Aula 24. 3 tipos gráficos para visualizar distribuições no R

Violin, Ridgeline e Boxplot com Jitter além do boxplot padrão

Democratização

Esta aula foi construída para que você escolha o gráfico certo para comunicar distribuições com precisão. Os dados usados são o conjunto CO2, disponível no R base. Todo o código está funcional e pronto para reproduzir.

Acompanhe o Café com R

Escaneia o QR Code e acessa o portfólio.

Objetivos da aula

• Compreender o que o boxplot padrão não comunica sobre uma distribuição
• Interpretar e construir violin plots com geom_violin()
• Interpretar e construir ridgeline plots com geom_density_ridges()
• Interpretar e construir boxplot com jitter com geom_jitter()
• Comparar os três gráficos com o mesmo dataset e decidir qual usar

Instalação dos pacotes

install.packages("ggplot2")
install.packages("ggridges")
install.packages("patchwork")

library(tidyverse)
library(ggridges)
library(patchwork)

Bloco 1

O que o boxplot não mostra

O boxplot resume cinco números

O boxplot representa exatamente cinco estatísticas: mínimo, primeiro quartil (Q1), mediana, terceiro quartil (Q3) e máximo.

O que ele não registra:

• A forma da distribuição entre Q1 e Q3
• A presença de dois ou mais picos de frequência (bimodalidade)
• A concentração de observações dentro do IQR
• O tamanho da amostra de cada grupo
• A assimetria interna dentro de cada quartil

Dois datasets com estatísticas resumidas idênticas podem ter distribuições completamente distintas. O boxplot não diferencia os dois.

Código: dois datasets com boxplots idênticos

set.seed(42)

# Dataset A: distribuição unimodal simétrica
dist_a <- tibble(
  grupo = "A",
  valor = rnorm(200, mean = 50, sd = 10))

# Dataset B: distribuição bimodal
# mesma média e desvio padrão que A, mas com dois picos
dist_b <- tibble(
  grupo = "B",
  valor = c(rnorm(100, mean = 40, sd = 5),
            rnorm(100, mean = 60, sd = 5)))

dados_demo <- bind_rows(dist_a, dist_b)

# Verificar: as estatísticas resumidas são quase idênticas
dados_demo |>
  group_by(grupo) |>
  summarise(
    media   = round(mean(valor), 1),
    mediana = round(median(valor), 1),
    dp      = round(sd(valor), 1),
    q1      = round(quantile(valor, 0.25), 1),
    q3      = round(quantile(valor, 0.75), 1))

Output: estatísticas resumidas idênticas

# A tibble: 2 × 6
  grupo media mediana    dp    q1    q3
  <chr> <dbl>   <dbl> <dbl> <dbl> <dbl>
1 A      49.7    49.8   9.7  43.9  56.3
2 B      50.1    51.7  11.2  39.9  59.7

• Média, mediana, desvio padrão e quartis são praticamente idênticos entre os dois grupos.

Código: boxplots indistinguíveis

dados_demo |>
  ggplot(aes(x = grupo, y = valor, fill = grupo)) +
  geom_boxplot(alpha = 0.85, width = 0.4) +
  scale_fill_manual(values = c(
    "A" = cores_cafe["azul_escuro"],
    "B" = cores_cafe["marrom"])) +
  labs(
    title   = "Os dois boxplots parecem idênticos",
    subtitle = "Mesma mediana, mesmo IQR, mesma amplitude",
    x = NULL, y = "Valor",
    caption = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: boxplots indistinguíveis

Código: violin revela a diferença

dados_demo |>
  ggplot(aes(x = grupo, y = valor, fill = grupo)) +
  geom_violin(alpha = 0.85) +
  scale_fill_manual(values = c(
    "A" = cores_cafe["azul_escuro"],
    "B" = cores_cafe["marrom"])) +
  labs(
    title    = "O violin revela o que o boxplot escondeu",
    subtitle = "Grupo A: unimodal simétrico | Grupo B: bimodal",
    x = NULL, y = "Valor",
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: violin revela a diferença

• O grupo B tem dois picos de frequência.

• O boxplot não mostrava isso.

