

Comentário do professor

Uma boa análise descritiva não substitui métodos inferenciais ou modelos mais elaborados, mas quase sempre melhora a qualidade de qualquer etapa posterior da análise.

2. Pacotes utilizados

library(dplyr)

Warning: package 'dplyr' was built under R version 4.4.3

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

library(ggplot2)

Warning: package 'ggplot2' was built under R version 4.4.3

library(plotly)

Warning: package 'plotly' was built under R version 4.4.3

Attaching package: 'plotly'

The following object is masked from 'package:ggplot2':

    last_plot

The following object is masked from 'package:stats':

    filter

The following object is masked from 'package:graphics':

    layout

library(scatterplot3d)
library(fdth)

Attaching package: 'fdth'

The following objects are masked from 'package:stats':

    sd, var

Comentário do professor

Nesta aula: - dplyr será usado para organizar e resumir dados; - ggplot2 será usado para construir gráficos bidimensionais; - plotly será usado para versões interativas de gráficos bidimensionais e tridimensionais; - scatterplot3d será apresentado como alternativa clássica de gráfico 3D estático; - fdth será usado como recurso complementar para construção de tabelas de distribuição de frequências.

3. Conjunto de dados da aula

Utilizaremos um conjunto de dados sintético em contexto compatível com o curso de Estatística e Ciência de Dados.

dados <- tibble(
  id = 1:15,
  nome = c("Ana", "Bruno", "Carla", "Daniel", "Eva",
           "Felipe", "Giovana", "Heitor", "Isabela", "Joao",
           "Karen", "Lucas", "Marina", "Nicolas", "Olivia"),
  turma = c("A", "A", "B", "B", "A",
            "B", "A", "B", "A", "B",
            "A", "B", "C", "C", "C"),
  linguagem = c("R", "Python", "R", "Python", "R",
                "Python", "Python", "R", "R", "Python",
                "R", "Python", "R", "Python", "R"),
  horas_estudo = c(12, 8, 15, 7, 11, 9, 6, 14, 13, 10, 16, 5, 14, 9, 12),
  projetos = c(3, 1, 4, 1, 2, 2, 1, 5, 4, 3, 5, 1, 4, 2, 3),
  nota_r = c(8.7, 6.1, 9.2, 5.8, 7.5, 6.9, 5.4, 9.5, 8.8, 7.2, 9.7, 4.9, 9.0, 6.7, 8.4),
  frequencia = c(92, 85, 97, 78, 88, 83, 75, 99, 94, 86, 98, 72, 96, 84, 91)
)

dados

Comentário do professor

Cada linha representa um estudante e cada coluna representa uma variável observada para esse estudante.

4. Contagens

Contar ocorrências é uma das etapas mais simples e, ao mesmo tempo, mais importantes da análise descritiva.

4.1 Contagem absoluta com count()

Vamos contar quantos estudantes existem em cada turma.

Execute este código

dados %>%
  count(turma)

Comentário do professor

A função count() produz uma tabela de frequências absolutas. - count(turma) significa: conte quantas vezes cada valor de turma aparece na base.

Agora, vamos contar quantos estudantes preferem cada linguagem.

Execute este código

dados %>%
  count(linguagem)

4.2 Contagem relativa

Podemos transformar essas contagens em proporções.

Execute este código

dados %>%
  count(linguagem) %>%
  mutate(proporcao = n / sum(n))

Comentário do professor

A função mutate() cria uma nova variável. Aqui, proporcao = n / sum(n) divide a contagem de cada categoria pelo total de observações.

Ilustração 4.1 – Contagens e proporções

flowchart LR
A["Base de dados"] --> B["count()"]
B --> C["Frequências absolutas"]
C --> D["mutate(n / sum(n))"]
D --> E["Frequências relativas"]

5. Gráficos de barras e de setores

Esses gráficos são especialmente adequados para variáveis qualitativas ou para tabelas de frequências.

5.1 Gráfico de barras com ggplot2

Vamos construir um gráfico de barras para a variável linguagem.

