R PARA ANÁLISE DE

DADOS
Domine a arte da análise de
dados com R

Bruno Melo da Silva

 Quem sou eu
Trabalhei como Assistente
29 anos, de Processamento de
formada em dados, Analista de dados e
Ciências coordenador de Business
Atuariais Intelligence

Professor de
Analise de dados Sergipano

MBA em Data
Science e Gosto de
Analytics disseminar
conhecimento

@DataScienceBM
 MENSAGEM
Caro leitor,

Seja bem-vindo(a) a uma jornada empolgante onde a praticidade do R encontra o

poder da visualização! Em "Unindo R e Data Science: Da Análise de Dados à
Visualização Impactante", embarcaremos juntos em uma aventura para dominar a
arte de transformar dados brutos em insights valiosos e visualizações cativantes.

O R se destaca como uma linguagem de programação poderosa e versátil,

especialmente no universo da Data Science. Com seus pacotes robustos como
tidyverse, ggplot2 e dplyr, o R se torna uma ferramenta indispensável para análise,
manipulação e visualização de dados.

Neste curso, exploraremos a capacidade do R para criar visualizações impactantes

e comunicar seus resultados de forma clara e concisa. Aprenderemos a:

Criar visualizações dinâmicas e interativas: Transformando seus dados em

gráficos, mapas, tabelas e dashboards interativos que engajam o público.
Dominar o ggplot2: Uma biblioteca poderosa para criar gráficos personalizados e de
alta qualidade, atendendo às suas necessidades específicas de visualização.
Comunicar seus resultados de forma eficaz: Utilizando técnicas de visualização
para contar histórias com seus dados, destacando os insights mais importantes e
engajando seu público.
Prepare-se para dominar a arte da análise de dados com a praticidade do R e a
magia da visualização! Através de exemplos práticos, exercícios e projetos
desafiadores, você desenvolverá habilidades que impulsionarão sua carreira para
novos patamares de sucesso.

Que este curso seja seu guia confiável em sua jornada para dominar a visualização
de dados com R. Cada módulo será uma fonte de aprendizado e inspiração,
capacitando-o a criar visualizações impactantes que impressionam.

Boa sorte e que sua jornada no mundo da Data Science seja repleta de descobertas
e realizações gratificantes!

Atenciosamente,

Bruno Melo
IDENTIFICAÇÃO
VISUAL
Dica
Quando você encontrar este elemento visual, saiba que ele representa uma
dica ou uma sugestão relacionada ao conteúdo que está sendo
apresentado no texto.

Livro
Esse indicador visual representa um livro que a equipe XY recomenda, e
você pode ter certeza de que passou pela nossa avaliação rigorosa.

Leitura
Esse elemento visual sugere uma leitura complementar ao assunto em estudo,
uma vez que, se incluirmos todos os detalhes, a apostila se tornaria extensa
demais. Assim, disponibilizamos alguns textos que enriquecerão o seu
aprendizado.

Curso
Neste elemento visual, você encontrará sugestões de cursos, às vezes
gratuitos e outras vezes com um custo mais acessível.
MÓDULO R
 MÓDULO R

Estrutura do Curso

Módulo 1: Introdução à Linguagem R

1.1. Desvendando o R
1.2. Objetos em R
1.3. Gerenciando seu Ambiente
1.4. Trabalhando com Arquivos

Módulo 2: Manipulação de Dados e Programação Básica

2.1. Organizando seus Dados
2.2. Dominando Funções
2.3. Controle do Fluxo
2.4. Tratamento de Dados

Módulo 3: Visualização de Dados com ggplot2

3.1. Construindo Gráficos
3.2. Personalização Avançada
3.3. Visualização Multivariável
3.4. Comunicação Visual Eficaz

Módulo 4: Estatística Descritiva e Inferencial

4.1. Medidas Descritivas
4.2. Análise Exploratória de Dados
4.3. Testes de Hipóteses
4.4. Regressão Linear Simples

Módulo 5: Tidy Data e Data Wrangling

5.1. Princípios do Tidy Data
5.2. Técnicas de Data Wrangling
5.3. Integração com Outras Ferramentas

9
 MÓDULO R

Estrutura do Curso

Módulo 6: Boas Práticas em Data Science

6.1. Reprodutibilidade e Colaboração
6.2. Aprendizado Contínuo

10
 MÓDULO R

1.1 Desvendando o R: Bem-vindos ao fascinante mundo do R!

Neste curso, embarcaremos em uma jornada empolgante para dominar a linguagem

R e o ambiente de desenvolvimento RStudio, ferramentas essenciais para desvendar
os segredos dos dados e transformá-los em insights valiosos. Seja você um iniciante
curioso ou um profissional buscando aprimorar suas habilidades, este curso é o seu
guia completo para se tornar um mestre em análise de dados com R.

Preparados para mergulhar?.

Como baixar o R Studio?

[Link]

11
 MÓDULO R

Primeiro você fará o download do R (1) e depois o RStudio (2). No R você escolherá o
seu sistema operacional e fara o download.

12
 MÓDULO R

Aqui já é tradicional, avança em tudo e instala

13
 MÓDULO R

Agora instalamos o RStudio:

Indicar o local de instalação:

Caso você seja usuário de Python e utiliza Anaconda:

14
 MÓDULO R

1.2. Objetos em R

R é uma linguagem de programação poderosa e popular, especialmente na análise

de dados e estatísticas. Vamos explorar os conceitos fundamentais da linguagem R,
incluindo sintaxe básica, variáveis, tipos de dados, vetores, matrizes, data frames,
estruturas de controle e funções.

A sintaxe do R é relativamente simples e direta. Aqui estão alguns exemplos básicos:

Atribuição de Valores

Imprimindo Valores

Variáveis

As variáveis em R podem armazenar diferentes tipos de dados, e não é necessário

declarar explicitamente o tipo de dado.

Tipos de Dados

R suporta vários tipos de dados, incluindo:

Numérico: Números inteiros e reais.

Caractere: Cadeias de texto.
Lógico: TRUE ou FALSE.
Fator: Variáveis categóricas.

15
 MÓDULO R

Vetores

Os vetores são uma das estruturas de dados mais fundamentais e importantes em

R. Eles representam uma coleção ordenada de elementos do mesmo tipo de dados.
Os tipos de dados podem ser numéricos, caracteres, lógicos, entre outros. A seguir,
vamos explorar os vetores em detalhes.

Criação de Vetores

Podemos criar vetores usando a função c() (concatenate).

Acessando Elementos de um Vetor

Os elementos de um vetor são acessados usando colchetes [] com a posição do

elemento desejado (a indexação em R começa em 1).

16
 MÓDULO R

Operações com Vetores

As operações matemáticas e lógicas em R podem ser aplicadas a vetores de forma

elementar.

Funções Úteis para Vetores

length(): Retorna o comprimento do vetor.

sum(): Retorna a soma dos elementos do vetor.
mean(): Retorna a média dos elementos do vetor.
sort(): Ordena os elementos do vetor.

17
 MÓDULO R

Exemplos Práticos

Exemplo 1: Criação e Manipulação de um Vetor

Exemplo 2: Calculando a Média de um Vetor

Exercícios Práticos

1. Crie um vetor com os números de 1 a 20 e calcule a soma de todos os elementos.

2. Crie um vetor de 10 números aleatórios entre 1 e 100, e encontre o maior valor
no vetor.
3. Crie dois vetores de 5 elementos cada, um contendo os valores de vendas do
mês de janeiro e o outro de fevereiro. Calcule a média das vendas totais dos dois
meses.

18
 MÓDULO R

Matrizes

As matrizes em R são estruturas de dados bidimensionais que contêm elementos do

mesmo tipo de dados (numéricos, caracteres, lógicos). Elas são essencialmente
vetores com uma dimensão adicional e são organizadas em linhas e colunas. Vamos
explorar as matrizes em detalhes.

Criação de Matrizes

Podemos criar matrizes usando a função matrix(), especificando os dados, o número

de linhas (nrow) e o número de colunas (ncol).

Acessando Elementos de uma Matriz

Podemos acessar os elementos de uma matriz usando colchetes [], especificando a

linha e a coluna.

Modificando Elementos de uma Matriz

Podemos modificar os elementos de uma matriz acessando suas posições

específicas.

19
 MÓDULO R

Operações com Matrizes

Podemos realizar várias operações matemáticas com matrizes, incluindo adição,

subtração, multiplicação e transposição.

Multiplicação de Matrizes

A multiplicação de matrizes em R pode ser feita de duas formas: elemento por

elemento ou a multiplicação matricial (produto escalar).

Elemento por Elemento: Usamos o operador *.

Multiplicação Matricial: Usamos a função %*%.

Transposição

20
 MÓDULO R

Funções Úteis para Matrizes

dim(): Retorna as dimensões da matriz (número de linhas e colunas).

nrow(): Retorna o número de linhas.
ncol(): Retorna o número de colunas.
rowSums(): Calcula a soma de cada linha.
colSums(): Calcula a soma de cada coluna.
rowMeans(): Calcula a média de cada linha.
colMeans(): Calcula a média de cada coluna.

21
 MÓDULO R

Exemplos Práticos

Exemplo 1: Criação e Manipulação de uma Matriz

Exemplo 2: Operações com Matrizes

Exercícios Práticos

4. Crie uma matriz 3x3 com números de 1 a 9 e calcule a soma de todos os

elementos.
5. Crie uma matriz 4x4 com números aleatórios entre 1 e 100, e encontre o maior
valor na matriz.
6. Crie duas matrizes 2x3 e calcule a soma, a multiplicação elementar e a transposta
de uma delas.

22
 MÓDULO R

Data Frames em R

Os data frames são uma das estruturas de dados mais utilizadas em R. Eles são
semelhantes a tabelas em bancos de dados ou planilhas em programas como o
Excel. Cada coluna em um data frame pode conter um tipo diferente de dado
(numérico, caractere, fator, lógico, etc.), e cada linha representa uma observação ou
um registro.

Criação de Data Frames

Podemos criar data frames usando a função [Link]().

Acessando Dados em Data Frames

Podemos acessar dados em data frames de várias maneiras. Usando colchetes:

23
 MÓDULO R

Usando o Operador $

Usando a Função subset()

Modificando Data Frames

Podemos adicionar, modificar ou remover elementos em data frames.

Adicionando Colunas

Modificando Valores

Removendo Colunas

Funções Úteis para Data Frames

str(): Mostra a estrutura do data frame.

summary(): Fornece um resumo estatístico do data frame.
dim(): Retorna as dimensões do data frame (número de linhas e colunas).
nrow(): Retorna o número de linhas.
ncol(): Retorna o número de colunas.

24
 MÓDULO R

head(): Mostra as primeiras linhas do data frame.

tail(): Mostra as últimas linhas do data frame.

Exemplos Práticos

Exemplo 1: Criação e Manipulação de um Data Frame

25
 MÓDULO R

Exemplo 2: Filtrando e Resumindo Dados

Exercícios Práticos

7. Crie um data frame com as colunas 'produto', 'preço' e 'quantidade', com pelo
menos 3 registros, e calcule o valor total de cada produto (preço * quantidade).
8. Crie um data frame com as colunas 'nome', 'departamento' e 'salario'. Filtre os
registros onde o salário é maior que 5000 e ordene os resultados pelo nome.
9. Crie um data frame com dados de vendas (produto, vendedor, valor), agrupe por
vendedor e calcule o total de vendas por vendedor.

26
 MÓDULO R

1.4 Trabalhando com Arquivos

R fornece várias funções e pacotes para importar e exportar dados em diferentes

formatos, como CSV, Excel e bancos de dados. Vamos explorar como realizar essas
operações.

Trabalhando com SQL

O que é SQL?

SQL (Structured Query Language) é uma linguagem padrão utilizada para gerenciar e
manipular bancos de dados relacionais. Com o SQL, é possível realizar várias
operações, como criar, consultar, atualizar e excluir dados, além de gerenciar
esquemas e controlar acesso a dados.

E uma linguagem declarativa, o que significa que você descreve o que deseja fazer
sem especificar exatamente como fazer. O sistema de gerenciamento de banco de
dados (SGBD) interpreta e executa suas instruções.

Padronizado pela ANSI (American National Standards Institute) e pela ISO

(International Organization for Standardization), o que garante que a linguagem seja
amplamente suportada e utilizada em diversos sistemas de banco de dados.

O SQL pode ser usado para uma ampla variedade de operações de banco de dados,
incluindo a criação de tabelas e índices, a inserção, atualização e exclusão de dados,
e a consulta e manipulação de grandes volumes de dados.

Principais Comandos SQL: CREATE, ALTER, DROP, SELECT, INSERT, UPDATE, DELETE,
COMMIT, ROLLBACK

Para importar dados do SQL vamos primeiro criar um banco fictício dentro do sql,
para você fazer o download:

Baixe o SQL Server: SQL Server

Baixe o SSMS: SQL Server Management Studio (SSMS)

27
 MÓDULO R

1.4 Trabalhando com Arquivos

Agora precisamos conectar o SQL ao R, para isso vamos instalar o pacote no R,

lembrando que os pacotes do R funcionam da mesma forma que no Python, em
Python fazemos o pip install depois o import, no R fazemos o [Link] e
depois o library.

28
 MÓDULO R

1.4 Trabalhando com Arquivos

Verifique antes de rodar:

Certifique-se de que Legion\\SQLEXPRESS é o nome correto do servidor e

instância. A barra dupla \\ é necessária para escapar a barra invertida em R.
Certifique-se de que o SQL Server está configurado para aceitar conexões TCP/IP.
Isso pode ser verificado e configurado no SQL Server Configuration Manager.
Abra o SQL Server Configuration Manager e verifique se o serviço SQL Server
(SQLEXPRESS) está em execução.
Certifique-se de que o firewall do Windows ou qualquer outro firewall em sua
rede está configurado para permitir conexões na porta 1433 (ou a porta
específica que o SQL Server está usando).
Tente conectar ao SQL Server usando o SQL Server Management Studio (SSMS)
com a mesma instância e nome do servidor. Isso ajudará a garantir que a
instância do SQL Server está acessível.