As quatro perguntas que o boxplot não responde

Pergunta analítica	Gráfico indicado
A distribuição tem um pico ou dois?	Violin plot
Como se comparam muitos grupos simultaneamente?	Ridgeline plot
Quantas observações existem em cada grupo?	Boxplot com jitter
A distribuição é simétrica dentro de cada quartil?	Violin plot

Bloco 2

Violin plot

Conceito: violin plot

O violin plot é construído a partir de uma estimativa de densidade de kernel (KDE). A densidade é calculada ao longo do eixo y e espelhada para os dois lados, formando a silhueta do violino.

• A largura em qualquer ponto do violino representa a densidade de observações naquele valor
• Onde o violino é mais largo, há mais observações concentradas
• Onde o violino é mais estreito, há menos observações
• Os picos do violino correspondem aos modos da distribuição

O violin não mostra observações individuais. Ele mostra a densidade estimada da distribuição inteira.

Como interpretar um violin plot

Leitura vertical:

• Extensão total = amplitude dos dados
• Ponto mais largo = moda (valor mais frequente)
• Dois pontos largos = distribuição bimodal
• Forma simétrica = distribuição simétrica

Leitura horizontal:

• Largura proporcional à densidade
• Violino estreito em toda extensão = distribuição uniforme
• Violino muito estreito nas extremidades = poucas observações nos extremos
• Violino com “cintura” = distribuição bimodal

Código: violin básico com CO2

co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(alpha = 0.85) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_escuro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(
    title    = "Absorção de CO2 por origem da planta",
    subtitle = "Distribuição estimada por densidade de kernel",
    x = NULL,
    y = "Absorção de CO2 (umol/m²/s)",
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: violin básico com CO2

Interpretação: violin básico com CO2

O que o violin revela sobre Quebec e Mississippi:

• Quebec tem um violino mais largo na parte superior, indicando alta concentração de absorção em valores elevados. A distribuição é assimétrica negativa: a maioria das plantas absorve muito.

• Mississippi tem o violino mais largo no centro e na parte inferior, indicando que a maioria das plantas absorve pouco. A cauda superior é estreita.

• As duas distribuições têm formas completamente distintas, o que não seria visível em um boxplot simples.

Código: violin + boxplot interno + média

co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(alpha = 0.75, color = "white") +
  geom_boxplot(
    width = 0.12, fill = "white",
    outlier.shape = NA) +
  stat_summary(
    fun  = mean, geom = "point",
    shape = 18, size = 3.5,
    color = cores_cafe["azul_escuro"]) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(
    title    = "Absorção de CO2 por origem",
    subtitle = "Violino = distribuição | Caixa = IQR | Losango = média",
    x = NULL, y = "Absorção de CO2 (umol/m²/s)",
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: violin + boxplot interno + média

Interpretação: o que cada camada adiciona

• Violino: mostra a forma da distribuição. Onde há mais observações, onde há menos, se há bimodalidade.

• Boxplot interno: localiza a mediana e o IQR dentro da forma do violino. Permite leitura precisa de posição sem perder a forma.

• Losango (média): quando a média está acima da mediana, a distribuição é assimétrica positiva. Quando está abaixo, assimétrica negativa. A distância entre os dois indica o grau de assimetria.

Tip

Para Quebec, a média está abaixo da mediana, confirmando assimetria negativa: existe uma cauda inferior que puxa a média para baixo.

Código: efeito do parâmetro bw

# bw controla a largura de banda da estimativa de densidade
# Valor menor: mais detalhes, risco de ruído
# Valor maior: mais suave, risco de perder estrutura real

p1 <- co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(bw = 2, alpha = 0.85) +
  scale_fill_manual(values = unname(cores_cafe)[1:2]) +
  labs(title = "bw = 2 (detalhado)", x = NULL,
       y = "Absorção (umol/m²/s)") +
  tema + theme(legend.position = "none")

p2 <- co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(bw = 10, alpha = 0.85) +
  scale_fill_manual(values = unname(cores_cafe)[1:2]) +
  labs(title = "bw = 10 (suavizado)", x = NULL, y = NULL) +
  tema + theme(legend.position = "none")

p1 | p2

Gráfico: efeito do parâmetro bw

• bw muito pequeno cria picos que não existem nos dados. bw muito grande apaga estrutura real.

• O valor padrão do ggplot2 usa a regra de Silverman, que é um ponto de partida adequado para a maioria dos casos.

Bloco 3

Ridgeline plot

Conceito: ridgeline plot

O ridgeline plot empilha curvas de densidade de múltiplos grupos ao longo do eixo y, com sobreposição parcial controlada entre elas.

• Cada faixa representa a distribuição de um grupo
• A altura da curva em cada ponto representa a densidade
• O parâmetro scale controla o grau de sobreposição entre grupos
• Com scale = 1, as curvas não se sobrepõem. Com scale > 1, as curvas do grupo superior se sobrepõem às do grupo inferior

É o gráfico mais eficiente para comparar distribuições de muitos grupos simultaneamente, algo que o violin torna difícil visualmente quando há mais de quatro ou cinco grupos.

Como interpretar um ridgeline plot

• O pico de cada curva indica o valor mais frequente do grupo
• Curvas com dois picos indicam bimodalidade no grupo
• Curvas largas e baixas indicam distribuição dispersa
• Curvas altas e estreitas indicam distribuição concentrada
• A posição relativa dos picos entre grupos mostra se os grupos diferem em tendência central
• A sobreposição entre curvas adjacentes indica similaridade entre grupos

Código: ridgeline básico com CO2

library(ggridges)

# Combinar Type e Treatment para criar quatro grupos
co2 |>
  mutate(grupo = paste(Type, Treatment, sep = "\n")) |>
  ggplot(aes(x = uptake, y = grupo, fill = Type)) +
  geom_density_ridges(
    alpha = 0.75, scale = 0.9,
    color = "white") +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_escuro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(
    title    = "Absorção de CO2 por origem e tratamento",
    subtitle = "Cada faixa representa a distribuição de um grupo",
    x = "Absorção de CO2 (umol/m²/s)",
    y = NULL,
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: ridgeline básico com CO2

Interpretação: ridgeline básico com CO2

O que o ridgeline revela sobre os quatro grupos:

• Quebec sem resfriamento tem o pico mais à direita: maior absorção mediana entre os grupos
• Quebec com resfriamento tem distribuição mais larga e pico levemente deslocado para a esquerda em relação ao grupo sem resfriamento. O resfriamento reduz a absorção em Quebec, mas não elimina os valores altos
• Mississippi em ambos os tratamentos tem picos claramente à esquerda de Quebec, com distribuições mais concentradas em valores baixos
• A diferença entre tratamentos é mais pronunciada em Quebec do que em Mississippi

Código: ridgeline com gradiente por quantil

co2 |>
  mutate(grupo = paste(Type, Treatment, sep = "\n")) |>
  ggplot(aes(x = uptake, y = grupo,
             fill = after_stat(x))) +
  geom_density_ridges_gradient(
    scale = 0.9, color = "white") +
  scale_fill_gradientn(
    colors = c(
      cores_cafe["marrom"],
      cores_cafe["bege"],
      cores_cafe["azul_claro"],
      cores_cafe["azul_escuro"]),
    name = "Absorção") +
  labs(
    title    = "Absorção de CO2 com gradiente por valor",
    subtitle = "Cor representa o valor de absorção ao longo da distribuição",
    x = "Absorção de CO2 (umol/m²/s)",
    y = NULL,
    caption  = "Jennifer Lopes | Café com R") +
  tema

Gráfico: ridgeline com gradiente por quantil

Interpretação: ridgeline com gradiente

O que o gradiente adiciona à leitura:

• A cor mapeia o valor de absorção diretamente na curva. Regiões escuras (azul) indicam alta absorção. Regiões claras (marrom) indicam baixa absorção.
• Com o gradiente, é possível ver onde cada grupo concentra seus valores sem precisar comparar posições no eixo x
• Para Quebec sem resfriamento, a maior parte da curva está em azul: a maioria das observações está em valores altos
• Para Mississippi, a maior parte da curva está em marrom e bege: concentração em valores baixos

after_stat(x) mapeia o valor do eixo x como variável de preenchimento, calculado internamente pelo ggplot2 após a estimativa de densidade.

Código: ridgeline com pontos individuais

co2 |>
  mutate(grupo = paste(Type, Treatment, sep = "\n")) |>
  ggplot(aes(x = uptake, y = grupo, fill = Type)) +
  geom_density_ridges(
    alpha = 0.7, scale = 0.9,
    color = "white",
    jittered_points = TRUE,
    point_size = 1.5,
    point_alpha = 0.5,
    position = position_raincloud(
      adjust_vlines = TRUE)) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_escuro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(
    title    = "Absorção de CO2 com observações individuais",
    subtitle = "Pontos representam cada planta individualmente",
    x = "Absorção de CO2 (umol/m²/s)",
    y = NULL,
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: ridgeline com pontos individuais

Com jittered_points = TRUE, cada observação aparece como um ponto abaixo da curva. Isso confirma que a densidade estimada reflete dados reais, não artefatos da suavização.

