O que é um enredo de dispersão?

Um gráfico de dispersão é uma ferramenta de visualização fundamental em estatísticas e ciência de dados, usada para explorar a relação entre duas variáveis quantitativas. Ao plotar observações individuais como pontos em uma grade bidimensional, um gráfico de dispersão revela padrões, tendências, clusters e outliers que podem de outra forma permanecer ocultos em uma tabela de números. Para pesquisadores, analistas e estudantes, dominar o gráfico de dispersão é essencial para análise exploratória de dados, geração de hipóteses e comunicação de achados claramente.

Cada observação em um conjunto de dados é mapeada a um ponto cuja posição é determinada pelos valores de duas variáveis. Uma variável é atribuída ao eixo horizontal (eixo x) e a outra ao eixo vertical (eixo y). A coleta resultante de pontos forma um padrão visual que indica o tipo e a força da relação, se houver, entre as variáveis. O conceito remonta ao trabalho de Francis Galton e Karl Pearson no final do século XIX, que usaram gráficos de dispersão para estudar correlações em dados biológicos e sociais. Hoje, os gráficos de dispersão são um ponto fundamental em campos que vão da economia e medicina à engenharia e marketing. Eles fornecem uma forma intuitiva de avaliar linearidade, monotonicidade e a presença de subgrupos ou anomalias.

Quando Usar um Gráfico de Dispersão

Os gráficos de dispersão são mais valiosos nas fases iniciais da análise, quando você precisa entender o comportamento de duas variáveis numéricas juntas. Use- as quando quiser:

  • Explore a forma de um relacionamento – É linear, logarítmico, exponencial ou curvilinear?
  • Verificar se há outliers – Pontos que se desviam longe do padrão geral podem sinalizar erros de entrada de dados ou casos especiais que valem a pena investigar.
  • Identificar agrupamentos ou subgrupos – Grupos densas de pontos podem indicar categorias distintas ou segmentação natural em seus dados.
  • Resistência à correlação do calibre – A inspeção visual do spread de ponto é uma verificação rápida da realidade antes de calcular coeficientes numéricos.
  • Verificar os pressupostos para posterior modelagem – Muitos métodos estatísticos assumem linearidade e homocedasticidade; um gráfico de dispersão ajuda a validar esses pressupostos.

Quando o número de observações é pequeno (menos de 100), o gráfico de dispersão básico funciona bem. Para conjuntos de dados maiores, você pode precisar ajustar a transparência ou usar métodos de binning (discussed posterior) para evitar sobreplotting.

Como criar um gráfico de dispersão

Construir um gráfico de dispersão envolve um processo simples, mas a atenção ao detalhe garante que o gráfico resultante é preciso e interpretável.

Construção passo a passo

  1. Selecione suas variáveis. Escolha duas variáveis quantitativas que você suspeita que podem estar relacionadas. Por exemplo, anos de experiência e salário, ou temperatura e vendas de sorvete. Se uma variável é claramente explicativa (independente) e a outra é resposta (dependente), coloque a variável explicativa no eixo x.
  2. Recolha e limpe os seus dados. Certifique-se de que as observações estão emparelhadas corretamente. Lide com valores em falta removendo pares incompletos ou imputando com técnicas válidas. Remova pontos de dados duplicados ou errôneos que possam distorcer o padrão.
  3. Rotular os eixos claramente. Incluir unidades de medição (por exemplo, "Horas Estudiadas por Semana" e "Score de Exemplo (0–100)"). Escolha uma escala que abranja o intervalo de dados sem distorcer a impressão visual. Para a maioria dos fins, as escalas lineares são apropriadas.
  4. Trace cada observação. Para cada par de dados, localize a coordenada x no eixo horizontal e a coordenada y no eixo vertical, marcando então um ponto nessa intersecção. Use um símbolo consistente como um círculo sólido. Para conjuntos de dados grandes, considere marcadores menores ou maior transparência.
  5. Analise o padrão resultante. Procure por direção geral (para cima, para baixo, plana), forma (linear, curvada), força (aglomerada e bem espalhada), e características incomuns (exteriores, lacunas, clusters).

Criar Gráficos de Dispersão com Ferramentas Comuns

Python (Matplotlib/Seaborn): Use ou . Ambos oferecem opções extensas para cor, tamanho e transparência.

R (ggplot2): A função dentro de uma chamada cria gráficos de dispersão. Mapeamentos estéticos como e facilmente adicionam dimensões.

Excel: Inserir um gráfico de dispersão do grupo Gráficos. O Excel escolhe automaticamente eixos numéricos e permite a formatação de estilos de marcadores.

Tabuleiro: Arraste dois campos numéricos para as prateleiras Colunas e Linhas. O Tableau constrói automaticamente um gráfico de dispersão; você pode então adicionar cores, tamanho e dicas com campos adicionais.

Interpretando padrões de diagramação de dispersão

O verdadeiro poder de uma trama de dispersão reside na leitura da história que os pontos contam. Aqui estão os padrões mais comuns e o que eles significam.

