0:00:07.707,0:00:12.681
Trabalhando com representações[br]gráficas em estatística,

0:00:12.681,0:00:17.653
é muito comum nós nos perguntarmos qual[br]gráfico que eu vou trabalhar, o que é melhor,

0:00:17.653,0:00:22.091
qual que a melhor situação, onde é[br]que eu aplico tais gráficos diferentes,

0:00:22.091,0:00:27.904
rosca, pizza, que é o gráfico do setor,[br]histograma, gráfico de barra,

0:00:27.904,0:00:33.698
linha de tendência, polígono de frequência[br]que vai ser uma junção de gráfico de barra

0:00:33.698,0:00:34.772
com linha de tendência,

0:00:34.772,0:00:41.113
existem várias coisas onde nós podemos[br]permear e trabalhar em cima disso.

0:00:41.113,0:00:45.084
E, agora, vamos falar de[br]duas classes de gráficos

0:00:45.084,0:00:48.254
comumente utilizadas no meio[br]estatístico, que é o gráfico de setor,

0:00:48.254,0:00:49.723
que nós conhecemos[br]como gráfico de pizza,

0:00:49.723,0:00:54.712
aquele gráfico redondinho onde nós[br]dividimos, normalmente, por porcentagens

0:00:54.712,0:01:00.501
e assim por diante, e também o histograma[br]que tem a ver com a distribuição estatística,

0:01:00.501,0:01:04.432
então eu tenho que calcular[br]frequência, distribuir isso em barras

0:01:04.432,0:01:09.311
e ali ordeno as minhas classes[br]em ordem crescente

0:01:09.311,0:01:12.916
para ver como é que está[br]a distribuição dos meus dados.

0:01:12.916,0:01:16.620
Diz que se os dados se aproximam[br]de uma distribuição gaussiana,

0:01:16.620,0:01:18.473
que nós chamamos[br]de distribuição normal,

0:01:18.473,0:01:24.071
a tendência é que o maior número[br]de frequência bata ali na média,

0:01:24.071,0:01:26.364
é quando nós plotamos[br]a tendência ali.

0:01:26.364,0:01:29.167
Então, vamos analisar um pouquinho[br]os dois tipos de gráfico

0:01:29.167,0:01:31.952
para ver como é que nós[br]trabalhamos com eles visualmente,

0:01:31.952,0:01:34.216
tentamos entender alguma[br]aplicação e assim por diante.

0:01:34.216,0:01:36.642
Então, vem comigo aqui.

0:01:36.642,0:01:40.413
Temos aqui a criação, por exemplo,[br]utilizando a linguagem Python,

0:01:40.413,0:01:46.020
de um gráfico de setor, onde nós[br]definimos valores e rótulos, está certo?

0:01:46.020,0:01:51.559
Então, 10 para o A, 20 para o B,[br]30 para o C, 40 para o D, 50 para o E.

0:01:51.559,0:01:54.396
Então, nós dividimos aqui[br]proporcionalmente.

0:01:54.396,0:01:58.701
Veja que o E é maior, porque ele[br]recebe a maior quantidade aqui.

0:01:58.701,0:02:02.038
Então, o gráfico de setor é[br]comum para nós, por exemplo,

0:02:02.038,0:02:08.078
calcularmos em classes as porcentagens deles,[br]nós colocarmos rótulo e assim por diante.

0:02:08.078,0:02:11.282
Então, tem até uma variação[br]aqui embaixo, por exemplo,

0:02:11.282,0:02:16.087
do gráfico de setor[br]utilizando porcentagens.

0:02:16.087,0:02:20.259
Então, nós só mudamos aqui[br]um parâmetro de autoporcentagem,

0:02:20.259,0:02:24.530
onde, aquilo que estava aqui em cima,[br]eu consiga distribuir em porcentagem.

0:02:24.530,0:02:30.871
Então você fala assim: "olha, cinco[br]grupos analisados grupo A, B, C, D e E,

0:02:30.871,0:02:35.843
33.3% representa o grupo E,[br]então ele é a maioria,

0:02:35.843,0:02:39.047
por exemplo, se fosse quantidade[br]de pessoas, seria a maioria

0:02:39.047,0:02:43.752
seguido do grupo D, grupo C,[br]B e terminando pelo grupo A.