Execute este código

ggplot(dados, aes(x = linguagem)) +
  geom_bar(fill = "gray60", color = "black") +
  labs(
    title = "Distribuição da linguagem preferida",
    x = "Linguagem",
    y = "Frequência"
  ) +
  theme_minimal()

Comentário do professor

A função geom_bar() conta automaticamente as categorias quando apenas a variável do eixo x é informada em aes(x = ...).

Principais elementos

• aes(x = linguagem): define a variável categórica no eixo horizontal;
• geom_bar(): constrói as barras;
• fill: cor de preenchimento;
• color: cor da borda;
• labs(): define título e rótulos;
• theme_minimal(): aplica um tema gráfico.

5.2 Gráfico de setores com base em frequências

O gráfico de setores pode ser construído a partir de uma tabela de frequências.

Execute este código

freq_linguagem <- dados %>%
  count(linguagem) %>%
  mutate(prop = n / sum(n),
         percentual = round(100 * prop, 1))

freq_linguagem

Agora, o gráfico:

Execute este código

ggplot(freq_linguagem, aes(x = "", y = n, fill = linguagem)) +
  geom_col(color = "white") +
  coord_polar(theta = "y") +
  labs(
    title = "Gráfico de setores da linguagem preferida",
    x = NULL,
    y = NULL
  ) +
  theme_void()

Comentário do professor

No ggplot2, o gráfico de setores costuma ser produzido a partir de barras empilhadas com geom_col() e transformação polar com coord_polar(theta = "y").

Atenção

Embora o gráfico de setores seja visualmente popular, em muitos casos o gráfico de barras oferece comparação mais precisa entre categorias.

6. Distribuição de frequências

A distribuição de frequências organiza os dados em categorias ou classes, permitindo resumir a estrutura de uma variável.

6.1 Distribuição de frequências para variável qualitativa

Execute este código

dados %>%
  count(turma) %>%
  mutate(
    frequencia_relativa = n / sum(n),
    percentual = 100 * frequencia_relativa
  )

6.2 Distribuição de frequências por classes

Vamos construir classes para nota_r.

Execute este código

dados %>%
  mutate(
    classe_nota = cut(
      nota_r,
      breaks = c(4, 6, 8, 10),
      right = FALSE,
      labels = c("[4,6)", "[6,8)", "[8,10)")
    )
  ) %>%
  count(classe_nota) %>%
  mutate(
    frequencia_relativa = n / sum(n),
    percentual = 100 * frequencia_relativa
  )

Comentário do professor

A função cut() agrupa valores numéricos em intervalos. - breaks: define os pontos de corte; - labels: define os nomes das classes; - right = FALSE: indica que os intervalos são fechados à esquerda e abertos à direita.

6.3 Construção de tabelas de frequências com o pacote fdth

O pacote fdth disponibiliza funções específicas para construção de tabelas de distribuição de frequências, sendo bastante útil em análises descritivas.

Comentário do professor

A função principal do pacote é fdt(), utilizada para construir tabelas de frequências. Ela pode ser aplicada tanto a dados discretos quanto a dados contínuos.

6.3.1 Exemplo com dados não agrupados

Quando a variável assume poucos valores distintos, a tabela pode ser construída sem agrupamento em classes.

Execute este código

fdt(dados$projetos)

Comentário do professor

Neste caso, a função fdt() identifica automaticamente os valores observados da variável projetos e constrói a tabela de frequências com: - frequência absoluta; - frequência relativa; - frequência acumulada; - frequência relativa acumulada.

6.3.2 Exemplo com dados agrupados

Para variáveis quantitativas contínuas, a tabela geralmente é construída com agrupamento em classes.

Execute este código

fdt(dados$nota_r, start = 4, end = 10, h = 1)

Comentário do professor

Na função fdt(x, start, end, h): - x: variável numérica; - start: limite inferior inicial; - end: limite superior final; - h: amplitude de classe.

Aqui, estamos pedindo ao R que construa classes de amplitude 1 no intervalo de 4 a 10.

6.3.3 Exemplo com definição automática do agrupamento

Também é possível deixar que o próprio pacote determine automaticamente uma estrutura de classes.

