Gráfico de Barras

Comparando categorias

Autor

Henrique Alvarenga da Silva

História: William Playfair e o Gráfico de Barras

Playfair de novo: uma invenção que sobrevive há mais de dois séculos

Mais uma vez, devemos esse gráfico a William Playfair — o mesmo escocês que conhecemos no capítulo sobre o gráfico de pizza. Na verdade, as barras vieram antes da pizza: Playfair as introduziu em The Commercial and Political Atlas (Playfair, 1786), a mesma obra que contém os primeiros gráficos de linhas da história (Costigan-Eaves; Macdonald-Ross, 1990).

O gráfico de barras foi adotado rapidamente pela comunidade científica porque funciona de forma intuitiva: quanto mais alta a barra, maior o valor. Essa simplicidade, combinada com eficácia, fez do gráfico de barras um dos mais duráveis e confiáveis métodos de visualização de dados nos últimos 240 anos. Ao contrário de outras representações que caíram em desuso, o gráfico de barras mantém sua relevância até hoje em pesquisa científica, relatórios médicos e apresentações de dados.

Gráfico de barras original de William Playfair em The Commercial and Political Atlas (1786). — Gráfico de barras original de William Playfair em *The Commercial and Political Atlas* (1786).

O que é um gráfico de barras?

Um gráfico de barras é uma visualização que compara frequências ou contagens de categorias usando barras retangulares. A altura (ou comprimento) de cada barra é proporcional ao valor que ela representa.

Componentes principais:

Eixo horizontal (X): Contém as categorias
Eixo vertical (Y): Contém a escala numérica (frequências, contagens, etc.)
Barras: Retângulos cuja altura representa o valor de cada categoria
Rótulos: Títulos, nomes de categorias e, frequentemente, valores numéricos

Diferentemente de um histograma (que é para dados contínuos com bins), o gráfico de barras é para dados categóricos ou contagens de frequência.

Tipos de gráficos de barras

O gráfico de barras é versátil e pode ser usado de várias formas. Vamos explorar as principais:

O tipo mais básico: uma única variável categórica com suas frequências.

Caso de uso: Mostrar a distribuição de uma única característica na amostra.

Ver código R

# Contar frequências de biotipo
dados_biotipo <- pacientes |>
  count(biotipo) |>
  mutate(biotipo_label = factor(
    biotipo,
    levels = c("small", "medium", "large"),
    labels = c("Pequeno", "Médio", "Grande")
  )) |>
  arrange(desc(n))

# Gráfico de barras simples
ggplot(dados_biotipo, aes(x = biotipo_label, y = n, fill = biotipo)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  geom_text(
    aes(label = n),
    vjust = -0.3,
    fontface = "bold",
    size = 4
  ) +
  scale_y_continuous(limits = c(0, 200), breaks = seq(0, 200, 40)) +
  scale_fill_manual(values = c(
    "small" = cores$azul,
    "medium" = cores$verde,
    "large" = cores$laranja
  )) +
  labs(
    title = "Distribuição de Biotipo na Amostra",
    subtitle = "Gráfico de barras simples: uma variável categórica",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos()

Compara duas variáveis categóricas, mostrando as categorias da primeira variável no eixo X, e usando cores para distinguir as categorias da segunda.

Caso de uso: Comparar como uma distribuição varia entre grupos.

Ver código R

# Biotipo separado por sexo
dados_biotipo_sexo <- pacientes |>
  count(biotipo, sexo) |>
  mutate(
    biotipo_label = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    ),
    sexo_label = ifelse(sexo == "female", "Mulher", "Homem")
  )

# Gráfico lado a lado
ggplot(dados_biotipo_sexo, aes(x = biotipo_label, y = n, fill = sexo)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.7) +
  geom_text(
    aes(label = n),
    position = position_dodge(width = 0.8),
    vjust = -0.3,
    fontface = "bold",
    size = 3.5
  ) +
  scale_fill_manual(
    values = paleta_sexo,
    labels = c("female" = "Mulher", "male" = "Homem")
  ) +
  scale_y_continuous(limits = c(0, 130)) +
  labs(
    title = "Distribuição de Biotipo por Sexo",
    subtitle = "Gráfico lado a lado: duas variáveis categóricas",
    x = "Biotipo",
    y = "Número de Pacientes",
    fill = "Sexo"
  ) +
  tema_graficos()

As categorias da segunda variável são empilhadas verticalmente dentro de cada barra. Útil para ver tanto o total quanto a composição.