CSV

CSV (Comma-Separated Values) é um formato de arquivo simples e amplamente

utilizado para armazenar dados tabulares. Cada linha do arquivo representa um
registro, e as colunas são separadas por vírgulas (ou outro delimitador, como ponto
e vírgula).

Primeiro, vamos criar um arquivo CSV de exemplo para trabalhar durante a aula.
Este passo pode ser feito previamente ou durante a aula.

29
 MÓDULO R

1.4 Trabalhando com Arquivos

Agora vamos importar o arquivo que acabamos de criar.

Uma vez que os dados são importados para R, podemos manipulá-los da mesma
forma que fazemos com qualquer data frame. Vamos explorar algumas operações
comuns, como adicionar colunas, filtrar dados e calcular estatísticas.

Filtrar Dados

30
 MÓDULO R

1.4 Trabalhando com Arquivos

Excel

Instalando os pacotes

Importando o banco de dados, vamos usar dados extraídos do kaggle, para quem
quiser acessar: Dataset

31
 MÓDULO R

1.4 Trabalhando com Arquivos

Nesse momento vamos acessar o banco de dados e fazer a média, mais a frente
debateremos sobre as medidas centrais e abordaremos de forma mais contundente
a utilidade da média.

Nesse momento vamos utilizar a função cut, no R é utilizada para dividir os dados
contínuos em intervalos ou categorias. É especialmente útil quando você deseja
agrupar dados contínuos em bins ou faixas específicas. A função cria um fator
(factor) a partir de dados numéricos, atribuindo cada valor a uma categoria ou
intervalo.

Filtrando dados

Vamos calcular a média, máximo e mínimo da idade.

32
 MÓDULO R

1.4 Trabalhando com Arquivos

Agora vamos usar a função cat, é usada para concatenar e imprimir texto ou
variáveis na saída padrão (geralmente a console). A função cat é útil para gerar
mensagens formatadas e combinar texto com valores de variáveis de maneira mais
controlada do que com a função print.

Exportando os dados filtrados.

Web Scraping

É a técnica de extrair dados de websites. Em R, usamos pacotes como rvest e httr

para realizar web scraping. Esses pacotes permitem navegar pela estrutura HTML da
página e extrair informações específicas.

rvest: O rvest ajuda você a raspar (ou colher) dados de páginas da web. Ele foi
projetado para trabalhar com magrittr para facilitar a expressão de tarefas
comuns de web scraping, inspirado em bibliotecas como a bela sopa e o
RoboBrowser.
httr: O objetivo do httr é fornecer um invólucro para o pacote de cachos
personalizado, personalizado para as demandas das APIs web modernas.

33
 MÓDULO R

1.4 Trabalhando com Arquivos

Vamos raspar um site da wikipedia:

[Link]
_in_native_languages

Resultado:

Agora vamos fazer o mesmo exercício em um site diferente, agora vamos importar
os dados do brasileirão do site terra.

Resultado:

34
 MÓDULO R

1.4 Trabalhando com Arquivos

PNAD Contínua

A PNAD Contínua é parte do Sistema Integrado de Pesquisas Domiciliares - SIPD, que

se constitui em um modelo de produção de pesquisas amostrais domiciliares no
qual o planejamento, a execução, a análise e a disseminação dos resultados das
diversas pesquisas são conduzidos de forma coordenada, facilitando o atendimento
de novas demandas, bem como otimizando os recursos a serem utilizados.

Instalando os pacotes

Importando os dados

Filtrando os dados e visualizando

35
 MÓDULO R

Manipulação de Dados e Programação Básica

Estruturas de Controle Condicionais

As estruturas de controle condicionais permitem que você execute diferentes blocos

de código com base em condições específicas. As principais estruturas de controle
condicionais em R são if, else, else if, e o operador ternário (embora o operador
ternário não seja tão comum em R como em outras linguagens de programação).

Estrutura if

A estrutura if executa um bloco de código se uma condição for verdadeira.

Estrutura if-else

A estrutura if-else permite que você execute um bloco de código se a condição for
verdadeira e outro bloco se a condição for falsa.

Estrutura if-else if-else

A estrutura if-else if-else permite testar múltiplas condições sequencialmente. O

primeiro bloco cujo teste de condição for verdadeiro será executado.

36
 MÓDULO R

Operador Ternário

Embora R não tenha um operador ternário nativo como outras linguagens de

programação, você pode usar a função ifelse() para obter um efeito semelhante. A
função ifelse() avalia uma condição e retorna um valor se a condição for verdadeira e
outro valor se a condição for falsa.

Exemplos Práticos

Exemplo 1: Classificação de Números

Vamos criar um código que classifica um número como positivo, negativo ou zero.

37
 MÓDULO R

Exemplo 2: Verificação de Notas

Vamos verificar a nota de um aluno e determinar se ele passou, ficou de

recuperação ou foi reprovado. Suponha que as regras sejam: nota >= 7 para passar,
nota entre 5 e 7 para recuperação, e nota < 5 para reprovação.

Estruturas de Controle Loops

As estruturas de controle de loops são fundamentais para executar um bloco de

código várias vezes. Em R, as principais estruturas de loops são for, while e repeat.
Vamos explorar cada uma delas com exemplos.

Loop: for

O loop for itera sobre uma sequência de valores, executando um bloco de código
para cada valor. Sintaxe Básica:

Exemplo 1: Iterar sobre uma sequência numérica

38
 MÓDULO R

Exemplo 2: Iterar sobre um vetor

Loop while

O loop while executa um bloco de código enquanto uma condição for verdadeira.
Sintaxe Básica:

Exemplo 1: Contagem regressiva

Loop repeat

O loop repeat executa um bloco de código indefinidamente até que uma condição
de saída (break) seja encontrada. Sintaxe Básica:

39
 MÓDULO R

Exemplo 1: Loop infinito com condição de saída

Exemplos Práticos

Exemplo 1: Somar elementos de um vetor usando for

Exemplo 2: Encontrar o primeiro número maior que 5 usando while

Exemplo 3: Calcular fatorial de um número usando repeat

40
 MÓDULO R

Exercícios Práticos

4. Iterar sobre uma sequência de números de 1 a 10 e imprimir se cada número é

par ou ímpar.
5. Usar um loop while para encontrar a soma dos números de 1 a 100
6. Usar um loop repeat para gerar números aleatórios entre 1 e 100 até encontrar
um número maior que 90.

41
 MÓDULO R

Funções

Funções são blocos de código reutilizáveis que executam uma tarefa específica. Elas
ajudam a organizar e modularizar o código, facilitando a manutenção e a
reutilização. Em R, as funções são definidas usando a palavra-chave function.

