0:00:07.707,0:00:12.491
Trabalhando com representações[br]gráficas em estatística,

0:00:12.491,0:00:17.443
é muito comum nós nos perguntarmos qual[br]gráfico que eu vou trabalhar, o que é melhor,

0:00:17.443,0:00:21.991
qual que é a melhor situação, onde é[br]que eu aplico tais gráficos diferentes,

0:00:21.991,0:00:27.744
rosca, pizza, que é o gráfico de setor,[br]histograma, gráfico de barra,

0:00:27.744,0:00:33.588
linha de tendência, polígono de frequência,[br]que vai ser uma junção de gráfico de barra

0:00:33.588,0:00:34.562
com linha de tendência,

0:00:34.562,0:00:40.783
existem várias coisas onde nós podemos[br]permear e trabalhar em cima disso.

0:00:40.783,0:00:44.884
E, agora, vamos falar de[br]duas classes de gráficos

0:00:44.884,0:00:48.054
comumente utilizadas no meio[br]estatístico, que é o gráfico de setor,

0:00:48.054,0:00:49.513
que nós conhecemos[br]como gráfico de pizza,

0:00:49.513,0:00:54.512
aquele gráfico redondinho, onde nós[br]dividimos, normalmente, por porcentagens

0:00:54.512,0:01:00.261
e assim por diante, e também o histograma,[br]que tem a ver com a distribuição estatística,

0:01:00.261,0:01:04.762
então eu tenho que calcular[br]a frequência, distribuir isso em barras,

0:01:04.762,0:01:09.141
e ali ordeno as minhas classes[br]em ordem crescente

0:01:09.141,0:01:12.786
para ver como é que está[br]a distribuição dos meus dados.

0:01:12.786,0:01:16.460
Diz que, se os dados se aproximam[br]de uma distribuição gaussiana,

0:01:16.460,0:01:18.693
que nós chamamos[br]de distribuição normal,

0:01:18.693,0:01:23.981
a tendência é que o maior número[br]de frequência bata ali na média,

0:01:23.981,0:01:26.124
é quando nós plotamos[br]a tendência ali.

0:01:26.124,0:01:28.967
Então, vamos analisar um pouquinho[br]os dois tipos de gráfico

0:01:28.967,0:01:31.752
para ver como é que nós[br]trabalhamos com eles visualmente,

0:01:31.752,0:01:34.156
tentamos entender alguma[br]aplicação e assim por diante.

0:01:34.156,0:01:36.080
Então, vem comigo aqui.

0:01:36.080,0:01:40.183
Temos aqui a criação, por exemplo,[br]utilizando a linguagem Python,

0:01:40.183,0:01:45.750
de um gráfico de setor, onde nós[br]definimos valores e rótulos, está certo?

0:01:45.750,0:01:51.359
Então, 10 para o A, 20 para o B,[br]30 para o C, 40 para o D, 50 para o E.

0:01:51.359,0:01:54.236
Então, nós dividimos aqui[br]proporcionalmente.

0:01:54.236,0:01:58.541
Veja que o E é maior, porque ele[br]recebe a maior quantidade aqui.

0:01:58.541,0:02:01.938
Então, o gráfico de setor é[br]comum para nós, por exemplo,

0:02:01.938,0:02:07.928
calcularmos em classes as porcentagens deles,[br]nós colocarmos rótulo e assim por diante.

0:02:07.928,0:02:11.082
Então, tem até uma variação[br]aqui embaixo, por exemplo,

0:02:11.082,0:02:15.887
do gráfico de setor[br]utilizando porcentagens.

0:02:15.887,0:02:20.049
Então, nós só mudamos aqui[br]um parâmetro de autoporcentagem,

0:02:20.049,0:02:24.230
onde, aquilo que estava aqui em cima,[br]eu consiga distribuir em porcentagem.

0:02:24.230,0:02:31.331
Então, você fala assim: "olha, cinco[br]grupos analisados, grupo A, B, C, D e E,

0:02:31.331,0:02:35.683
33.3% representam o grupo E",[br]então ele é a maioria,

0:02:35.683,0:02:38.847
por exemplo, se fosse quantidade[br]de pessoas, seria a maioria,

0:02:38.847,0:02:43.492
seguido do grupo D, grupo C,[br]B e terminando pelo grupo A.