Caso de uso: Mostrar a composição dentro de cada categoria, mantendo visível o total.

Ver código R

# Biotipo separado por sexo
dados_biotipo_sexo <- pacientes |>
  count(biotipo, sexo) |>
  mutate(
    biotipo_label = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    ),
    sexo_label = ifelse(sexo == "female", "Mulher", "Homem")
  )

# Gráfico empilhado
ggplot(dados_biotipo_sexo, aes(x = biotipo_label, y = n, fill = sexo)) +
  geom_col(width = 0.6) +
  geom_text(
    aes(label = n),
    position = position_stack(vjust = 0.5),
    fontface = "bold",
    size = 4,
    color = "white"
  ) +
  scale_fill_manual(
    values = paleta_sexo,
    labels = c("female" = "Mulher", "male" = "Homem")
  ) +
  scale_y_continuous(limits = c(0, 200)) +
  labs(
    title = "Distribuição de Biotipo por Sexo",
    subtitle = "Gráfico empilhado: composição dentro de cada categoria",
    x = "Biotipo",
    y = "Número de Pacientes",
    fill = "Sexo"
  ) +
  tema_graficos()

Todas as barras têm a mesma altura (100%), mostrando apenas a proporção de cada subcategoria. Útil quando o total não importa, apenas a composição relativa.

Caso de uso: Comparar proporções entre grupos quando os tamanhos totais são diferentes.

Ver código R

# Biotipo separado por sexo com percentuais
dados_biotipo_sexo_pct <- pacientes |>
  count(biotipo, sexo) |>
  group_by(biotipo) |>
  mutate(
    pct = n / sum(n) * 100,
    biotipo_label = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    ),
    sexo_label = ifelse(sexo == "female", "Mulher", "Homem")
  ) |>
  ungroup()

# Gráfico percentual
ggplot(dados_biotipo_sexo_pct, aes(x = biotipo_label, y = pct, fill = sexo)) +
  geom_col(width = 0.6) +
  geom_text(
    aes(label = paste0(round(pct, 1), "%")),
    position = position_stack(vjust = 0.5),
    fontface = "bold",
    size = 4,
    color = "white"
  ) +
  scale_fill_manual(
    values = paleta_sexo,
    labels = c("female" = "Mulher", "male" = "Homem")
  ) +
  scale_y_continuous(limits = c(0, 100), labels = function(x) paste0(x, "%")) +
  labs(
    title = "Proporção de Sexo dentro de cada Biotipo",
    subtitle = "100% empilhado: todas as barras têm a mesma altura",
    x = "Biotipo",
    y = "Porcentagem",
    fill = "Sexo"
  ) +
  tema_graficos()

Quando usar um gráfico de barras

O gráfico de barras é uma excelente escolha quando você quer:

Comparar frequências entre categorias — “Qual biotipo é mais frequente?”
Mostrar contagens de grupos — “Quantos pacientes em cada grupo de idade?”
Comparar proporções entre subgrupos — “Como a distribuição por sexo varia por biotipo?”
Comunicar resultados científicos — Gráficos de barras são o padrão em journals e relatórios
Fazer apresentações profissionais — Simples, claro e amplamente compreendido

Quando NÃO usar um gráfico de barras

Existem situações onde outras visualizações são melhores:

Dados contínuos com muitos valores únicos → Use um histograma ou density plot
Dados que mudam ao longo do tempo → Use um gráfico de linhas
Comparar distribuições contínuas entre grupos → Use box plots ou violin plots
Mostrar relação entre duas variáveis contínuas → Use scatter plot
Dados geográficos → Use mapa

Críticas e erros comuns

❌ Erro 1: Gráficos em 3D

Assim como com gráficos de pizza, o 3D em gráficos de barras é uma armadilha visual. A perspectiva distorce a altura das barras:

Ver código R

# NÃO FAÇA ISSO! Exemplo ilustrativo (não executa)
# Este é um aviso sobre o que NÃO fazer

Por que é ruim:

Barras no “fundo” parecem mais altas do que são na realidade
A comparação entre barras fica imprecisa
Adiciona complexidade visual sem agregar informação

Conclusão: Mantenha seus gráficos em 2D. Sempre.