Definição de Funções

A sintaxe básica para definir uma função em R é a seguinte:

Exemplo 1: Função Simples sem Argumentos

Vamos criar uma função que imprime uma mensagem.

Exemplo 2: Função com Argumentos

Vamos criar uma função que soma dois números.

42
 MÓDULO R

Exemplo 3: Função com Valor Padrão para Argumento

Vamos criar uma função que calcula o quadrado de um número, com um valor
padrão.

Funções Anônimas

Funções anônimas são funções sem nome, frequentemente usadas como

argumentos para outras funções.

Escopo de Variáveis em Funções

Variáveis definidas dentro de uma função são locais à função e não afetam o escopo
global.

43
 MÓDULO R

Exemplos Práticos

Exemplo 1: Função para Calcular a Média de um Vetor

Vamos criar uma função que calcula a média de um vetor.

Exemplo 2: Função para Verificar se um Número é Par ou Ímpar

Vamos criar uma função que verifica se um número é par ou ímpar.

Exercícios Práticos

7. Crie uma função que recebe um vetor de números e retorna o maior valor no
vetor.
8. Crie uma função que calcula o fatorial de um número.
9. Crie uma função que recebe um vetor de números e retorna a soma dos
quadrados dos elementos.

44
 MÓDULO R

Visualização de Dados com ggplot2

O ggplot é um pacote de visualização de dados muito popular na linguagem de

programação R. Ele é parte do pacote mais abrangente chamado ggplot2,
desenvolvido por Hadley Wickham. O ggplot2 foi criado com base na ideia de
"Grammar of Graphics", que é uma abordagem teórica para a construção de
gráficos, onde os gráficos são construídos a partir de camadas de componentes
estéticos e de dados.
A principal ideia por trás do ggplot2 é fornecer uma maneira consistente e eficiente
de criar visualizações complexas através de uma abordagem declarativa. Isso
significa que você descreve o que deseja mostrar nos gráficos e como os dados
devem ser mapeados para os elementos visuais, como pontos, linhas, barras, cores,
etc.

Alguns conceitos chave do ggplot2 incluem:

1. ggplot(): Função principal que inicializa um gráfico ggplot.

2. geoms: Funções como geom_point(), geom_line(), geom_bar() que adicionam
camadas geométricas aos gráficos.
3. aes(): Função usada para mapear variáveis estéticas (como cor, forma, tamanho)
aos dados.
4. Facets: Facilitam a criação de múltiplos gráficos condicionados por variáveis
categóricas.
5. Themes: Permitem personalizar a aparência dos gráficos, alterando elementos
como fontes, cores de fundo, entre outros.

Em resumo, o ggplot2 é amplamente valorizado por sua capacidade de produzir

gráficos de alta qualidade e sua flexibilidade para lidar com uma variedade de
situações de visualização de dados, desde gráficos simples até visualizações
complexas e multivariadas.

45
 MÓDULO R

No console R (ou no console do RStudio), execute o seguinte comando para instalar

o pacote ggplot2 diretamente dos repositórios do CRAN (Comprehensive R Archive
Network):

Após a instalação bem-sucedida, carregue o pacote ggplot2 com o seguinte

comando:

Para verificar se o pacote ggplot2 foi instalado corretamente e está carregado, você
pode executar um pequeno exemplo básico de gráfico. Por exemplo:

Este código cria um gráfico de dispersão simples usando o conjunto de dados

mtcars, onde wt é o peso e mpg é a eficiência de combustível dos carros. O dataset
utilizado é nativo do R, o seu console do lado inferior direito, plot, mostrará o
seguinte gráfico?

46
 MÓDULO R

Para criar um gráfico básico utilizando o ggplot2 no R, é importante entender a

estrutura fundamental que envolve as funções ggplot(), geom_point() e aes()
(estética).

A função ggplot() inicializa um gráfico ggplot. Ela define o conjunto de dados que
será utilizado no gráfico e fornece a base estética para as camadas geométricas que
serão adicionadas posteriormente.

ggplot(data = conjunto_de_dados)

A função aes() (abreviação de aesthetics) é usada dentro de ggplot() e/ou das funções
geométricas (geom_) para mapear variáveis dos dados às estéticas visuais, como
posição no eixo x, posição no eixo y, cor, tamanho, forma, entre outros.

aes(x = variavel_x, y = variavel_y, color = variavel_cor)

x, y: Variáveis que serão mapeadas nos eixos x e y, respectivamente.

color, size, shape: Variáveis que controlam a cor, tamanho e forma dos
elementos do gráfico, respectivamente.

Após definir a estrutura básica com ggplot() e aes(), você adiciona camadas
geométricas para criar visualizações específicas, como pontos, linhas, barras, entre
outros.

geom_point()

A função geom_point() adiciona pontos ao gráfico, que é uma das camadas

geométricas disponíveis no ggplot2.

Este é apenas um exemplo inicial e básico da estrutura de um gráfico ggplot. Você

pode expandir essa estrutura adicionando mais camadas geométricas, ajustando a
estética, personalizando temas, entre outras opções oferecidas pelo ggplot2 para
criar visualizações mais complexas e informativas.

47
 MÓDULO R

Dispersão

Quando você utiliza um gráfico de dispersão, geralmente está interessado em

explorar a relação entre duas variáveis quantitativas. Este tipo de gráfico é
especialmente útil para identificar padrões de correlação, verificar a presença de
outliers e entender a distribuição conjunta dos dados. Aqui estão algumas situações
comuns em que você pode utilizar um gráfico de dispersão:

Análise de Correlação

Identificar Tendências: Um gráfico de dispersão pode ajudar a identificar se

existe uma relação linear entre duas variáveis. Por exemplo, ao plotar o peso
versus a altura de uma amostra de indivíduos, você pode verificar se há uma
tendência de aumento de peso com o aumento da altura.
Avaliar a Força da Relação: A dispersão dos pontos ao longo da linha de melhor
ajuste (ou através da ausência dela) pode indicar a força da correlação entre as
variáveis. Pontos mais agrupados em torno de uma linha indicam uma correlação
mais forte, enquanto uma dispersão mais ampla sugere uma correlação mais
fraca.

2. Identificação de Outliers

Pontos Anômalos: Um gráfico de dispersão pode revelar pontos que se destacam

dos demais, conhecidos como outliers. Esses pontos podem indicar erros de
medição, valores extremos ou características incomuns nos dados que merecem
investigação adicional.

3. Visualização da Distribuição Conjunta

Padrões de Distribuição: Ao observar a dispersão dos pontos, é possível inferir

sobre a distribuição conjunta das variáveis. Por exemplo, se os pontos estiverem
mais densamente agrupados em uma área específica do gráfico, isso pode
indicar uma concentração ou agrupamento natural dos dados.

48
 MÓDULO R

4. Análise de Regressão

Modelagem Estatística: Gráficos de dispersão são frequentemente usados como

uma etapa inicial na análise de regressão. Eles ajudam a visualizar como uma
variável dependente pode ser afetada por uma ou mais variáveis independentes,
ajudando na escolha e na validação do modelo de regressão adequado.

