Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Da análise à comunicação: um roteiro para aprender visualização de dados

Autor: Jubílio Filiano Maússe
Data: 19 de Outubro de 2026
Área: Visualização de dados, R, análise humanitária e comunicação de resultados

Resumo

Aprender a visualizar dados envolve escolhas sobre análise, desenho e comunicação. Este artigo reúne sete recursos que ajudam a desenvolver essas competências: ggplot2: Elegant Graphics for Data Analysis, Hands-On Data Visualization, R Graphics Cookbook, a colecção Storytelling with Data, Fundamentals of Data Visualization, Data Visualization: A Practical Introduction e R for Health Data Science. A proposta é explicar o contributo de cada recurso e organizar uma sequência de aprendizagem. Um exercício com dados fictícios de necessidades humanitárias mostra como passar de uma tabela para um gráfico legível, mantendo explícitos o denominador, a fonte e os limites da interpretação.

Palavras-chave: visualização de dados; R; ggplot2; storytelling; análise humanitária; comunicação; aprendizagem reproduzível.

1. Começar pela pergunta

Uma tabela pode estar correcta e continuar difícil de interpretar. Quando um relatório apresenta dezenas de indicadores, o leitor precisa de perceber quais são as diferenças relevantes, que comparações são possíveis e até onde os dados permitem concluir.

Antes de escolher cores ou escrever código, proponho responder a três perguntas: o que queremos mostrar, quem vai utilizar a informação e que decisão essa pessoa precisa de tomar? Comparar distritos, acompanhar uma evolução e explorar uma relação são tarefas diferentes; cada uma pede uma representação adequada.

Na análise humanitária, acrescentaria uma pergunta: estamos a comparar a mesma população, com a mesma definição de indicador e o mesmo período de referência? Um gráfico bem desenhado depende dessas verificações. Os recursos seguintes ajudam a ligar essa preparação à apresentação dos resultados.

2. Sete recursos, contributos diferentes

2.1 ggplot2: Elegant Graphics for Data Analysis

O livro de Hadley Wickham, Danielle Navarro e Thomas Lin Pedersen explica a gramática dos gráficos implementada pelo ggplot2. O seu principal contributo é mostrar como dados, mapeamentos estéticos, camadas, escalas e sistemas de coordenadas se articulam para construir uma visualização [1].

É uma leitura útil quando já conseguimos produzir alguns gráficos e queremos compreender melhor como os adaptar. Em vez de procurar uma receita para cada situação, passamos a reconhecer os componentes que podemos combinar.

Aplicação proposta: construir uma comparação entre distritos e experimentar como a ordenação das categorias, as escalas e as anotações alteram a leitura.

2.2 Hands-On Data Visualization

Jack Dougherty e Ilya Ilyankou apresentam um percurso que começa em ferramentas acessíveis e avança para modelos de código. O livro inclui gráficos interactivos e mapas, com ferramentas como Google Sheets, Datawrapper e Tableau Public, além de exemplos com Chart.js e Leaflet. Não exige experiência prévia de programação [2].

É particularmente útil para quem precisa de partilhar resultados na Web ou colaborar com colegas que trabalham sobretudo em folhas de cálculo.

Aplicação proposta: transformar uma tabela agregada de cobertura de serviços num mapa interactivo, verificando a legibilidade em telemóvel. A publicação deve usar dados apropriados para acesso público, evitando expor localizações sensíveis de agregados familiares.

2.3 R Graphics Cookbook

O livro de Winston Chang organiza soluções práticas para problemas específicos de gráficos em R. A edição online apresenta mais de 150 receitas, acompanhadas de explicações sobre o funcionamento das soluções [3].

Serve bem como referência durante o trabalho: temos uma tarefa concreta, procuramos uma solução e adaptamos o exemplo aos nossos dados.

Aplicação proposta: consultar uma receita para melhorar rótulos ou legendas de um gráfico já existente e verificar se a alteração facilita a comparação que interessa ao leitor.

2.4 Storytelling with Data

A colecção associada a Cole Nussbaumer Knaflic centra-se na comunicação de resultados. O livro original apresenta um processo para criar gráficos claros; let’s practice! acrescenta exercícios; storytelling with you aborda apresentações; e before & after reúne estudos de transformação de gráficos e slides [4].

O interesse deste conjunto está na passagem da análise para uma mensagem adequada ao público. É também útil distinguir o acesso aos livros das amostras e materiais complementares disponibilizados no site: esta página é um catálogo, e não uma edição integral gratuita de toda a colecção.

