Estatística Descritiva do Zero: projeto final de descrição completa de um conjunto de dados

O que é o projeto final e qual é a entrega esperada

Este projeto final reúne, em um único fluxo de trabalho, as principais entregas de uma descrição estatística: um conjunto de dados simples, um objetivo de descrição bem definido, uma limpeza mínima documentada, tabelas e gráficos adequados, medidas numéricas (tendência central, dispersão e separatrizes) e um relatório curto e interpretável. A ideia não é “provar” hipóteses nem fazer inferência; é produzir um retrato fiel e útil do dataset, com escolhas justificadas e limitações explicitadas.

A entrega final deve permitir que outra pessoa entenda: (1) o que foi analisado, (2) como os dados foram preparados, (3) quais resumos foram produzidos, (4) o que esses resumos sugerem, e (5) onde estão as incertezas e restrições.

Dataset sugerido (simples e completo) para o projeto

Para padronizar o projeto, use um dataset pequeno e realista de “vendas de cafeteria” (30 a 200 linhas). Você pode montar em planilha ou CSV. Abaixo está um modelo de variáveis (colunas) recomendado, com tipos mistos para permitir todas as análises pedidas.

• id_compra (identificador)
• data (data da compra)
• turno (Manhã/Tarde/Noite) — qualitativa
• categoria (Bebida/Comida) — qualitativa
• produto (ex.: Café, Cappuccino, Pão de queijo) — qualitativa
• forma_pagamento (Dinheiro/Cartão/Pix) — qualitativa
• preco_unitario (R$) — quantitativa
• quantidade — quantitativa discreta
• valor_total (R$) — quantitativa (pode ser calculada como preco_unitario * quantidade)
• tempo_espera_min (minutos) — quantitativa

Se você preferir outro tema (academia, transporte, notas de prova, atendimento), mantenha a mesma lógica: pelo menos 2 variáveis qualitativas e 2 quantitativas, com uma variável “principal” para descrever e uma variável de grupo para comparar.

Definição do objetivo (o que você vai descrever)

Escreva 1 a 3 objetivos descritivos, específicos e mensuráveis. Exemplos (escolha um conjunto coerente):

Continue em nosso aplicativo e ...

• Ouça o áudio com a tela desligada
• Ganhe Certificado após a conclusão
• + de 5000 cursos para você explorar!

ou continue lendo abaixo...

Baixar o aplicativo

• Objetivo A (principal): descrever a distribuição de valor_total e identificar valores típicos e variação.
• Objetivo B (operacional): descrever tempo_espera_min e verificar se há assimetria e possíveis valores atípicos.
• Objetivo C (comparação): comparar valor_total por turno (ou por forma_pagamento), usando tabela-resumo e gráficos.

Inclua também 2 a 4 perguntas-guia que o relatório deve responder, por exemplo: “Qual é o ticket típico?”, “A distribuição é simétrica ou concentrada?”, “Há diferenças visíveis entre turnos?”

Passo a passo prático (roteiro de execução)

1) Carregar dados e conferir estrutura

Checklist mínimo:

• Contar linhas e colunas.
• Listar variáveis e tipos esperados (qualitativa/quantitativa).
• Verificar se há duplicatas de id_compra (se existir identificador).

Exemplo de tabela de “dicionário de dados” (inclua no relatório):

2) Limpeza mínima (documentada e reprodutível)

Faça apenas o necessário para descrever corretamente, sem “forçar” os dados. Registre tudo em uma seção “Tratamento de dados”. Exemplos de ações típicas:

• Padronização de categorias: corrigir grafias (ex.: “pix”, “Pix”, “PIX” → “Pix”).
• Conversão de tipos: garantir que preco_unitario, valor_total e tempo_espera_min sejam numéricos.
• Valores faltantes: contar faltantes por variável e decidir: remover linhas (se poucas e justificável) ou manter e sinalizar.
• Regras de validade: quantidade > 0, valor_total > 0, tempo_espera_min >= 0. Valores fora disso devem ser corrigidos se houver fonte confiável; caso contrário, marcar como ausente ou excluir com justificativa.
• Consistência: se valor_total existir e preco_unitario e quantidade também, conferir se valor_total ≈ preco_unitario * quantidade (diferenças pequenas podem ser arredondamento).

