Você está na página 1de 26

Programação Estatística

Material Teórico
Visualização de Dados

Responsável pelo Conteúdo:


Prof.ª Me. Jessica Barbara da Silva Ribas

Revisão Textual:
Prof. Me. Luciano Vieira Francisco
Visualização de Dados

• Introdução;
• Gráficos.

OBJETIVO DE APRENDIZADO
• Aprender a elaborar gráficos em R com o comando plot e o pacote ggplot2.
Orientações de estudo
Para que o conteúdo desta Disciplina seja bem
aproveitado e haja maior aplicabilidade na sua
formação acadêmica e atuação profissional, siga
algumas recomendações básicas:
Conserve seu
material e local de
estudos sempre
organizados.
Aproveite as
Procure manter indicações
contato com seus de Material
colegas e tutores Complementar.
para trocar ideias!
Determine um Isso amplia a
horário fixo aprendizagem.
para estudar.

Mantenha o foco!
Evite se distrair com
as redes sociais.

Seja original!
Nunca plagie
trabalhos.

Não se esqueça
de se alimentar
Assim: e de se manter
Organize seus estudos de maneira que passem a fazer parte hidratado.
da sua rotina. Por exemplo, você poderá determinar um dia e
horário fixos como seu “momento do estudo”;

Procure se alimentar e se hidratar quando for estudar; lembre-se de que uma


alimentação saudável pode proporcionar melhor aproveitamento do estudo;

No material de cada Unidade, há leituras indicadas e, entre elas, artigos científicos, livros, vídeos
e sites para aprofundar os conhecimentos adquiridos ao longo da Unidade. Além disso, você tam-
bém encontrará sugestões de conteúdo extra no item Material Complementar, que ampliarão sua
interpretação e auxiliarão no pleno entendimento dos temas abordados;

Após o contato com o conteúdo proposto, participe dos debates mediados em fóruns de discus-
são, pois irão auxiliar a verificar o quanto você absorveu de conhecimento, além de propiciar o
contato com seus colegas e tutores, o que se apresenta como rico espaço de troca de ideias e
de aprendizagem.
UNIDADE Visualização de Dados

Introdução
Você já ouviu a frase “uma imagem vale mais que mil palavras”? Pois ao contem-
plarmos uma paisagem, ou qualquer outro tipo de imagem, conseguimos extrair in-
formações diversas, podemos entender algo que está acontecendo e até gerar algum
tipo de sentimento.

A apresentação de dados de forma gráfica é uma das tarefas mais comuns para
um estatístico ou cientista de dados, por esse motivo, é de suma importância, na hora
da confecção do gráfico, ter em mente o seu público-alvo.

Quando desenvolvemos um gráfico, não o fazemos para nós mesmos e sim para
outras pessoas lerem os resultados apresentados. Imagine um gráfico de linhas, onde
todas as linhas estão da mesma cor e não existe nenhuma forma de diferenciá-las.

Como o leitor conseguirá entender a mensagem do gráfico? Primeiro, deve-se


ter em mente o público-alvo que receberá a mensagem. Segundo, que tipo de grá-
fico o conjunto de dados resultantes têm maior aderência.

Estamos constantemente em contato com gráficos em nosso dia a dia, desde info-
gráficos simples sobre a importância da reciclagem até os gráficos comparativos sobre
a pesquisa de intenção de votos durante o período eleitoral.

No R é possível gerar gráficos estáticos por dois caminhos diferentes, um é usan-


do as funções da Rbase, a outra é pelo pacote “ggplot2”. Neste documento, vamos
abordar os dois caminhos para os gráficos mais comuns: pontos – dispersão –, linhas
– temporal –, box plot, barras e pizza.

Gráficos
Gráfico de Linhas
Esse gráfico é utilizado quando os dados possuem linearidade, ou seja, estão in-
terligados em algum intervalo de tempo. Ele facilita o encontro do comportamento
ou dos padrões de dados em uma determinada janela de tempo.

Para melhor compreender a utilização dos gráficos de linha, acesse o conteúdo do Portal
Explor

Action. Disponível em: http://bit.ly/2Lj5KlY

8
Gráfico de Pontos
Os gráficos de pontos têm a função de mostrar os valores quantitativos, de maneira
organizada, sendo necessário informar as coordenadas – x, y – de cada ponto do gráfico.

Pode-se dizer que o gráfico de pontos é semelhante ao gráfico de linhas, porém


sem as linhas. Quase sempre o gráfico de pontos é um combinado do gráfico de linhas
para aumentar a precisão da informação.

