How to Use Box and Whisker Plots to Summarize Data Sets
Table of Contents
Os gráficos de caixas e de bigodes, comumente referidos como gráficos de caixas, estão entre as ferramentas gráficas mais eficientes para resumir grandes conjuntos de dados. Eles fornecem um resumo visual compacto que revela a distribuição, tendência central, variabilidade e potenciais outliers de um conjunto de dados em um único olhar. Originalmente desenvolvido pelo estatístico John Tukey nos anos 1970, os gráficos de caixas tornaram-se um básico na análise exploratória de dados em campos que vão desde finanças e saúde até engenharia e ciências sociais. Este artigo irá explicar todos os aspectos dos gráficos de caixas - desde a compreensão de seus componentes até construí-los e interpretá- los com confiança.
O que é uma caixa e um enredo de Whisker?
Um gráfico de caixa é uma forma padronizada de mostrar um conjunto de dados baseado num resumo de cinco números: o mínimo, o primeiro quartil (Q1), a mediana, o terceiro quartil (Q3) e o máximo. Consiste numa "box" retangular que abrange o intervalo interquartil (IQR) e os "whiskers" que se estendem para indicar o intervalo dos dados, excluindo outliers. Os Outliers, se presentes, são desenhados como pontos individuais para além dos bigodes. Esta visualização simples, mas poderosa, permite aos analistas comparar rapidamente distribuições e detectar valores incomuns.
Anatomia de um quadro
Compreender os cinco componentes de um gráfico de caixa é essencial para uma interpretação correta. Cada componente fornece uma informação específica sobre os dados.
O Resumo dos Cinco Números
- Mínimo: O menor ponto de dados que não é considerado um outlier. Em um gráfico padrão, o bigode inferior atinge este valor.
- Primeiro Quartil (Q1): A mediana da metade inferior dos dados. Vinte e cinco por cento dos dados caem abaixo do Q1.
- Mediana (Q2): O valor médio de todo o conjunto de dados quando ordenado em ordem ascendente. Ele divide os dados em duas metades iguais.
- Terceiro Quartil (Q3): A mediana da metade superior dos dados. Setenta e cinco por cento dos dados caem abaixo do Q3.
- Máximo: O maior ponto de dados que não é um outlier. O bigode superior termina neste valor.
O Intervalo Interquartil (IQR)
O IQR é a distância entre Q1 e Q3 (IQR = Q3 – Q1). Mede a propagação do meio 50% dos dados e é resistente a valores extremos. A caixa em um gráfico de caixa é desenhada de Q1 a Q3, e sua altura (ou largura, dependendo da orientação) representa visualmente o IQR. Uma caixa maior indica maior variabilidade na parte central dos dados.
Os Whiskers
Os Whiskers estendem-se das bordas da caixa até aos valores mínimos e máximos que se situam dentro de 1,5 vezes o IQR dos quartis. Especificamente, o bigode inferior vai para o ponto de dados mais pequeno maior ou igual a Q1 – 1,5 × IQR; o bigode superior vai para o maior ponto de dados menor ou igual a Q3 + 1,5 × IQR. Todos os pontos de dados fora desta gama são considerados outliers e são plotados individualmente como pontos, círculos ou asteriscos.
Como construir uma caixa Traçar passo a passo
A construção de um gráfico de caixa à mão ou o uso de software envolve um processo simples. Aqui está um passeio detalhado usando um conjunto de dados de amostra.
Passo 1: Organize os dados
Comece por ordenar os dados em ordem crescente. Por exemplo, considere os seguintes 20 valores: 12, 15, 17, 20, 22, 23, 25, 27, 28, 30, 31, 33, 35, 37, 40, 42, 45, 50, 55, 60.
Passo 2: Encontrar a Mediana (Q2)
Com um número par de observações (n=20), a mediana é a média dos 10 e 11 valores. O 10o valor é 30, e o 11o é 31, então a mediana é 30.5.
Passo 3: Encontrar Q1 e Q3
Q1 é a mediana da metade inferior (primeiros 10 valores): 12, 15, 17, 20, 22, 23, 25, 27, 28, 30. A mediana deste conjunto é a média dos 5o e 6o valores: (22 + 23) / 2 = 22.5. Q3 é a mediana da metade superior (últimos 10 valores): 31, 33, 35, 37, 40, 42, 45, 50, 55, 60. A média dos 5o e 6o valores: (40 + 42) / 2 = 41.
Passo 4: Calcular o QI e Determinar os Limites do Whisker
IQR = Q3 – Q1 = 41 – 22,5 = 18.5. A cerca inferior é Q1 – 1,5 × IQR = 22,5 – 27,75 = -5,25. Como o ponto mínimo de dados (12) está acima desta cerca, o bigode inferior estende-se até 12. A cerca superior é Q3 + 1,5 × IQR = 41 + 27,75 = 68,75. O ponto máximo de dados (60) está abaixo da cerca, de modo que o bigode superior se estende até 60.
Não há outliers presentes neste conjunto de dados.
Passo 5: Desenhe o Gráfico
Desenhar um eixo vertical (ou horizontal) escalado para os dados. Trace uma caixa de Q1 (22,5) para Q3 (41) com uma linha na mediana (30,5). Desenhar os bigodes da caixa para o mínimo (12) e máximo (60). Adicionar um título e etiquetas de eixos, conforme necessário.
Caixa de interpretação e tramas de Whisker
Uma vez construído, um gráfico de caixa revela várias características da distribuição de dados de uma olhada. Aprender a ler estes diz-lhe mais do que apenas os cinco números.
Espalhamento e Variabilidade
O comprimento da caixa (IQR) indica a propagação da metade média dos dados. As caixas mais longas significam mais variabilidade; as caixas mais curtas indicam que os dados estão concentrados em torno da mediana. O intervalo total (máx.–min) mostrado pelos bigodes também dá uma ideia de propagação geral, mas tenha em mente que os bigodes são limitados pela regra mais externa, de modo que os bigodes extremamente largos podem indicar a presença de estranhos na borda.
Centro e Posição
A linha mediana dentro da caixa mostra a tendência central. Se a mediana estiver centrada dentro da caixa, os dados médios são aproximadamente simétricos. Se a mediana estiver mais próxima da parte inferior da caixa (i.e., perto do Q1), os dados são positivamente distorcidos — a maior parte dos dados está no lado inferior, com uma cauda longa para cima. Por outro lado, se a mediana estiver perto do topo da caixa, os dados são negativamente distorcidos.
Esquema e Simetria
Além da posição mediana, os comprimentos relativos dos bigodes também indicam assimetria. Um bigode superior mais longo em comparação com o bigode inferior sugere uma distribuição direita (espelho positivo). Um bigode mais baixo sugere um bigode esquerdo (espelho negativo). Comprimentos iguais do bigode e um ponto mediano centrado em direção a uma distribuição simétrica.
Anónimos
Pontos plotados para além dos bigodes são potenciais outliers. Estas são observações que caem mais de 1,5 IQR dos quartis. Os outliers podem indicar erros de entrada de dados, anomalias experimentais ou valores genuinamente extremos que merecem uma investigação mais aprofundada. Em alguns contextos, pontos além de 3 IQR são considerados outliers extremos e são plotados com um símbolo diferente.
Aplicações Práticas de Gráficos de Caixas
Os gráficos de caixas são usados em várias disciplinas para análise e comparação exploratória rápida.
Saúde e Medicina
Pesquisadores usam gráficos de caixas para comparar os resultados dos pacientes em grupos de tratamento, como leituras de pressão arterial antes e depois da medicação.
Finanças
Os analistas empregam gráficos de caixas para visualizar a distribuição de retornos de ações, riscos de portfólio ou pontuações de crédito. Um gráfico de retornos de caixas em diferentes setores pode revelar quais setores têm maior volatilidade (QI mais amplo) ou são desviados para perdas.
Educação
Os resultados dos testes de diferentes salas de aula ou escolas podem ser comparados lado a lado, utilizando gráficos de caixas, o que ajuda a identificar disparidades no desempenho e detectar escolas onde alguns alunos pontuam muito acima ou abaixo da norma.
Fabricação e Controle de Qualidade
As parcelas de caixas são usadas para monitorar saídas de processos. Por exemplo, o diâmetro dos parafusos fabricados pode ser plotado ao longo do tempo; uma mudança súbita na mediana ou aumento do QI indica uma mudança de processo.
Erros comuns para evitar quando se usa a caixa
Enquanto os gráficos de caixas são simples, ocorrem interpretações erradas. Mantenha essas armadilhas em mente.
