Princípios de Edward Tufte

A arte de não mentir com dados

Autor

Henrique Alvarenga da Silva

Data de Publicação

9 de março de 2026

Introdução

Edward Tufte é amplamente reconhecido como o “Galileu dos Gráficos” — um estatístico e artista visual cuja obra revolucionou a forma como pensamos sobre visualização de dados. Seus princípios não são apenas dicas estéticas; são fundamentos científicos sobre como os humanos interpretam informação visual. Neste capítulo, você aprenderá a aplicar esses princípios para criar gráficos que comunicam com integridade e clareza.

Quem é Edward Tufte?

Edward Tufte é um estatístico americano, professor emérito da Universidade de Yale e autoridade mundial em visualização de dados. Seu trabalho comenzou na década de 1980 e revolucionou o campo com obras seminais como:

  • The Visual Display of Quantitative Information (Tufte, 2001) — O livro fundador sobre design de gráficos
  • Envisioning Information (Tufte, 1990) — Sobre multidimensionalidade e densidade de informação
  • Visual Explanations (Tufte, 1997) — A importância de causação e documentação visual

Tufte argumenta que gráficos ruins não são apenas feios — são enganosos. Eles podem distorcer a percepção dos dados, enganar leitores (às vezes intencionalmente) e levar a decisões ruins em medicina, negócios e política. Seus princípios nos ensinam a ser honestos com os dados.

Princípio 1: Data-Ink Ratio (Razão Dados-Tinta)

O Conceito

A Data-Ink Ratio é a proporção de “tinta” (pixels na tela) dedicada a representar dados, versus tinta usada em decoração desnecessária:

\[\text{Data-Ink Ratio} = \frac{\text{Tinta usada para dados}}{\text{Tinta total no gráfico}}\]

ImportantePrincípio de Tufte

Maximize o Data-Ink Ratio. Remova cada elemento que não contribui diretamente à compreensão dos dados.

Demonstração Prática: Removendo Elementos Desnecessários

Vamos começar com um gráfico padrão e progressivamente remover elementos decorativos:

Ver código R 
# Preparar dados agregados
glicose_por_biotipo <- pacientes |>
  group_by(biotipo) |>
  summarise(
    media_glicose = mean(glicose, na.rm = TRUE),
    desvio = sd(glicose, na.rm = TRUE),
    n = n(),
    .groups = 'drop'
  ) |>
  mutate(se = desvio / sqrt(n))

# Versão 1: Padrão (com muito chartjunk)
p1 <- glicose_por_biotipo |>
  ggplot(aes(x = biotipo, y = media_glicose, fill = biotipo)) +
  geom_col(width = 0.7) +
  geom_errorbar(aes(ymin = media_glicose - se, ymax = media_glicose + se),
                width = 0.2, color = "black", size = 1) +
  scale_fill_manual(values = paleta_cat) +
  theme(
    plot.background = element_rect(fill = "lightgray", color = "black", size = 2),
    panel.background = element_rect(fill = "white", color = "black", size = 2),
    panel.grid.major.y = element_line(color = "white", size = 1),
    panel.grid.minor.y = element_line(color = "lightblue", size = 0.5),
    legend.background = element_rect(fill = "lightyellow", color = "black", size = 1),
    axis.text = element_text(size = 12, color = "black", face = "bold"),
    plot.title = element_text(size = 14, face = "bold", color = "darkblue")
  ) +
  labs(
    title = "Versão 1: Com 'Chartjunk'",
    x = "Biótipo",
    y = "Glicose Média (mg/dL)",
    fill = "Biótipo"
  )

# Versão 2: Remover cores decorativas (manter cor funcional)
p2 <- glicose_por_biotipo |>
  ggplot(aes(x = biotipo, y = media_glicose)) +
  geom_col(fill = cores$azul, width = 0.7, color = "black", size = 0.5) +
  geom_errorbar(aes(ymin = media_glicose - se, ymax = media_glicose + se),
                width = 0.2, color = "black", size = 0.5) +
  theme_minimal() +
  theme(
    panel.grid.major.x = element_blank(),
    panel.grid.minor = element_blank(),
    axis.text = element_text(size = 11),
    plot.title = element_text(size = 13, face = "bold")
  ) +
  labs(
    title = "Versão 2: Sem cores decorativas",
    x = "Biótipo",
    y = "Glicose Média (mg/dL)"
  )