Gráfico Box Plot


O box plot ou gráfico de caixa geralmente é utilizado quando necessitamos avaliar
a distribuição dos dados de maneira empírica, ou seja, a partir do intervalo entre o
menor e o maior valor do grupo de dados, a caixa é formada pelo primeiro e terceiro
quartil e dividida pela mediana ou segundo quartil. Comumente esse gráfico é utiliza-
do para comparar a distribuição dos subgrupos dentro do dataset.

Gráfico de Linhas Para melhor compreender a utilização dos gráficos de linha, acesse o con-
Explor

teúdo a seguir. Disponível em: http://bit.ly/3Yv7wVp

Gráfico de Barras
Imagine que você tem uma quantidade de frutas diversas, e precisa agrupá-las
e determinar as quantidades. O gráfico de barras faz mais ou menos essa tarefa.
Ele irá agrupar os dados por categoria em retângulos. O tamanho do retângulo
muda proporcionalmente à quantidade de observações da categoria.

Por esse motivo, tal gráfico é comumente utilizado para comparar categorias/
valores. Um exemplo de seu uso é na pesquisa de intenção de votos, na qual aparece
o percentual de votos de cada um dos candidatos a determinado cargo público.

Para melhor compreender a utilização dos gráficos de barra, acesse o conteúdo do Portal
Explor

Action. Disponível em: http://bit.ly/2Zp00kz

9
9
UNIDADE Visualização de Dados

Gráfico de Pizza
Chamado também de gráfico de setores, o gráfico de pizza é um diagrama circu-
lar dividido em “fatias”. Cada fatia representa uma categoria do conjunto de dados.
A divisão das fatias é determinada pela frequência da categoria na base, ou seja, quanto
maior for a frequência de determinada categoria, maior será sua fatia no gráfico.

Gráfico Box Plot Para melhor compreender a utilização dos gráficos box plot, acesse o conte-
Explor

údo a seguir. Disponível em: https://bit.ly/3jDpTZl

Histograma
Um histograma é um gráfico de barras que representa a distribuição da frequência
de um conjunto de dados contínuos, podendo ser feito em valores absolutos, relativos
e densidades.

Gráfico de Barras Para melhor compreender a utilização dos gráficos de barra, acesse o con-
Explor

teúdo a seguir. Disponível em: http://bit.ly/3YrtdWh

Gráficos RBase
Existe um conjunto de funções ligadas à geração de gráficos nativos do ambiente R.
Além de gerar os gráficos de maneira simples, eles podem ser configurados por meio
de parâmetros ou com a utilização de outras funções.

Antes de começar a codificação, vamos falar sobre a base de dados utilizada daqui em
diante para a geração dos gráficos – exceto o de linhas. O conjunto de dados chama-se
Iris e pertence a um repositório de dados aberto.

Não se faz necessário ir até o site baixar a base de dados, pois é possível carregá-la
utilizando a função “data()”. Pode-se salvar em um objeto ou simplesmente esperar a
primeira chamada iris$ que o Rstudio irá gerar automaticamente o data frame.

Plot()
A função plot(), gera gráficos de pontos – que compõem um gráfico de disper-
são. A estrutura básica da função é: plot(valor eixo X, valor eixo y).

10
Os parâmetros mais comuns são:
• main = “título do gráfico”;
• col = “cor dos pontos”;
• xlab = “texto do eixo x”;
• ylab = “texto do eixo y”.

Ao executar a linha “plot(iris$Sepal.Length,iris$Sepal.Width, col= “blue”)”,


será criado um gráfico com bolinhas azuis sem preenchimento conforme mostra a
Figura 1.
2.0 2.5 3.0 3.5 4.0
iris$Sepal.Width

4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0

iris$Sepal.Length
Figura 1 – Gráfico gerado pela função “plot()”, no qual mudamos somente a cor de maneira simples

Os eixos – x, y – do gráfico ilustrado na Figura 1 estão nomeados utilizando o


nome das variáveis indicadas como x e y, mas quase sempre queremos mudar esses
nomes, para um texto mais intuitivo, assim como colocar um título para o gráfico, ou
verificar se há classes diferentes dentro do conjunto de dados. Para tanto, utiliza-se o
bloco de comando:

plot(iris$Petal.Length,iris$Petal.Width,
main= “Iris Pétalas”,
xlab= “Comprimento Pétala”,
ylab = “ Largura Pétala”,
col=iris$Species)

Após executar o comando anterior, será gerado um gráfico parecido com o da


Figura 2. Onde temos o título e os eixos x e y conforme indicamos, a diferença
está na cor dos pontos. Dessa vez existem três cores de pontos, preto, vermelho e
verde. Isso ocorreu porque indicamos no parâmetro “col” a variável “iris$Species”,
no qual há três valores, ou categorias.