- Ignorando o tamanho da amostra: As parcelas de caixas não mostram o número de observações. Duas parcelas de caixas com resumos idênticos de cinco números podem ter tamanhos de amostra muito diferentes, afetando a confiança nas estimativas.
- Assumindo normalidade: Os gráficos de caixas não são paramétricos e não fazem suposições sobre a forma da distribuição. No entanto, um gráfico de caixas com uma aparência simétrica não garante uma distribuição normal — ele só mostra a mediana e os quartis.
- Identificar desordenados sem contexto: Um ponto fora dos bigodes é chamado de um outlier pela regra 1.5×IQR, mas isso não significa automaticamente que esteja errado. Em alguns campos, como o financiamento, são esperados valores extremos. Sempre investigue outliers no contexto dos dados.
- Comparando gráficos de caixa com diferentes escalas: Ao comparar múltiplos gráficos de caixa, certifique-se de que a escala do eixo é consistente. Diferenças na escala podem exagerar ou ocultar variação.
Variações de Gráficos de Caixas Avançadas
Existem várias modificações no gráfico padrão para transmitir informações adicionais.
Gráficos de Caixas Entalhadas
As entalhes em torno da mediana indicam um intervalo de confiança (geralmente 95%) para a mediana. Se as entalhes de duas parcelas de caixa não se sobrepõem, há fortes evidências de que suas medianas diferem. Esta é uma adição útil para comparações formais.
Gráficos de Largura Variáveis
Nestes gráficos, a largura da caixa é proporcional à raiz quadrada do tamanho da amostra. Isto comunica visualmente a precisão das estimativas — caixas mais largas indicam tamanhos maiores de amostra.
Gráficos de Caixa com Pontos Médias
Alguns analistas adicionam um marcador (por exemplo, um diamante) para a média dentro da caixa. Isto ajuda a comparar média vs. mediana e avaliar a inclinação diretamente.
Gráficos de Caixas Agrupadas
Os gráficos de várias caixas são frequentemente colocados lado a lado no mesmo eixo para comparar distribuições entre categorias. Por exemplo, um gráfico de caixas agrupado pode mostrar preços de casas em diferentes cidades.
Ferramentas para criar caixas e gráficos de Whisker
Você não precisa calcular tudo à mão. Muitas ferramentas de software e bibliotecas podem gerar gráficos de caixa rapidamente.
- Excel e Planilhas Google: Ambos oferecem tipos de gráficos de gráficos de caixa incorporados em versões recentes. Você pode criá- los a partir do menu Inserir Gráfico. Página de suporte da Microsoft guia-o através do processo.
- R: A função na base R e o pacote fornecem uma vasta personalização. Galeria de Gráficos R oferece exemplos.
- Python: Os de Matplotlib e os de Seaborn são populares. Documentação Matplotlib explica parâmetros.
- Ferramentas online: Sites como Matemática é divertida fornecer geradores de gráficos de caixa interativos para uma aprendizagem rápida.
- Software estatístico: O SPSS, Stata e Minitab incluem a funcionalidade de gráfico de caixa com menus e opções para entalhes e larguras variáveis.
Gráficos de Caixas em Fluxos de Trabalho de Dados Modernos
Nos modernos pipelines de dados, os gráficos de caixas são gerados automaticamente como parte do perfil de dados antes da modelagem. Eles podem ser integrados em painéis e relatórios para fornecer visibilidade em tempo real na qualidade dos dados. Directus, os dados de APIs podem ser transformados e visualizados em interfaces de análise personalizada que incluem gráficos de caixas, ajudando stakeholders não técnicos a entender distribuições de dados sem escrever código.
Conclusão
Os gráficos de caixas e bigodes são indispensáveis para resumir os conjuntos de dados de forma eficiente. Ao agarrar o resumo de cinco números, o IQR e as regras de outros níveis, você poderá construí- los manualmente ou usando software e interpretá- los para revelar spread, skewness e anomalias. Incorporar gráficos de caixas na sua rotina de análise de dados exploratória irá aprofundar a sua compreensão dos dados e permitir decisões mais informadas. Quer seja estudante, cientista, analista de negócios ou desenvolvedor, os gráficos de caixas de domínio são uma habilidade fundamental na idade das informações orientadas para dados.