Execute este código

fdt(dados$horas_estudo)

Comentário do professor

Quando os argumentos de classe não são especificados, o pacote define automaticamente uma estrutura de agrupamento com base nos dados observados.

6.3.4 Armazenando a tabela em um objeto

Execute este código

tabela_fdth <- fdt(dados$nota_r, start = 4, end = 10, h = 1)

tabela_fdth

 Class limits f   rf rf(%) cf  cf(%)
        [4,5) 1 0.07  6.67  1   6.67
        [5,6) 2 0.13 13.33  3  20.00
        [6,7) 3 0.20 20.00  6  40.00
        [7,8) 2 0.13 13.33  8  53.33
        [8,9) 3 0.20 20.00 11  73.33
       [9,10) 4 0.27 26.67 15 100.00

Comentário do professor

O pacote fdth é particularmente útil em Estatística Descritiva porque fornece tabelas prontas e bem organizadas, facilitando a interpretação das frequências observadas.

7. Histogramas

O histograma é um gráfico apropriado para representar a distribuição de variáveis quantitativas.

7.1 Histograma com ggplot2

Execute este código

ggplot(dados, aes(x = nota_r)) +
  geom_histogram(
    bins = 5,
    fill = "steelblue",
    color = "white"
  ) +
  labs(
    title = "Histograma da nota em R",
    x = "Nota em R",
    y = "Frequência"
  ) +
  theme_minimal()

Comentário do professor

A função geom_histogram() constrói o histograma. - bins: número de classes; - fill: cor de preenchimento; - color: cor da borda.

Comentário do professor

O histograma é uma ferramenta importante para avaliar: - concentração dos valores; - assimetria; - dispersão; - presença de possíveis valores extremos.

Ilustração 7.1 – Ideia do histograma

flowchart LR
A["Variável quantitativa"] --> B["Agrupamento em classes"]
B --> C["Contagem por classe"]
C --> D["Histograma"]

8. Gráficos de dispersão e 3D

Gráficos de dispersão são usados para investigar a relação entre variáveis quantitativas.

8.1 Gráfico de dispersão bidimensional com ggplot2

Execute este código

ggplot(dados, aes(x = horas_estudo, y = nota_r)) +
  geom_point(color = "darkred", size = 3, alpha = 0.8) +
  labs(
    title = "Horas de estudo versus nota em R",
    x = "Horas de estudo por semana",
    y = "Nota em R"
  ) +
  theme_minimal()

Comentário do professor

O gráfico de dispersão permite observar: - direção da associação; - intensidade aparente da relação; - possíveis agrupamentos; - valores atípicos.

8.2 Adicionando linha de tendência com ggplot2

Execute este código

ggplot(dados, aes(x = horas_estudo, y = nota_r)) +
  geom_point(color = "darkred", size = 3, alpha = 0.8) +
  geom_smooth(method = "lm", se = FALSE, color = "navy", linewidth = 1) +
  labs(
    title = "Horas de estudo versus nota em R",
    x = "Horas de estudo por semana",
    y = "Nota em R"
  ) +
  theme_minimal()

`geom_smooth()` using formula = 'y ~ x'

Comentário do professor

A camada geom_smooth(method = "lm") adiciona uma reta de tendência baseada em regressão linear simples. - method = "lm": ajusta um modelo linear; - se = FALSE: remove a faixa de confiança; - color: define a cor da reta; - linewidth: controla a espessura da linha.

8.3 Gráfico de dispersão bidimensional interativo com plotly

Execute este código

grafico_2d <- ggplot(
  dados,
  aes(
    x = horas_estudo,
    y = nota_r,
    text = paste(
      "Nome:", nome,
      "<br>Projetos:", projetos,
      "<br>Frequência:", frequencia
    )
  )
) +
  geom_point(color = "darkred", size = 3, alpha = 0.8) +
  labs(
    title = "Horas de estudo versus nota em R",
    x = "Horas de estudo por semana",
    y = "Nota em R"
  ) +
  theme_minimal()

ggplotly(grafico_2d, tooltip = "text")

Comentário do professor

O pacote plotly permite transformar gráficos em visualizações interativas. A função ggplotly() converte um gráfico criado com ggplot2 em um gráfico interativo. - tooltip = "text" indica que o texto personalizado definido em aes(text = ...) será exibido ao passar o cursor sobre os pontos.

