Por que gráficos de setores não são recomendados para muitas categorias?
Passo 1
O enunciado pergunta por que os gráficos de setores (ou “pizza”) não são recomendados quando temos muitas categorias. Isso cai no tema de visualização de dados, focado na percepção humana de tamanhos e cores para comparar partes de um todo.
Passo 2
A principal limitação vem da nossa dificuldade de julgar e comparar ângulos ou arcos: ao olhar para fatias que têm orientação e formas diferentes, fica muito mais impreciso estimar qual é maior ou menor. Para duas ou três fatias tudo bem, mas conforme aumenta o número, o cérebro já não consegue distinguir pequenas variações de ângulo.
Passo 3
Com muitas categorias, algumas fatias acabam ficando muito estreitas. Essas fatias “fininhas” mal aparecem no gráfico e vira um emaranhado de pedaços quase iguais, tornando impossível comparar valores pequenos ou até mesmo identificar qual fatia corresponde a qual categoria.
Passo 4
Além disso, para cada categoria precisa-se de uma cor ou padrão diferente e de uma legenda extensa. Isso causa poluição visual: cores muito parecidas confundem, e legendas longas ou posicionamento de rótulos sobrepostas atrapalham ainda mais a leitura.
Passo 5
Em resumo, quando o número de categorias cresce, o gráfico de setores perde clareza, comparação e facilidade de leitura. Nesses casos, gráficos de barras ou de linhas são mais eficientes, pois usam comprimentos e posições alinhadas que nosso cérebro avalia com muito mais precisão.
Resposta
Gráficos de setores não são recomendados para muitas categorias porque
(a) torna-se difícil comparar ângulos e áreas;
(b) surgem fatias muito estreitas que quase desaparecem;
(c) a necessidade de muitas cores e uma legenda extensa sobrecarrega a leitura. Esses fatores juntos comprometem a clareza e a precisão na interpretação dos dados.
(a) torna-se difícil comparar ângulos e áreas;
(b) surgem fatias muito estreitas que quase desaparecem;
(c) a necessidade de muitas cores e uma legenda extensa sobrecarrega a leitura. Esses fatores juntos comprometem a clareza e a precisão na interpretação dos dados.