Modelo de registro (inclua no relatório):

3) Tabelas de frequência (qualitativas)

Escolha 1 a 3 variáveis qualitativas relevantes (ex.: turno, categoria, forma_pagamento). Produza:

• Frequência absoluta
• Frequência relativa (%)
• (Opcional) ranking dos 5 produtos mais vendidos

Inclua uma interpretação curta por tabela, focando no que é mais frequente e no que é raro (sem extrapolar).

4) Tabelas de frequência (quantitativas) e decisão: dados brutos vs. agrupados

Escolha 1 variável quantitativa principal (ex.: valor_total) e decida:

• Usar dados brutos quando N é pequeno/médio e a leitura de valores individuais faz sentido (ex.: até ~50–80 observações, dependendo do caso).
• Agrupar em classes quando N é maior, há muitos valores distintos, ou você quer enfatizar a forma da distribuição (concentração, caudas). Nesse caso, explique o critério de classes (largura, número de classes) e mantenha intervalos interpretáveis (ex.: faixas de R$ 5).

No relatório, registre a justificativa: “Optei por dados agrupados porque a variável tem muitos valores distintos e o objetivo é visualizar a distribuição por faixas de preço”.

5) Gráficos essenciais (seleção mínima)

Inclua um conjunto pequeno e suficiente de gráficos, cada um com objetivo claro:

• Para qualitativas: gráfico de barras (ex.: forma_pagamento) com ordenação por frequência.
• Para quantitativas: histograma (ou barras por classes) de valor_total.
• Para comparação entre grupos: boxplot de valor_total por turno (ou por categoria).

Regras de qualidade: eixos com unidade, título descritivo, escalas coerentes, e evitar excesso de gráficos redundantes.

6) Medidas numéricas: tendência central, dispersão e separatrizes

Para cada variável quantitativa analisada (pelo menos valor_total e mais uma, como tempo_espera_min), calcule e apresente em uma tabela:

• Tendência central: média, mediana (e moda se fizer sentido).
• Dispersão: mínimo, máximo, amplitude, desvio-padrão (e variância se exigido), IQR (amplitude interquartil).
• Separatrizes: Q1, Q2 (mediana), Q3; e pelo menos 1 percentil relevante (ex.: P90 para “picos” de espera).

Inclua a justificativa “média vs. mediana” baseada no formato observado (assimetria, outliers). Exemplos de justificativas aceitáveis:

• “Usei a mediana como valor típico de valor_total porque o histograma e o boxplot indicam assimetria à direita e alguns valores altos isolados.”
• “Usei a média como resumo principal de tempo_espera_min porque a distribuição é aproximadamente simétrica e não há valores extremos relevantes após a limpeza.”

7) Tabela-resumo por grupo (comparações)

Crie uma tabela com estatísticas por grupo (ex.: por turno). Recomenda-se incluir:

• N (tamanho do grupo)
• Mediana e média de valor_total
• Q1 e Q3 (ou IQR)
• Desvio-padrão (se fizer sentido)

Exemplo de estrutura:

Interprete com cuidado: descreva diferenças observadas e destaque quando N é pequeno em algum grupo (o que reduz estabilidade do resumo).

Modelo de relatório descritivo curto (estrutura padronizada)

Use esta estrutura para entregar seu projeto. Ela é curta, mas completa.

1) Contexto e objetivo

• Descrição do dataset (tema, período, N).
• Objetivos (1 a 3) e perguntas-guia.
• Variáveis analisadas e por quê (principal e secundárias).

