1. Explorar correlações de variáveis
Determinar se duas variáveis mudam em sincronia, fornecendo uma base para modelagem subsequente (como análise de regressão).
2. Detectar padrões de distribuição de dados
Identificar tipos de relacionamento linear, exponencial, logarítmico e outros. Por exemplo, o crescimento populacional e o tempo podem mostrar uma distribuição exponencial, enquanto a velocidade do carro e o consumo de combustível podem mostrar uma relação em forma de U.
3. Identificar outliers e valores anormais
Outliers podem afetar a precisão do modelo e requerem investigação adicional (como erros de entrada de dados ou eventos especiais).
4. Comparar diferenças entre múltiplos grupos de dados
Usar rótulos de grupo (como diferentes cores) para comparar as diferenças nas relações de variáveis entre diferentes grupos (como diferentes faixas etárias).

1. Observar o padrão geral de distribuição
Tendência linear: pontos são distribuídos diagonalmente para cima ou para baixo, como altura e peso.
Tendência não linear: pontos são distribuídos em uma linha curva, como velocidade do carro e consumo de combustível.
Sem correlação: pontos são dispersos aleatoriamente, como altura e tamanho do sapato (após controlar pela idade).
2. Identificar outliers e valores anormais
Examinar pontos que desviam da distribuição geral para determinar se são erros de dados ou casos especiais. Por exemplo, ao analisar a relação entre preços de imóveis e área, um local com preços altos em uma área pequena pode estar no centro da cidade.

1. Analisar correlações de variáveis, como se o investimento em publicidade e as vendas aumentam ou diminuem em conjunto, para determinar rapidamente correlação positiva/negativa ou sem correlação.

2. Detectar padrões de distribuição de dados, como identificar relações não lineares (como uma curva em forma de U entre velocidade do carro e consumo de combustível) ou outliers (como um outlier pequeno e caro).

3. Realizar análise comparativa de múltiplos grupos, distinguindo grupos por cor/forma (como diferenças na distribuição altura-peso entre homens e mulheres), para auxiliar na pesquisa de segmentação de mercado.

4. Validar modelos de regressão, verificando se as variáveis atendem às suposições lineares e evitando viés no modelo.

A principal diferença entre gráficos de dispersão e gráficos de bolhas está nas dimensões de exibição de variáveis e na expressão visual. Gráficos de dispersão usam um sistema de coordenadas bidimensional para exibir a relação entre duas variáveis (X, Y). Cada ponto representa apenas um par de valores. Eles se concentram em analisar correlações, tendências ou outliers entre variáveis e são adequados para explorar relações básicas. Gráficos de bolhas, por outro lado, introduzem uma terceira variável, codificando valores através do tamanho (ou cor) da bolha, permitindo a análise simultânea de três variáveis.