Aplicação proposta: rever uma página de relatório, reduzir elementos que competem pela atenção e escrever um título que comunique uma conclusão sustentada pelos dados.

2.5 Fundamentals of Data Visualization

Claus O. Wilke apresenta um guia para produzir visualizações que representem os dados com rigor, comuniquem uma história e tenham apresentação profissional. O site disponibiliza o manuscrito integral do autor, anterior à revisão editorial final [5].

É um bom ponto de partida para desenvolver critérios de avaliação visual antes de aprofundar uma ferramenta específica.

Aplicação proposta: comparar duas representações do mesmo indicador e justificar a escolha com base na tarefa de leitura, na clareza das escalas e na facilidade de comparação.

2.6 Data Visualization: A Practical Introduction

O livro de Kieran Healy liga princípios de visualização à produção de gráficos reproduzíveis em R e ggplot2. O percurso inclui preparação de dados, construção de gráficos, modelos, mapas e refinamento visual, sem pressupor conhecimento anterior de R [6].

É adequado para quem quer aprender a produzir os exemplos e compreender as escolhas que os sustentam.

Aplicação proposta: reproduzir um exemplo, substituir os dados por uma tabela própria e registar as alterações necessárias. Esse processo ajuda a perceber se compreendemos o código e as variáveis representadas.

2.7 R for Health Data Science

O livro de Ewen Harrison e Riinu Pius acrescenta uma perspectiva de ciência de dados aplicada à saúde. A versão electrónica disponibiliza também uma ligação aos conjuntos de dados utilizados nos exemplos [7].

Neste roteiro, proponho utilizá-lo como complemento temático para leitores que trabalham com dados de saúde e querem relacionar a visualização com um processo analítico mais amplo.

Aplicação proposta: seleccionar um exemplo com dados disponibilizados pelos autores, identificar a unidade de análise e explicar o resultado com uma figura e uma nota metodológica curta.

3. Qual escolher primeiro?

A tabela seguinte apresenta a minha proposta de utilização, tendo em conta o objectivo de aprendizagem.

ObjectivoRecurso de entradaPasso seguinte
Desenvolver critérios de desenho visualFundamentals of Data VisualizationAvaliar um gráfico próprio
Começar a produzir gráficos em RData Visualization: A Practical IntroductionReproduzir e adaptar um exemplo
Compreender a lógica do ggplot2ggplot2: Elegant Graphics for Data AnalysisConstruir um gráfico por camadas
Resolver um problema específico em RR Graphics CookbookAdaptar uma receita ao projecto
Publicar gráficos e mapas interactivosHands-On Data VisualizationCriar uma página com dados agregados
Melhorar a comunicação num relatórioStorytelling with DataRever título, destaque e anotações
Trabalhar com exemplos de dados de saúdeR for Health Data ScienceRelacionar figura e interpretação

Para quem começa em R, sugiro combinar Healy com Wilke: praticar a construção e avaliar a apresentação. O livro de ggplot2 permite depois aprofundar os mecanismos; o Cookbook acompanha as dúvidas concretas. Para quem já produz gráficos regularmente, uma revisão orientada pela comunicação pode ter aplicação imediata.

4. Exercício: de uma tabela para uma mensagem legível

Considere uma tabela inteiramente fictícia, com quatro distritos e uma variável binária: se o agregado familiar reportou dificuldade de acesso à água. Os valores abaixo servem apenas para demonstrar o código; não representam resultados de uma avaliação.

O exemplo usa somente o pacote ggplot2. Caso ainda não esteja instalado, execute install.packages("ggplot2") uma vez.

library(ggplot2)

dados <- data.frame(
  distrito = c("Distrito A", "Distrito B", "Distrito C", "Distrito D"),
  respostas_validas = c(80, 100, 60, 90),
  com_dificuldade = c(52, 48, 18, 36)
)

dados$proporcao <- dados$com_dificuldade / dados$respostas_validas
dados$distrito <- reorder(dados$distrito, dados$proporcao)
dados$rotulo <- sprintf(
  "%.0f%% (n=%d)",
  100 * dados$proporcao,
  dados$respostas_validas
)