# Versão 3: Remover grid lines (dados já são lidos pelo eixo Y)
p3 <- glicose_por_biotipo |>
  ggplot(aes(x = biotipo, y = media_glicose)) +
  geom_col(fill = cores$azul, width = 0.7, color = "black", size = 0.5) +
  geom_errorbar(aes(ymin = media_glicose - se, ymax = media_glicose + se),
                width = 0.15, color = "black", size = 0.5) +
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    axis.line = element_line(color = "black", size = 0.5),
    axis.text = element_text(size = 11),
    plot.title = element_text(size = 13, face = "bold")
  ) +
  labs(
    title = "Versão 3: Sem grid lines",
    x = "Biótipo",
    y = "Glicose Média (mg/dL)"
  )

# Versão 4: Remover molduras (spines)
p4 <- glicose_por_biotipo |>
  ggplot(aes(x = biotipo, y = media_glicose)) +
  geom_col(fill = cores$azul, width = 0.5, color = "black", size = 0.4) +
  geom_errorbar(aes(ymin = media_glicose - se, ymax = media_glicose + se),
                width = 0.1, color = "black", size = 0.4) +
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    axis.line.y = element_line(color = "black", size = 0.5),
    axis.line.x = element_blank(),
    axis.text = element_text(size = 11),
    axis.ticks.x = element_blank(),
    plot.title = element_text(size = 13, face = "bold")
  ) +
  labs(
    title = "Versão 4: Sem molduras laterais",
    x = "Biótipo",
    y = "Glicose Média (mg/dL)"
  )

# Montar em grid
(p1 + p2) / (p3 + p4)

Lições Práticas

DicaMaximizar Data-Ink Ratio
  1. Remova backgrounds coloridos: O fundo branco é neutro e não compete com dados
  2. Simplifique legendas: Remova bordas, fundos coloridos
  3. Minimize grid lines: Se incluir, use cores muito claras (cinza 90%)
  4. Remova decorações 3D: Não adiciona informação, apenas confunde percepção
  5. Use cores com propósito: Cada cor deve representar uma dimensão de dados
  6. Evite fontes ornamentadas: Use sans-serif (Arial, Helvetica) para clareza
Ver código R 
# Exemplo de código para alta Data-Ink Ratio
ggplot(pacientes, aes(x = biotipo, y = glicose)) +
  geom_boxplot(fill = cores$azul, color = "black") +
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    axis.line.y = element_line(color = "black", size = 0.5),
    axis.line.x = element_blank(),
    axis.text = element_text(size = 10),
    axis.title = element_text(size = 11, face = "bold")
  ) +
  labs(
    x = "Biótipo",
    y = "Glicose (mg/dL)"
  )

Princípio 2: Chartjunk e Desonestidade Visual

O que é Chartjunk?

Chartjunk são elementos visuais que não transmitem dados:

  • Efeitos 3D que distorcem proporções
  • Texturas desnecessárias
  • Gradientes de cores sem significado
  • Figuras decorativas (pessoas, animais, objetos)
  • Sombras e brilhos
  • Fontes ornamentadas
AvisoPerigo do Chartjunk

Chartjunk não é apenas feio — distorce a percepção. Nossos olhos são enganados por perspectiva 3D, gradientes que fazem certas cores parecerem maiores, e outros efeitos visuais.

Exemplo: Gráficos de Barras 3D Enganosos

ENGANOSA: Gráfico 3D distorce perspectiva e o eixo truncado exagera diferenças

ENGANOSA: Gráfico 3D distorce perspectiva e o eixo truncado exagera diferenças

Agora compare com a versão honesta:

Ver código R 
# Preparar dados
contagem_biotipo <- pacientes |>
  count(biotipo) |>
  arrange(desc(n))

# Versão honesta
contagem_biotipo |>
  ggplot(aes(x = reorder(biotipo, n), y = n, fill = "blue")) +
  geom_col(width = 0.6, color = "black", linewidth = 0.5) +
  geom_text(aes(label = n), vjust = -0.5, size = 5, fontface = "bold") +
  scale_fill_manual(values = paleta_cat) +
  scale_y_continuous(limits = c(0, max(contagem_biotipo$n) * 1.1)) +
  labs(
    title = "HONESTA: 2D sem decorações",
    subtitle = "Proporções verdadeiras, eixo começando em zero",
    x = "Biótipo",
    y = "Contagem"
  ) +
  tema_graficos() +
  theme(legend.position = "none")

Cores Enganosas

Gradientes de cores podem fazer dados pequenos parecerem grandes:

Ver código R 
# Dados para demonstração
dados_vendas <- tibble(
  produto = c("A", "B", "C", "D"),
  vendas = c(100, 110, 105, 115)
)

# Versão enganosa: gradiente faz produto D parecer muito maior
p_grad <- dados_vendas |>
  ggplot(aes(x = produto, y = vendas, fill = vendas)) +
  geom_col() +
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  ylim(0, 120) +
  labs(
    title = "ENGANOSA: Gradiente distorce percepção",
    subtitle = "Os valores são muito similares (100-115), mas parecem muito diferentes",
    x = "Produto",
    y = "Vendas (unidades)"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# Versão honesta: cor uniforme
p_cor_uni <- dados_vendas |>
  ggplot(aes(x = produto, y = vendas)) +
  geom_col(fill = cores$azul, color = "black", size = 0.5) +
  ylim(0, 120) +
  labs(
    title = "HONESTA: Cor uniforme",
    subtitle = "Diferenças pequenas são vistas como realmente pequenas",
    x = "Produto",
    y = "Vendas (unidades)"
  ) +
  theme_minimal()

p_grad | p_cor_uni

Princípio 3: Lie Factor (Fator de Mentira)

A Fórmula

Tufte define o Lie Factor como a razão entre o efeito gráfico e o efeito de dados real:

\[\text{Lie Factor} = \frac{\text{Tamanho da diferença visual}}{\text{Tamanho real da diferença de dados}}\]

ImportanteCritério de Integridade

Um gráfico é visualmente honesto quando o Lie Factor está entre 0.95 e 1.05.

Acima de 1.05, o gráfico exagera visualmente as diferenças. Abaixo de 0.95, minimiza as diferenças.

Exemplo: Medicação Fictícia

Suponha uma medicação que reduz um biomarcador de 100 para 95 (redução de 5%). Vamos criar versões honestas e desonestas:

Ver código R 
# Dados
eficacia <- tibble(
  momento = c("Antes", "Depois"),
  biomarcador = c(100, 95)
)

# Versão DESONESTA: Começar no eixo Y não em zero (Lie Factor alto)
p_desonesta <- eficacia |>
  ggplot(aes(x = momento, y = biomarcador, fill = momento)) +
  geom_col(width = 0.6, color = "black", size = 1) +
  scale_fill_manual(values = c("Antes" = cores$vermelho, "Depois" = cores$verde)) +
  coord_cartesian(ylim = c(92, 101)) +  # Exagera a diferença!
  annotate("text", x = 1.5, y = 100, label = "Redução de 5%\nparece enorme!",
           fontface = "bold", color = "red", size = 4) +
  labs(
    title = "DESONESTA: Começar em 92 (não zero)",
    subtitle = "Lie Factor ≈ 3.3 (redução de 5% parece 33%)",
    x = "Momento",
    y = "Biomarcador"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# Versão HONESTA: Eixo começando no zero
p_honesta <- eficacia |>
  ggplot(aes(x = momento, y = biomarcador, fill = momento)) +
  geom_col(width = 0.6, color = "black", size = 1) +
  scale_fill_manual(values = c("Antes" = cores$vermelho, "Depois" = cores$verde)) +
  coord_cartesian(ylim = c(0, 105)) +  # Começa no zero
  annotate("text", x = 1.5, y = 50, label = "Redução de 5%\napenas 5%",
           fontface = "bold", color = "darkgreen", size = 4) +
  labs(
    title = "HONESTA: Eixo começa em zero",
    subtitle = "Lie Factor = 1.0 (proporções verdadeiras)",
    x = "Momento",
    y = "Biomarcador"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

p_desonesta | p_honesta

Aviso Importante

Essa tática de começar o eixo não em zero é muito comum em publicidade e política. Agora que você sabe, desconfia de gráficos que parecem mostrar mudanças dramáticas!

Cálculo do Lie Factor

Ver código R 
# No exemplo anterior:
# - Diferença real de dados: (100 - 95) / 100 = 5%
# - Na versão desonesta: altura de 100 → altura de 95, em escala 92-101
#   = diferença visual de 8 unidades em 9 unidades de escala
#   = aproximadamente 89% visualmente
# - Lie Factor = 89% / 5% = 17.8 (dramaticamente desonesto!)

Princípio 4: Small Multiples (Pequenos Múltiplos)

O Conceito

Em vez de criar um gráfico complexo com múltiplas linhas, cores ou dimensões, crie muitos gráficos pequenos e simples.

DicaVantagens dos Small Multiples
  • Mais fácil ler: Cada pequeno gráfico é simples
  • Sem legendas confusas: Cada painel é autoexplicativo
  • Comparação clara: Seu olho passa de um para outro naturalmente
  • Escalas independentes: Possíveis quando apropriado
  • ggplot2: Use facet_wrap() ou facet_grid()

Exemplo: Glicose por Biótipo

Ver código R 
# Versão com legendas confusas (difícil ler)
p_confusa <- pacientes |>
  ggplot(aes(x = idade, y = glicose, color = biotipo, shape = sexo)) +
  geom_point(size = 2, alpha = 0.6) +
  scale_color_manual(values = paleta_cat) +
  labs(
    title = "CONFUSA: Múltiplas dimensões em um gráfico",
    subtitle = "4 variáveis simultâneas (X, Y, cor, forma)",
    x = "Idade (anos)",
    y = "Glicose (mg/dL)",
    color = "Biótipo",
    shape = "Sexo"
  ) +
  theme_minimal()

# Versão com small multiples (claro)
p_clara <- pacientes |>
  ggplot(aes(x = idade, y = glicose, color = sexo)) +
  geom_point(size = 2, alpha = 0.6) +
  scale_color_manual(values = paleta_sexo) +
  facet_wrap(~biotipo, nrow = 2) +
  labs(
    title = "CLARA: Pequenos Múltiplos por Biótipo",
    subtitle = "Cada painel mostra um biótipo, eliminando confusão visual",
    x = "Idade (anos)",
    y = "Glicose (mg/dL)",
    color = "Sexo"
  ) +
  tema_graficos() +
  theme(
    legend.position = "bottom",
    strip.text = element_text(face = "bold", size = 11)
  )

p_confusa / p_clara

Casos de Uso Ideais

Ver código R 
# Exemplo 1: Distribuição por grupo com facet_wrap
p1 <- pacientes |>
  ggplot(aes(x = peso, fill = sexo)) +
  geom_histogram(bins = 20, alpha = 0.7, color = "black", size = 0.3) +
  scale_fill_manual(values = paleta_sexo) +
  facet_wrap(~biotipo) +
  labs(
    title = "Distribuição de Peso por Sexo e Biótipo",
    x = "Peso (kg)",
    y = "Frequência",
    fill = "Sexo"
  ) +
  tema_graficos() +
  theme(legend.position = "bottom")

# Exemplo 2: Dispersão com facet_grid (organizando por duas variáveis)
p2 <- pacientes |>
  filter(!is.na(sexo), !is.na(biotipo)) |>
  ggplot(aes(x = cintura, y = colesterol, color = sexo)) +
  geom_point(size = 2.5, alpha = 0.6) +
  geom_smooth(method = "lm", se = FALSE, size = 0.8) +
  scale_color_manual(values = paleta_sexo) +
  facet_grid(biotipo ~ sexo) +
  labs(
    title = "Colesterol vs Perímetro de Cintura",
    subtitle = "Estratificado por Biótipo e Sexo",
    x = "Perímetro de Cintura (cm)",
    y = "Colesterol Total (mg/dL)",
    color = "Sexo"
  ) +
  tema_graficos() +
  theme(
    strip.text = element_text(face = "bold", size = 10),
    legend.position = "bottom"
  )

p1 / p2

Princípio 5: Sparklines — Gráficos do Tamanho de Uma Palavra

O que são sparklines?

Em 2006, Edward Tufte introduziu um conceito elegante em Beautiful Evidence (Tufte, 2006): gráficos tão pequenos que cabem dentro de uma frase, como se fossem palavras. Ele os chamou de sparklines — pequenas linhas de dados, intensas, simples, do tamanho de uma palavra (word-sized graphics).

