Histograma no R

Para fazer gráfico de histograma, retomarei uma postagem anterior, na qual utilizo um exemplo do Fundamentos de Química Analítica (Skoog de analítica) para a calibração de uma pipeta de 10 mL. Abaixo segue o script, e para mais explicações assista o vídeo no fim da postagem.

### CALIBRAÇÃO PIPETA 10mL ### # DADOS #dados digitados da calibracao da pipeta de 10 mL dados <- c(9.988,9.973,9.986,9.980,9.975,9.982,9.986,9.982,9.981,9.990,9.980,9.989,9.978,9.971,9.982,9.983,9.988,9.975,9.980,9.994,9.992,9.984,9.981,9.987,9.978,9.983,9.982,9.991,9.981,9.969,9.985,9.977,9.976,9.983,9.976,9.990,9.988,9.971,9.986,9.978,9.986,9.982,9.977,9.977,9.986,9.978,9.983,9.980,9.984,9.979) dados plot(dados) #visualização da dispersão # ESTATISTICA mean(dados) #media sd(dados) #desvio padrao rsd<-sd(dados/mean(dados))*100 rsd #desvio padrao relativo maximo<-max(dados) #identifica maior valor maximo minimo<-min(dados) #identifica o menor valor minimo range(dados) #min e max faixa<-maximo-minimo #diferença entre max e min faixa informa<-summary(dados) #resumo dos dados informa # GRAFICO #histograma relaciona com a distribuição, pois considera a frequência. hist(dados) hist(dados, main = "Distribuição dos Dados", xlab = "Valores", col = "lightblue", freq = TRUE) #frequencia hist(dados, main = "Distribuição dos Dados", xlab = "Valores", col = "lightblue", freq = FALSE) #densidade lines(density(dados), col = "red", lwd = 2) hist(dados, ylim = c(0,70), main = "Distribuição dos Dados", xlab = "Valores", col = "lightblue", freq = FALSE) lines(density(dados), col = "red", lwd = 2) #intevalos n<-length(dados) #tamanho/quantidade de dados n sqrt(n) #numero de classes/intervalos hist(dados,breaks = 7) #nao teve diferença hist(dados,breaks = 10) #ficou melhor hist(dados,breaks = 20) #ficou ruim hist(dados, breaks = 10, main = "Distribuição dos Dados", xlab = "Valores", ylab = "Densidade", col = "lightblue", freq = FALSE) lines(density(dados), col = "red", lwd = 2) # TESTE DE NORMALIDADE shapiro.test(dados) #A hipótese nula do teste de Shapiro-Wilk é que a população possui distribuição normal. #Portanto, um valor de p < 0.05 indica que você rejeitou a hipótese nula, ou seja, # seus dados não possuem distribuição normal. #Nesse caso segue a DNormal como podemos ver no gráfico.

O gráfico final fica conforme mostrado abaixo: