Contrar aşteptării obişnuite, densităţile estimate diferă mult de distribuţia normală; avem câte un vârf cu înălţimea ≈25%-30%, care pe măsură ce media judeţeană creşte, se mută dinspre zona mediilor 6-7 (de la "Ilfov 7.02", cu media judeţeană 7.02) spre zona mediilor 8-9 (până la "Iaşi 7.95").

Ne-am ocupat anterior în cinci părţi (prima - în iulie) de rezultatele bacalaureatului din 2015 (prezentând diverse elemente de limbaj R, cu judecăţi statistice elementare), plecând de la setul de date (în formă "microsoftizată") preluat de la data.gov.ro. Între timp s-a insinuat cumva ideea de a reuni părţile respective într-o lucrare unică, eventual în format PDF.

Funcţia noastră "perJudGaps()" constituie şi returnează un obiect de clasă 'list' cu 42 de componente de clasă 'data.frame', fiecare conţinând procentele de note la probe şi de medii finale corespunzătoare câte unui interval de medii, pentru judeţul respectiv. Cu rbind() (de la "row bind") putem concatena mai multe obiecte data.frame; numai că în cazul de faţă, aceste obiecte sunt ambalate împreună într-un obiect 'list' - de aceea am folosit funcţia do.call() (aceasta apelează funcţia indicată pe componentele listei primite).

După ce receptează setul de date (în format "lung": cheie - variabilă - valoare), ggplot() operează stratificat: mai întâi, vede din parametrii funcţiei aes() - de la "aesthetic" - cărei variabile trebuie să-i reprezinte valorile (numerice) şi deasemenea, cărei variabile (de regulă, de clasă "factor") trebuie să-i reprezinte valorile prin culori diferite, sau prin simboluri şi mărimi diferite; apoi (pe următorul nivel de operare, montat celui precedent prin operatorul "+") se stabileşte "geometria" reprezentării (prin bare, sau ca histogramă, prin linii, puncte, etc.) şi eventual, se calculează anumite statistici de reprezentat (după valorile indicate în parametrul "stat" al funcţiei geom_bar()); pe următoarele straturi se stabilesc "detalii" precum titluri şi inscripţionări, ce paletă de culori să fie folosită, etc., iar dacă este cazul se constituie mai multe panouri grafice (prin facet_wrap()) şi eventual, se "răstoarnă" axele de coordonate (prin coord_flip()).

Constituim o funcţie numită "pergaps()", care să ne obţină procentele de candidaţi pe fiecare interval de medii, pentru un subset din "bac5" furnizat ca argument; exemplificare (angajând şi elemente standard de grafică în R): compararea rezultatelor a două subseturi ale profilului "matematică-informatică" (cei care au susţinut proba D la "Informatică" versus cei care au susţinut-o fie la "Biologie", fie la "Anatomie").

Avem două posibilităţi de a obţine caracteristicile statistice elementare ale datelor respective: fie constituim tabele de frecvenţă pentru fiecare coloană în parte, fie constituim tabele de contingenţă, "încrucişând" câte doi dintre cei 5 factori (desigur, putem face şi una şi alta).

Cel mai vizibil aspect (probabil, binecunoscut) este faptul că lumea se descurcă cel mai greu cu mesajele scrise: la PMS avem aproape 30% de '-' (candidaţi cu punctaj 0-10), iar acest procent este mult mai mare decât toate celelalte de pe prima coloană (corespunzătoare calităţii '-').

Însumând valorile din ultimele patru dintre cele cinci rânduri de rezultate redate mai sus, putem zice doar că 13-14% dintre candidaţi au obţinut rezultate bune (majoritare fiind 'B1' şi 'B2'), la cele cinci criterii de competenţă lingvistică.