Limite técnico do ridgeline

Important

Atenção: grupos com poucos dados produzem curvas de densidade artificialmente suaves que não refletem a distribuição real. O ggplot2 emite um aviso quando o número de observações é menor que 30.

Com o CO2, cada combinação de Type e Treatment tem apenas 21 observações. As curvas são interpretativas, não definitivas. Adicionar os pontos individuais com jittered_points = TRUE é uma boa prática para transparência.

Bloco 4

Boxplot com Jitter

Conceito: boxplot com jitter

O jitter adiciona uma dispersão horizontal aleatória aos pontos para evitar sobreposição. Quando múltiplas observações têm o mesmo valor ou valores muito próximos, geom_point() as empilha exatamente na mesma posição, tornando-as invisíveis.

• geom_jitter() é equivalente a geom_point(position = position_jitter())
• O eixo y permanece no valor real da observação
• O eixo x é deslocado aleatoriamente dentro de uma largura controlada pelo parâmetro width
• O jitter é reproduzível quando combinado com set.seed()

Como interpretar um boxplot com jitter

• Cada ponto representa uma observação individual
• A posição vertical do ponto é o valor real da variável
• A posição horizontal é aleatória e não tem significado
• A densidade de pontos em uma região indica onde se concentram as observações
• O boxplot por trás fornece o resumo de cinco números
• O losango da média permite comparar posição relativa com a mediana

Código: boxplot com jitter básico

set.seed(42)

co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(
    alpha = 0.5, width = 0.4,
    outlier.shape = NA) +
  geom_jitter(
    width = 0.15, alpha = 0.6,
    size = 1.8,
    color = cores_cafe["azul_escuro"]) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(
    title    = "Absorção de CO2 por origem",
    subtitle = "Cada ponto representa uma observação individual",
    x = NULL, y = "Absorção de CO2 (umol/m²/s)",
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: boxplot com jitter básico

Interpretação: boxplot com jitter básico

O que os pontos revelam sobre o CO2:

• Quebec tem pontos distribuídos amplamente, com concentração visível entre 30 e 45 umol/m²/s. Nenhuma observação abaixo de 10.
• Mississippi tem pontos muito concentrados na faixa inferior (5 a 25 umol/m²/s). Há alguns pontos dispersos acima de 30, visíveis como outliers no boxplot.
• O jitter torna evidente que a dispersão de Quebec é estruturada, não aleatória. Os pontos se agrupam em faixas que correspondem às concentrações de CO2 do experimento.

Código: jitter ajustado com cor por tratamento

set.seed(42)

co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(
    alpha = 0.4, width = 0.45,
    outlier.shape = NA) +
  geom_jitter(
    aes(color = Treatment),
    width = 0.18, alpha = 0.75,
    size = 2.2) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  scale_color_manual(values = c(
    "Sem resfriamento" = cores_cafe["azul_escuro"],
    "Com resfriamento" = cores_cafe["bege"]),
    name = "Tratamento") +
  labs(
    title    = "Absorção por origem — pontos coloridos por tratamento",
    subtitle = "Cor dos pontos indica o tratamento aplicado",
    x = NULL, y = "Absorção de CO2 (umol/m²/s)",
    caption  = "Jennifer Lopes | Café com R") +
  tema

Gráfico: jitter com cor por tratamento

Código: boxplot + jitter + média

set.seed(42)

co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(
    alpha = 0.45, width = 0.4,
    outlier.shape = NA) +
  geom_jitter(
    width = 0.15, alpha = 0.55,
    size = 1.8,
    color = cores_cafe["azul_escuro"]) +
  stat_summary(
    fun   = mean, geom = "point",
    shape = 18, size = 4,
    color = cores_cafe["marrom"]) +
  scale_fill_manual(values = c(
    "Quebec"      = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["bege"])) +
  labs(
    title    = "Absorção de CO2 por origem",
    subtitle = "Caixa = IQR | Pontos = observações | Losango = média",
    x = NULL, y = "Absorção de CO2 (umol/m²/s)",
    caption  = "Jennifer Lopes | Café com R") +
  tema +
  theme(legend.position = "none")