Comentário do professor

A interatividade é especialmente útil quando queremos explorar observações individuais, identificar pontos extremos e examinar múltiplas variáveis ao mesmo tempo.

8.4 Gráfico de dispersão tridimensional com plotly

Agora vamos representar simultaneamente:

• horas_estudo
• projetos
• nota_r

Execute este código

plot_ly(
  data = dados,
  x = ~horas_estudo,
  y = ~projetos,
  z = ~nota_r,
  type = "scatter3d",
  mode = "markers",
  color = ~turma,
  colors = c("A" = "#1f77b4", "B" = "#d62728", "C" = "#2ca02c"),
  marker = list(size = 4),
  text = ~paste(
    "Nome:", nome,
    "<br>Turma:", turma,
    "<br>Horas de estudo:", horas_estudo,
    "<br>Projetos:", projetos,
    "<br>Nota em R:", nota_r
  ),
  hoverinfo = "text"
) %>%
  layout(
    title = "Gráfico de dispersão 3D",
    scene = list(
      xaxis = list(title = "Horas de estudo"),
      yaxis = list(title = "Projetos"),
      zaxis = list(title = "Nota em R")
    )
  )

Comentário do professor

A função plot_ly() cria gráficos interativos de forma nativa. Neste exemplo: - x, y e z definem os três eixos; - type = "scatter3d" define o tipo de gráfico; - mode = "markers" indica que a representação será por pontos; - color = ~turma permite distinguir grupos por cor; - text define as informações exibidas na interação; - layout() controla título e nomes dos eixos.

8.5 Alternativa clássica com scatterplot3d

Embora o plotly seja mais moderno e visualmente mais rico, também existe a alternativa clássica com scatterplot3d.

Execute este código

scatterplot3d(
  x = dados$horas_estudo,
  y = dados$projetos,
  z = dados$nota_r,
  pch = 19,
  color = "darkgreen",
  main = "Gráfico de dispersão 3D (versão estática)",
  xlab = "Horas de estudo",
  ylab = "Projetos",
  zlab = "Nota em R"
)

Comentário do professor

A função scatterplot3d() produz uma visualização tridimensional estática e simples. Ela pode ser útil em contextos introdutórios, mas, em termos de exploração visual, o plotly oferece uma experiência mais atual, mais flexível e mais informativa.

Atenção

Gráficos 3D podem ser úteis para introduzir relações multivariadas, mas exigem cautela na interpretação, pois a perspectiva visual pode dificultar a leitura precisa. Em muitos casos, um bom gráfico bidimensional, eventualmente com cor, tamanho ou facetas, pode comunicar melhor a informação.

9. Diagrama em caixa (Boxplot)

O boxplot resume a distribuição de uma variável com base em quartis, mediana e possíveis valores extremos.

9.1 Boxplot simples

Execute este código

ggplot(dados, aes(x = "", y = nota_r)) +
  geom_boxplot(fill = "gray75", color = "black") +
  labs(
    title = "Boxplot da nota em R",
    x = "",
    y = "Nota em R"
  ) +
  theme_minimal()

9.2 Boxplot por grupo

Execute este código

ggplot(dados, aes(x = turma, y = nota_r, fill = turma)) +
  geom_boxplot() +
  labs(
    title = "Boxplot da nota em R por turma",
    x = "Turma",
    y = "Nota em R"
  ) +
  theme_minimal()

Comentário do professor

No boxplot: - a linha central representa a mediana; - a caixa vai do primeiro ao terceiro quartil; - os “bigodes” se estendem para valores não extremos; - pontos fora dessa faixa aparecem como possíveis outliers.

Ilustração 9.1 – Componentes do boxplot

flowchart TD
A["Mínimo não extremo"] --> B["Q1"]
B --> C["Mediana"]
C --> D["Q3"]
D --> E["Máximo não extremo"]
E --> F["Possíveis outliers"]

10. Medidas de posição

As medidas de posição resumem a localização central ou relativa dos dados.