Mesmo que não saibamos que cor pertence a cada categoria, nesse momento já
é possível identificar que duas categorias da base de dados Iris, quando considera-
mos as pétalas, têm valores próximos. Indico que ao plotar o gráfico relacionado à
Sépala compare o comportamento de ambos.

11
11
UNIDADE Visualização de Dados

Iris Pétalas
2.0 2.5 3.0 3.5 4.0
Largura Pétala

1 2 3 4 5 6 7

Comprimento Pétala

Figura 2 – Inclusão do título, alteração do rótulo dos eixos x e y do gráfico de pontos classificados por tipo

Lines()
A criação de gráfico de linhas necessita das funções plot() e lines() combinadas,
conforme no bloco de código fonte escrito a seguir:
plot(x, sin(x),

main=”duas linhas”,

ylab=””,

type=”l”,

col=”blue”)

lines(x,cos(x), col=”red”)

legend(“topleft”,

c(“sin(x)”,”cos(x)”),

fill=c(“blue”,”red”))

No gráfico de linhas não foi utilizado os dados da Iris, pois eles não possuem
ligação temporal. Assim criou-se 21 instâncias do valor X, por meio da linha de
comando “x <- 0:20”.

12
Duas Linhas

0.5 -1.0
sin(x)
cos(x)

0.0
-1.0 0.5

0 5 10 15 20
x
Figura 3 – Gráfico das linhas seno e cosseno de x com legendas

Após indicarmos no comando “plot” que o valor do eixo X é x e o valor do eixo


Y é seno de x. Na função “lines()” indicamos o valor de X = x e Y = cosseno de X.
A função “legend()” cria a legenda do gráfico, conforme indicado na Figura 3.

Hist()
A função “hist()” deve ser utilizada para criar histogramas. A estrutura básica dessa
função é hist(dados). Os parâmetros mais comuns são os mesmos da função plot, ou
seja, “main”, “col”, ”xlab” e “ylab”. A seguir apresentamos um exemplo do comando
para a criação do histograma.
hist(iris$Sepal.Length,col=”orange”,

main= “Tamanho da Sépala Iris”,

xlab= “Sépala”,

ylab = “frequência”)

Caso queira ver o histograma de todas as colunas da base Iris de uma vez, será
necessária a utilização da função “par(mfrow= c(linha,coluna))”, conforme exempli-
ficado no código fonte a seguir:
par(mfrow=c(2,2))

for(i in 1:4) {

hist(iris[,i], main=names(iris)[i])

13
13
UNIDADE Visualização de Dados

A Figura 4 contém quatro histogramas, organizados em duas linhas e duas colu-


nas conforme indicado dentro da função “par()” pelo parâmetro “mfrow”. Assim, a
comparação da distribuição entre as quatro colunas da base Iris é facilitada.

Sepal.Lenght Sepal.Width
Frequency

Frequency
0 25

0 25
4 5 6 7 8 2.0 2.5 3.0 3.5 4.0

iris[, i] iris[, i]

Petal.Leng Petal.Leng
Frequency

Frequency
0 30

0 25
1 2 3 4 5 6 7 0.0 0.5 1.0 1.5 2.0 2.5

iris[, i] iris[, i]

Figura 4 – Histogramas na mesma página, usando a função “par()”

Lembre-se a função par() pode ser utilizada em qualquer gráfico. Não há uma
regra para seu uso, ficando à sua vontade quando e onde agrupar os gráficos.
Também é possível agrupar gráficos de tipos diferentes.

Para melhor compreender a combinação de gráficos no R, o blog 2 Engenheiros disponibiliza


Explor

uma postagem explicando todo o processo de plotagem simultânea de dois ou mais gráfi-
cos. Para conferir as principais dicas acesse este link: http://bit.ly/2ZpvSG1

Boxplot()
Assim como a função “hist()”, a função “boxplot()” necessita apenas receber a
coluna ou o conjunto de dados – data frame – para exibir seu conteúdo. Conforme o
exemplo a seguir:

boxplot(iris, col =c(“light blue”,”pink”,”brown”,”light green”,”red”),

main = “data set Iris”)

Após gerado, o gráfico possui cinco caixas, uma para cada coluna do data frame
Iris conforme mostra a Figura 5. Note que até mesmo a coluna Species foi contabi-
lizada, mesmo ela contendo valores numéricos. Isso ocorre por causa da contagem
da ocorrência do mesmo termo. Outra curiosidade nessa caixa é que ela não possui
as linhas que indicam o valor mínimo e máximo da amostra de dados, pois isso não
existe nessa coluna.