❌ Erro 2: Eixo Y não começa em zero

Para gráficos de barras, o eixo Y deve começar em zero. Caso contrário, você distorce a percepção das diferenças:

Ver código R

# CORRETO: Eixo começa em zero
dados_biotipo <- pacientes |>
  count(biotipo) |>
  mutate(biotipo_label = factor(
    biotipo,
    levels = c("small", "medium", "large"),
    labels = c("Pequeno", "Médio", "Grande")
  )) |>
  arrange(desc(n))

p_correto <- ggplot(dados_biotipo, aes(x = biotipo_label, y = n)) +
  geom_col(fill = cores$azul, width = 0.6) +
  scale_y_continuous(limits = c(0, 200), breaks = seq(0, 200, 40)) +
  labs(
    title = "CORRETO: Eixo começa em zero",
    x = "Biotipo",
    y = "Nº de Pacientes"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

# ERRADO: Eixo começa em 80 (engana o leitor!)
p_errado <- ggplot(dados_biotipo, aes(x = biotipo_label, y = n)) +
  geom_col(fill = cores$laranja, width = 0.6) +
  scale_y_continuous(breaks = seq(80, 200, 30)) +
  coord_cartesian(ylim = c(80, 200)) +
  labs(
    title = "ERRADO: Eixo começa em 80",
    subtitle = "Diferenças parecem maiores!",
    x = "Biotipo",
    y = "Nº de Pacientes"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

# Comparação lado a lado
p_correto + p_errado

No gráfico errado, a diferença entre “Pequeno” e “Médio” parece enorme, quando na verdade é apenas ~16% (89 vs 103 pacientes).

❌ Erro 3: Cores desnecessárias

Usar cores diferentes para cada barra quando as categorias já estão identificadas no eixo X é redundante:

Ver código R

# ERRADO: Cores demais
p_muitas_cores <- ggplot(dados_biotipo, aes(x = biotipo_label, y = n, fill = biotipo_label)) +
  geom_col(width = 0.6) +
  geom_text(aes(label = n), vjust = -0.3, fontface = "bold") +
  scale_y_continuous(limits = c(0, 200)) +
  scale_fill_manual(values = c(
    "Pequeno" = cores$azul,
    "Médio" = cores$verde,
    "Grande" = cores$laranja
  )) +
  labs(
    title = "ERRADO: Legendas redundantes",
    x = "Biotipo",
    y = "Número de Pacientes",
    fill = "Biotipo"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

# CORRETO: Uma cor única para toda a série
p_uma_cor <- ggplot(dados_biotipo, aes(x = biotipo_label, y = n)) +
  geom_col(fill = cores$azul, width = 0.6) +
  geom_text(aes(label = n), vjust = -0.3, fontface = "bold") +
  scale_y_continuous(limits = c(0, 200)) +
  labs(
    title = "CORRETO: Uma cor única",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

p_muitas_cores + p_uma_cor

Quando usar cores múltiplas: Quando as cores representam uma variável real (como sexo em um gráfico lado a lado), não apenas decoração.

❌ Erro 4: Categorias sem ordenação lógica

As categorias devem ser ordenadas de forma lógica: por frequência decrescente, ordem alfabética, ou ordem natural (como Pequeno → Médio → Grande).

Ver código R

# ERRADO: Ordem aleatória
dados_desordenados <- dados_biotipo |>
  slice(c(2, 1, 3))  # Mexer na ordem

p_errado <- ggplot(dados_desordenados, aes(x = biotipo_label, y = n)) +
  geom_col(fill = cores$laranja, width = 0.6) +
  scale_y_continuous(limits = c(0, 200)) +
  labs(
    title = "ERRADO: Categorias desorganizadas",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