2) Dicionário de dados

• Tabela com variáveis, tipos, unidades e exemplos.

3) Tratamento e qualidade dos dados

• O que foi verificado (faltantes, duplicatas, validade).
• O que foi corrigido/padronizado e critérios.
• Quantas linhas ficaram após limpeza (se mudou).

4) Descrição das variáveis qualitativas

• Tabelas de frequência (com %).
• 1 gráfico de barras principal.
• 2 a 5 frases interpretando padrões (concentração, categorias raras).

5) Descrição das variáveis quantitativas

• Gráfico(s): histograma e boxplot (quando aplicável).
• Tabela de medidas: média, mediana, DP, min, max, Q1, Q3, IQR, P90 (ou outro percentil relevante).
• Justificativa explícita: por que a medida “típica” escolhida é média ou mediana.
• Decisão explícita: dados brutos vs. agrupados (e critério).

6) Comparações entre grupos (se aplicável)

• Definição do grupo (ex.: turno).
• Tabela-resumo por grupo.
• Boxplot por grupo (ou outro gráfico coerente).
• Interpretação: diferenças observadas, sem atribuir causalidade.

7) Limitações e cuidados de interpretação

• Representatividade (amostra pequena? período curto? apenas uma loja?).
• Possíveis vieses (horários sem registro, promoções, dias especiais).
• Qualidade de medição (tempo de espera estimado? arredondamentos?).
• Impacto de faltantes e exclusões (o que pode ter mudado).

Roteiro de entrega (checklist com critérios de qualidade)

Arquivos e organização

• Arquivo 1: relatório em PDF (ou documento) seguindo a estrutura padronizada.
• Arquivo 2: dataset final (CSV/planilha) após limpeza mínima.
• Arquivo 3 (opcional): script ou registro das etapas (mesmo que seja um “log” manual) para reprodutibilidade.

Critérios de qualidade (o que será avaliado)

• Clareza do objetivo: objetivos específicos e alinhados às análises apresentadas.
• Coerência das escolhas: gráficos e tabelas adequados ao tipo de variável; justificativa para média vs. mediana; justificativa para agrupamento.
• Limpeza mínima bem documentada: o leitor entende o que mudou e por quê; sem “sumir” com dados sem explicação.
• Correção técnica: percentuais somam ~100% (considerando arredondamento); medidas calculadas com N correto (tratamento de ausentes); unidades explícitas.
• Interpretação cuidadosa: descreve padrões sem extrapolar; menciona tamanho de grupos; evita causalidade.
• Limitações explícitas: pelo menos 3 limitações relevantes e seu possível impacto.
• Apresentação: tabelas legíveis, gráficos com eixos e escalas, texto curto e objetivo.

Exemplo de “mini-relatório” (texto-modelo para você adaptar)

Contexto e objetivo (exemplo)

O dataset contém 120 compras registradas em uma cafeteria ao longo de 7 dias. O objetivo principal é descrever o comportamento de valor_total (ticket) e tempo_espera_min, além de comparar o ticket entre turnos (Manhã/Tarde/Noite).

Escolhas justificadas (exemplo)

• Medida típica: a mediana foi usada como resumo principal do ticket porque o boxplot indica assimetria à direita e alguns tickets altos isolados, que elevam a média.
• Agrupamento: o histograma de valor_total foi construído com classes de R$ 5 para facilitar a leitura por faixas de gasto e reduzir ruído de valores únicos.
• Percentil: foi reportado P90 de tempo_espera_min para representar “picos” de espera (situações mais críticas), além de Q1 e Q3.

Interpretação cuidadosa (exemplo)

Observa-se concentração de compras em tickets baixos a moderados, com cauda à direita. No comparativo por turno, a noite apresenta maior dispersão do ticket (IQR maior), enquanto a manhã concentra valores mais próximos. Essas diferenças descrevem o padrão observado no período analisado e podem variar em semanas com promoções, sazonalidade ou mudanças de equipe.