5. Comparação entre Grupos

Comparação de Grupos: Ao colorir os pontos em um gráfico de dispersão de

acordo com uma variável categórica (por exemplo, grupo de tratamento versus
grupo de controle), você pode visualizar como os grupos se diferenciam em
relação às variáveis quantitativas.

Linha

Um gráfico de linha é útil em várias situações em que você deseja visualizar a

mudança contínua de uma variável ao longo de um eixo temporal ou sequencial.
Aqui estão algumas situações comuns em que um gráfico de linha pode ser utilizado:

Análise de Tendências Temporais

Séries Temporais: Um gráfico de linha é frequentemente usado para representar

séries temporais, onde você pode observar como uma variável (por exemplo,
vendas, temperatura, preço das ações) muda ao longo do tempo. Por exemplo,
você pode plotar o crescimento de vendas de um produto ao longo dos meses.

2. Comparação de Séries Temporais

Comparação de Diferentes Variáveis: Você pode usar gráficos de linha para

comparar tendências de diferentes variáveis ao longo do mesmo período de
tempo. Por exemplo, comparar o crescimento de vendas de diferentes produtos
em uma empresa.
49
 MÓDULO R

3. Visualização de Dados Contínuos

Dados Contínuos: Quando você tem dados que variam de forma contínua ao
longo de um espectro, um gráfico de linha pode ajudar a visualizar essa mudança
de maneira clara e direta. Por exemplo, você pode plotar a variação da
temperatura ao longo de um dia.

4. Modelagem e Previsão

Análise de Tendências e Padrões: Um gráfico de linha pode ser usado como parte
do processo de modelagem e previsão, ajudando a identificar padrões sazonais,
ciclos ou tendências lineares nos dados.
5. Comunicação de Resultados
Comunicação Visual: Gráficos de linha são eficazes para comunicar resultados a
públicos não técnicos de forma intuitiva. Eles ajudam a transmitir histórias de
dados de uma maneira clara e fácil de entender.

Exemplo de Aplicação

Suponha que você esteja analisando os dados de vendas mensais de uma loja ao
longo do último ano. Um gráfico de linha seria ideal para visualizar como as vendas
variaram mês a mês e identificar padrões de sazonalidade ou crescimento ao longo
do tempo. Aqui está como você poderia criar um gráfico de linha simples usando
ggplot2 no R:

50
 MÓDULO R

Resultando:

O gráfico de linha é uma ferramenta poderosa para analisar e comunicar tendências

ao longo do tempo ou de outra variável sequencial. Ele permite visualizar mudanças
contínuas e identificar padrões nos dados de forma eficaz, sendo amplamente
utilizado em análises exploratórias, relatórios e apresentações de dados.

Barras

Um gráfico de barras é uma escolha adequada quando você deseja visualizar e

comparar quantidades ou frequências de variáveis categóricas distintas. Aqui estão
algumas situações específicas em que um gráfico de barras é particularmente útil:

Comparação de Categorias Discretas

Distribuição de Categorias: Gráficos de barras são ideais para representar a

distribuição de dados categóricos discretos. Por exemplo, você pode usar um
gráfico de barras para mostrar a contagem de produtos vendidos em diferentes
categorias (como eletrônicos, roupas, alimentos) ao longo de um período.

51
 MÓDULO R

2. Análise de Frequências

Frequência de Eventos: Se você está interessado na frequência de ocorrência de

diferentes eventos ou categorias, um gráfico de barras pode destacar
visualmente quais categorias são mais frequentes em seus dados. Por exemplo,
mostrar a frequência de tipos de falhas em um sistema de produção.

3. Comparação de Dados Agrupados

Comparação entre Grupos: Gráficos de barras são eficazes para comparar

quantidades entre diferentes grupos ou segmentos. Por exemplo, comparar as
vendas mensais de produtos entre diferentes regiões geográficas.

4. Representação de Proporções ou Percentagens

Proporções Relativas: Você pode usar um gráfico de barras empilhadas (stacked

bar chart) para representar a composição percentual de categorias dentro de um
todo. Isso é útil para mostrar a contribuição de cada categoria para o total. Por
exemplo, a composição de despesas mensais em categorias como moradia,
transporte, alimentação, etc.

5. Visualização de Dados Categóricos Ordinais

Variáveis Ordinais: Quando suas categorias têm uma ordem natural ou

hierárquica, um gráfico de barras pode ajudar a mostrar essa relação. Por
exemplo, classificar o desempenho de alunos em categorias como excelente,
bom, médio e fraco ao longo de diferentes disciplinas.

Exemplo Prático

Suponha que você queira comparar as vendas de três produtos diferentes em um

determinado mês. Um gráfico de barras pode ser usado para visualizar essas vendas
de forma clara e comparativa:

52
 MÓDULO R

Resultando:

Os gráficos de barras são ferramentas visuais poderosas para comparar e comunicar

informações sobre variáveis categóricas. Eles permitem uma compreensão clara das
diferenças quantitativas entre categorias e são frequentemente utilizados em
relatórios, apresentações e análises exploratórias de dados. Ao escolher um gráfico
de barras, considere a natureza das suas variáveis e o objetivo específico da análise
para garantir uma representação eficaz e informativa dos seus dados.

53
 MÓDULO R

Pizza

O ggplot2 não possui uma função específica para criar gráficos de pizza (ou pie
charts) diretamente como outros pacotes de visualização no R. Isso se deve ao fato
de não considerarem que os gráficos de pizza são a melhor forma de representar
dados, pois dificultam a comparação precisa entre as partes e não são tão eficazes
quanto outras formas de visualização.

No entanto, é possível criar um gráfico de pizza usando ggplot2 com algumas

manipulações e ajustes. Vamos explorar como você pode fazer isso.

Exemplo de Gráfico de Pizza com ggplot2

Vamos usar um exemplo simples para ilustrar como criar um gráfico de pizza com
ggplot2. Para isso, primeiro precisamos calcular os ângulos necessários para cada
fatia da pizza com base nos valores que queremos representar. Em seguida,
usaremos esses ângulos para criar um gráfico de setores (pie chart).

54
 MÓDULO R

Gráficos de pizza são geralmente utilizados em situações específicas onde se deseja

representar a composição proporcional de um conjunto de categorias. Embora não
sejam a visualização mais recomendada em muitos casos devido às dificuldades de
comparação entre as áreas ou ângulos das fatias, há contextos adequados onde eles
podem ser úteis.

Distribuição Proporcional Claramente Distinta:

Quando as categorias são distintas e facilmente diferenciáveis, um gráfico de

pizza pode ser eficaz para mostrar a participação relativa de cada categoria. Por
exemplo, a distribuição de mercado entre diferentes marcas de um produto.

Poucas Categorias ou Grupos Bem Definidos:

Quando há poucas categorias (geralmente menos de 5), um gráfico de pizza pode

ser mais compreensível. Isso ajuda a evitar a confusão que ocorre quando há
muitas fatias pequenas.