A ideia é revolucionária: em vez de interromper o texto para mostrar um gráfico em uma figura separada, você embutia o gráfico dentro da própria tabela ou parágrafo, como uma extensão natural da informação.

“A sparkline is a small intense, simple, word-sized graphic with typographic resolution.” — Edward Tufte, Beautiful Evidence (2006)

Por que isso importa na prática clínica?

Imagine um prontuário eletrônico. Em vez de mostrar apenas o último valor de glicemia do paciente, a sparkline mostra a tendência dos últimos dias diretamente ao lado do número — sem precisar abrir um gráfico separado, sem navegar para outra tela.

As regras são simples: nada de eixos, nada de legendas, nada de títulos. Apenas a linha (ou as barras) com os dados, no menor espaço possível. O contexto vem do texto ou da tabela ao redor.

Exemplo: Sparklines dentro de uma tabela

Vamos criar uma tabela em que cada linha mostra o resumo de um biótipo e uma sparkline com a distribuição real dos pesos dos pacientes daquele grupo. Compare com uma tabela convencional — a diferença de densidade informacional é enorme.

Tabela convencional (apenas números):

Ver código R 
resumo_bio <- pacientes |>
  group_by(biotipo) |>
  summarise(
    n = n(),
    peso_medio = round(mean(peso, na.rm = TRUE), 1),
    peso_dp = round(sd(peso, na.rm = TRUE), 1),
    glicose_media = round(mean(glicose, na.rm = TRUE), 0),
    .groups = 'drop'
  )

kbl(resumo_bio,
    col.names = c("Biótipo", "N", "Peso Médio", "DP Peso", "Glicose Média"),
    format = "html") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE, position = "center")
Biótipo N Peso Médio DP Peso Glicose Média
large 103 92.4 19.6 121
medium 184 80.9 15.4 104
small 104 68.5 13.6 96
NA 12 78.2 17.4 111

Agora a mesma tabela, mas com sparklines — minigráficos embutidos que mostram como os pesos se distribuem em cada biótipo:

Tabela com sparklines (dados + padrão visual):

Ver código R 
# Extrair os vetores de peso por biótipo (ordenados)
pesos_por_bio <- pacientes |>
  arrange(biotipo, peso) |>
  group_by(biotipo) |>
  summarise(
    n = n(),
    peso_medio = round(mean(peso, na.rm = TRUE), 1),
    glicose_media = round(mean(glicose, na.rm = TRUE), 0),
    peso_lista = list(peso),
    glicose_lista = list(sort(glicose)),
    .groups = 'drop'
  )

# Criar dataframe para exibição (com colunas placeholder para sparklines)
tabela_exibir <- pesos_por_bio |>
  mutate(spark_peso = "", spark_glicose = "") |>
  select(biotipo, n, peso_medio, glicose_media, spark_peso, spark_glicose)

# Criar a tabela com sparklines embutidas
kbl(tabela_exibir,
    col.names = c("Biótipo", "N", "Peso Médio", "Glicose Média",
                  "Tendência Peso", "Tendência Glicose"),
    format = "html") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE, position = "center") |>
  column_spec(5, image = spec_plot(pesos_por_bio$peso_lista,
                                    same_lim = TRUE,
                                    width = 200, height = 30,
                                    col = cores$azul,
                                    cex = 1)) |>
  column_spec(6, image = spec_plot(pesos_por_bio$glicose_lista,
                                    same_lim = TRUE,
                                    width = 200, height = 30,
                                    col = cores$verde,
                                    cex = 1))
Biótipo N Peso Médio Glicose Média Tendência Peso Tendência Glicose
large 103 92.4 121
medium 184 80.9 104
small 104 68.5 96
NA 12 78.2 111
DicaO que ganhamos com sparklines?

Observe como a tabela com sparklines comunica muito mais do que a tabela convencional, sem ocupar espaço adicional significativo. De relance, você percebe que os pacientes obesos têm pesos mais dispersos, que a glicemia varia mais em certos biótipos, e qual é o formato geral de cada distribuição. Tudo isso seria invisível em uma tabela apenas com médias e desvios-padrão.