Gráfico: boxplot + jitter + média

Interpretação: o trio completo

O que cada camada acrescenta:

• Boxplot: mediana, IQR e amplitude. Leitura rápida de posição central e dispersão.
• Jitter: confirma que a distribuição de Quebec é estruturada em bandas, reflexo das concentrações de CO2 testadas no experimento (95, 175, 250, 350, 500, 675, 1000 mL/L).
• Losango (média): para Quebec, a média está abaixo da mediana, confirmando assimetria negativa. Para Mississippi, média e mediana estão próximas, indicando distribuição mais simétrica.

Important

Atenção: outlier.shape = NA remove os outliers do boxplot quando geom_jitter() já está presente. Sem isso, os outliers aparecem duplicados: uma vez no boxplot e uma vez como ponto no jitter.

Bloco 5

Comparação direta

Código: os três gráficos com patchwork

set.seed(42)

p_violin <- co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(alpha = 0.75, color = "white") +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  scale_fill_manual(values = c(
    "Quebec" = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(title = "Violin", x = NULL,
       y = "Absorção (umol/m²/s)",
       caption = "Jennifer Lopes | Café com R") +
  tema + theme(legend.position = "none")

p_ridge <- co2 |>
  mutate(grupo = paste(Type, Treatment, sep = "\n")) |>
  ggplot(aes(x = uptake, y = grupo, fill = Type)) +
  geom_density_ridges(alpha = 0.75, scale = 0.9, color = "white") +
  scale_fill_manual(values = c(
    "Quebec" = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(title = "Ridgeline", x = "Absorção (umol/m²/s)", y = NULL) +
  tema + theme(legend.position = "none")

p_jitter <- co2 |>
  ggplot(aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(alpha = 0.45, width = 0.4, outlier.shape = NA) +
  geom_jitter(width = 0.15, alpha = 0.55, size = 1.8,
              color = cores_cafe["azul_escuro"]) +
  scale_fill_manual(values = c(
    "Quebec" = cores_cafe["azul_claro"],
    "Mississippi" = cores_cafe["marrom"])) +
  labs(title = "Boxplot com Jitter", x = NULL, y = NULL) +
  tema + theme(legend.position = "none")

p_violin | p_ridge | p_jitter

Gráfico: os três lado a lado

Interpretação comparada

O que cada gráfico revelou que os outros não revelaram:

• Violin: revelou que Quebec tem distribuição com cauda inferior extensa. Não é visível no boxplot e é difícil de ler no ridgeline com quatro grupos.

• Ridgeline: revelou o efeito do tratamento de resfriamento dentro de cada origem de forma simultânea. Comparar quatro grupos ao mesmo tempo seria impossível com violin sem sobreposição visual excessiva.

• Boxplot com jitter: revelou a estrutura em bandas de Quebec, reflexo direto das concentrações de CO2 testadas no experimento. Nenhum dos outros gráficos tornava isso tão evidente.

Tabela de decisão

Pergunta analítica	Gráfico indicado
Qual é a forma da distribuição? Há bimodalidade?	Violin
Como comparar muitos grupos simultaneamente?	Ridgeline
Quantas observações existem? Onde estão concentradas?	Boxplot com jitter
A distribuição é simétrica? Onde está a média em relação à mediana?	Violin + boxplot interno
Existe estrutura nos dados além da tendência central?	Boxplot com jitter
Como o valor de uma variável se distribui ao longo de grupos ordenados?	Ridgeline

Referências

• Documentação ggplot2: ggplot2.tidyverse.org
• Documentação ggridges: wilkelab.org/ggridges
• R Graph Gallery — Violin: r-graph-gallery.com/violin.html
• R Graph Gallery — Ridgeline: r-graph-gallery.com/ridgeline-plot.html
• From Data to Viz: data-to-viz.com

Obrigada!

Continue praticando e explorando!

Esta aula é parte do projeto Café com R. É open source. Use, compartilhe e adapte.

Siga o Café com R

Que cada gole desperte uma nova ideia. Que cada script abra uma nova conversa. Que o Café com R se torne um ponto de encontro nosso.