0:02:43.492,0:02:47.199
Então, isso aqui é muito importante,[br]é um tipo de gráfico bem específico,

0:02:47.199,0:02:51.848
não é legal nós trabalharmos com muitas[br]subdivisões, porque ele fica muito poluído,

0:02:51.848,0:02:55.712
mas ele é interessante para nós[br]termos noção de densidade

0:02:55.712,0:02:58.849
e vermos qual que é, por exemplo,[br]a maior porcentagem.

0:02:58.849,0:03:01.773
É muito interessante nós[br]utilizarmos esse gráfico de setor,

0:03:01.773,0:03:04.923
porque, através dos setores,[br]nós conseguimos ver.

0:03:04.923,0:03:09.915
Óbvio que o olho humano, dependendo[br]se as porcentagens são muito próximas,

0:03:09.915,0:03:12.562
a área, visualmente falando[br]para os nossos olhos,

0:03:12.562,0:03:16.509
talvez não seja algo[br]tão distinguível assim.

0:03:16.509,0:03:20.841
Ou seja, nós não conseguiríamos[br]diferenciar duas classes diferentes,

0:03:20.841,0:03:24.285
o que pode ser um problema, então[br]nós temos que tomar muito cuidado

0:03:24.285,0:03:27.765
com o tipo de gráfico para não[br]cometer esse tipo de erro.

0:03:27.765,0:03:31.733
Então, a diferença é que esse[br]aqui só tem o âmbito visual,

0:03:31.733,0:03:33.265
é legal nós colocarmos um rótulo

0:03:33.265,0:03:38.054
para nós termos, numericamente,[br]uma noção do que está acontecendo.

0:03:38.054,0:03:42.726
E, seguindo, aqui nós temos um histograma[br]onde nós pegamos, por exemplo,

0:03:42.726,0:03:48.937
uma distribuição de dados, onde eu[br]pego aqui um tipo de distribuição,

0:03:48.937,0:03:53.219
aqui eu utilizei uma distribuição[br]randômica do tipo normal, está certo?

0:03:53.219,0:03:54.711
Normal por quê?

0:03:54.711,0:03:57.306
Distribuição normal é[br]uma distribuição gaussiana,

0:03:57.306,0:04:01.954
se nós colocarmos uma linha de tendência[br]aqui, ele vai ter uma curva diferenciada,

0:04:01.954,0:04:09.536
se eu fizer, por exemplo,[br]um "plt.plot" nos dados,

0:04:09.536,0:04:13.856
chegar aqui e trabalhar com uma cor[br]vermelha, por exemplo,

0:04:14.992,0:04:18.116
nós vamos trabalhar aqui[br]com um tipo de distribuição.

0:04:18.116,0:04:22.247
Óbvio que agora ele colocou os plots[br]um pouquinho diferentes, propriamente dito,

0:04:22.247,0:04:25.858
e ele colocou agora em uma aleatoriedade,[br]ele transformou tudo.

0:04:25.858,0:04:28.706
Então, eu vou comentar[br]essa linha de código

0:04:28.706,0:04:31.862
só para nós não perdermos[br]o que fizemos anteriormente.

0:04:31.862,0:04:35.065
Ah, e vou travar[br]uma aleatoriedade também

0:04:35.065,0:04:42.383
para nós não sairmos com mudanças[br]bruscas no nosso cenário.

0:04:42.383,0:04:45.000
Então, eu vou trabalhar aqui[br]com o 42, por exemplo,

0:04:45.000,0:04:48.734
nós temos aqui[br]uma distribuição específica.

0:04:48.734,0:04:53.615
Isso aqui é uma funçãozinha computacional[br]que pode nos ajudar muito, bastante,

0:04:53.615,0:04:57.878
porque nós temos aqui[br]algumas possibilidades.

0:04:57.878,0:05:01.859
E veja que, colocando o cursor[br]aqui na tela, apareceu um pop-up,

0:05:01.859,0:05:05.650
onde nós temos uma janelinha onde[br]ele explica, aqui dentro dessa função,

0:05:05.650,0:05:08.416
como é que eu poderia trabalhar,[br]alguns parâmetros diferentes,

0:05:08.416,0:05:13.135
ele dá uma documentação,[br]um overview geral dessa função aqui.