10.1 Média

Execute este código

mean(dados$nota_r)

[1] 7.586667

Comentário do professor

A função mean() calcula a média aritmética, isto é,

\[ \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i \]

10.2 Mediana

Execute este código

median(dados$nota_r)

[1] 7.5

Comentário do professor

A mediana é o valor que divide os dados ordenados em duas metades.

10.3 Quartis e percentis

Execute este código

quantile(dados$nota_r, probs = c(0.25, 0.50, 0.75))

25% 50% 75% 
6.4 7.5 8.9 

Comentário do professor

A função quantile() calcula quantis da distribuição. - probs = 0.25: primeiro quartil; - probs = 0.50: mediana; - probs = 0.75: terceiro quartil.

10.4 Medidas de posição em uma única tabela

Execute este código

tibble(
  media = mean(dados$nota_r),
  mediana = median(dados$nota_r),
  minimo = min(dados$nota_r),
  q1 = quantile(dados$nota_r, 0.25),
  q3 = quantile(dados$nota_r, 0.75),
  maximo = max(dados$nota_r)
)

11. Medidas de dispersão

Essas medidas quantificam o grau de variabilidade dos dados.

11.1 Amplitude

Execute este código

max(dados$nota_r) - min(dados$nota_r)

[1] 4.8

11.2 Variância

Execute este código

var(dados$nota_r)

[1] 2.494095

Comentário do professor

A variância amostral é dada por:

\[ s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2 \]

11.3 Desvio-padrão

Execute este código

sd(dados$nota_r)

[1] 1.57927

Comentário do professor

O desvio-padrão é a raiz quadrada da variância:

\[ s = \sqrt{s^2} \]

11.4 Amplitude interquartílica

Execute este código

IQR(dados$nota_r)

[1] 2.5

Comentário do professor

A amplitude interquartílica é definida por:

\[ AIQ = Q_3 - Q_1 \]

e mede a dispersão da parte central da distribuição.

11.5 Coeficiente de variação

Execute este código

100 * sd(dados$nota_r) / mean(dados$nota_r)

[1] 20.81639

Comentário do professor

O coeficiente de variação é dado por:

\[ CV = 100 \times \frac{s}{\bar{x}} \]

e expressa a dispersão em termos percentuais em relação à média.

12. Medidas de forma

As medidas de forma ajudam a descrever assimetria e curtose da distribuição.

12.1 Função para assimetria

assimetria <- function(x) {
  n <- length(x)
  m <- mean(x)
  s <- sd(x)
  sum(((x - m) / s)^3) / n
}

Aplicando a função

Execute este código

assimetria(dados$nota_r)

[1] -0.2157528

Comentário do professor

A assimetria mede o grau de inclinação da distribuição. - valor próximo de 0: distribuição aproximadamente simétrica; - valor positivo: cauda à direita; - valor negativo: cauda à esquerda.

12.2 Função para curtose

curtose <- function(x) {
  n <- length(x)
  m <- mean(x)
  s <- sd(x)
  sum(((x - m) / s)^4) / n
}

Aplicando a função

Execute este código

curtose(dados$nota_r)

[1] 1.491381

Comentário do professor

A curtose está relacionada ao grau de concentração dos dados em torno do centro e ao peso das caudas da distribuição.

Ilustração 12.1 – Forma da distribuição

flowchart LR
A["Distribuição simétrica"] --> B["Assimetria ~ 0"]
C["Cauda à direita"] --> D["Assimetria > 0"]
E["Cauda à esquerda"] --> F["Assimetria < 0"]

13. Tabela resumo completa

Vamos construir uma tabela de sumarização para nota_r.

Execute este código

tibble(
  media = mean(dados$nota_r),
  mediana = median(dados$nota_r),
  minimo = min(dados$nota_r),
  maximo = max(dados$nota_r),
  variancia = var(dados$nota_r),
  desvio_padrao = sd(dados$nota_r),
  amplitude_interquartilica = IQR(dados$nota_r),
  assimetria = assimetria(dados$nota_r),
  curtose = curtose(dados$nota_r)
)

Comentário do professor

Em muitas análises descritivas, é conveniente reunir várias medidas em uma única tabela-resumo, o que facilita a interpretação conjunta da posição, dispersão e forma da distribuição.