Positivo, Negativo e Sem Correlação

A relação mais simples para identificar é a correlação linear:

  • Correlação positiva: À medida que a variável eixo x aumenta, a variável eixo y tende a aumentar. Os pontos se aglomeram ao longo de uma linha inclinando-se para cima da esquerda para a direita. Exemplo: horas de treino e desempenho de habilidade.
  • Correlação negativa: À medida que a variável eixo x aumenta, a variável eixo y tende a diminuir. Aglomeração de pontos ao longo de uma linha descendente. Exemplo: velocidade do veículo e eficiência de combustível (até um ponto).
  • Nenhuma correlação: Os pontos estão dispersos sem qualquer tendência discernível. Os valores de uma variável não estão sistematicamente relacionados com a outra. Exemplo: tamanho do sapato e pontuação do QI.

Força de Correlação

A força de correlação refere- se à forma como os pontos se agrupam em torno de uma linha ou curva. Uma forte correlação mostra pontos próximos a uma linha de tendência clara; uma correlação fraca mostra pontos espalhados amplamente. A força é quantificada frequentemente usando o coeficiente de correlação (discussado abaixo), mas visualmente você pode medi- la pela densidade da nuvem de pontos.

Relações não lineares

Nem todas as relações são lineares. Um gráfico de dispersão pode revelar um padrão curvo, como crescimento exponencial, decaimento logarítmico ou Forma em U Por exemplo, a relação entre estresse e desempenho muitas vezes segue uma curva invertida (lei de Yerkes-Dodson). Detectar a não linearidade precocemente pode guiá-lo a aplicar transformações ou métodos não paramétricos em modelagem posterior.

Agregados, Aglomerados e Lacunas

Os outliers são pontos individuais que se encontram longe do principal corpo de dados. Eles podem indicar erros de entrada de dados, casos especiais ou observações genuinamente extremas. Os clusters são grupos de pontos que estão próximos, mas separados de outros grupos, sugerindo a presença de subgrupos dentro do conjunto de dados. Por exemplo, um gráfico de dispersão de renda do cliente versus gastos podem revelar dois clusters que representam consumidores conscientes de orçamento e de luxo. Gaps – espaços vazios entre clusters – podem indicar uma categoria em falta ou uma descontinuidade na população subjacente.

Heterocedasticidade

Um padrão em que a propagação de pontos muda através do intervalo do eixo x é chamado heterocedasticidade. Por exemplo, erros de previsão podem aumentar à medida que a variável independente cresce. Esta condição viola suposições de muitos modelos de regressão e é facilmente visto em um gráfico de dispersão.

Correlação de Medição: O Coeficiente de Correlação

Enquanto os gráficos de dispersão fornecem uma avaliação visual, o coeficiente de correlação oferece uma medida numérica da força e direção de uma relação linear.

O que é que o seu médico pode fazer?

O coeficiente mais comum é O que é que o seu médico pode fazer?, que varia de –1 a +1. Um valor de +1 indica correlação linear positiva perfeita, –1 indica correlação linear negativa perfeita, e 0 indica não correlação linear. O r de Pearson é sensível a outliers e assume uma relação linear, então sempre verifique o gráfico de dispersão primeiro antes de depender apenas do coeficiente.

Correlação de Spearman

Quando os dados são ordinais ou a relação é monotônica, mas não linear, Correlação de Spearman Avalia como a relação entre duas variáveis pode ser descrita usando uma função monotônica. As fileiras dos dados são utilizadas em vez de valores brutos, tornando-a robusta para outliers e distribuições não-normais.

Coeficiente de determinação (R2)

Em contextos de regressão, R2 expressa a proporção de variância na variável y que é explicada pela variável x. É simplesmente o quadrado do r de Pearson para uma regressão linear simples, mas torna-se uma medida multivariada quando mais preditores estão envolvidos. Um R2 elevado (próximo de 1) sugere que a linha de regressão se encaixa bem nos dados, mas novamente, sempre inspecionar o gráfico de dispersão para garantir que a relação é verdadeiramente linear.

Pistácios comuns ao usarem enlates de dispersão

Mesmo analistas experientes podem interpretar mal os gráficos de dispersão. Evite estes erros:

A correlação não implica em causar

A única precaução mais importante: uma forte correlação num gráfico de dispersão não prova que uma variável causa a outra. Um terceiro fator sem observação (um fator de confusão) pode explicar a relação. Por exemplo, as vendas de sorvete e os incidentes de afogamento aumentam tanto no verão, mas comprar sorvete não causa afogamento. A variável de espreita é o tempo quente, que conduz ambos. Sempre considere explicações alternativas.

Variáveis confusas e Paradoxo de Simpson

Os fatores de confusão podem distorcer ou até mesmo reverter a relação aparente entre duas variáveis. Paradoxo de Simpson. Estratificar o gráfico de dispersão por uma terceira variável (por exemplo, codificação de cores por sexo ou região) pode revelar subgrupos com tendências opostas. Ignorar o confundidor leva a conclusões enganosas.