# CORRETO: Ordenado por frequência
dados_ordenados <- dados_biotipo |>
  arrange(desc(n))

p_correto <- ggplot(dados_ordenados, aes(x = reorder(biotipo_label, desc(n)), y = n)) +
  geom_col(fill = cores$azul, width = 0.6) +
  geom_text(aes(label = n), vjust = -0.3, fontface = "bold") +
  scale_y_continuous(limits = c(0, 200)) +
  labs(
    title = "CORRETO: Ordenado por frequência",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos() +
  theme(plot.title = element_text(size = 11))

p_errado + p_correto

Exemplos práticos com R

Diferença entre `geom_bar()` e `geom_col()`

Em ggplot2, existem duas funções relacionadas:

geom_bar(): Conta frequências automaticamente (precisa de stat="identity" para valores predeterminados)
geom_col(): Usa valores que você fornece (recomendado quando você já tem as contagens)

Ver código R

# Usando geom_bar() com contagens já feitas
dados_para_plotar <- pacientes |>
  count(biotipo) |>
  mutate(biotipo_label = factor(
    biotipo,
    levels = c("small", "medium", "large"),
    labels = c("Pequeno", "Médio", "Grande")
  ))

# Abordagem 1: geom_bar() com stat="identity"
p1 <- ggplot(dados_para_plotar, aes(x = biotipo_label, y = n, fill = biotipo)) +
  geom_bar(stat = "identity", width = 0.6, show.legend = FALSE) +
  scale_fill_manual(values = c(
    "small" = cores$azul,
    "medium" = cores$verde,
    "large" = cores$laranja
  )) +
  labs(title = "geom_bar(stat = 'identity')", y = "Contagem") +
  tema_graficos()

# Abordagem 2: geom_col() (mais simples)
p2 <- ggplot(dados_para_plotar, aes(x = biotipo_label, y = n, fill = biotipo)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  scale_fill_manual(values = c(
    "small" = cores$azul,
    "medium" = cores$verde,
    "large" = cores$laranja
  )) +
  labs(title = "geom_col() (recomendado)", y = "Contagem") +
  tema_graficos()

p1 + p2

Recomendação: Use geom_col() quando você já tem os dados agregados (como no resultado de count()). É mais direto e claro em sua intenção.

Reordenando categorias com `forcats`

Use a função fct_reorder() do pacote forcats (incluído em tidyverse) para reordenar categorias:

Ver código R

dados_sexo_biotipo <- pacientes |>
  count(sexo, biotipo) |>
  mutate(
    sexo_label = ifelse(sexo == "female", "Mulher", "Homem"),
    biotipo_label = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    )
  ) |>
  group_by(biotipo_label) |>
  arrange(desc(n), .by_group = TRUE) |>
  ungroup()

ggplot(dados_sexo_biotipo, aes(x = fct_relevel(biotipo_label, "Pequeno", "Médio", "Grande"),
                               y = n, fill = sexo)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.7) +
  geom_text(
    aes(label = n),
    position = position_dodge(width = 0.8),
    vjust = -0.3,
    fontface = "bold",
    size = 3.5
  ) +
  scale_fill_manual(
    values = paleta_sexo,
    labels = c("female" = "Mulher", "male" = "Homem")
  ) +
  labs(
    title = "Biotipo por Sexo (reordenado)",
    x = "Biotipo",
    y = "Número de Pacientes",
    fill = "Sexo"
  ) +
  tema_graficos()

Adicionando rótulos com `geom_text()`

Os rótulos tornam os gráficos de barras mais informativos:

Ver código R

dados_biotipo_completo <- pacientes |>
  count(biotipo) |>
  mutate(
    biotipo_label = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    ),
    pct = n / sum(n) * 100
  ) |>
  arrange(desc(n))

ggplot(dados_biotipo_completo, aes(x = reorder(biotipo_label, -n), y = n)) +
  geom_col(fill = cores$azul, width = 0.6) +
  # Rótulo com contagem e percentual
  geom_text(
    aes(label = paste0(n, "\n(", round(pct, 1), "%)")),
    vjust = -0.3,
    fontface = "bold",
    size = 4
  ) +
  # Rótulo na base da barra (alternativa)
  geom_text(
    aes(label = n),
    vjust = 1.3,
    fontface = "bold",
    size = 4,
    color = "white"
  ) +
  scale_y_continuous(limits = c(0, 180)) +
  labs(
    title = "Distribuição de Biotipo",
    subtitle = "Com rótulos de contagem e percentual",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos()