14. Integração entre sumarização e visualização

Uma análise descritiva completa costuma articular tabelas e gráficos.

Execute este código

dados %>%
  group_by(turma) %>%
  summarise(
    media_nota = mean(nota_r),
    desvio_padrao = sd(nota_r),
    .groups = "drop"
  )

Agora, o gráfico correspondente:

Execute este código

dados %>%
  group_by(turma) %>%
  summarise(
    media_nota = mean(nota_r),
    .groups = "drop"
  ) %>%
  ggplot(aes(x = turma, y = media_nota, fill = turma)) +
  geom_col() +
  labs(
    title = "Média da nota em R por turma",
    x = "Turma",
    y = "Média da nota"
  ) +
  theme_minimal()

Comentário do professor

Esse fluxo mostra uma prática importante: resumir numericamente os dados e, em seguida, representá-los graficamente para reforçar a interpretação.

15. Erros comuns e boas práticas

Erros comuns

• usar gráfico de setores quando a comparação entre categorias exige maior precisão;
• interpretar histograma como se fosse gráfico de barras;
• construir boxplots sem compreender quartis e outliers;
• usar média em distribuições muito assimétricas sem considerar a mediana;
• interpretar gráficos 3D sem cautela;
• confundir variabilidade com valor central.

Boas práticas

• combine medidas numéricas e representações gráficas;
• escolha o gráfico de acordo com o tipo de variável;
• ao resumir dados quantitativos, examine posição, dispersão e forma conjuntamente;
• use títulos e rótulos informativos nos gráficos;
• interprete medidas e gráficos de forma integrada, não isolada.

16. Exercícios propostos

Exercício 1

Conte quantos estudantes pertencem a cada turma e calcule também a frequência relativa de cada uma delas.

Exercício 2

Construa um gráfico de barras para a variável turma, com título e rótulos adequados.

Exercício 3

Construa uma tabela de distribuição de frequências para a variável linguagem, contendo:

• frequência absoluta;
• frequência relativa;
• percentual.

Exercício 4

Crie classes para a variável nota_r usando os intervalos:

• [4,6)
• [6,8)
• [8,10)

e apresente a distribuição de frequências correspondente.

Exercício 5

Utilize o pacote fdth para construir:

• uma tabela de frequências não agrupada para a variável projetos;
• uma tabela de frequências agrupada para a variável nota_r.

Exercício 6

Construa um histograma da variável horas_estudo, com número adequado de classes, título e rótulos dos eixos.

Exercício 7

Construa um gráfico de dispersão entre horas_estudo e nota_r, adicionando também uma reta de regressão linear.

Exercício 8

Construa uma versão interativa, com plotly, do gráfico de dispersão entre horas_estudo e nota_r.

Exercício 9

Construa um gráfico de dispersão 3D entre horas_estudo, projetos e nota_r utilizando plotly.

Exercício 10

Construa também a versão estática tridimensional usando scatterplot3d e compare brevemente com a versão interativa.

Exercício 11

Construa um boxplot da variável nota_r por turma.

Exercício 12

Calcule, para a variável nota_r, as seguintes medidas:

• média;
• mediana;
• quartis;
• variância;
• desvio-padrão;
• amplitude interquartílica;
• coeficiente de variação.

Exercício 13

Aplique as funções de assimetria e curtose construídas nesta aula à variável nota_r e interprete brevemente os resultados.

Comentário do professor

Os exercícios desta aula foram planejados para integrar apresentação gráfica e sumarização numérica, isto é, as duas dimensões centrais da análise descritiva.

17. Para a próxima aula

Na próxima aula, continuaremos avançando no estudo de análise descritiva e representação dos dados, aprofundando estratégias de interpretação estatística em contextos mais próximos de aplicações reais.

Tarefa do aluno

Refaça todos os exemplos da aula e procure comparar, para a variável nota_r, aquilo que é revelado pelas medidas numéricas com aquilo que é mostrado pelos gráficos e tabelas de frequências, incluindo a diferença entre visualizações estáticas e interativas.