Destacar uma Parte do Todo:

Para destacar uma parte específica de um todo, como a participação de um

produto específico nas vendas totais de uma empresa.

Apresentações Visuais Simples e de Alto Nível:

Em contextos onde a simplicidade visual é mais valorizada do que a precisão

detalhada. Por exemplo, em apresentações executivas onde uma visão geral é
mais importante do que análises detalhadas.

Comunicar Proporções Aparentes Rapidamente:

Quando o objetivo é comunicar proporções aproximadas de forma rápida e

visualmente atrativa, como em infográficos ou materiais educativos
simplificados.

55
 MÓDULO R

Ao decidir usar um gráfico de pizza, avalie cuidadosamente se ele atende aos

objetivos de comunicação dos seus dados e se é a melhor escolha para transmitir
informações de maneira clara e compreensível para seu público-alvo.

Resultado:

Box plot

Um box plot (gráfico de caixa) é uma visualização poderosa para representar a

distribuição de um conjunto de dados numéricos por meio de quartis. É
especialmente útil para identificar a presença de valores discrepantes (outliers), bem
como para comparar distribuições entre diferentes grupos ou categorias de dados.

56
 MÓDULO R

Visualização da Distribuição dos Dados:

Identificação da Mediana e Quartis: O box plot é excelente para visualizar a

mediana (linha no meio do retângulo), bem como os quartis (bordas do
retângulo), que indicam onde está concentrada a maior parte dos dados.

Comparação entre Grupos ou Categorias:

Comparação de Distribuições: Quando você tem várias categorias ou grupos e

deseja comparar suas distribuições de dados de forma rápida e visual, o box plot
permite visualizar a variabilidade e as diferenças entre os grupos de maneira
eficaz.

Detecção de Outliers e Valores Extremos:

Identificação de Outliers: Os "bigodes" do box plot (linhas que se estendem além

do retângulo) mostram os valores mínimos e máximos que não são considerados
outliers. Isso ajuda na detecção de pontos atípicos que podem estar presentes
nos seus dados.

Análise de Tendências Temporais ou Comparação ao Longo do Tempo:

Variação ao Longo do Tempo: Se você está analisando dados ao longo do tempo

ou em diferentes períodos, o box plot pode ajudar a identificar mudanças nas
distribuições estatísticas e entender como os dados se comportam em diferentes
períodos.

5. Exploração da Variabilidade e Dispersão dos Dados:

Visualização da Dispersão: Além de mostrar a mediana e os quartis, o box plot

proporciona uma visão clara da dispersão dos dados. Isso é útil para entender a
variabilidade dos dados dentro de um grupo ou categoria.

57
 MÓDULO R

Exemplo Prático:

Suponha que você está analisando as pontuações de testes de dois grupos

diferentes (Grupo A e Grupo B). Um box plot pode ser usado para comparar as
distribuições das pontuações entre esses grupos e identificar possíveis diferenças na
mediana, na variabilidade e na presença de outliers:

Resultado:

Em resumo, use box plots quando precisar entender a distribuição, a variabilidade e

a comparação entre grupos de dados de maneira eficaz e visualmente clara.

58
 MÓDULO R

Personalização Avançada

A personalização estética dos gráficos permite destacar informações importantes e

melhorar a legibilidade dos dados. O ggplot2 oferece diversas opções para ajustar
cores, formas e tamanhos dos elementos gráficos.

Exemplos de Parâmetros Estéticos:

color: Define a cor das linhas ou bordas.

fill: Define a cor de preenchimento das formas (como barras, pontos).
shape: Especifica a forma dos pontos (por exemplo, círculo, quadrado, triângulo).
size: Controla o tamanho dos pontos, linhas ou textos.

Resultado:

59
 MÓDULO R

Modificando temas: theme()

Os temas permitem ajustar aspectos globais do seu gráfico, como cores de fundo,
margens e estilos de texto. O ggplot2 fornece diversos temas pré-definidos e permite
personalizações adicionais.

Exemplos de Temas:

theme_minimal()
theme_light()
theme_bw()
theme_classic()

Resultado:

60
 MÓDULO R

Adição de Camadas

Adicionando camadas de informação: geom_smooth(), geom_text()

Além dos pontos principais do gráfico, você pode adicionar camadas adicionais para
visualizar tendências ou adicionar informações específicas aos dados.

geom_smooth(): Adiciona uma linha suavizada para mostrar tendências nos

dados.
geom_text(): Permite adicionar textos aos gráficos para destacar pontos
específicos ou fornecer informações adicionais.

Exemplo de código para adicionar camadas de suavização e texto:

Resultado:

61
 MÓDULO R

Anotações e legendas: labs()

A função labs() é usada para adicionar títulos e legendas aos elementos do gráfico,
como títulos principais, rótulos dos eixos x e y, legendas de cores e formas.

Exemplo de código para adicionar anotações e legendas:

Resultado:

Exploramos técnicas avançadas de personalização estética usando ggplot2, incluindo

ajustes de cores, formas e tamanhos, modificação de temas globais, adição de
camadas informativas como linhas de suavização e textos explicativos, e a
importância das anotações e legendas para aprimorar a compreensão e a
apresentação dos dados. Esses recursos não apenas melhoram a estética visual dos
gráficos, mas também facilitam a comunicação eficaz das informações contidas nos
dados analisados.
62
 MÓDULO R

Módulo 4: Estatística Descritiva e Inferencial

4.1. Medidas Descritivas

Nesse momento vamos dar uma pausa no R para que você entenda alguns
conceitos:

Variáveis Quantitativas

As variáveis quantitativas são aquelas que representam uma quantidade numérica.

Elas podem ser medidas e expressam uma quantidade ou um valor. As variáveis
quantitativas são divididas em duas subcategorias:

Variáveis Discretas:

Assumem valores inteiros. Não podem assumir valores fracionários.

Exemplos: Número de alunos em uma sala, número de carros em um
estacionamento, número de acertos em uma prova.

Variáveis Contínuas:

Podem assumir qualquer valor dentro de um intervalo contínuo. Incluem valores

fracionários.
Exemplos: Altura, peso, temperatura, tempo.

Variáveis Qualitativas

Também conhecidas como variáveis categóricas, são aquelas que descrevem

qualidades ou características e não são expressas numericamente. Elas são usadas
para categorizar ou classificar os dados em diferentes grupos ou categorias. As
variáveis qualitativas são divididas em duas subcategorias:

63
 MÓDULO R

Variáveis Nominais:

Categorias sem uma ordem intrínseca. Os nomes das categorias não indicam
uma sequência ou ordem.
Exemplos: Cores de olhos (azul, verde, castanho), tipos de fruta (maçã, banana,
laranja), estado civil (solteiro, casado, divorciado).

Variáveis Ordinais:

Categorias com uma ordem intrínseca. As categorias podem ser ordenadas de

uma forma que faça sentido.
Exemplos: Níveis de satisfação (satisfeito, neutro, insatisfeito), classificações em
competições (primeiro, segundo, terceiro), níveis educacionais (fundamental,
médio, superior)

Média

Também conhecida como média aritmética, é uma medida de tendência central que
representa a soma de todos os valores de um conjunto de dados dividida pelo
número total de valores.