Versão interativa com Plotly

Converta seu gráfico de barras estático em um interativo:

Ver código R

# Criar gráfico estático
p_barras <- ggplot(dados_biotipo_completo, aes(x = reorder(biotipo_label, -n), y = n)) +
  geom_col(fill = cores$azul, width = 0.6) +
  geom_text(
    aes(label = paste0(n, " (", round(pct, 1), "%)")),
    vjust = -0.3,
    fontface = "bold",
    size = 4
  ) +
  scale_y_continuous(limits = c(0, 180)) +
  labs(
    title = "Distribuição de Biotipo (Interativo)",
    x = "Biotipo",
    y = "Número de Pacientes"
  ) +
  tema_graficos()

# Converter para interativo
para_plotly(p_barras)

Tabela equivalente

Cada gráfico de barras pode ser representado como uma tabela de frequências. Aqui está a tabela correspondente aos nossos exemplos:

Ver código R

# Tabela de biotipo
tabela_biotipo <- pacientes |>
  count(biotipo) |>
  mutate(
    Biotipo = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    ),
    `Frequência Absoluta` = n,
    `Frequência Relativa` = n / sum(n),
    `Percentual` = round(n / sum(n) * 100, 2)
  ) |>
  select(Biotipo, `Frequência Absoluta`, `Frequência Relativa`, Percentual) |>
  arrange(desc(`Frequência Absoluta`))

kable(tabela_biotipo, caption = "Distribuição de Biotipo na Amostra") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Distribuição de Biotipo na Amostra
Biotipo	Frequência Absoluta	Frequência Relativa	Percentual
Médio	184	0.4565757	45.66
Pequeno	104	0.2580645	25.81
Grande	103	0.2555831	25.56
NA	12	0.0297767	2.98

Ver código R

# Tabela de biotipo × sexo
tabela_biotipo_sexo <- pacientes |>
  count(biotipo, sexo) |>
  pivot_wider(
    names_from = sexo,
    values_from = n,
    values_fill = 0
  ) |>
  mutate(
    Biotipo = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    )
  ) |>
  select(Biotipo, male, female) |>
  rename("Homem" = male, "Mulher" = female) |>
  mutate(Total = Homem + Mulher)

kable(tabela_biotipo_sexo, caption = "Distribuição de Biotipo por Sexo") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Distribuição de Biotipo por Sexo
Biotipo	Homem	Mulher	Total
Grande	61	42	103
Médio	68	116	184
Pequeno	35	69	104
NA	5	7	12

Ver código R

# Tabela com percentuais por linha
tabela_pct_linha <- pacientes |>
  count(biotipo, sexo) |>
  group_by(biotipo) |>
  mutate(
    pct = n / sum(n) * 100
  ) |>
  ungroup() |>
  pivot_wider(
    names_from = sexo,
    values_from = c(n, pct)
  ) |>
  mutate(
    Biotipo = factor(
      biotipo,
      levels = c("small", "medium", "large"),
      labels = c("Pequeno", "Médio", "Grande")
    )
  ) |>
  select(
    Biotipo,
    starts_with("n_"),
    starts_with("pct_")
  ) |>
  rename(
    "Homem (n)" = n_male,
    "Mulher (n)" = n_female,
    "Homem (%)" = pct_male,
    "Mulher (%)" = pct_female
  ) |>
  mutate(across(ends_with("(%)"), ~round(., 1)))

kable(tabela_pct_linha, caption = "Biotipo por Sexo: Contagens e Percentuais") |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))

Biotipo por Sexo: Contagens e Percentuais
Biotipo	Mulher (n)	Homem (n)	Mulher (%)	Homem (%)
Grande	42	61	40.8	59.2
Médio	116	68	63.0	37.0
Pequeno	69	35	66.3	33.7
NA	7	5	58.3	41.7

Resumo: Quando usar cada tipo

Tipo	Quando usar	Exemplo
Barras Simples	Uma variável categórica	Biotipo
Barras Lado a Lado	Comparar grupos	Biotipo por Sexo (destacar diferenças entre grupos)
Barras Empilhadas	Mostrar composição total	Biotipo por Sexo (ver proporção dentro de cada biotipo)
100% Empilhado	Comparar proporções apenas	Biotipo por Sexo quando tamanhos totais são diferentes

Quiz

Quizz

Questão 1: Você tem dados de 403 pacientes distribuídos em 3 grupos de biotipo, e quer mostrar tanto o total de pacientes quanto como cada sexo contribui para esse total. Qual tipo de gráfico seria mais apropriado?