0:05:13.135,0:05:16.906
Então, além dos dados, eu poderia,[br]por exemplo, colocar aqui:

0:05:16.906,0:05:21.311
qual é o range, densidade,[br]se ele é acumulativo, está certo?

0:05:21.311,0:05:25.978
Qual que é o tipo de histograma, que pode[br]ser barra, pode ser outros tipos.

0:05:25.978,0:05:29.947
A orientação, vertical, eu posso[br]trocar isso aqui para a horizontal.

0:05:29.947,0:05:33.879
Existe uma série de coisas[br]aqui que eu posso trabalhar,

0:05:33.879,0:05:39.144
transformação logarítmica,[br]entre outras coisas, então aqui.

0:05:39.144,0:05:43.110
Só que isso aqui diferencia,[br]por exemplo, de um gráfico de barra,

0:05:43.110,0:05:44.601
onde as barras são separadas.

0:05:44.601,0:05:48.561
Aqui, a ideia é ser junto mesmo,[br]então nós temos umas barras unidas

0:05:48.561,0:05:51.515
onde nós só pegamos[br]o contorno das barras,

0:05:51.515,0:05:57.389
porque o mais importante para nós é[br]sabermos onde a quantidade bate na classe.

0:05:57.389,0:06:02.588
Então, por exemplo, nós sabemos[br]que na distribuição uniforme aqui de -3,

0:06:02.588,0:06:06.936
vamos ver assim, um pouco[br]para lá de -3 até 4,

0:06:06.936,0:06:10.150
nós temos uma distribuição que dá[br]aproximadamente no 0, que seria o meio.

0:06:10.150,0:06:15.252
Então, a média, a mediana e a moda,[br]aproximadamente, dessa distribuição,

0:06:15.252,0:06:21.219
são iguais, se nós fossemos [br]calcular teoricamente falando aqui.

0:06:21.219,0:06:25.404
Então, o histograma é utilizado para nós[br]analisarmos distribuições estatísticas,

0:06:25.404,0:06:29.488
para nós sabermos se a distribuição é[br]normal, de Poisson e assim por diante,

0:06:29.488,0:06:35.404
diferente desse gráfico anterior aqui[br]onde tem outros resultados específicos.

0:06:35.404,0:06:42.262
E as distribuições são várias,[br]Poisson, normal, Bernoulli,

0:06:42.262,0:06:45.086
binomial, tem vários[br]tipos de distribuição

0:06:45.086,0:06:48.654
e, na verdade, aqui não interessa[br]qual é o tipo de distribuição,

0:06:48.654,0:06:51.013
o mais importante é que eu[br]consigo plotar histograma

0:06:51.013,0:06:54.036
para todas as distribuições possíveis.

0:06:54.036,0:06:57.654
Então, veja que agora trabalhamos[br]com mais duas classes de gráficos,

0:06:57.654,0:07:02.256
ou seja, entendemos um pouquinho[br]mais onde nós podemos aplicar isso.

0:07:02.256,0:07:05.055
Só que, novamente, é[br]relativo ao seu problema.

0:07:05.055,0:07:08.763
Então, se você quiser utilizar isso[br]em um contexto econômico

0:07:08.763,0:07:14.426
ou em um contexto, por exemplo, de análise[br]ambiental, em uma inteligência artificial,

0:07:14.426,0:07:16.275
em um algoritmo de aprendizado[br]de máquina,

0:07:16.275,0:07:19.448
isso pode depender muito[br]do que você quer fazer,

0:07:19.448,0:07:22.889
e aqui tem várias[br]possibilidades.

0:07:22.889,0:07:25.298
E falando em várias possibilidades,

0:07:25.298,0:07:30.735
isso pode impactar diretamente[br]com aquilo que você é proposto a fazer.

0:07:30.735,0:07:36.198
Então estude, procure bastante[br]aplicação, utilize um recurso gráfico

0:07:36.198,0:07:38.460
ou a própria programação,[br]como nós vimos,

0:07:38.460,0:07:41.463
para que esse estudo[br]seja cada vez mais eficaz

0:07:41.463,0:07:45.513
e que as aplicações se tornem[br]cada vez mais fáceis.