0:02:43.752,0:02:47.389
Então, isso daqui é muito importante,[br]é um tipo de gráfico bem específico,

0:02:47.389,0:02:52.028
não é legal nós trabalharmos com muitas[br]subdivisões, porque ele fica muito poluído,

0:02:52.028,0:02:55.932
mas ele é interessante para nós[br]termos noção de densidade aqui

0:02:55.932,0:02:59.069
e vermos qual que é, por exemplo,[br]a maior porcentagem.

0:02:59.069,0:03:01.973
É muito interessante nós[br]utilizarmos esse gráfico do setor,

0:03:01.973,0:03:05.143
porque através dos setores[br]nós conseguimos ver.

0:03:05.143,0:03:10.115
Óbvio que o olho humano, dependendo[br]se as porcentagens são muito próximas,

0:03:10.115,0:03:12.752
a área, visualmente falando[br]para os nossos olhos,

0:03:12.752,0:03:16.689
talvez não seja algo[br]tão distinguível assim.

0:03:16.689,0:03:21.161
Ou seja, nós não conseguiríamos[br]diferenciar duas classes diferentes,

0:03:21.161,0:03:24.465
o que pode ser um problema, então[br]nós temos que tomar muito cuidado

0:03:24.465,0:03:27.935
com o tipo de gráfico para não[br]cometer esse tipo de erro.

0:03:27.935,0:03:31.973
Então, a diferença é que esse[br]aqui só tem o âmbito visual,

0:03:31.973,0:03:33.475
é legal nós colocarmos um rótulo

0:03:33.475,0:03:38.314
para nós termos numericamente[br]uma noção do que está acontecendo.

0:03:38.314,0:03:42.986
E, seguindo, aqui nós temos um histograma[br]onde nós pegamos, por exemplo,

0:03:42.986,0:03:49.037
uma distribuição de dados, onde eu[br]pego aqui um tipo de distribuição,

0:03:49.037,0:03:53.459
que aqui eu utilizei, uma distribuição[br]randômica do tipo normal, está certo?

0:03:53.459,0:03:54.891
Normal por quê?

0:03:54.891,0:03:57.436
Distribuição normal é[br]uma distribuição gaussiana,

0:03:57.436,0:04:02.174
se nós colocarmos uma linha de tendência[br]aqui, ele vai ter uma curva diferenciada,

0:04:02.174,0:04:09.126
se eu fizer, por exemplo,[br]um "plt.plot" nos dados,

0:04:09.126,0:04:13.710
chegar aqui e trabalhar com uma cor[br]vermelha, por exemplo,

0:04:15.222,0:04:18.326
nós vamos trabalhar aqui[br]com o tipo de distribuição.

0:04:18.326,0:04:22.497
Óbvio que agora ele colocou os plots[br]um pouquinho diferentes, propriamente dito,

0:04:22.497,0:04:26.068
e ele colocou agora em uma aleatoriedade,[br]ele transformou tudo.

0:04:26.068,0:04:28.026
Então, eu vou comentar[br]essa linha de código

0:04:28.026,0:04:31.982
só para nós não perdermos[br]o que fizemos anteriormente.

0:04:31.982,0:04:35.245
Ah, e vou travar[br]uma aleatoriedade também

0:04:35.245,0:04:42.553
para nós não sairmos com mudanças[br]bruscas no nosso cenário.

0:04:42.553,0:04:45.190
Então, eu vou trabalhar aqui[br]com o 42, por exemplo,

0:04:45.190,0:04:48.894
nós temos aqui[br]uma distribuição específica.

0:04:48.894,0:04:53.825
Isso aqui é uma funçãozinha computacional[br]que pode nos ajudar muito, bastante aqui,

0:04:53.825,0:04:58.138
porque nós temos aqui[br]algumas possibilidades.

0:04:58.138,0:05:01.942
E veja que colocando um cursor[br]aqui na tela irá aparecer um popup

0:05:02.009,0:05:05.880
aonde nós temos aqui uma janelinha[br]onde ele explica aqui dentro dessa função,

0:05:05.880,0:05:08.616
como é que eu poderia trabalhar[br]alguns parâmetros diferentes.

0:05:08.616,0:05:13.322
Ele dá uma documentação[br]overview geral dessa função aqui.

