Como construir gráficos para artigo técnico

Exploração de dados

Comunicação

Author

Marcelo Carvalho dos Anjos

Published

September 28, 2022

Vídeo tema para este post em Como construir gráficos para artigo técnico

O que é um gráfico

Um meio eficiente de representação e comunicação de dados e pode conter uma quantidade de significativa de informação.
Formato visual de representação de dados que é interpretado em grande velocidade pelo cerebro e que permite ações ou decisões mais rápidas.

Qual o objetivo

Facilitar a identificação de padrões, tendências e discrepancias nos dados transformando em informações.
Permitir ações imediatas ou gerar informação complementar para que ações possam ser tomadas posteriormente.

De onde vem a demanda

Necessidade de representação de dados que potencialize o desenvolvimento de estratégias e ações.
Necessidade de algo que fortaleça o argumento em um estudo ou pesquisa.

Como fazer

Para reproduzir os códigos abaixo serão necessários os pacotes tidyverse , ggpmisc, janitor, qcc, ggpubr, ggQC, quantmod e ggalluvial

library(tidyverse)
library(ggpubr)
library(ggpmisc)
library(qcc)
library(ggQC)
library(quantmod)
library(easyalluvial)

Gráfico de comparação

group_compar1 <- 
  list(c("4","6"),
       c("6","8"),
       c("4","8"))

mtcars %>% 
  ggboxplot(x = "cyl",
            y= "mpg",
            fill = "cyl",
            palette = "uchicago")+
  stat_compare_means(comparisons = group_compar1)

Plotando estatístics no corpo do gráfico.

mtcars %>% 
  ggplot(aes(x = wt, y = mpg))+
  geom_point()+
  stat_fit_tb(method = "lm",
              label.x = "right",
              method.args = list(formula = y~x),
              table.theme = ttheme_gtdark())

Plotando fórmulas no corpo do gráfico.

mtcars %>% 
  ggplot(aes(x = wt, y = mpg))+
  geom_point()+
  stat_correlation(use_label(c("r", "t", "p")),
                   label.x = "right")

Plotando dados no corpo do gráfico.

tbl_median_mtcars <- 
  mtcars %>% 
  select(mpg, hp, cyl) %>% 
  group_by(cyl) %>% 
  summarise(across(where(is.numeric), median)) %>% 
  ungroup()

data_trans_mtcars <- tibble(x = 5.40, y = 34, tb = list(tbl_median_mtcars))

mtcars %>% 
  ggplot(aes(x = wt, y = mpg, color = factor(cyl)))+
  geom_point()+
  geom_table(data= data_trans_mtcars, aes(x=x, y=y, label = tb))

Gráfico de cause efeito.

qcc::cause.and.effect(
  cause = list(
    medida = c("metrica errada"),
    maquin = c("defeito"),
    metodo = c("treinamento")
      ),
  effect = "efeito"
)

Modelo para auxiliar na escolha de gráfico de controle.

Gráfico X bar de controle de processo.

data("pistonrings")

data_pistonring <- as_tibble(pistonrings)

qcc(data_pistonring$diameter,
                type = "xbar.one",
                rules = shewhart.rules)

List of 11
 $ call      : language qcc(data = data_pistonring$diameter, type = "xbar.one", rules = shewhart.rules)
 $ type      : chr "xbar.one"
 $ data.name : chr "data_pistonring$diameter"
 $ data      : num [1:200, 1] 74 74 74 74 74 ...
  ..- attr(*, "dimnames")=List of 2
 $ statistics: Named num [1:200] 74 74 74 74 74 ...
  ..- attr(*, "names")= chr [1:200] "1" "2" "3" "4" ...
 $ sizes     : int [1:200] 1 1 1 1 1 1 1 1 1 1 ...
 $ center    : num 74
 $ std.dev   : num 0.01
 $ nsigmas   : num 3
 $ limits    : num [1, 1:2] 74 74
  ..- attr(*, "dimnames")=List of 2
 $ violations:List of 2
 - attr(*, "class")= chr "qcc"

Gráfico de pareto.

data_defeito <- 
  tribble(~"tipo", ~"qtd", ~"custo",
          "riscos", 201, 4287.60,
          "Manchas",78,2423.46,
          "Dobras",47,1118.60,
          "Furos",31,8946.60,
          "Rasgos",15,1864.05)

pareto_defeito <- 
  data_defeito %>% 
  ggplot(aes(x = tipo, y= qtd))+
  stat_pareto(bars.fill = "lightblue")

pareto_custo <- 
  data_defeito %>% 
  ggplot(aes(x = tipo, y= custo))+
  stat_pareto(bars.fill = "navy")

data_defeito %>% 
  ggplot(aes(x = tipo, y = custo))+
  stat_pareto(bars.fill = "navy")+
  annotate("plot_npc", 
            npcx = "right", 
            npcy = "middle",
            label =pareto_defeito )

Gráfico de sentimento candlestick chart.

getSymbols("MORTGAGE30US", src= "FRED")

[1] "MORTGAGE30US"

chart_Series(MORTGAGE30US)

getSymbols("VIXCLS", src= "FRED")

[1] "VIXCLS"

chart_Series(VIXCLS)

getSymbols("DGS10", src= "FRED")

[1] "DGS10"

chart_Series(DGS10)

getSymbols("VALE")

[1] "VALE"

chartSeries(VALE)

Gráfico de análise multidimensional Alluvial.

plot_mtcars <- 
  mtcars %>% 
  alluvial_wide(max_variables = 5) 
  
add_marginal_histograms(plot_mtcars, mtcars)

Gráfico PCA

iris %>% 
  select(-Species) %>% 
  prcomp(center = TRUE, scale. = TRUE) %>% 
  factoextra::fviz_pca_biplot(geom.ind = "point",
                              habillage = iris$Species,
                              addEllipses = TRUE)

Pra onde vai quem é o cliente

Etapas de analise de resultados, validação, modelagem ou comunicação.
Inclusão em documento técnico reproduzível.
Comunicação de descobertas ou resultados de trabalhos técnicos
Documentação ou treinamento de pessoal.

Qual o resultado

Aperfeiçoar as técnicas de representação, exploração e comunicação de estudos técnicos.
Facilitar o entendimento das informações contidas nos documentos técnicos poupando tempo e dinheiro, permitindo a replicação e experimentos e consequentemente busca por melhoria.
Facilitar o reconhecimento de registros, estudos, descobertas em pesquisas futuras.