Fórmula:

Onde:

∑ é o símbolo da soma.
xi​são os valores individuais.
n é o número de valores.

Exemplo: Se temos os valores 2, 4, 6, a média seria:

64
 MÓDULO R

Mediana

É a medida de tendência central que representa o valor central de um conjunto de

dados ordenado. Se o número de observações for ímpar, a mediana é o valor do
meio. Se for par, a mediana é a média dos dois valores centrais.

Como calcular:

1. Ordene os dados em ordem crescente.

2. Se o número de observações (n) for ímpar, a mediana é o valor do meio.
3. Se n for par, a mediana é a média dos dois valores centrais.

Exemplo: Para os valores 1, 3, 3, 6, 7, 8, 9:

Para os valores 1, 2, 3, 4, 5, 6:

Moda

É o valor que aparece com mais frequência. Ela ajuda a identificar a tendência mais
comum nos dados. Não existe uma função dentro do R para essa medida, então
devemos criar uma.

65
 MÓDULO R

Desvio Padrão

É uma medida de dispersão que indica o quanto os valores de um conjunto de dados

diferem da média. Um desvio padrão baixo indica que os valores estão próximos da
média, enquanto um desvio padrão alto indica que os valores estão mais
espalhados.

Fórmula:

Onde:
σ é o desvio padrão.
xi​são os valores individuais.
xˉ é a média dos valores.
n é o número de valores.

Exemplo: Para os valores 2, 4, 4, 4, 5, 5, 7, 9:

O desvio padrão seria calculado como:

Fazendo no R:

66
 MÓDULO R

Variância

É uma medida de dispersão que representa a média dos quadrados das diferenças
entre os valores individuais e a média. Ela indica o quão espalhados os valores estão
em relação à média.

Fórmula:

Onde:
σ^2 é a variância.
xi​são os valores individuais.
xˉ é a média dos valores.
n é o número de valores.

Exemplo: Usando o mesmo conjunto de dados do exemplo anterior:

Fazendo no R:

67
 MÓDULO R

Summary

Utilizando todas medidas de resumo juntas:

Análise Exploratória de Dados

A Análise Exploratória de Dados (EDA) é um processo para investigar conjuntos de

dados para resumir suas principais características, geralmente com métodos visuais.
A EDA é uma etapa essencial para entender a estrutura dos dados, identificar
padrões, detectar outliers e verificar pressupostos antes de aplicar modelos
estatísticos.

Objetivos:

Resumir as características dos dados

Visualizar a distribuição dos dados
Identificar relações entre variáveis
Detectar outliers e anomalias

Histogramas

Um histograma é uma representação gráfica da distribuição de um conjunto de

dados. Ele divide os dados em intervalos (bins) e conta a frequência de observações
em cada intervalo.

Interpretação:

Picos indicam a frequência mais alta

A forma do histograma mostra a distribuição (simétrica, enviesada, etc.)
Pode-se identificar outliers ou dados anômalos

68
 MÓDULO R

Boxplots

Um boxplot é uma ferramenta gráfica que mostra a distribuição dos dados com base
nos quartis. Ele exibe a mediana, os quartis, e possíveis outliers.

Interpretação:

A linha no meio da caixa representa a mediana

As extremidades da caixa são o primeiro e terceiro quartis
As linhas (whiskers) se estendem até os valores dentro de 1,5 vezes o intervalo
interquartil (IQR) dos quartis
Pontos fora dos whiskers são outliers

Gráficos de Dispersão

Um gráfico de dispersão (scatter plot) mostra a relação entre duas variáveis

quantitativas. Cada ponto no gráfico representa uma observação com valores de
duas variáveis.

69
 MÓDULO R

Interpretação:

A disposição dos pontos pode indicar correlação (positiva, negativa ou nenhuma)

Pode-se identificar padrões ou agrupamentos
Útil para detectar relações não lineares

Correlação

A correlação mede a força e a direção da relação linear entre duas variáveis. O

coeficiente de correlação varia de -1 a 1.

Interpretação:

Valores próximos de 1 indicam correlação positiva forte

Valores próximos de -1 indicam correlação negativa forte
Valores próximos de 0 indicam pouca ou nenhuma correlação linear

70
 MÓDULO R

Testes de Hipóteses

Os testes de hipóteses são procedimentos estatísticos usados para tomar decisões

baseadas em dados amostrais. Envolve a formulação de duas hipóteses:

Hipótese Nula (H0​): A afirmação inicial que assume não haver efeito ou diferença.
Hipótese Alternativa (H1​): A afirmação que assume haver um efeito ou diferença.

Passos Básicos:

1. Formular H0​e H1​.

2. Escolher um nível de significância (α).
3. Calcular a estatística do teste.
4. Determinar o valor crítico ou o valor p.
5. Tomar uma decisão de rejeitar ou não rejeitar H0​.

Erros Tipo I e Tipo II:

Erro Tipo I (α): Rejeitar H0​quando H0​é verdadeira.

Erro Tipo II (β): Não rejeitar H0​quando H1​é verdadeira.

Teste t para uma Média

O teste t é usado para determinar se a média de uma amostra difere

significativamente de um valor específico.

Exemplo:

Vamos usar o conjunto de dados mtcars para testar se a média de milhas por galão
(mpg) é diferente de 20.

71
 MÓDULO R

Teste qui-quadrado para Independência

O teste qui-quadrado é usado para determinar se há uma associação significativa

entre duas variáveis categóricas.

Exemplo:

Vamos usar o conjunto de dados mtcars para testar a independência entre o tipo de
transmissão (am) e a cilindrada (cyl).

Estatística Qui-Quadrado (X-squared):

X-squared = 8.7407: Este valor é a estatística do teste qui-quadrado. Ele mede a

divergência entre as frequências observadas e as esperadas sob a hipótese nula
de independência. Valores mais altos indicam uma maior divergência.

72
 MÓDULO R

Graus de Liberdade (df):

df = 2: Os graus de liberdade para o teste são calculados como (n−1)×(m−1), onde

n é o número de categorias na primeira variável e m é o número de categorias na
segunda variável. Neste caso, temos duas variáveis categóricas com (3 categorias
de cilindrada - 1) × (2 categorias de transmissão - 1) = 2 graus de liberdade.

Valor p (p-value):

p-value = 0.01265: O valor p é a probabilidade de observar um valor da estatística

do teste qui-quadrado tão extremo quanto, ou mais extremo que, o observado,
assumindo que a hipótese nula é verdadeira. Um valor p menor que o nível de
significância (α) indica que rejeitamos a hipótese nula.

Interpretação

Hipóteses do Teste

Hipótese Nula (H0​): As duas variáveis categóricas (transmissão e cilindrada) são

independentes. Não há associação entre elas.
Hipótese Alternativa (H1​): As duas variáveis categóricas (transmissão e cilindrada)
são dependentes. Existe uma associação entre elas.