Sobreposição e transparência

Quando os conjuntos de dados contêm centenas ou milhares de pontos, ocorre sobreposição de pontos, padrões obscuros. As soluções incluem tornar os pontos parcialmente transparentes, usar marcadores menores ou aplicar técnicas como binning de hexbin ou contornos de densidade 2D. Ajuste sempre o tamanho e opacidade de ponto para corresponder ao volume de dados.

Extrapolação inadequada

Um gráfico de dispersão mostra apenas a relação dentro do intervalo observado dos dados. A extensão da linha de tendência para além do mínimo ou máximo do eixo x é arriscada, porque a relação pode mudar para além desse intervalo. Evite extrapolar a menos que tenha uma forte justificação teórica.

Ignorar a Escala

Escolher uma escala estreita pode exagerar uma relação fraca, enquanto uma escala larga pode minimizar uma forte. Examine sempre os intervalos do eixo e considere se a escala é adequada para os dados. Para comparações justas entre múltiplos gráficos de dispersão, mantenha as escalas consistentes.

Falácia Ecológica

Quando os gráficos de dispersão são baseados em dados agregados (por exemplo, médias de nível nacional), o padrão pode não ser mantido a nível individual. falácia ecológica Sempre que possível, utilize dados a nível individual para evitar conclusões enganosas sobre subgrupos.

Personalizações avançadas do gráfico de dispersão

Uma vez que você domina o gráfico de dispersão básico, você pode estendê-lo para transmitir informações adicionais.

Codificação de cores por categoria

Adicione uma terceira variável categórica por pontos de coloração baseados em grupos (por exemplo, masculino vs. feminino, controle vs. tratamento). Isto revela instantaneamente se as relações diferem entre subgrupos sem criar gráficos separados. Use uma paleta de cores perceptualmente uniforme para acessibilidade.

Gráficos de bolhas (Cadastrar o Tamanho)

Varie o tamanho de cada ponto para representar uma terceira variável numérica. Um gráfico de bolhas pode mostrar, por exemplo, a relação entre gasto publicitário (eixo x) e receita (eixo y), com tamanho bolha indicando market share. Tenha cuidado com o dimensionamento para evitar impressões visuais enganosas – escalar a área, não o raio, dos marcadores.

Adicionando Linhas Tendências

Sobreponha uma linha de melhor ajuste (regressão linear, LOESS, ou polinomial) para enfatizar a direção e forma global. Linhas de tendência ajudam o olho a seguir o padrão, especialmente em dados barulhentos. Inclua bandas de confiança para mostrar incerteza em torno da tendência.

Matriz de Gráficos de Dispersão (SPLOM)

Para explorar relações entre muitas variáveis simultaneamente, uma matriz de gráfico de dispersão exibe gráficos de dispersão em uma grade emparelhada. Isto é especialmente útil nas fases iniciais da análise multivariada para detectar colinearidade, clusters e potenciais preditores para modelagem.

Faces e Múltiplos Pequenos

Em vez de um gráfico de dispersão desordenado com muitas categorias, crie painéis separados (facetas) para cada nível de uma variável categórica. Esta técnica, conhecida como pequenos múltiplos, permite que você compare padrões entre grupos sem pontos sobrepostos.

Gráficos de Dispersão Interactivas

Ferramentas como Plotly e D3.js permitem recursos interativos, como dicas de hover, zoom e escovação. A interatividade é inestimável ao explorar grandes conjuntos de dados, pois você pode filtrar, destacar subgrupos e inspecionar dinamicamente pontos individuais.

Exemplo prático: Explorando um conjunto de dados reais

Considere o clássico Conjunto de dados da íris, que contém comprimento sépala, largura sépala, comprimento pétala e largura pétala para três espécies de flores de íris. Um gráfico de dispersão de comprimento pétala (eixo x) versus largura pétala (eixo y) revela uma forte relação linear positiva. Quando colorida por espécies, você vê três grupos distintos: Iris setosa forma um conjunto apertado na parte inferior esquerda, enquanto Iris versicolor e Iris virginica forma dois clusters sobrepostos mais acima. Sem o gráfico de dispersão, estes padrões seriam invisíveis em uma tabela de números. Este exemplo demonstra como gráficos de dispersão podem simultaneamente mostrar diferenças de correlação, agrupamento e subgrupo.

Conclusão

Os gráficos de dispersão são indispensáveis para detectar e comunicar relações entre variáveis. Quer esteja a analisar dados experimentais, a monitorizar métricas de negócios ou a ensinar estatísticas, um gráfico de dispersão bem construído pode revelar insights que as tabelas e estatísticas de síntese por si só não conseguem. Lembre-se de emparelhar a interpretação visual com medidas quantitativas como o coeficiente de correlação, e sempre estar atento a fatores de confusão, outliers e padrões não lineares. Com a prática, o gráfico de dispersão torna-se uma das ferramentas mais versáteis do seu kit de análise de dados.

Para leituras posteriores, explore Estatísticas Como orientar os coeficientes de correlação, o Série Khan Academy em parcelas de dispersão, e um pensativo coleta de correlações espúrias Para um mergulho mais profundo no paradoxo de Simpson, veja este artigo da Wikipédia com exemplos, e para exemplos interativos de gráficos de dispersão, visite Documentação do enredo.