14
Data Set Iris
8
6
4
2
0

Sepal.Length Petal.Length Species


Figura 5 – Gráfico de caixas de todo o dataset Iris

Barplot()
A função barplot() irá gerar gráficos de barras de três tipos: os comuns com as
barras na vertical, aqueles com as barras na horizontal e os gráficos de barras com
valores empilhados.

No exemplo a seguir, vamos fazer um gráfico de barras simples, porém, primeiro


precisamos tratar os dados do dataset Iris, pois o gráfico de barras precisa receber
os dados organizados para serem categorizados.
contagem = table(iris$Species)

dtIris = data.frame(contagem)

barplot(dtIris$Freq,names.arg = dtIris$Var1,

main= “Iris”,

col = dtIris$Var1 )

O gráfico gerado contém os três tipos de flores mencionadas na base de dados.


Os três retângulos possuem o valor 50, conforme mostra a Figura 6, isso ocorre
porque cada uma das espécies possui 50 registros na base oficial e, nesse caso,
estamos mostrando o valor absoluto – real – e não o relativo – porcentagem.

Iris
50
40
30
20
10
0

setosa versicolor virginica


Figura 6 – Gráfico de barras utilizando a função “barplot()”

15
15
UNIDADE Visualização de Dados

Para melhor compreender a geoestatística no R, veja no site da empresa Geokrigagem a


Explor

explicação de algumas das funções utilizadas nesse processo. Para conferir as principais dicas
acesse este link: http://bit.ly/2ZoYcbj

Pie()
A função “pie()” irá gerar o gráfico de pizza, para tanto, será necessário calcular o
percentual de cada classe no conjunto de dados, conforme indicado no código a seguir:
contagem2 = table(iris$Species)

nomes2 = levels(iris$Species)

porcent2 = round(contagem2/sum(contagem2)*100,2)

rotulo2=paste(nomes2,” (“,porcent2,”%”,”)”,sep=””)

pie(table(iris$Species),labels=rotulo2,

main=”Iris”, col=c(“#003154”,”#dd4a37”,”green”))

No caso do exemplo com a base Iris, será gerado um gráfico dividido em 3 partes
iguais, pois os percentuais de cada flor serão iguais. A Figura 7 mostra tal divisão por
meio das cores das fatias do gráfico e do rótulo – texto – indicando o percentual.

Iris

setosa (33.33%)

versicolor (33.33%)
virginica (33.33%)
Figura 7 – Gráfico de pizza gerado utilizando a função pie()

Pacote ggplot2
O pacote ggplot2 foi desenvolvido por Hadley Wickham em sua tese de douto-
rado e hoje é a maneira mais usual de construir gráficos na linguagem R. Isso por-
que o ggplot2 segue os princípios fundamentais para a criação de gráficos: dados,
rótulos, anotações, sistemas de coordenadas. Esses princípios foram organizados
em camadas.

16
As vantagens de usar o ggplot2 são:
• Facilidade de edição de gráficos;
• Padronização das funções, diminuindo o tempo de aprendizado;
• Diversidade de tipos de gráficos;
• visualização mais agradável aos olhos.

Após instalar e indicar o uso do pacote ggplot2, vamos carregar novamente a


base de dados Iris. Execute o comando “ggplot(data=iris)”. A Figura 8 apresenta
o resultado da execução da linha de comando anterior, um quadrado cinza.

Isso ocorreu porque o comando ggplot criou a camada base ou fundo do gráfico.
Como só indicamos a base de dados mapeada para esse gráfico e não imputamos o
que é o eixo x e o eixo y, tudo que é relacionado as coordenadas ficou em branco.

Figura 8 – Resultado da execução da função ggplot() indicando somente o conjunto de dados

Para resolver esse problema, devemos imputar os parâmetros x e y para a função


aes() e indicar o tipo de gráfico que desejamos fazer. Por exemplo, para um gráfico
de pontos devemos utilizar o geom_point.