Decisão

Para tomar uma decisão, comparamos o valor p com o nível de significância (α), que
normalmente é 0.05:

Se o valor p é menor que α, rejeitamos a hipótese nula e podemos afirmar que

há associação entre as variáveis
Se o valor p é maior ou igual a α, não rejeitamos a hipótese nula, conclui-se pela
independência das variáveis.

No nosso resultado:

p-value = 0.01265 é menor que α=0.05.

73
 MÓDULO R

Conclusão

Como o valor p (0.01265) é menor que o nível de significância de 0.05, rejeitamos a

hipótese nula (H0​). Isso significa que há evidências suficientes para concluir que
existe uma associação significativa entre o tipo de transmissão (am) e a cilindrada
(cyl) dos carros no conjunto de dados mtcars.

Explicação Prática

Rejeitar a hipótese nula implica que a distribuição das categorias de transmissão

(automática vs. manual) difere significativamente entre os diferentes níveis de
cilindrada. Em outras palavras, a escolha de transmissão pode estar relacionada ao
número de cilindros do carro.

Este resultado pode motivar uma análise mais aprofundada para entender melhor a
natureza dessa associação e explorar outras possíveis variáveis que podem
influenciar essa relação.

Regressão Linear Simples

A regressão linear simples é uma técnica estatística que modela a relação entre uma
variável dependente (resposta) e uma variável independente (preditor) usando uma
linha reta. A equação da linha é dada por:

Y: Variável dependente (resposta)

X: Variável independente (preditor)
β0​: Intercepto
β1​: Coeficiente de inclinação
ϵ: Erro

Vamos ajustar um modelo de regressão linear simples usando o conjunto de dados

mtcars. Usaremos mpg (milhas por galão) como a variável dependente e wt (peso)
como a variável independente.

74
 MÓDULO R

Interpretação dos Resultados

Intercepto (β0​): Valor de Y quando X=0.

β1: Mudança esperada em Y para cada unidade adicional de X.
Valor p (p-value): Testa a hipótese nula de que o coeficiente é igual a zero
(nenhuma relação). Valores p menores que 0.05 indicam uma relação
significativa.

Visualizando o Modelo de Regressão

Intercepto (β0​) = 37.285: Quando o peso do carro é zero (irrealista, mas

matematicamente necessário), o valor médio de mpg seria 37.285.
β1​ = -5.344: Para cada aumento de 1000 lbs no peso do carro, espera-se que o
mpg diminua em 5.344 unidades.
O valor p para o coeficiente de wt é muito pequeno (1.29e-10), indicando que a
relação entre peso e mpg é altamente significativa.
Adjusted R-squared = 0.7446: Aproximadamente 74.46% da variação em mpg é
explicada pelo peso do carro.

75
 MÓDULO R

Conclusão

A regressão linear simples é uma técnica poderosa para modelar a relação entre
duas variáveis. Em R, é fácil ajustar e interpretar modelos de regressão linear,
permitindo uma análise aprofundada e a visualização das relações entre variáveis.
Esta aula fornece uma base sólida para entender e aplicar a regressão linear simples
em R, utilizando o conjunto de dados mtcars como exemplo prático.

Módulo 5: Tidy Data e Data Wrangling

Neste módulo, vamos explorar os conceitos e técnicas fundamentais para trabalhar

com dados em R, focando em Tidy Data e Data Wrangling. Você aprenderá os
princípios que norteiam a organização dos dados, as principais técnicas para
manipulação e transformação de dados, e como integrar esses conhecimentos com
outras ferramentas.

5.1. Princípios do Tidy Data

O objetivo do tidyr é ajudá-lo a criar dados organizados. Dados arrumados são

dados onde:

Cada variável é uma coluna;

Cada observação é uma linha;
Cada valor é uma célula;

Os dados arrumados descrevem uma maneira padrão de armazenar dados que é

usada sempre que possível em todo o tidyverse. Se você garantir que seus dados
Fonte: [Link]
estejam organizados, gastará menos tempo lutando com as ferramentas e mais
tempo trabalhando em sua análise.

76
MÓDULO R

Fonte: [Link]

77
MÓDULO R

Fonte: [Link]

78
 MÓDULO R

5.2. Técnicas de Data Wrangling

Data Wrangling, também conhecido como Data Munging, é o processo de

transformar e mapear dados brutos para um formato adequado para análise. Este
processo envolve várias etapas e técnicas que visam limpar, organizar e estruturar
os dados de maneira eficiente. O objetivo principal do Data Wrangling é preparar os
dados para que possam ser analisados de maneira precisa e eficaz, facilitando a
descoberta de insights valiosos.

Etapas do Data Wrangling

Coleta de Dados
Exploração de Dados
Limpeza de Dados
Transformação de Dados
Enriquecimento de Dados
Validação de Dados
Formatação de Dados

79
 MÓDULO R

5.3. Integração com Outras Ferramentas

Integração do R com o Python.

80
 RESPOSTAS

1.2. Objetos em R

81
 RESPOSTAS

1.2. Objetos em R

82
 RESPOSTAS

1.3 Gerenciando seu Ambiente

83
 RESPOSTAS

1.3 Gerenciando seu Ambiente

84
 RESPOSTAS

1.3 Gerenciando seu Ambiente

85
E assim, chegamos ao final desta incrível jornada pelo universo fascinante do R!
Espero que esta leitura tenha sido não apenas educativa, mas também uma explosão
de criatividade e insights para você!

Antes de nos despedirmos, quero compartilhar algumas dicas extras para garantir
que você domine o R com maestria e explore todo o seu potencial:

Domine as funções: Explore as diversas funções do R e seus pacotes poderosos como

tidyverse, ggplot2 e dplyr para realizar análises complexas e extrair insights valiosos
de seus dados. Seja criativo e combine funções para criar soluções personalizadas
para seus problemas.

Crie visualizações impactantes: Utilize o poder do ggplot2 para criar gráficos de

alta qualidade, personalizados e que comuniquem seus resultados de forma clara e
concisa. Explore diferentes tipos de gráficos, cores, formatos e layouts para contar
histórias envolventes com seus dados.

Compartilhe seus conhecimentos: Torne-se um mentor para outros que desejam

aprender R. Compartilhe seus conhecimentos, colabore em projetos e ajude a
comunidade R a crescer.

Continue aprendendo: O mundo da Data Science está em constante evolução.

Mantenha-se atualizado com as novas técnicas, ferramentas e pacotes para
aprimorar suas habilidades e se destacar como um profissional de R experiente.

Lembre-se: O R é uma ferramenta poderosa que pode transformar dados brutos em

insights valiosos. Utilize-o com sabedoria, explore todo o seu potencial e faça a
diferença no mundo com suas análises!

Agradeço por ter me acompanhado nesta jornada, e que seus futuros projetos de
Data Science sejam tão brilhantes quanto os resultados que você pode alcançar
com o R!

Até a próxima aventura analítica!

XY
@xyintelligence
@DatascienceBM
@DatascienceBM