grafico <- ggplot(dados, aes(x = proporcao, y = distrito)) +
  geom_col(fill = "#21647D", width = 0.65) +
  geom_text(aes(label = rotulo), hjust = -0.1, size = 3.8) +
  scale_x_continuous(
    limits = c(0, 1),
    breaks = seq(0, 1, 0.25),
    labels = function(x) paste0(100 * x, "%"),
    expand = expansion(mult = c(0, 0.02))
  ) +
  labs(
    title = "O Distrito A apresenta a maior proporção na amostra fictícia",
    subtitle = "Agregados familiares que reportam dificuldade de acesso à água",
    x = "Percentagem das respostas válidas",
    y = NULL,
    caption = paste(
      "Fonte: dados fictícios para aprendizagem. n = respostas válidas.",
      "Proporções não ponderadas; sem inferência para a população.",
      sep = "\n"
    )
  ) +
  theme_minimal(base_size = 12) +
  theme(
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank(),
    plot.title.position = "plot",
    plot.caption = element_text(hjust = 0)
  )

print(grafico)
ggsave("dificuldade_acesso_agua.png", grafico,
       width = 10, height = 5.5, dpi = 300)

A ordenação facilita a comparação; os rótulos permitem ler os valores; a nota explica o significado de n. O título descreve o que aparece na amostra fictícia, sem transformar a diferença observada numa conclusão sobre a população.

Num projecto real, substituir esta tabela exige rever o denominador e o desenho amostral. A divisão simples utilizada aqui não substitui uma estimativa ponderada quando esta é necessária. Também convém avaliar a incerteza antes de interpretar diferenças entre distritos, sobretudo quando as bases de resposta são pequenas ou muito diferentes.

O exercício pode ser repetido em três etapas: produzir uma primeira versão, pedir a um colega que explique o que entendeu e rever a figura com base nas dificuldades de leitura identificadas. A justificação das alterações é tão útil quanto o gráfico final.

5. Levar a aprendizagem para o trabalho

Para aplicar estes recursos, proponho escolher um único gráfico de um relatório recente. Primeiro, escrever a pergunta analítica e confirmar a definição do indicador. Depois, reproduzir a figura a partir dos dados e guardar o código. Por fim, rever escalas, rótulos, cores e título, verificando se a mensagem continua fiel aos resultados.

Na revisão, vale confirmar se unidades e períodos estão explícitos, se ausência de dados foi distinguida de zero e se comparações usam bases compatíveis. Em mapas, convém perguntar se a dimensão territorial está a dominar a leitura de um indicador que seria mais claro num gráfico de barras.

Os livros podem acompanhar momentos diferentes desse processo: os fundamentos ajudam a escolher, os exemplos ensinam a construir e os recursos de comunicação ajudam a apresentar. A prática consiste em fazer essas escolhas de forma consciente e conseguir explicá-las a quem vai utilizar a informação.

Recurso complementar: modelação estatística com Stata e R

O curso Statistical Modelling with Stata, de Mark Lunt, da Universidade de Manchester, complementa este roteiro com fundamentos de análise estatística. Foi originalmente preparado para ensinar investigadores a analisar dados em Stata; os exercícios práticos foram também adaptados para R por David Selby [8].

Os temas incluem resumos gráficos e numéricos, amostragem, intervalos de confiança, testes de hipóteses, modelos lineares, regressão logística, resultados categóricos, modelos de contagem e análise de sobrevivência. A página reúne slides, exercícios, soluções e conjuntos de dados. Os autores indicam que a adaptação entre Stata e R continua em desenvolvimento.

Como utilizar neste roteiro: começar pelas sessões sobre resumos de dados e amostragem, relacionando a escolha dos gráficos com a interpretação das estimativas e da incerteza. Depois, avançar para os modelos adequados à pergunta analítica e ao tipo de variável.

Aplicação proposta: reproduzir um exercício em R e apresentar o resultado com um gráfico, uma interpretação curta e uma explicação dos pressupostos utilizados. Para aplicar a avaliações humanitárias, verificar adicionalmente como o desenho amostral deve ser considerado na análise.

Referências e recursos

  1. Wickham, H.; Navarro, D.; Pedersen, T. L. ggplot2: Elegant Graphics for Data Analysis.

  2. Dougherty, J.; Ilyankou, I. Hands-On Data Visualization: Interactive Storytelling from Spreadsheets to Code.

  3. Chang, W. R Graphics Cookbook, 2nd edition.

  4. Storytelling with Data. Livros e materiais complementares.

  5. Wilke, C. O. Fundamentals of Data Visualization.

  6. Healy, K. Data Visualization: A Practical Introduction.

  7. Harrison, E.; Pius, R. R for Health Data Science.

  8. Lunt, M. Statistical Modelling with Stata — exercícios também disponíveis em R.