Gráfico de pizza com 6 fatias
Gráfico de barras lado a lado
Gráfico de barras empilhado
Histograma

Resposta

c) Gráfico de barras empilhado
O gráfico empilhado permite que você veja:
- A altura total de cada barra (total de pacientes em cada biotipo) - A divisão dentro de cada barra (quantos homens e mulheres em cada biotipo) A opção b (lado a lado) também funcionaria bem para esse caso, mas é menos eficiente para ver o total em cada categoria. A opção d (histograma) é para dados contínuos, não categóricos.

Questão 2: Ao criar um gráfico de barras comparando contagens de pacientes, qual erro é mais grave?

Usar cores diferentes para cada barra
Começar o eixo Y em 50 em vez de 0
Adicionar um rótulo com o valor em cima de cada barra
Não incluir uma legenda

Resposta

b) Começar o eixo Y em 50 em vez de 0

Isso distorce a percepção visual das diferenças entre as barras. Uma diferença de 20 pacientes pode parecer 3 vezes maior do que é quando o eixo não começa em zero.

As outras opções:

1. Não é ideal, mas não é grave se as categorias já estão rotuladas
1. Na verdade melhora o gráfico, adicionando informação numérica
1. Só necessário se há múltiplas séries de cores

Questão 3: Qual é a principal vantagem de um gráfico de barras em relação a um gráfico de pizza?

É mais bonito
Permite comparar alturas com precisão, enquanto pizza requer comparar ângulos
Cabe em menos espaço na página
É mais fácil de criar

Resposta

b) Permite comparar alturas com precisão, enquanto pizza requer comparar ângulos. Isso é fundamentado em pesquisa em psicologia visual: nossos olhos e cérebro são muito melhores em comparar comprimentos e alturas (barras) do que em estimar ângulos (fatias de pizza). Essa é a razão científica pela qual gráficos de barras são preferidos em pesquisa.

Questão 4: Você está criando um gráfico de barras com dados de 12 categorias diferentes. Como você organizaria as barras?

Ordem alfabética dos nomes
Ordem de frequência (maior para menor)
Ordem aleatória para parecer imparcial
Ordem que aparecem no dataset

Resposta

b) Ordem de frequência (maior para menor) Isso torna o gráfico muito mais fácil de interpretar. O leitor pode imediatamente identificar as categorias mais e menos frequentes. A ordem alfabética pode ser apropriada em alguns contextos (como nomes de medicamentos), mas frequência é geralmente preferida para análise exploratória.

A ordem aleatória ou a ordem do dataset não têm lógica visual.

Referências

COSTIGAN-EAVES, Patricia; MACDONALD-ROSS, Michael. William Playfair (1759–1823). Statistical Science, [s. l.], vol. 5, nº 3, p. 318–326, 1990.

PLAYFAIR, William. The Commercial and Political Atlas: Representing, by Means of Stained Copper-Plate Charts, the Progress of the Commerce, Revenues, Expenditure, and Debts of England. London: J. Debrett, 1786.

De volta ao topo

História: William Playfair e o Gráfico de Barras

O que é um gráfico de barras?

Tipos de gráficos de barras

Quando usar um gráfico de barras

Quando NÃO usar um gráfico de barras

Críticas e erros comuns

❌ Erro 1: Gráficos em 3D

❌ Erro 2: Eixo Y não começa em zero

❌ Erro 3: Cores desnecessárias

❌ Erro 4: Categorias sem ordenação lógica

Exemplos práticos com R

Diferença entre geom_bar() e geom_col()

Reordenando categorias com forcats

Adicionando rótulos com geom_text()

Versão interativa com Plotly

Tabela equivalente

Resumo: Quando usar cada tipo

Quiz

Referências

Diferença entre `geom_bar()` e `geom_col()`

Reordenando categorias com `forcats`

Adicionando rótulos com `geom_text()`