Podemos definir a sintaxe básica para a geração de um gráfico simples como:


ggplot(dado, aes(dado$x, dado$y))+ tipo_de_grafico. Um exemplo prático,
vamos refazer o gráfico de pontos, no qual todos eles possuem a mesma cor:
ggplot(iris,aes(x=Sepal.Length,y=Sepal.Width))+geom_point().

17
17
UNIDADE Visualização de Dados

4.5

4.0

3.5
Sepal.Width

3.0

2.5

2.0
5 6 7 8
Sepal.Lenght

Figura 9 – Gráfico de pontos gerado utilizando o pacote ggplot2

Agora vamos deixar os pontos coloridos, separados por classe. Para tanto iremos
usar o parâmetro “colour“, dentro da função aes, de acordo com o exemplo a seguir:

ggplot(iris,aes(x=Sepal.Length, y=Sepal.Width, colour = as.factor(Species)))+

geom_point()

O gráfico resultante terá além dos pontos coloridos uma legenda de forma auto-
mática, conforme a Figura 10:

4.5

4.0

3.5
Sepal.Width

as.factor (Species)
setosa
3.0 versicolor
virginica

2.5

2.0
5 6 7 8

Sepal.Lenght

Figura 10 – Gráfico de pontos separado por classe

Para todos os gráficos gerados por meio do ggplot2 é possível a edição dos rótulos
para os eixos x e y e título utilizando as funções: xlab(), ylab() e ggtitle(), respectivamente.

18
A função Theme() pode ser utilizada para editar diversas características dos seus
gráficos como, por exemplo, o tamanho da fonte do título, o plano de fundo, a posição
da legenda, entre outros. O exemplo a seguir mostra a utilização das funções: xlab(),
ylab(), ggtitle() e theme().
ggplot(iris,aes(x=Sepal.Length,

y=Sepal.Width,

colour = as.factor(Species),

shape =as.factor(Species)))+

geom_point() + labs(fill = “Species”) +

xlab(“Tamanho”) +

ylab(“Comprimento”) +

ggtitle(“Sépala Iris”)+

theme( plot.title = element_text(size = 14,

face = “bold”),

axis.title = element_text(size = 12),

legend.title=element_blank(),

legend.text = element_text(size=10),

legend.position = “bottom”)

Após a execução da função anterior, temos um gráfico de pontos coloridos e for-


mas diferentes por classe. Foram editados o tamanho da fonte do título e a posição
da legenda, conforme mostra a Figura 11:

Sépala Iris
4.5

4.0

3.5
Comprimento

3.0

2.5

2.0
5 6 7 8
Tamanho
setosa versicolor virginica

Figura 11 – Gráfico de pontos com a edição dos eixos x, y e título.


Mudança das cores e forma dos pontos por classe

19
19
UNIDADE Visualização de Dados

Uma das questões mais importantes quando se trabalha com o ggplot, é que
os valores serão mostrados conforme o mapeamento dos eixos x e y da base de
dados. Caso queiramos refazer o gráfico de linhas senx e cosx, precisamos fazer
algumas alterações no data frame. Conforme exemplo a seguir:
linha = c(senx,cosx)
xbase = c(x,x)
legenda = c(“senx”,”senx”,”senx”,”senx”,”senx”,”senx”,”senx”,”senx”,
“senx”,”senx”,”senx”,”senx”,”senx”,”senx”,”senx”,”senx”,
“senx”,”senx”,”senx”,”senx”,”senx”,”cosx”,”cosx”,”cosx”,”cosx”,
“cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,
“cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”,”cosx”)
dtLinhas <- data.frame(xbase,linha,legenda)
#grafico de linhas
ggplot(dtLinhas,aes(xbase,linha, fill=legenda)) + geom_line()

Foi necessário criar um vetor de linhas contendo o valor senx e cosx, um vetor
contendo x duas vezes e um vetor do tipo texto contendo a “legenda” ou classe de
cada dado. Após isso, criou-se um data frame e pôde-se criar o gráfico.

1.0

0.5
Comprimento

0.0

-0.5

-1.0
0 5 10 15 20
xbase
Figura 12 – Gráfico de linhas seno x e cosseno x desenvolvido utilizando o ggplot2

A Figura 12 apresenta o resultado da execução do bloco de código anterior, no


qual apresenta um gráfico de linhas contendo duas linhas pretas. Isso ocorreu porque
só indicamos a variável de importância utilizando o parâmetro fill=legenda, para
colocar cores deve-se utilizar também o parâmetro colour.