0:05:13.355,0:05:17.026
Então, além dos dados,[br]eu poderia, por exemplo colocar aqui

0:05:17.026,0:05:21.531
qual é o de densidade,[br]se ele acumulativo tá certo?

0:05:21.531,0:05:24.167
Qual que é o tipo de histograma[br]que pode ser barra?

0:05:24.167,0:05:27.605
Pode ser outros tipos orientação vertical?

0:05:27.638,0:05:30.107
Posso trocar isso daqui para a horizontal?

0:05:30.107,0:05:34.012
Existe uma série de coisas aqui[br]que eu posso trabalhar na

0:05:34.079,0:05:35.814
transformação logarítmica,

0:05:35.814,0:05:39.184
entre outras coisas, então aqui.

0:05:39.284,0:05:41.754
Só que isso daqui diferencia, por exemplo,

0:05:41.754,0:05:44.891
de um gráfico de barras[br]onde as barras são separadas.

0:05:44.891,0:05:46.693
Aqui a ideia ser junto mesmo.

0:05:46.693,0:05:51.565
Então a gente tem umas barras unidas onde[br]a gente só pega o contorno das barras,

0:05:51.665,0:05:54.669
porque o mais importante para a gente[br]a gente saber aonde

0:05:54.835,0:05:57.639
a quantidade bate na classe.

0:05:57.639,0:06:02.711
Então, por exemplo, a gente sabe que[br]na distribuição uniforme aqui de -3,

0:06:02.778,0:06:07.016
vamos ver assim[br]um pouco pra lá de -3 até quatro.

0:06:07.116,0:06:10.320
Nós temos uma distribuição que dá[br]aproximadamente no zero, que seria o meio.

0:06:10.320,0:06:15.793
Então a média, a mediana é a moda[br]aproximadamente dessa distribuição é

0:06:15.859,0:06:17.061
igual.

0:06:17.061,0:06:21.299
Se a gente fosse calcular[br]teoricamente falando aqui,

0:06:21.399,0:06:22.233
então o histograma

0:06:22.233,0:06:25.604
ele é utilizado para a gente[br]analisar a distribuição estatísticas,

0:06:25.604,0:06:29.608
para a gente saber se a distribuição[br]é normal de Poisson e assim por diante.

0:06:29.708,0:06:35.882
Diferente desse gráfico anterior, aqui[br]onde tem outros resultados específicos

0:06:35.982,0:06:38.085
e as distribuições são várias

0:06:38.085,0:06:41.822
Poisson normal Bernoulli

0:06:41.922,0:06:45.326
A binomial[br]tem vários tipos de distribuição

0:06:45.326,0:06:48.630
que na verdade aqui não interessa[br]qual é o tipo de distribuição.

0:06:48.630,0:06:49.731
O mais importante é que

0:06:49.731,0:06:54.169
eu consigo plotar histograma[br]para todas as distribuições possíveis.

0:06:54.236,0:06:57.774
Então veja que agora trabalhamos[br]com mais duas classes de gráficos,

0:06:57.874,0:07:02.379
ou seja, entendemos um pouquinho mais[br]onde a gente pode aplicar isso.

0:07:02.446,0:07:05.215
Só que novamente a relativa[br]o seu problema.

0:07:05.215,0:07:08.953
Então, se você quiser utilizar isso[br]num contexto econômico

0:07:08.953,0:07:12.323
ou num contexto, por exemplo,[br]a análise ambiental

0:07:12.424,0:07:16.495
numa inteligência artificial[br]ou no algoritmo de aprendizado de máquina,

0:07:16.495,0:07:19.498
isso pode depender muito[br]do que você quer fazer.

0:07:19.598,0:07:23.303
E aqui tem várias possibilidades.

0:07:23.369,0:07:25.438
E falando em várias possibilidades,

0:07:25.438,0:07:30.878
isso pode impactar diretamente[br]com aquilo que você está proposto a fazer.

0:07:30.945,0:07:34.816
Então estude,[br]procure bastante a aplicação,

0:07:34.882,0:07:38.520
utilize um recurso gráfico[br]ou a própria programação, como nós vimos,

0:07:38.620,0:07:41.623
para que esse estudo[br]seja cada vez mais eficaz

0:07:41.623,0:07:45.795
e que as aplicações se tornem[br]cada vez mais fáceis de.