Sparklines como barras

Sparklines não precisam ser linhas. Podem ser também pequenas barras, úteis para mostrar proporções ou contagens. Veja uma versão com barras para a distribuição de peso:

Ver código R 
# Criar histogramas como sparklines (barras)
hist_por_bio <- pacientes |>
  group_by(biotipo) |>
  summarise(
    n = n(),
    peso_medio = round(mean(peso, na.rm = TRUE), 1),
    hist_vals = list({
      h <- hist(peso, breaks = seq(min(peso, na.rm = TRUE),
                                    max(peso, na.rm = TRUE),
                                    length.out = 15), plot = FALSE)
      h$counts
    }),
    .groups = 'drop'
  )

# Dataframe com coluna placeholder para sparkline
tabela_hist <- hist_por_bio |>
  mutate(distribuicao = "") |>
  select(biotipo, n, peso_medio, distribuicao)

kbl(tabela_hist,
    col.names = c("Biótipo", "N", "Peso Médio (kg)", "Distribuição"),
    format = "html") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE, position = "center") |>
  column_spec(4, image = spec_plot(hist_por_bio$hist_vals,
                                    same_lim = TRUE,
                                    width = 200, height = 30,
                                    col = cores$ambar,
                                    border = NA))
Biótipo N Peso Médio (kg) Distribuição
large 103 92.4
medium 184 80.9
small 104 68.5
NA 12 78.2

O princípio por trás

O que Tufte nos ensina com as sparklines é um princípio mais amplo: maximize a densidade de informação. Cada pixel da sua comunicação deve trabalhar a favor do leitor. Uma tabela com sparklines respeita o tempo do leitor ao eliminar a necessidade de alternar entre tabelas e gráficos — os dados e os padrões visuais convivem no mesmo espaço.

Nas palavras de Tufte: o objetivo é atingir resolução tipográfica — gráficos tão integrados ao texto quanto as próprias letras.

Resumo dos Princípios de Tufte

Princípio Definição Ação Prática
Data-Ink Ratio Maximizar tinta de dados Remova decorações, backgrounds, gridlines excessivas
Chartjunk Evitar elementos inúteis Sem 3D, sem gradientes decorativos, sem figuras
Lie Factor Manter honestidade visual Eixos começam em zero (para barras), proporções verdadeiras
Small Multiples Simplifique com repetição Use facet_wrap() em vez de legendas complexas
Sparklines Densidade de informação Gráficos minúsculos em tabelas para padrões rápidos

Quiz: Aplicando Tufte

Pergunta 1: Um gráfico de barras mostra uma redução de 10% em mortalidade após uma intervenção, mas o eixo Y vai de 0% a 100%. Qual é aproximadamente o Lie Factor?

  1. 1.0 (honesto)
  2. 2.5 (exagerado)
  3. 0.5 (minimizado)
  4. 1.05 (ligeiramente exagerado)

Pergunta 2: Você precisa mostrar como a glicose varia por 4 biótipos, em 2 sexos, e 3 faixas de idade. O que Tufte sugeriria?

  1. Usar cores diferentes para cada variável, com legend complexa
  2. Usar facet_wrap() para criar múltiplos gráficos simples
  3. Usar gráficos 3D para mostrar todas as dimensões
  4. Usar símbolos diferentes (▲ ● ■) para cada categoria

Pergunta 3: O que é chartjunk?

  1. Gráficos de lixo ou dados ruins
  2. Elementos visuais que não transmitem dados (3D, gradientes desnecessários)
  3. Qualquer cores em um gráfico
  4. Linhas de grade

Pergunta 4: Qual prática maximiza o Data-Ink Ratio?

  1. Adicionar mais cores decorativas
  2. Usar backgrounds interessantes
  3. Remover grid lines menores e backgrounds coloridos
  4. Incluir efeitos 3D

Referências

TUFTE, Edward R. Beautiful Evidence. Cheshire, Connecticut: Graphics Press, 2006.
TUFTE, Edward R. Envisioning Information. Cheshire, Connecticut: Graphics Press, 1990.
TUFTE, Edward R. The Visual Display of Quantitative Information. 2. ed. Cheshire, Connecticut: Graphics Press, 2001.
TUFTE, Edward R. Visual Explanations: Images and Quantities, Evidence and Narrative. Cheshire, Connecticut: Graphics Press, 1997.
De volta ao topo