20
O uso combinado dos gráficos de pontos e linhas algumas vezes facilita a compre-
ensão dos resultados por parte do usuário. Por isso, no bloco de código a seguir, te-
mos um exemplo da combinação desses gráficos, além da edição de linhas e formas.
ggplot(dtLinhas,aes(xbase,linha,colour=legenda))+

geom_line(aes(linetype= legenda))+

geom_point(aes(shape =legenda ))

A Figura 13 exibe o gráfico de linhas com pontos para os valores seno x e cosseno
de X, tendo as linhas com cores e preenchimentos diferentes por classe. Assim como
a forma dos pontos.

1.0

0.5

Legenda
Comprimento

0.0 cosx
senx

-0.5

-1.0
0 5 10 15 20
xbase
Figura 13 – Combinação dos gráficos de pontos e linhas

Os gráficos de barras – vertical ou horizontal – e de pizzas utilizam a mesma


função “geom_bar()”. Isso porque ambos trabalham com dados categorizados. No
parâmetro passado para a função “geom_bar()” podemos indicar se o gráfico será
de barras ou pizza.

Para gráficos de barras devemos indicar “geom_bar(stat=”identity”)”, para


os gráficos de pizza devemos indicar “geom_bar(width = 1) + coord_polar(“y”)”.
Execute o bloco de código a seguir alterando somente o parâmetro passado na
função “geom_bar()”. Como curiosidade também indicamos a alteração do parâ-
metro “fill” para “colour”.

ggplot(dtIris,aes(x=dtIris$Var1,y=dtIris$Freq, fill=Var1))+
geom_bar(stat=”identity”)

21
21
UNIDADE Visualização de Dados

Uma das funções mais utilizadas no ggplot2 é a “facet_grid()”, no qual é possí-


vel visualizar um mesmo gráfico agrupado pelo conteúdo indicado. Execute o bloco
de comandos a seguir:
ggplot(iris, aes(x=Petal.Width)) +

geom_histogram(bins=20) +

labs(x=”Comprimento da Pétala”, y=”Frequência”, title=”Iris”) +

facet_grid(~ Species)

O resultado exibido na Figura 14 é um gráfico de histograma separado pela espé-


cie de flores. Podemos verificar que o pico está na classe setosa. As classes versicolor
e virgínica possuem valores próximos.

Figura 14 – Histograma do comprimento da pétala separado por tipo de flor


Explor

Para melhor compreender o ggplot2 e sua utilização, acesse este link: http://bit.ly/2Ztw2fB

22
Material Complementar
Indicações para saber mais sobre os assuntos abordados nesta Unidade:

Sites
Gráficos com GGPLOT2
http://bit.ly/2ZxtEo3
Tipos de Gráficos Estatísticos
http://bit.ly/2ZBzpRL
GGPLOT2
http://bit.ly/2Ztw2fB
Principais Gráficos Estatísticos
http://bit.ly/2ZuRwsu

Leitura
CURSO-R
http://bit.ly/2ZrszOq
Tudo o que Você Precisa saber Sobre Gráficos de Pizza
http://bit.ly/3HB8KHG
O que é um Gráfico de Histograma?
http://bit.ly/3Y9ReS3

23
23
UNIDADE Visualização de Dados

Referências
CRAN. The Comprehensive R Archive Network. [20--]. Disponível em: <https://
cran.r-project.org>. Acesso em: maio 2019.

DA SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à Mineração de


Dados: com aplicações em R. Brasil: Elsevier, 2017.

DE OLIVEIRA, P. F.; GUERRA, S.; MCDONNEL, R. Ciência de Dados com R – intro-


dução. Brasília, DF: IBPAD, 2018. Disponível em: <https://www.ibpad.com.br/o-que-
-fazemos/publicacoes/introducao-ciencia-de-dados-com-r/>. Acesso em: Ago. 2019.

FERREIRA, E.; LISBOA, W. Introdução ao R. [20--]. Disponível em: <https://


bookdown.org/wevsena/curso_r_tce/curso_r_tce.html>. Acesso em: Jun. 2019.

WICKHAM, H. R for Data Science. [S.l.]: O’Reilly, 2017. Disponível em: <https://
r4ds.had.co.nz>. Acesso em: ago. 2019.

________. A Layered Grammar of Graphics. 2009. Disponível em: <http://


vita.had.co.nz/papers/layered-grammar.pdf>. Acesso em: ago. 2019.

________. Advanced R Syle Guide. [20--]. Disponível em: <http://adv-r.had.


co.nz/Style.html >. Acesso em: maio 2019.

24

Você também pode gostar